Predictive Data Analytics als verlässliche Prognose: Wunsch oder Wirklichkeit?

veröffentlicht am 2. November 2017

Was für Chefvolkswirte seit Jahren Normalität ist, soll auch in Unternehmen flächendeckend nutzbar sein: Verlässliche und faktenbasierte Vorhersagen können im Digitalzeitalter für alle Bereiche der Wirtschaft und Gesellschaft umgesetzt werden. Daten und Informationen sind zum kritischen Erfolgs­faktor für Unternehmen geworden, das Wissensmanagement hat sich durch die techno­lo­gische Entwicklung professionalisiert: Das lässt das Datenmanagement als Teilprozess von Big Data und v.a. die analytischen Prozesse von Big Data immer bedeutender werden.

Predictive Data Analytics: Bedeutung und Nutzen

Predictive Data Analytics sind ein Teilbereich des Data Minings (der systematischen Anwendung stati­stischer Methoden auf große Datenbestände). Als spezielle Analyseform nutzen sie statistische Funktionen in einem oder mehreren Datensätzen, um daraus künftige Ereignisse mit einer bestimmten Wahrscheinlich­keit abzuleiten und vorherzusagen. Ziel ist es, bestimmte Attribute vorherzusagen, basierend auf anderen Attributen der betrachteten Daten.

Dieses Modellieren soll einen menschlichen Lernprozess nachahmen: Anhand von Beobachtungen wird ein Modell stetig weiterentwickelt und aus den grundlegenden Regelmäßigkeiten ein Vorhersagemodell entwor­fen. Die Modelle umfassen diverse statistische, stochastische und informationelle Prozesse wie lineare Regressionen, autoregressive Moving Average Modelle, Neural Networks sowie Decision Trees. Hinzu kommen speziell entwickelte Methoden wie die Assoziationsanalyse für die Warenkorbanalyse, Cluster-Analysen (um generelle Gruppierungen herauszufinden), Link-Analysen aus dem Social Media-Bereich und Modelle aus dem Feld der künstlichen Intelligenz.

Microsoft bietet für die Bereiche seine Plattform „Azure Machine Learning”, die Tools für die Daten-Integra­tion, Daten-Manipulation sowie zahlreiche Algorithmen bietet. Es lassen sich ebenso Skripte in den Data-Mining-Sprachen „Python” und „R” einbetten, die weitere individuelle Anpassungen ermöglichen. Als benutzer­freundliche Client-Anwendung ist besonders Microsoft Power BI geeignet: Dort lassen sich die Predictive Data Analysen grafisch, businessspezifisch und kundenindividuell darstellen und das bei einer gleichzeitig durch­gehenden Datenaktualisierung. Das ermöglicht es Usern ohne tieferes IT-Wissen, eigene prädiktive Reports zu generieren und die Mehrwerte aus den Daten umzusetzen.

Bedeutung für das Business

Aufgrund der dynamischen Modellierungsmöglichkeiten, leichteren Anwendung und zeitsparenderen Methoden ist Predictive Data Analytics für Unternehmen ein benutzerfreundlicher Ansatz. Die Möglichkeit, business­relevante Ergebnisse zu fokussieren, macht die Analyseform für Firmen wertvoll und hilft dabei, proaktiv und vorausschauend zu agieren.

Das primäre betriebswirtschaftliche Ziel von Predictive Data Analytics ist es, effizienter zu werden. Man reduziert Kosten in Marketing und Vertrieb, indem man Logistik, Kundenverhaltensanalysen, Kundenseg­men­tierung und einer daraus abgeleiteten Sortimentplanung optimiert. Auf der anderen Seite kann der Umsatz erhöht werden, indem man Cross-Selling-Potenziale sowie Produktpräsentationen und Preise ausschöpft und optimiert. Schließlich werden Markt- und Wettbewerber-Analysen sowie das Management von Kunden­abwanderungen professionalisiert.

Hürden in der Big Data-Praxis

Alleine die Bandbreite an Möglichkeiten der Predictive Data Analytics stellt viele Unternehmen vor große Herausforderungen. Ihnen ist zwar bewusst, dass sie sich vom Make & Sell (das Unternehmen produziert nach eigenen Vorstellungen) zum Sense & Respond (das Unternehmen produziert nach den Bedarfen der Zielgruppe) entwickeln müssen – es fehlt jedoch häufig das Know-how oder der Mut, in neue Technologien und Prozesse zu investieren. Die 3 Hauptprobleme dabei sind:

1. Systemische und IT-infrastrukturelle Herausforderungen,
2. das Sammeln von Kundendaten und der Umgang mit ihnen sowie
3. der Faktor Mensch.

Fazit

Predictive Data Analytics sind kein trüber Blick in eine Glaskugel, sondern eine große Chance für Unter­nehmen, ihre Handlungen im Voraus besser abschätzen und rechtzeitig regulierend eingreifen zu können. Die richtige Verzahnung von Datensammlung, -aufbereitung und -analyse ist dabei der Schlüssel zum Erfolg – auch und v.a. für den Mittelstand. Dabei helfen können verschiedene Analyse-Tools sowie maschinelle Lern-Algorithmen und Künstliche Intelligenz.