Analytics-Glossar
Automatisierte Ursachenanalyse (Root Cause Analysis, RCA) bezeichnet den Einsatz von Algorithmen – statistischen Tests, kausalen Graphen und Machine Learning –, um zu erklären, warum sich eine Kennzahl verändert hat, statt nur zu erkennen, dass sie sich verändert hat. Statt stundenlanger manueller Dashboard-Analyse priorisiert das System die wahrscheinlichsten Treiber einer Anomalie in Minuten.
Monitoring beantwortet, was wann passiert ist. Automatisierte RCA ergänzt die kausale Ebene, die das Warum beantwortet – mit einer Kombination mehrerer Verfahren vom Symptom zum Treiber.
Anomalieerkennung und Schwellenwert-Monitoring melden, dass eine Kennzahl – Ausschussquote, Conversion, Lieferzeit – ihren Normalbereich verlassen hat. Das ist der Auslöser, nicht die Antwort.
Jetzt übernehmen kausale Verfahren: Contribution-Analysen zerlegen die Veränderung über Dimensionen, kausale Graphen (wie in gängigen Open-Source-Bibliotheken) modellieren, welche Faktoren welche plausibel beeinflussen können, und SHAP-artige Zuordnungen quantifizieren jeden Treiber auf Vorhersagemodellen.
Kandidaten-Ursachen werden nach geschätztem Beitrag priorisiert und mit ihrer Evidenz präsentiert, damit ein Mensch den Befund vor dem Handeln validieren kann – automatisierte RCA verengt die Suche, sie ersetzt kein Urteilsvermögen.
Eine illustrative Ursachenzerlegung einer Kennzahlveränderung.
Die veränderte Kennzahl steht an der Wurzel; die automatisierte RCA zerlegt sie in geordnete beitragende Zweige, jeder mit einem quantifizierten Anteil an der Gesamtveränderung. Da sich die Anteile zur gesamten Veränderung summieren, lässt sich jeder Zweig anhand der zugrunde liegenden Daten überprüfen — eine geordnete, prüfbare Antwort auf „Was hat das verursacht?“ statt einer Blackbox-Vermutung.
Die meisten BI-Werkzeuge bleiben bei der Beschreibung stehen: Dashboards zeigen den Einbruch, die Diagnose bleibt an dem hängen, der gerade Zeit hat. Wird diese Diagnose automatisiert, verändern sich Tempo und Qualität operativer Entscheidungen.
Der Explain-Schritt in Adaptrix kombiniert Treiberanalysen auf Ihren angebundenen Daten mit klar verständlichen Zusammenfassungen: Bewegt sich eine Kennzahl, schlägt Adaptrix die wahrscheinlichsten Ursachen nach Beitrag geordnet vor und zeigt die Evidenz dahinter. Das verkürzt die Diagnose – die Entscheidung bleibt bei Ihrem Team.
Bauen Sie Ihr Analytics-Vokabular weiter aus.
Anomalieerkennung beantwortet „was und wann“: Sie meldet, dass eine Kennzahl ihren Normalbereich verlassen hat. Ursachenanalyse beantwortet „warum“: Sie identifiziert und priorisiert die Faktoren, die die Veränderung am plausibelsten getrieben haben. Erkennung ohne RCA überlässt die schwerste Arbeit – die Diagnose – dem Menschen.
Typische Bausteine sind dimensionale Contribution-Analysen, kausale graphische Modelle mit Attribution und Kontrafaktualen (der Ansatz hinter gängigen Open-Source-Bibliotheken) sowie SHAP-artige Merkmalszuordnung auf Vorhersagemodellen. Produktive Systeme kombinieren meist mehrere davon.
Kein System kann Kausalität allein aus Beobachtungsdaten beweisen. Automatisierte RCA macht kausale Annahmen explizit, testet sie wo möglich und priorisiert plausible Treiber samt Evidenz – ein großer Fortschritt gegenüber dem Blick aufs Dashboard, aber Befunde sollte jemand validieren, der den Prozess kennt.
Typische Anwendungen sind Qualität in der Fertigung (warum ist die Ausschussquote gestiegen?), Umsatz- und Conversion-Einbrüche, steigende Kündigungsraten, Kostenüberschreitungen und Logistikverzögerungen – jede wiederkehrende „Warum hat sich diese Zahl verändert?“-Frage, die heute Analystenzeit bindet.
Quellen und weiterführende Literatur:
Bringen Sie eine echte Frage aus Ihrem Unternehmen mit und sehen Sie die Antwort live – mit Begründung, Quellen und Rechenweg – oder rechnen Sie zuerst aus, was es Ihnen spart.