Predictive Analytics

Vergangenheit und Zukunft
Klassische Business-Intelligence-Applikationen dokumentieren die Leistungswerte abgeschlossener Geschäftsperioden. Mit deren Hilfe liefert die prognostische Analytik Ergebnisse, mit denen sich bessere Entscheidungen treffen lassen.
TEXT: NATHAN JAGODA

„Nur wer die Vergangenheit kennt, hat eine Zukunft“, heißt es in einem Zitat, das Wilhelm von Humboldt zugeschrieben wird. Damit sind kurz und prägnant die Beziehungen zwischen historischen Daten – beispielsweise den Jahres-, Quartalsund Monatsberichten – als Ausgangsbasis und den Ergebnissen der prognostischen Analytik (Predictive Analytics) beschrieben, die einen Einblick in die zukünftige Entwicklung bietet. Für Unternehmen ist es notwendig, die Vergangenheit zu betrachten, um zu sehen, was wie geplant passiert ist, und daraus zu lernen. Denn ansonsten würden immer wieder die gleichen Fehler wiederholt.

Um die Zukunft zu gestalten, muss der Blick aber zur gleichen Zeit nach vorne gerichtet werden. Die dazu benötigten Werkzeuge stellt die prognostische Analytik bereit. Sie bietet ein umfangreiches Spektrum statistischer Methoden und Verfahren zur Datenanalyse, mit denen die verschiedenen Benutzergruppen in Unternehmen arbeiten können. Von aussagekräftigen Modellen und zielgenauen Einzelprognosen profitieren sowohl Manager jeglicher Hierarchiestufe als auch die Entscheider in den Fachabteilungen.

MUSTER UND TRENDS ERKENNEN UND VERSTEHEN

Prognostische Analytik unterstützt auf Basis algorithmischer Verfahren Mitarbeiter dabei, Muster und Trends in den vorliegenden Daten zu erkennen und zu verstehen. Wichtige Entscheidungen stützen sich dann nicht mehr auf ein wie auch immer geartetes Bauchgefühl, sondern auf relevante Fakten und damit erstellte Prognosen. In vielen Unternehmen gibt es dafür eine Reihe von Anwendungsszenarien:

PREDICTIVE MAINTENANCE

Durch die kontinuierliche Überwachung des physikalischen Zustands von Maschinenteilen und -konfigurationen fallen riesige Datenmengen an. Mit diesen können zum Beispiel Wartungsarbeiten besser geplant und Ausfälle verhindert werden.

STEUERUNG DER PRODUKTION

Eine IoT-Applikation erfasst Sensordaten von Maschinen und Werkzeugen und analysiert sie im Hinblick auf unerwartetes Verhalten. Bei den erkannten Mustern werden Korrelationen mit früheren Qualitätsproblemen, Maschinenausfällen sowie Werkzeugbrüchen gesucht und die Produktionssteuerung entsprechend angepasst.

CUSTOMER-RELATIONSHIPMANAGEMENT

Mitarbeiter im Marketing analysieren die Datenbanken mit Kundenkontakten, Supportanfragen und Aufträgen und entwickeln auf dieser Basis ein Modell für eine höhere Kundenbindung und -zufriedenheit.

BEARBEITUNG VON KREDITANTRÄGEN

Die Kreditrisiken lassen sich beispielsweise mit einer Scoring-Anwendung bewerten. Anhand vorliegender Daten für Fallunterscheidungen, die eine Vielzahl von Parametern und deren Einflüsse berücksichtigen, werden Entscheidungspfade aufgebaut. Die gängigsten Parameter sind Alter des Antragstellers, Geschlecht, höchster Bildungsabschluss, Wohnort, Beruf, Einkommen, Kredithistorie und gewünschte Kreditsumme.

Bei der Prognosegenauigkeit spielen drei Faktoren eine entscheidende Rolle: erstens die zur Verfügung stehende Datenmenge sowie die Qualität, Konsistenz und Zuverlässigkeit der Daten, zweitens die Gewichtung der unterschiedlichen Einflussgrößen und drittens die Technologien zur Erfassung und Analyse der Daten sowie die eigentliche Produktion von Prognosen.

BREITES EINSATZSPEKTRUM

Prognostische Analytik gehört seit geraumer Zeit zu den Aufgaben der Unternehmenssteuerung. Allerdings befassten sich lange Zeit fast ausschließlich Spezialisten damit. Durch eine Kombination von Business- Intelligence (BI) und Statistikbibliotheken hat sich das geändert. Während sich BI mit den Geschäftsergebnissen in der Vergangenheit und deren Auswirkungen auf die Gegenwart befasst, liefern die statistischen Verfahren der prognostischen Analytik einen Blick auf mögliche oder auch gewünschte künftige Entwicklungen.

Eine solche kombinierte Umgebung adressiert drei zentrale Herausforderungen der prognostischen Analytik: den Zugriff auf die Daten und deren Aufbereitung, die Erstellung von Prognosemodellen sowie die Erstellung und Auslieferung von Prognose-Applikationen an Anwender in den Fachabteilungen.

Ein wichtiger Vorteil der Integration: Benutzer aus den Fachabteilungen können die Ergebnisse der statistischen Verfahren direkt mit der BI-Plattform weiterverwenden.

Prognostische Modelle lassen sich in vielen Branchen und Anwendungsszenarien effizient einsetzen. Das mögliche Spektrum reicht vom Supply-Chain-Management über die Bedarfs- und Produktionsplanung sowie die Qualitätssteigerung in den Produktionsabläufen bis hin zur Prognose der Fehleranfälligkeit von Produkten. Ziel dabei ist es immer, die Erkenntnisse im nächsten Durchlauf umzusetzen und Prozesse kontinuierlich zu verbessern. Ein zentraler Punkt dabei ist die Lernfähigkeit der verwendeten Prognosemodelle.

DIE EVOLUTION VON DATA-ANALYTICS

Business-Intelligence und Data-Analytics haben sich von einer deskriptiven über eine diagnostische zu einer prognostischen Disziplin gewandelt. Die deskriptive Analytik dokumentiert, was passiert ist; die diagnostische Analytik zeigt, warum etwas geschehen ist; die prognostische Analytik zeigt, was passieren wird. Die präskriptive Analytik schließlich – als oberste Stufe von Data-Analytics – setzt auf der prognostischen Analytik auf und gibt Empfehlungen, was Unternehmen tun sollten, damit ein gewünschter Zustand oder ein Ereignis auch tatsächlich eintritt.

NATHAN JAGODA ist Country Manager Germany bei Information Builders in Eschborn.