Fachartikel

JUL2019
Ausgabe 4/2019, Seite 22 | 19-07-22-1

Möglichkeiten und Grenzen von Predictive Analytics

Wenn Zukunft planbar wäre

Auf das allgegenwärtige Mantra, Daten seien das neue Öl und Informationen das neue Gold, liefert der Markt unterschiedliche technikbasierte Antworten: Predictive Analytics, Machine Learning, Data Mining und Co. Wie so oft gilt es, die Einsatzszenarien hinter der Technologie zu erkennen. Eine Lagebestimmung zu Predictive Analytics im Unternehmenseinsatz von Christian Kleih.
Fachartikel zu \\\Foto: © Sergey Nivens – fotolia.com
Prädiktive Methoden erlauben es Unternehmen, frühzeitig Abweichungen zwischen dem Ist- und dem anvisierten Sollzustand zu erkennen und validere Entscheidungen über Korrekturmaßnahmen zu treffen. Daraus resultieren eine höhere Planungssicherheit, ein geringeres Entscheidungsrisiko und letztendlich eine größere Wertschöpfung im gesamten Unternehmen.

Funktionen von Predictive Analytics

Mustererkennung
Predictive-Lösungen nutzen Verfahren zur Mustererkennung, um in Vergangenheitsdaten Einflussgrößen, Abhängigkeiten und Ursache-Wirkungs-Beziehungen zu identifizieren.

Datenanreicherung
Sie reichern das interne Datenset um relevante externe Faktoren an mit dem Ziel, Erkenntnisse der eigenen Sichtweise zu plausibilisieren.

Optimierung
Sie setzen auf die kontinuierliche Simulation zur Optimierung der generierten Entscheidungsvorlagen. Dabei ist das übergeordnete Ziel aller Predictive-Lösungen, permanent vom Status quo ausgehend, die wahrscheinlichsten Zukunftsszenarien vorwegzunehmen und als Entscheidungsgrundlage zu präsentieren.


Mögliche Einsatz- und Anwendungsbereiche

Doch wie so oft gilt auch im Falle von Predictive: Die Technologie ist ein „Enabler“. Sie ist nicht Selbstzweck. Auf den Verwendungszweck kommt es an.

Kundenverständnis, Absatzmarkt und Wettbewerb
Ist bereits in der Planung eine Einschätzung des Kaufverhaltens und der zu erwartenden Umsätze möglich, so können Preisfindung, Produktion und Logistik effizienter ausgerichtet werden. Das Resultat sind höhere Umsätze und zufriedenere Kunden. Darüber hinaus tragen sie zu einem besseren Verständnis von Absatzmarkt und Wettbewerb bei.

Produktion und Logistik
Hier werden typischerweise große Datenmengen aus verschiedenen Datenquellen verarbeitet (beispielsweise Sensordaten von IoT-Plattformen). Auf dieser Basis lassen sich nicht nur auf operativer Ebene Vorhersagen treffen, sondern für eine Unternehmensplanung auch auf taktischer Ebene sowie mit einem längeren Betrachtungszeitraum. Im Unterschied zu Kunden, Absatzmärkten und Wettbewerbern lässt sich das Verhalten von Maschinen in der Regel sehr verlässlich prognostizieren (zum Beispiel erforderliche Wartungsarbeiten, Energieverbrauch).

Vertrieb
Entsprechende Algorithmen aus dem Bereich der Survival Analysis geben in Verbindung mit Customer-Churn-Analysen Auskunft darüber, ob ein bestimmter Kunde innerhalb eines definierten Zeitraums seinen Vertrag voraussichtlich kündigen wird. Werden diese Werte in ein bestehendes Kunden-Reporting integriert, können Vertriebsmitarbeiter aktiv auf diese Kunden zugehen und möglicherweise eine Abwanderung verhindern. Ein Kosten-Nutzen-Schwellenwert aus diesen Erfahrungen sagt voraus, bei welchem Kunden sich welche Vertragsanpassung positiv auf seinen Verbleib auswirken wird.
Darüber hinaus hilft Predictive Analytics, aufbauend auf dem Lead-Qualifizierungsprozess die Vorhersagen für den Vertriebs- Forecast zu verbessern und zu automatisieren.

Finanzen
Im Finanzumfeld erlauben Prognosen des Zahlungsverhaltens von Kunden etwa eine Optimierung der eigenen Liquidität oder die Vermeidung von Zahlungsausfällen. Auch Annahmen über zukünftige Zins- und Währungskursentwicklungen erfordern verlässliche Vorhersagen.

Marketing
Mit Customer-Journey-Analysen lässt sich anhand der Art und der Reihenfolge der verwendeten Marketing-Touchpoints prognostizieren, wie weit fortgeschritten ein Interessent in seinem Entscheidungsprozess ist. Außerdem kann geprüft werden, ob eine im Verhältnis teurere direkte Ansprache durch einen Vertriebsmitarbeiter bereits Sinn macht oder nicht. Dadurch lassen sich Vertriebsmaßnahmen gezielter steuern und Kosten in der Akquise reduzieren. Auf Basis dieser Daten wiederum lassen sich Funnel- und Pipeline-Entwicklungen vorhersagen und Umsätze besser planen.

Human Resources
In der Personalabteilung können mit einem adaptierten Survival-Analysis-Algorithmus kurz vor der Kündigung stehende Mitarbeiter bestimmt und somit deren drohende Abwanderung aktiv verhindert werden. Darüber hinaus lassen sich Auslastungsspitzen im Projektgeschäft erkennen und in der Ressourcenplanung berücksichtigen.

Makroökonomische Entwicklungen
Besonders für längerfristige Prognosen ist es hilfreich, Wanderungsbewegungen vom Land in die Stadt, Lohn- und Altersentwicklungen, Preisentwicklungen bei Rohstoffen zu betrachten, um den zukünftigen Absatzmarkt reell einschätzen zu können. Externe makroökonomische Daten sind heute meist verhältnismäßig günstig und in guter Qualität verfügbar.


Grenzen von Predictive Analytics

Während die Vorteile bei Geschwindigkeit, Datenvolumina und dem Detailgrad von Planungen unbestritten sind, wird die Qualität von Ergebnis, Prognose und Nachvollziehbarkeit im Vergleich zu menschlichen Analysten heiß diskutiert. Wichtig ist also zu klären, in welchen konkreten Umgebungen und Anwendungsfällen sich Algorithmen bewähren und in welchen sie zwar viele Daten liefern, aber kaum verwertbare Einsichten. Bereiche, in denen auch vorhersagende Algorithmik an die Grenzen stoßen, sind Ereignisse, die nicht aus Vergangenheitsdaten erlernt werden können. Weitere Aspekte sind:

Nur qualitativ hochwertige Daten
Die Basis für Predictive Analytics muss zuerst geschaffen werden. Nur die richtigen Daten in der richtigen Qualität, der erforderlichen Granularität und mit ausreichender Historie erlauben solide Prognosen.

Kein Anspruch auf Allgemeingültigkeit
Einzelne Vorhersagemodelle haben keinen Anspruch auf Allgemeingültigkeit. Da sich Märkte, Wettbewerb und Kundenverhalten mitunter oft ändern, muss eine ständige Kontrolle des Modellverhaltens und der Prognosegüte erfolgen.

Vorarbeit muss geleistet sein
Vorhersagemodelle ersetzen nicht das Verständnis für das Geschäftsmodell beim Anwender. Nur wenn die beobachteten Faktoren in einer Ursache-Wirkungs-Beziehung stehen, können Maßnahmen auch die gewünschte Wirkung erzielen. Prognosen auf Basis von Korrelationen ohne Kausalität sind für die Unternehmenssteuerung daher nicht hilfreich.

Predictive Planning ist keine Glaskugel
Treffsichere und vor allem längerfristige Prognosen für dynamische Geschäftszusammenhänge bieten keine stabilen Strukturen. Nur dann, wenn konstante Rahmenbedingungen als Voraussetzung gegeben sind – in einer nicht von Überraschungen geprägten Umwelt –, können Prognosen verlässliche Ergebnisse liefern und Orientierung für Entscheidungen bieten. ■
Christian Kleih beschäftigt sich seit dem Jahr 2012 intensiv mit der Softwarebranche im Schwerpunkt Data Analytics. In beratender Funktion arbeitete er unter anderem mit Firmen wie Celonis, LogRhythm und Keynote zusammen, bevor er Mitte 2013 beim deutschen Business Intelligence und Performance Management Spezialisten Cubeware anheuerte. Kleih studierte Medien- und Informationswissenschaften in Paderborn und Regensburg.
www.cubeware.com 

 
 


Diese Webseite verwendet Cookies. Cookies ermöglichen uns zu verstehen, wie Besucher unsere Webseite nutzen, damit wir sie verbessern und Ihnen das bestmögliche Erlebnis bieten können. Durch den Besuch unserer Website stimmen Sie der Verwendung von Cookies zu. Durch die Cookie-Einstellungen Ihres Internet-Browsers können Sie die Verwendung von Cookies blockieren. Weitere Informationen finden Sie unter Datenschutz.
akzeptieren