Datenbasierte Vorhersagen bestimmen die Unternehmensentwicklung mitDer ultimative Guide zu Predictive Analytics

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 darauf einzustellen, idealerweise noch vor dem Wettbewerb. Die nachfolgenden Beispiele zeigen, wie vielfältig die Einsatzmöglichkeiten von Predictive Analytics heute schon sind und was man bei der Einführung beachten muss.

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. Maßnahmen 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. Es lassen sich selbst etwaige Risikokunden erkennen, bei denen beispielweise ein Zahlungsausfall ziemlich wahrscheinlich ist – das Unternehmen kann dann entsprechende Gegenmaßnahmen ergreifen.

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: zum Beispiel bei der eigenen Preisgestaltung oder in Hinblick auf den Kaufzeitpunkt.

Entwicklungen auf den Märkten vorhersehen

Die Ergebnisse von Predictive Analytics geben ganz neue Einblicke in die Märkte: Marktrisiken werden eher wahrgenommen, man erkennt früh die technologischen 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.

Generell gilt: Eine 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.

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.

Der Weg zur optimalen Predictive Analytics-Lösung

Es bedarf einiger Fachkenntnisse in puncto Statistik, um das Prognosemodell auszusuchen, das wirklich zum Unternehmen passt. Daher ist es in der Regel ratsam, sich einen kompetenten Dienstleister ins Haus zu holen. Schließlich hätte eine Falschinterpretation der Daten aufgrund eines fehlerhaften Prognosemodells nicht nur keinen Nutzen, sie könnte sogar zu unternehmerischen Fehlentscheidungen führen.

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 Features und 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. Dann sollte man sich auch noch genau anschauen, unter welchen Voraussetzungen die gewünschte Analysefunktionen arbeiten: Ist vielleicht noch eine kundenspezifische Anpassung notwendig? Oder wird zwingend ein Zusatztool 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 Must-haves für die verschiedenen Nutzer bestimmen zu können. Denn ein Controller hat andere Anforderungen an das System als ein Vertriebler.

Was immer benötigt wird

Das Predictive Analytics-Programm muss mit den diversen Datenquellen und -typen zurechtkommen, wie CSV-, Text- und XML- Daten, und ein Data Blending erlauben. In der Regel wird insbesondere der Zugriff auf Exceldaten erforderlich sein. 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.

Da Predictive Analytics nur gelingt, wenn die Analysen tief in die Geschäftsprozesse integriert sind, müssen bei der Einführung einige Dinge beachtet werden. Für erfolgreiche Predictive Analytics 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 unterscheiden.

• 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 schrittweise 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.

Predictive Analytics bedürfen wie jedes neue Thema im Unternehmen eine intensive Vorbereitung und eine durchdachte Planung. Worauf im Einzelnen bei der Einführung einer Predictive Analytics Lösung zu achten ist, fasst dieser Leitfaden zusammen.

Stefan Müller ist Director Business Intelligence & Big Data bei der it-novum GmbH

IT-Novum