Die 3 wichtigsten Antworten zu Predictive Analytics

1
17.05.2018ǀ ǀ Big Data
Predictive Analytics hilft, den Überblick zu behalten

Predictive Analytics hilft, den Überblick zu behalten

Worauf müssen Unternehmen bei der Implementierung einer Predictive Analytics-Lösung achten? Welche Vorgehensweise ist zu empfehlen? Wie lassen sich die gewonnenen Erkenntnisse erfolgreich in die Geschäftspraxis übertragen? Mit diesen drei Fragen werde ich im Projektalltag immer wieder konfrontiert. Grund, um die 3 wichtigsten Fragen zu Predictive Analytics zu beantworten.

1. Worauf müssen Unternehmen bei der Implementierung einer Predictive Analytics-Lösung achten?

Die Weichenstellung beginnt lange vor der Implementierungsphase, nämlich bereits mit der Auswahl des Predictive Analytics-Tools. Dafür muss man sich zuallererst über die Anwendungsszenarien klar werden. Erst wenn die bekannt sind, lassen sich die diversen Angebote vergleichen, und das Unternehmen findet heraus, mit welcher Software es seine Analyseziele am besten umsetzen kann. Es hat sich bewährt, dafür zunächst die Funktionalitäten zu notieren und nach ihrer Wichtigkeit zu werten: Must-haves und Nice-to-haves. Man sollte sogar genau wissen, was das Programm keinesfalls können muss. Denn so kann man die überflüssigen Funktionen beim Auswahlprozess bewusst ausklammern.

Anschauen sollte man sich auch, unter welchen Voraussetzungen die gewünschten Analysefunktionen arbeiten: Ist vielleicht noch eine kundenspezifische Anpassung notwendig? Oder wird zwingend ein eigenes Tool gebraucht, vielleicht von einem Drittanbieter? Das würde zusätzlichen Aufwand und höhere Kosten bedeuten. Und schließlich sollte das Unternehmen bereits ganz am Anfang des IT-Projekts festlegen, wer später mit der Predictive Analytics-Software arbeiten wird, um gegebenenfalls unterschiedliche Funktionen für die verschiedenen Nutzer bestimmen zu können. Denn ein Controller hat andere Anforderungen an das System als ein Vertriebler.

Die 5 Schritte zur Predictive Analytics-Umsetzung haben wir in diesem Beitrag beschrieben.

Was immer benötigt wird
Das Predictive Analytics-Programm muss mit den diversen Datenquellen und -typen zurechtkommen, wie CSV-, Text- und XML- Daten, und Data Blending erlauben. In der Regel ist insbesondere der Zugriff auf Exceldaten erforderlich. In Abhängigkeit von den Zielen spielen eventuell auch NoSQL-Datenbanken eine Rolle. Für maximale Effektivität sind Filterfunktionen, die Ausgabe tabellarischer Berichte und grafische Visualisierungen unabdingbar. Der Nutzer sollte dabei eine möglichst große Auswahl an Diagrammformen haben. Besonders anwenderfreundlich ist zudem eine webbasierte Bedienoberfläche. Unverzichtbar sind außerdem Features zum Drucken und Exportieren in andere Formate, etwa in Textdateien oder Datentabellen. Ein weiteres Entscheidungskriterium – im Grunde schon ein K.O.-Kriterium – bei der Auswahl einer Predictive Analytics-Lösung ist es, ob sie eine zufriedenstellende Datensicherheit gewährt.

Die weichen Kriterien nicht vergessen
Wie bei jeder Software ist auch bei einem BI-Tool eine einfache, möglichst intuitive Bedienbarkeit am besten. Damit die getroffenen Vorhersagen effektiv in unternehmerische Maßnahmen umgesetzt werden können, müssen die Ergebnisse bei Bedarf sehr schnell vorliegen. Es empfiehlt sich überdies, wiederkehrende Reportings einzurichten, die die Verantwortlichen auf Knopfdruck abfragen können. Zudem sollte das Tool im Unternehmensalltag weder bei der Anzahl gleichzeitiger Benutzer noch bezüglich der Rechenleistung an seine Grenzen stoßen. Für manche Unternehmen wird sich eine Cloud-Lösung lohnen: Es gibt keine Vorabinvestitionen in die Software oder die Infrastruktur, und die Verantwortlichen haben auch mobil Zugriff.

2. Welche Vorgehensweise ist zu empfehlen?

Im Management ansiedeln
Da Predictive Analytics nur gelingt, wenn die Analysen tief in die Geschäftsprozesse integriert sind, bedarf es einer engen Verbindung zwischen IT und operativem Geschäft sowie einer sehr klaren Unterstützung des Softwareprojekts durch die Unternehmensleitung. Dennoch wird die beste IT-Lösung nicht die gewünschten Ergebnisse liefern können, wenn die Mitarbeiter mit ihr fremdeln. Daher sollten – wie bei jeder Systemeinführung – die betroffenen Kollegen frühzeitig in das Projekt eingebunden und Verantwortliche benannt werden. Bei den obligatorischen Schulungen ist es sinnvoll, zwischen normalen Nutzern und Administratoren zu unterscheiden.

Die obligaten Informationen im Blick behalten
Es bietet sich an, frühzeitig eine Roadmap zu verabschieden, die alle wesentlichen Fragen beantwortet:
– Welche Ziele möchte das Unternehmen durch Predictive Analytics erreichen?
– Was sind die relevanten Daten und Datenquellen?
– Welches Prognosemodell wird genutzt?
– Wie lassen sich die Auswirkungen der Predictive Analytics evaluieren?

Im Kleinen beginnen
Aufgrund der Komplexität des gesamten Prozesses ist es meist zweckmäßig, zunächst mit einem einfachen Anwendungsszenario zu starten, es peu à peu zu verfeinern und dann – nach den ersten Erfolgen – auf andere Anwendungsfälle auszuweiten. Es sollten ausschließlich korrekte, aktuelle Daten einfließen – je mehr Daten, umso präziser die Prognose. Die Ergebnisse sollten nicht nur dem Management, sondern auch den Fachbereichen zur Verfügung stehen. Das motiviert erfahrungsgemäß die Mitarbeiter und befähigt sie, auch selbst besser zu entscheiden.

3. Wie lassen sich die gewonnenen Erkenntnisse erfolgreich in die Geschäftspraxis übertragen?

Eine gute Predictive Analytics-Lösung macht sehr genaue Vorhersagen zu Markttrends, wirtschaftlichen Entwicklungen und menschlichem Verhalten. Damit ist das Unternehmen in der Lage, sich frühzeitig auf Veränderungen einzustellen, idealerweise noch vor dem Wettbewerb. Die nachfolgenden Beispiele zeigen, wie vielfältig die Einsatzmöglichkeiten von Predictive Analytics sind und welche Vorteile dem Unternehmen daraus erwachsen können:

a) Proaktive Kundenangebote
Je zeitiger und besser man sich im Klaren ist, wofür sich ein Kunde höchstwahrscheinlich in der Zukunft interessieren wird, desto zielgerichteter lassen sich Marketing- und Vertriebsaktivitäten an den Kundenwünschen ausrichten. Sie sind dadurch nicht mehr angebots-, sondern nachfragegesteuert. Es spielt dabei keine Rolle, ob es um einen einzelnen Kunden oder um Kundengruppen geht. Auch ganze Marketingkampagnen erzielen so eine höhere Treffsicherheit. Durch Predictive Analytics lassen sich etwaige Risikokunden erkennen, bei denen beispielweise ein Zahlungsausfall ziemlich wahrscheinlich ist – das Unternehmen kann dann entsprechende Gegenmaßnahmen ergreifen.

b) Wettbewerbsfähige Preisgestaltung
Oft ist der Preis für den Kunden ein entscheidendes Kaufkriterium. Hat das Unternehmen eine genaue Vorstellung, in welche Richtung sich der Preis entwickelt, bleibt es nicht nur von bösen Überraschungen verschont, es kann sich auch einen entscheidenden Wettbewerbsvorteil sichern. Das gilt mit umgekehrten Vorzeichen ebenso für den Einkauf: Weiß man, wohin die Reise geht, etwa bei den internationalen Rohstoffpreisen, dann kann man sich darauf einstellen und beispielsweise seine Preise oder den Kaufzeitpunkt daran ausrichten.

c) Entwicklungen auf den Märkten vorhersehen
Die Ergebnisse von Predictive Analytics geben ganz neue Einblicke in die Märkte: Marktrisiken werden eher wahrgenommen, man erkennt früh technologische Trends oder hat eine Idee, wie sich Lieferanten und Wettbewerber entwickeln werden. Alles Erkenntnisse, die sehr hilfreich sind, um das Unternehmen strategisch sinnvoll auszurichten, Investitionen rechtzeitig vorzunehmen und das Produktportfolio anzupassen.

d) Genaue Planung vermeidet Über- oder Unterkapazitäten
Ob Personalressourcen oder die Maschinenauslastung – vorausschauend kann das Unternehmen nun beides besser planen. Es stellt sicher, dass ausreichend Ware vorrätig ist, während es gleichzeitig die Lagerbestände, etwa für Materialien, Zukauf- und Ersatzteile, minimiert.

e) Die Predictive-Analytics-Technik unterstützt die Prozessautomatisierung
Ein besonderer Einsatzfall für eine Predictive-Analytics-Software sind vollautomatisierte Prozesse. Die Maschine selbst entscheidet auf der Grundlage einer datenbasierten Vorhersage, welches die aktuell beste Aktion ist. Dieses Geschehen läuft in Bruchteilen von Sekunden ab, Menschen sind nicht involviert. Beispiele dafür finden sich im Finanzhandel und in der industriellen Fertigung.

Wenn Sie ausführliche Informationen zur Herangehensweise an ein Predictive Analytics-Projekt wünschen, laden Sie sich den Leitfaden zur Einführung einer Predictive Analytics-Lösung herunter.

Diese Artikel könnten Sie auch interessieren:

Tags:

Stefan Müller - Director Big Data Analytics
Nach mehreren Jahren Tätigkeit im Bereich Governance & Controlling und Sourcing Management ist Stefan Müller bei it-novum gelandet, wo er den Bereich Big Data Analytics aufgebaut hat. Stefans Herz schlägt für die Möglichkeiten, die die BI-Suiten von Pentaho und Jedox bieten, er beschäftigt sich aber auch mit anderen Open Source BI-Lösungen. Seine Begeisterung für Business Open Source im Bereich Datenintelligenz gibt Stefan regelmäßig in Fachartikeln, Statements und Vorträgen weiter.
Webprofile von Stefan: Twitter, LinkedIn, XING