Logiciel d'analyse avancée - la facilité d'utilisation est le facteur le plus important

52 Prozent der Unternehmen geben an, dass Benutzerfreundlichkeit für Data Scientists ein Grund für die Wahl ihrer Software ist. Gleichzeitig ist die Benutzerfreundlichkeit für Business-Analysten sehr wichtig, 51 Prozent der Unternehmen geben sie als Kaufgrund an.

Weitere wichtige Faktoren für Softwarekäufer sind die Abdeckung spezifischer Anforderungen (46 Prozent), eine codefreie Umgebung (39 Prozent) und überzeugende Performance (36 Prozent).

Dass die Software über Governance-Funktionen und -Konzepte verfügt, spielt hingegen nur für einen kleinen Teil der Unternehmen eine Rolle (12 Prozent).

„Die Anwender von Analytics-Software gehören zu einer heterogenen Gruppe:

Von technisch orientierten Data Scientists und Machine Learning Engineers, die an Datenanalysen arbeiten, bis hin zu Business-Analysten, die sich mehr auf visuelle Analysen und Daten­exploration konzentrieren.

Die letztgenannte Gruppe, die visuelle Benutzeroberflächen dem Programmieren vorzieht, gewinnt zunehmend an Bedeutung“

so Sebastian Derwisch, BARC-Analyst und Co-Autor der Studie.

„Aus diesem Grund versuchen Softwarehersteller mittlerweile verstärkt, codefreie Benutzeroberflächen und Benutzerführung bereitzustellen, um Analysen für Anwender so zugänglich wie möglich zu machen.“

Die erzielten Vorteile von Open-Source-Anwendern und kommerziellen Software-Anwendern sind größtenteils deckungsgleich, allerdings mit einigen interessanten Ausnahmen.

48 Prozent der Anwender von kommerzieller Analysesoftware erreichen eine erhöhte Transparenz der Datennutzung, während der entsprechende Anteil in der Open-Source- Community nur 36 Prozent beträgt. Außerdem berichten Anwender von kommerzieller Software öfter von einer verbesserten Mitarbeiterzufriedenheit.

Nur ein Drittel der Open-Source-Anwender erzielt eine höhere Kostensenkung.

„Wenn man bedenkt, dass Open-Source-Software kostenlos ist, ist es erstaunlich, dass Kosteneinsparungen nicht häufiger erreicht werden“

kommentiert Derwisch.

„Ein möglicher Grund ist, dass der Betrieb von Open-Source-­Software zusätzlichen Aufwand erfordern kann. Eine weitere Erklärung könnte sein, dass Data Scientists mit Kenntnissen in Open-Source-Sprachen häufig fehlen und somit mehr kosten.“

Open Source punktet mit Funktionalität, kommerzielle Software besitzt andere Vorteile.