Der Nutzen von Predictive Analytics ist vorhersehbar

von Jens Siebertz
Data Analytics Dashboards

Laut einer Studie des Business Application Research Center (BARC) bleiben Business Intelligence-Anwendungen in der täglichen Analyse- und Reporting-Arbeit weiterhin auf wenige Nutzer beschränkt. Obwohl der Einsatz von BI-Lösungen in Firmen zunehmend thematisiert wird, bleibt die tatsächliche Nutzung in den vergangenen beiden Jahren bei elf Prozent gleich.

Der „BI Survey 2015", bei dem etwa 2400 Teilnehmer befragt wurden, stellte außerdem die aktuellen Einsatzgebiete von BI-Lösungen heraus. Im Bereich Predictive Analytics und Data Mining setzt rund jedes fünfte befragte Unternehmen BI-Tools ein und das Potenzial ist hier noch nicht ausgeschöpft, wie die folgende Abbildung zeigt:

Balkendiagramm - Auswertung BARC Studie

Was sind Predictive Analytics?

Während Predictive Analytics häufig als Teilgebiet von Business Intelligence gesehen werden, sind sie eigentlich viel mehr eine Erweiterung. Zusammen mit BI-Systemen werden sie daher auch unter dem Begriff Business Analytics zusammengefasst. Vorrangig sind damit Methoden zur fortgeschrittenen Analyse von Statistiken und maschinellem Lernen gemeint.

Predictive Analytics beziehen sich im Gegensatz zu den klassischen BI-Anwendungen nicht auf deskriptive, sondern auf vorhersagbare Analysen. Basierend auf Data Mining, das heißt dem Erkennen bestimmter Muster in großen Datenmengen, können mithilfe von Predictive Analytics nicht einfach nur vergangene Daten ausgewertet werden, sondern auch zukunftsorientierte Prognosen erstellt werden. Durch den Vergleich von aktuellen und vergangenen Daten können Vorhersagen über Chancen und Risiken für ein Unternehmen vorgenommen werden.

Beispiele aus der Praxis

Die meisten Nutzer von BI-Anwendungen kommen laut BARC aus den Bereichen Finance, Management und Sales. Doch was bringen solche datenbasierten Prognosen für die Anwender? Wie nutzt der Finanzsektor sie praktisch? Banken können diverse Vorteile aus den Vorhersagen ziehen, wie die folgenden Beispiele zeigen:

  • Im Bereich Kundenservice können sie umfangreiche Kundenanalysen nutzen, um das Kundenbild möglichst vollständig zu erfassen und auf dessen Basis Prognosen über Kundenanforderungen sowie -verhalten erstellen. Die kundenindividuelle Ansprache und die zielgruppenabgestimmte Produktentwicklung werden dementsprechend präziser. Beispielsweise können mit Hilfe von Daten über Kontobewegungen Voraussagen über den Kunden und seine Lebenssituation gemacht werden, um passende Cross- und Upselling-Angebote zu erstellen. Predictive Analytics helfen, ungewöhnliche Verhaltensweisen der Kunden frühzeitig zu erkennen. Dadurch kann auf bevorstehende Ereignisse wie beispielsweise ein anstehender Hausbau oder eine geplante Hochzeit geschlossen werden.  Auch bei der Produkteinführung können zum Beispiel Daten über genutzte Kontaktkanäle helfen, um die Zielgruppe optimiert anzusprechen.
  • Seit diesem Jahr ist die Basel III-Mindestliquiditätsquote für Kreditinstitute verbindlich. Diese stellt Banken vor eine neue Herausforderung: Der Liquiditätsbedarf für 30 Tage muss nachgewiesen werden, obwohl hohe Liquiditätsreserven unrentabel sind. Predictive Analytics können helfen, die Liquiditätsplanung zu verbessern, da Zu- und Abflüsse der Kundeneinlagen individuell prognostiziert werden können. Auf diese Weise können Kosten reduziert und der Gewinn folglich gesteigert werden. Mit Predictive Analytics können Liquiditätsreserven individuell geplant und anhand vorhandener Daten vorhergesehen werden. So kann es beispielsweise sein, dass regional der Bargeldbedarf steigt, da eine Veranstaltung oder Feiertage wie Karneval bevorstehen.
  • Zusätzlich wird das Risikomanagement optimiert. Kreditausfälle können datenbasiert kundenindividuell definiert werden. So werden Einschätzungen für die Kreditvergabe und zu erhebende Risikozuschläge erleichtert.

Industrie 4.0 wird greifbar

Laut der Studie wächst der Einsatz von BI-Systemen auch im Bereich Produktion und Prozesssteuerung. Hier spielen intelligente Lösungen und digitalisierte Prozesse im Rahmen einer Industrie 4.0 eine zunehmende Rolle. So können Predictive Analytics auch für Fertigungsprozesse viele Vorteile mit sich bringen und haben meiner Meinung nach auch hier großes Potenzial. Termintreue ist bei komplexen Fertigungen, wie sie beispielsweise im Maschinen- und Anlagenbau gang und gäbe sind, besonders wichtig. Im Zeitalter der vierten industriellen Revolution wird es immer wichtiger, seine Wettbewerbsfähigkeit im immer stärker digitalisierten Markt und auch im internationalen Vergleich zu beweisen. Maschinen- und Anlagenbauer können mit Hilfe von Predictive Analytics die Umsetzbarkeit von Kundenaufträgen voraussagen. Kritische Pfade können anhand von Daten analysiert und darauf aufbauend Prognosen erstellt werden. So kann fundiert vorhergesagt werden, wo es immer wieder in der Produktion zu Verzögerungen kommt und warum sich Aufträge verschieben. 

Fazit

Auch wenn es schwer wird, eine genaue Prognose für die Entwicklung von Predictive Analytics zu geben, würde ich behaupten, dass speziell auf Data Mining basierende Vorhersagen an Bedeutung zunehmen werden. Als zusätzliche Ergänzung zu BI-Anwendungen sehe ich hier großes Potenzial. Predictive Analytics können als Zusatzmodul in bestehende Business Analytics-Lösungen eingebunden werden und bedeuten so nicht mehr Aufwand, sondern nur mehr Wissen. Wie die Studie gezeigt hat, planen insgesamt 40 Prozent der befragten Unternehmen in den kommenden Jahren den Einsatz von BI-Lösungen für Predictive Analytics und Data Mining, auch wenn sie im Gegensatz zu Reportings oder Datenanalysen aktuell noch nicht sehr verbreitet sind. Ich persönlich finde, dass man anhand dieser Daten eine durchweg positive Prognose für den Einsatz von Predictive Analytics in Unternehmen stellen kann.

Was erwarten Sie von der Entwicklung solcher Analyse-Tools? Nutzen Sie bereits BI-Lösungen in Ihrem Unternehmen?

 

 



Diese Beiträge könnten Sie auch interessieren

Ausgezeichnet: Industrie 4.0 in der Praxis bei Benz

Lesen

Predictive Quality: Eine Zukunft mit weniger Ausschuss und Nacharbeit

Lesen

Digitales Shopfloor Management in Krisenzeiten

Lesen

Über den Autor

  • Jens Siebertz

    Jens Siebertz arbeitet seit 2003 bei der INFORM und beschäftigt sich hauptsächlich mit den Themenschwerpunkten Business Intelligence, Management Reporting, Data Analysis und Produktionscontrolling.

    Alle Beiträge dieses Autors

    Mehr über diesen Autor unter:

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben