Predictive Analytics auch für kleinere und mittlere Unternehmen (KMU) geeignet?

Business Intelligence hat sich in den letzten 15 Jahren auch in vielen mittelständischen Unternehmen durchgesetzt. Der Markt bietet eine Vielzahl erschwinglicher Lösungen, die mit überschaubarem technischen Aufwand Unternehmensdaten aus vorhandenen Datenbanken in anschaulichen Tabellen und Grafiken verständlich darstellen. 

Nach einer BARC-Umfrage aus dem Jahr 2012 nutzen 83 Prozent der deutschen Mittelständler Business-Intelligence Lösungen. Anders sieht es noch bei Predictive Analytics aus, doch immerhin planen nach einer aktuellen ebenfalls von BARC durchgeführten Studie 71 Prozent der Unternehmen, die an Big-Data-Lösungen denken, den Einsatz entsprechender Analysewerkzeuge.

Predictive Analytics könnte man als die der klassischen Business Intelligence folgende nächst höhere Stufe der Datenanalyse verstehen. Während Business Intelligence aktuelle und vergangene Situationen beschreibt leitet man mit Predictive Analytics aus oft extrem großen Datenbeständen (“Big Data”) mit Hilfe komplexer Data-Mining-Methoden Vorhersagen und konkrete Handlungsempfehlungen ab. Während Business Intelligence zum Beispiel zeigt, mit welchen Produkten in der Vergangenheit wie viel Umsatz erzielt wurde kann man mit Hilfe von Predictive Analytics ableiten, durch welche Maßnahmen sich Umsätze optimieren lassen. Der Fokus verlagert sich also von der Vergangenheit in die Zukunft. Der Wert von Predictive Analytics für ein Unternehmen wird in der Fachliteratur häufig als sehr viel höher eingeschätzt als der von klassischer Business Intelligence.

Doch eignet sich Predictive Analytics tatsächlich für alle Unternehmen? Gerade KMU stellen sich die Frage, ob sich die tiefergehende Analyse von Daten für sie überhaupt lohnt: Gibt es geeignete Daten und Fragestellungen? Steht der Investitionsaufwand im Verhältnis zum zu erwartenden Ertrag? Besitzt das Unternehmen hinreichendes Analyse-Know-how oder muss externer Sachverstand herangezogen werden?

Daten und Fragestellungen

Mit Predictive Analytics lassen sich sehr viele Fragestellungen bearbeiten, die grundsätzlich für Unternehmen aller Größen und Branchen interessant sein können, zum Beispiel aus dem Bereich Marketing:

• Wie spreche ich meine Kunden am besten an? Wie optimiere ich den Ertrag von Kunden-Mailings?
• Wie verhindere ich, Kunden zu verlieren oder gewinne verlorene Kunden zurück?

Auch Unternehmen mit komplexeren Fertigungsprozessen können Prozesse mit Predictive Analytics optimieren und Ausfälle reduzieren. Zur Bearbeitung solcher Fragen müssen allerdings Daten vorliegen, und zwar zum einen in hinreichender Menge, so dass allgemeingültige Aussagen abgeleitet werden können. Zum anderen müssen die gespeicherten Daten auch genau die Merkmale abbilden, die in Zusammenhang mit den Zielgrößen stehen: Wenn zum Beispiel das Alter der Kunden die Affinität für ein bestimmtes Produkt bestimmt, müssen auch Daten zum Kundenalter vorliegen, damit man diesen Zusammenhang überhaupt ermitteln kann. Da man im Vorhinein aber nicht weiß, welche Merkmale oder Merkmalskombinationen relevant sind, ist es hilfreich, über ein breites Datenspektrum von Merkmalen zu verfügen, die je nach Fragestellung Transaktionen, Kunden oder Maschinenzustände möglichst umfassend beschreiben. Da aber heutzutage in Unternehmen aller Größenklassen die Arbeitsabläufe digital unterstützt und in dem Zusammenhang Daten gespeichert werden, dürften viele Unternehmen über eine erfolgsversprechende Datenbasis verfügen. 

Investitionsaufwand

Zunächst gilt es abzuschätzen, welchen Ertrag man durch ein erfolgreiches Predictive-Analytics-Projekt erzielen könnte.

• Was bringt zum Beispiel eine Reduzierung des Ausschusses in der Produktion um ein Prozent?
• Wie teuer ist ein ungeplanter Maschinenausfall? Oder
• welche Einsparung  erzielt man, wenn eine Briefsendung an einen Bruchteil der üblicherweise angeschriebenen Kunden die gleiche positive Responsequote produziert?

Auf der Kostenseite stehen zum einen die Softwarekosten. Sollte man die Daten bereits in einer oder in verschiedenen Datenbanken gespeichert halten, empfiehlt es sich, hier zumindest in der Startphase nicht mit viel Aufwand neue Datenhaltungssysteme aufzubauen. Gute Analysesoftware für Predictive Analytics bietet nämlich neben den Analysealgorithmen auch Werkzeuge, die auf Daten unterschiedlicher Quellen zugreifen und diese zusammenführen können.

Auch die Überprüfung von Plausibilitäten in den Daten sowie die Bereinigung der Daten sollte das Analysetool leisten. Diese Prozessschritte sollten sich in der Software auch automatisieren lassen, um bei einer Wiederholung der Analyse Zeit zu sparen und Fehler zu vermeiden. Die Beschaffung von professioneller Software ist mit Kosten verbunden, es gibt aber auch Open-Source-Werkzeuge. Diese bieten in der Regel aber nicht den Bedienungskomfort von professioneller Software. Auch hinsichtlich des Datenzugriffs, der Datenaufbereitung und -bereinigung sind professionelle Lösungen meist überlegen, so dass die Kosteneinsparung beim Einsatz von Open-Source-Werkzeugen schnell verbraucht sein kann. 

Know-how und Personalaufwände

Predictive Analytics ist keine Black Box, in die man Daten hineinwirft und die “irgendwie” sinnvolle Ergebnisse ausgibt. Es ist ein Prozess von Schritten, der durch das für Data Mining entwickelte und anerkannte CRISP-Konzept gut beschrieben wird: Zunächst müssen die Fragestellungen und Daten hinreichend verstanden sein, bevor man sich nacheinander der Datenvorbereitung, der Modellbildung, der Bewertung der Ergebnisse und der Anwendung der Erkenntnisse zuwendet. Will man erfolgreiche Predictive-Analytics-Projekte durchführen, sollte man diese Herangehensweise verstanden haben und über Kenntnisse der einzelnen Prozessschritte verfügen. Gerade die Modellierung und Evaluierung von Ergebnissen ist nicht trivial und erfordert Kenntnisse von Methoden und Strategien. Man muss allerdings weder ausgebildeter Statistiker noch Informatiker sein. In der Praxis sind es oft Ingenieure, Projektmanager oder Marketing-Spezialisten, die mit ihrem Business-Know-how nach einer “Anschubhilfe” durch spezielle Ausbildungsgänge von Softwareanbietern oder Beratungshäusern selbständig Projekte entwickeln und durchführen und damit ihren Unternehmen Wettbewerbsvorteile durch kreative Datenanalysen verschaffen. 

Fazit

Predictive Analytics muss nicht für jedes Unternehmen eine gewinnbringende Strategie sein: Liegen keine Daten vor, aus denen sich bisher nicht bekannte Erkenntnisse ableiten lassen, hilft die beste Methode nicht weiter. Verfügt ein Unternehmen egal welcher Größe aber über eine Menge an gespeicherten Daten ihrer Geschäftsprozesse, lohnt sich der Versuch, denn man muss keine Unsummen investieren oder Analysespezialisten im Hause haben, um den Nutzen von Predictive Analytics zu prüfen. Die Empfehlung kann da nur sein, einfach mit einem konkreten überschaubaren Projekt zu starten. 

Bernd-Uwe Loll, Geschäftsführer StatSoft (Europe) GmbH