Skip to main content

Predictive Analytics

Von Big Data zu Predictive Analytics

Dashboards und Reporting bieten wertvolle Informationen für Manager. Oft fehlt die Verbindung zu Geschäftsentscheidungen, Prozessoptimierungen, Kundenerfahrungen oder anderen Aktionen auf Basis von prädiktiven Erkenntnissen. Denn Unternehmen müssen heute in die Zukunft blicken, um für die immer schneller kommenden Herausforderungen gerüstet zu sein.

Predictive Analytics setzt da an, wo OLAP oder Reporting aufhören. Anstatt nur die bestehende Situation zu analysieren, versucht Predictive Analytics mit Hilfe von Algorithmen, Muster in Daten zu finden, um ähnliche Ergebnisse in der Zukunft vorhersagen zu können.

Mit Predictive Analytics gewinnen: 6 Beispiele aus der Unternehmenspraxis

Mit Predictive Analytics lassen sich ganz neue Erkenntnisse über Kunden und Geschäftsprozesse gewinnen. Neue Annahmen zur Kundenbindung sowie die bessere Planbarkeit von zukünftigen Herausforderungen führen zu steigenden Umsatzpotenzialen. Das Unternehmen erhält darüber hinaus Inspiration für komplett neue Produkte.

Predictive Analytics wird erfolgreich in diesen Bereichen eingesetzt:

  1. Betrug in Echtzeit aufdecken (fraud detection)
    Algorithmen erkennen automatisch Unregelmäßigkeiten im Zahlungsverkehr. Verdächtige Geschäftsvorgänge werden automatisch angehalten und manuell geprüft.
  2. Wartungszeitpunkt vorhersagen (predictive maintenance)
    Von der ausfallbedingten Reparatur zur vorbeugenden Instandhaltung zu gelangen ist das Ziel. Dazu analysieren Algorithmen permanent das Maschinenverhalten und beziehen dafür auch historische Daten ein. Dadurch wird der geeignete Zeitpunkt für die nächste Inspektion berechnet und auch die benötigten Ersatzteile auf Lager vorgehalten.
  3. Ausschuss verringern (predictive quality)
    Über eine Parametrisierung der Produktionsstufen ermöglicht Predictive Analytics, fehlerhafte Produkte frühzeitig zu identifizieren und aus dem Produktionsprozess zu nehmen. Voraussetzung: Die geeigneten Kriterien anhand von Mustern aus Sensordaten sind bekannt, die auf einen Qualitätsmangel hinweisen.
  4. Unzufriedene Kunden erkennen (churn management)
    Vorherszuagen, welche Kunden in nächster Zeit abwandern werden, wird für Unternehmen immer wichtiger. Beispielsweise können Telekommunikationsunternehmen Kundendaten wie getätigte Anrufe, genutzte Minuten, Anzahl der gesendeten SMS, durchschnittliche Rechnungsbeträge und hunderte anderer Variablen verwenden, um Modelle zu finden, die voraussagen, welche Kunden wahrscheinlich den Betreiber wechseln wollen.
  5. Absatzprognosen verbessern
    Mithilfe von Predictive Analytics ist ein Produktionsunternehmen in der Lage, die Nachfrage nach einzelnen Produkten besser abzuschätzen und die Herstellung entsprechend zu planen. Die Analyseergebnisse werden dazu genutzt, die Produktions- und Lagerkapazitäten sowie die Logistik optimal anzupassen. Probleme durch eine zu große Lagerhaltung oder Überproduktion werden vermieden.
  6. Zahlungsmoral erhöhen
    Offene Forderungen an Lieferanten und Geschäftspartner sind für jedes Unternehmen ein Thema. Erfahrungen, unter welchen Bedingungen Kunden fristgerecht zahlen, z.B. durch Skonti, fließen in das Cash-Forecasting mit ein und helfen so, durch eine schnellere Rechnungszahlung die Liquidität des Unternehmens zu verbessern.


Stefan Müller
Director Big Data Analytics

Sie haben Fragen zu Predictive Analytics?

"Kunden schöpfen bei Weitem noch nicht das Potenzial ihrer Daten für Predictive Analytics aus. Wo wir solche Projekte durchgeführt haben, ist die Kundenzufriedenheit stark gestiegen."

Anfrage Senden

Unsere Vorgehensweise bei Predictive-Analytics-Projekten

Predictive Analytics
  1. Kick-off-Workshop mit Fachexperten und Entscheidungsträgern, um zu besprechen, welche Fragen mit Predictive Analytics beantwortet werden sollen und Festlegung, welche Daten dafür benötigt werden.
  2. Definition eines konkreten Ziels mit Kennzahlen (z.B. Umsatz um Summe x steigern, Fehlmenge reduzieren), das mit Hilfe der Prognosen erreicht werden soll.
  3. Auswahl/Zuschneiden der Datensätze und Kombination mit externen Daten.
  4. Mittels eines Pilotprojekt/Prototyp eine erste Auswertung der Daten in entsprechenden Vorhersagemodellen.
  5. Laufende Verfeinerung, Kombination und Evaluierung der Modelle und Analysemethoden, um die Prognosequalität zu verbessern.
  6. Abschließend die Integration der neuen analytischen Methoden in die bestehenden Systeme.

Expertenempfehlung

Predictive Analytics ist ein kontinuierlicher, iterativer Prozess. Die eingesetzten Modelle verbessern sich durch den fortschreitenden Einsatz immer weiter und die Vorhersagen werden dadurch immer präziser. Unternehmen sollten mit einem kleineren Projekt starten und die Lösung dann Schritt für Schritt erweitern.

Jetzt Expertenwissen abrufen

Inhalt

  • Darauf sollten Unternehmen bei der Implementierung einer Predictive Analytics-Lösung achten
    • Voraussetzung: Leistungsstarke Datenbank-Infrastruktur
    • Auswahl der Datensätze
    • Methodik
  • Die sechs Schritte der prädiktiven Analytik
  • Die gewonnenen Erkenntnisse erfolgreich in die Geschäftspraxis übertragen
    Anrede:

    Vorname*:

    Name*:

    Firma*:

    Job Titel*:

    Telefon*:

    E-Mail*: