Ehemaligen Vergangenheitskenner werden im Zuge der Digitalisierung zu Zukunftsgestaltern

Big Data gibt den Unternehmen neue Hausaufgaben. Sie müssen Herr werden über die massiven Datenvolumina, sie in Verbindung zueinander setzen, analysieren und zu Managemententscheidungen aggregieren. Keine leichte Aufgabe in diesen volatilen Zeiten, aber es gibt Unterstützung durch Predictive Analytics-Lösungen. Sie nutzen nicht nur historische sondern auch aktuelle Daten zur Erstellung statistischer, mathematischer und Machine-Learning Modelle und bieten so einen datengetriebenen Blick in die Zukunft. Durch präzisere und häufigere Prognosen können schnell Entscheidungsgrundlagen geschaffen werden, um die gesetzten Ziele zu erreichen oder Einspar- und Kostenoptimierungspotenziale auszunutzen.

Aber was gehört denn nun zu einer erfolgreichen Predictive Analytics-Lösung?

1. Auswahl der richtigen KPIs

Die Auswahl der passenden KPIs ist ausschlaggebend für den Erfolg der neuen Predictive Analytics Strategie. Die Kennzahlen müssen an den Werttreibern Ihres Unternehmens ausgerichtet sein, die Ihre Top-KPI beeinflussen.
Bewährte Praxisbeispiele sind z.B.:

• •Vorhersage/Frühwarnsystem von außerordentlichen Aufwendungen, Digital Forecast
• Identifikation von neuem Absatzpotential, Cross-Selling Prediction
• Vorbeugen von Kundenfluktuation, Churn Prediction
• Optimierung der Disposition, Absatzmengenprognose, Optimierung der Lieferkette
• Prognose von Preisspitzen im Einkauf, Price Prediction
• Betrugserkennung, Fraud Detection
• Vorhersage von Maschinenausfällen/ Prozessunregelmäßigkeiten
• Schaffung eines unternehmensweiten Prozess-Controllings

2. Aufbau einer leistungsfähigen Big Data-Struktur

Die meisten Unternehmen verfügen bereits über erste Erfahrungen mit großen Datenmengen: Data Warehouses und BI-Anwendungen (Business Intelligence) sind auch bei KMUs seit vielen Jahren erfolgreich im Einsatz. Dennoch beschränken sich die Analysen bisher nur auf bestimmte Datensegmente und geben auch nur einen Blick in die Retrospektive – meist noch mit erheblicher Verzögerung.

Eine Predictive Analytics Lösung kombiniert Daten unterschiedlichster Herkunft, z.B. aus multidimensionalen Datenbanken, Webarchiven, IOT-Data Streams oder klassischen Kalkulationstabellen, um neue kausale Zusammenhänge ad hoc aufzudecken.

Im Hinblick auf die definierten KPIs muss die Datenstruktur richtig und vor allem vorausschauend geordnet aufbereitet werden. Folgende Fragestellungen helfen beim Aufbau:

• Wo sind die Daten gespeichert?
• Wo sollen die Daten zur Verfügung stehen
• Welche Daten gehören zu welchen Geschäftsprozessen?
• Welche Prozesse werden von den zur Verfügung stehenden Daten beeinflusst?

Sobald Sie diese Fragen für sich beantwortet haben, können Sie die Datenmodelle in Hinblick auf Nutzen und Sicherheit festlegen und aufbauen. Dabei sollten Sie bereits den nächsten Schritt, die Datenanalyse, im Blick haben.

3. Die Datenanalyse

In dieser Phase wird zunächst die Qualität der Daten überprüft. Gegebenenfalls müssen diese aufbereitet werden, um sie für die Analyse verwenden zu können. Numerische Daten sind am leichtesten verwertbar, aber auch Textdokumente und Bilder lassen sich heutzutage mittels Machine-Learning Verfahren nutzen. Voraussetzung für diese Verfahren ist eine ausreichend große Anzahl von Datensätzen (z.B. Kunden und verkaufte Produkte der letzten 3 Jahre). Ziel der Vorbereitung ist es Features aus den Daten zu extrahieren und ein Modell für die Analyse zu entwickeln. Optimalerweise ergeben sich auch bereits Korrelationen in den Daten (z.B. männliche Kunden in NRW kaufen vermehrt Produkt XY), die eine Weiterverarbeitung vereinfachen. Es sollte ebenfalls darauf geachtet werden, ob das System in sich abgeschlossen ist oder äußere Einflüsse eine Rolle spielen, die bisher nicht erfasst werden konnten (z.B. Aktienkurseinbrüche durch Hysterie-Verkäufe etc.).

Wenn entschieden ist, welche Informationen aus den vorhandenen Daten verwendet werden sollen, beginnt die Analyse. Die ausgewählten Datenmerkmale durchlaufen verschiedene statistische Verfahren und Machine-Learning-Techniken (Data-Mining), um Algorithmen zu entwickeln und zu einem Prognosemodell zusammenzuführen. R und Python sind kostengünstige Open Source Statistik-Werkzeuge, die aufgrund ihrer vielfältigen Einsatzmöglichkeiten und dem starken Support der Community in den letzten Jahren zu etablierten Standard-Tools der Datenanalyse herangewachsen sind.

Die entwickelten Algorithmen werden trainiert, indem eine große Menge an historischen Daten in Trainings- und Testsets aufgeteilt wird, um daraus bestimmte Muster zu erkennen. Im Folgenden findet eine schrittweise Anpassung des Modells statt, um die Trefferquote zu optimieren. Wenn eine zufriedenstellende Voraussage in den Testläufen erreicht wird, kann das entwickelte Modell genutzt werden, um mit der gesamten Datenmenge zielgenaue Voraussagen zu liefern.

4. Einbindung in die bestehende Infrastruktur

Natürlich soll die neue Predictive-Analytics Lösung kein neues Datensilo eröffnen. Stellen Sie sich vor, Sie nutzen hochmoderne Analyseverfahren, um die Ergebnisse dann als Excel-Tabelle oder PowerPoint-Vorlage zu präsentieren. Die Prognosen oder Handlungsempfehlungen sind erst dann effektiv, wenn sie den Unternehmen als zusätzlicher Service integriert zur Verfügung stehen. z.B. eingebunden in das bestehende BI-System, auf dem Desktop, mobile oder in der Cloud.

5. Unterstützung von außen

Damit Predictive-Analytics-Projekte erfolgreich verlaufen und entsprechenden Nutzen bringen, müssen Firmen eine Reihe von Hürden überwinden. Die größte Herausforderung ist die fehlende Verfügbarkeit von Spezialisten innerhalb der Unternehmen. Deshalb nutzen Unternehmen für Predictive Analytics-Projekte gerne einen externen Servicepartner, insbesondere für die technische Beratung.

Selbach Information Systems legt in der technischen Beratung besonders großen Wert auf die nahtlose Integration in bestehende Management Informations-Systeme. Durch die Verwendung von vorgedachten Logiken und fallspezifischen Modulen sind die Lösungen besonders einfach, transparent und sofort einsetzbar.

Wenn Sie mehr darüber erfahren wollen, wie Sie

• Predictive Analytics Lösungen durch vorgefertigte Algorithmen schnell und einfach umsetzen,
• datengetriebene Entscheidungsgrundlagen in bestehende MIS-Systeme integrieren,
• Zukunftsprognosen verfügbar machen auf dem Desktop, mobil oder in der Cloud,

dann vereinbaren Sie hier einen Gesprächstermin. Wir freuen uns auf ein unverbindliches Kennenlernen.