Thought Leadership
Wir leben im Informationszeitalter. Daten sind das Gold oder die Rohsto e der Zukunft – solche oder ähnliche Formulierungen liest man immer wieder. Die Datenmengen wachsen ständig und exponentiell dank der immer stärkeren Verbreitung von Geräten und Maschinen, die in allen Lebensbereichen Daten aufnehmen.
Diese sich auftürmenden „Big Data“ gilt es nun zunächst in sinnvoller Weise mit Hilfe immer leistungsfähigeren Technologien zu speichern und zu verwalten, damit man aus ihnen Erkenntnisse ableiten kann, die wiederum als Grundlage für Entscheidungen in Unternehmen dienen. Immer neue Konferenzen und Publikationen nehmen sich dieses Themas an und wollen auf diesem Weg unterstützen. Es werden neue Ausbildungsgänge und Berufsfelder wie den Data Scientist geschaffen, die auf die Bereitstellung und Analyse von Daten ausgerichtet sind. Manch einer mag diesen Hype für übertrieben halten, denn die Auswertung von Daten ist ja schließlich keine neue Erfindung. Doch der Fortschritt der Digitalisierung, verbunden mit der Generierung immer größerer Datenmengen, wird sich nicht aufhalten lassen. Des Weiteren belegen Studien, dass Unternehmen, die aus solchen Daten umsetzbares Wissen ableiten, davon profitieren.
Strukturierung und Automatisierung
Nach der Bereitstellung der Daten steht man vor der Herausforderung, sie mit geeigneten Methoden zu bereinigen und zu analysieren, um verwertbare Erkenntnisse aus den Daten abzuleiten. Für diese Aufgaben verwendet man geeignete Softwareprodukte wie Statistica von StatSoft (jetzt zu Dell gehörend), die es erlauben, die einzelnen Prozessschritte der Datenanalyse zu strukturieren und zu automatisieren und schließlich die Ergebnisse zur Umsetzung bereitzustellen. Vernachlässigt man die Datenanalyse und stellt nicht die erforderlichen Ressourcen und Werkzeuge zur Verfügung, wird man das Erkenntnispotential seiner Daten nicht ausschöpfen.
Datenanalysen im Unternehmen lassen sich grob in zwei Arten unterteilen: Zum einen gibt es die beschreibende Datenanalyse, die sich in Unternehmen im klassischen Business-Intelligence-Reporting materialisiert. Sie produziert meist Tabellen und Grafiken zum Beispiel von Umsätzen nach Regionen oder Produkten, die den Ist-Zustand beschreiben und Dank geeigneter Kennziffern und Verdichtungen einen Überblick der gegenwärtigen und vergangenen Situation anschaulich vermitteln.
Dem gegenüber steht die höhere Statistik, die in seiner auf die Prognose gerichteten Form heutzutage als Predictive Analytics bezeichnet wird. Im Gegensatz zur klassischen Business Intelligence geht es der Predictive Analytics also darum, Prognosen zukünftigen Verhaltens von Menschen oder Zuständen von Maschinen oder Produkten aus Daten abzuleiten. Als Ergebnis werden konkrete Handlungsempfehlungen abgegeben. Zum Beispiel einer definierten Gruppe von Kunden ein bestimmtes Angebot zu unterbreiten, eine Maschine zu warten oder einen Fertigungsprozess zu korrigieren. Häufig ist es dabei notwendig, dass die Empfehlungen in Echtzeit, also unmittelbar nach Vorliegen neuer Daten, automatisch bereitgestellt werden, damit auf Probleme schnell reagiert werden kann.
Business Intelligence & Predictive Analytics
Predictive Analytics ist in seiner Anwendung anspruchsvoller als die klassische beschreibende Datenanalyse: Mit Hilfe komplexer mathematischer Verfahren werden in historischen Daten Zusammenhänge zwischen Einflussgrößen – zum Beispiel Eigenschaften von Kunden, Produkten oder Prozessen – und definierten Zielgrößen identifiziert und in Modellen abgebildet.
Diese Modelle müssen sich in Tests bewähren und sind danach zu implementieren, damit sie für neue Fälle, also auf Grundlage neuer Daten Vorhersagen treffen können. Das Anwendungsspektrum von Predictive Analytics geht weit über die beschreibende Analyse hinaus. Trotz der verwendeten komplexen Methoden ist es das Ziel, für den Konsumenten der Prognosen eine Nutzeroberfläche bereitzustellen, die einfach zu bedienen ist und keine Kenntnisse über die dahinter liegenden Analyseschritte voraussetzt. Nur der Experte, der das Prognosemodell aufbaut, muss über Kenntnisse der Daten und der Methoden verfügen. Er muss dafür aber nicht notwendigerweise ausgebildeter Statistiker sein. Es gibt praxisnahe Ausbildungsangebote, die einen guten Einstieg vermitteln können.
Vielfältige Einsatzgebiete
Die Einsatzgebiete von Predictive Analytics sind vielfältig und verteilen sich auf alle Branchen und Unternehmensbereiche. Allerdings unterscheiden sich die in bestimmten Anwendungsgebieten bevorzugten Analysemethoden. Somit ist es vorteilhaft, eine Analysesoftware mit einem breiten Spektrum an verfügbaren Methoden im Unternehmen einzusetzen, falls man in verschiedenen Unternehmensbereichen Predictive Analytics betreiben möchte.
In vielen Branchen des Dienstleistungssektors werden schon lange viele Aufgaben mit Predictive Analytics erfolgreich bearbeitet. So etwa im Marketing, wo dank der qualifizierten Klassifikation von Kunden zielgenaues Marketing und individualisierte Kundenansprachen die Werbemaßnahmen optimieren. Nicht nur im Finanzsektor ist Predictive Analytics ein unverzichtbares Hilfsmittel für das Risikomanagement, um mit Modellierungen und Simulationsrechnungen zuverlässige Kennziffern für die Beurteilung von Risiken in unterschiedlichen Geschäftsbereichen zu berechnen.
Eine spezielle Anwendung in diesem Zusammenhang ist die Berechnung von Scoring-Modellen, die die Treffsicherheitb bei der Prognose von Zahlungsausfällen im Rahmen der Kreditvergabe verbessern. Für die Aufdeckung von Betrugsfällen, zum Beispiel in der Versicherungsbranche, durchsuchen hochentwickelte Algorithmen Millionen von Schadensmeldungen nach Mustern und spüren auch auf den ersten Blick unscheinbare Unregelmäßigkeiten auf. Ein neues Anwendungsfeld ist die Sentiment-Analyse, die mit Werkzeugen für die Analyse von Texten Informationen aus modernen Datenquellen wie Beurteilungs- und Reklamationsportale nutzt, um mehr über die Einstellung von Kunden zu Produkten und Dienstleistungen zu erfahren.
Predictive Maintenance
Auch die industrielle Fertigung bietet Anwendungsfelder, in denen der Einsatz von Predictive Analytics zu messbaren Wettbewerbsvorteilen führen kann. Besonders in hochautomatisierten Herstellungsprozessen fallen sehr große Mengen an Daten an, die den Prozess und die Produktqualität beschreiben. Setzt man die gemessenen Parameter mit Hilfe geeigneter prädiktiver Modelle miteinander in Beziehung, lassen sich Maschineneinstellungen für die Prozessoptimierung ableiten, um eine bessere Produktqualität unter effizientem Einsatz von Ressourcen zu erzielen. In der laufenden Produktion lassen sich mit Hilfe von Predictive Analytics Qualitätsprobleme bereits vor ihrem tatsächlichen Auftreten antizipieren und ihr Auftreten verhindern.
Grundlage sind dafür mathematische Prognosemodelle, die auf Basis historischer Daten erlernen, unter welchen Bedingungen – zum Beispiel Kombinationen von Maschineneinstellungen oder Umweltbedingungen – Qualitätsprobleme mit hoher Wahrscheinlichkeit auftreten. Ein ähnliches Anwendungsfeld ist unter der Bezeichnung Predictive Maintenance in der Diskussion: Hier werden ungeplante Maschinenausfälle vorhergesagt und verhindert. Ein auf Basis historischer Maschinendaten entwickeltes Prognosemodell wird automatisch in Echtzeit oder zumindest in angemessenen Zeitabständen jeweils mit aktuellen Daten neu berechnet und löst eine Alarmmeldung aus, sobald ein Ausfall droht, so dass die Maschine noch rechtzeitig gewartet werden kann.
Dies sind nur einige exemplarische Anwendungsgebiete für Predictive Analytics. Hat man im Unternehmen erst einmal erfolgreich einige Predictive-Analytics-Projekte durchgeführt, werden kreative Analytiker und Ingenieure schnell neue Einsatzgebiete identifizieren und damit Erfolge erzielen, die ohne die intelligente Nutzung des neuen Rohstoffes “Unternehmensdaten“ nicht möglich wären.
Bernd-Uwe Loll
Diesen Artikel lesen Sie auch in der it management, Ausgabe 10-2014, Seite 12.
