Soccer team in a huddle

Predictive Analytics: 7 praktische Beispiele

Feature | 31. August 2016 von Andreas Schmitz 120

Schon vorher zu wissen, wann sich Kunden vom Anbieter abwenden, Maschinen ausfallen und Mitarbeiter kündigen, wird künftig zum entscheidenden Wettbewerbsfaktor. Was vorausschauende Analyse kann.

Angenommen, ein Unternehmen möchte verstehen, warum ihm Kunden abhanden kommen, welchen Kunden es weitere Produkte verkaufen kann und auf welchen Kanälen die höchsten Verkaufsquoten zu erreichen sind. Dann schaut er sich die Entwicklungen in seinen Regionen an, verteilt die Kunden in Segmente, differenziert nach Produkten und überlegt sich die wichtigsten Fragestellungen. Bei 20 Produkten, 20 Regionen, zehn Kundensegmenten und zehn Score-Typen wie etwa Churn-Management, Kanalaffinitäten oder Upselling benötigt etwa ein Telekommunikationsunternehmen 40.000 Modelle, um „die diversen Konstellationen granular zu adressieren“, erläutert Sven Bauszus, der bei SAP weltweit für das Thema Predictive Analytics verantwortliche Manager. Fallen jene Muster auf, die die entscheidenden Informationen liefern, fehlt in vielen Unternehmen allerdings oft der letzte Schritt. „Die Kunden verfügen zwar über ausgefeilte Verfahren und zeitgemäße Technologien, doch fehlen ihnen dann die Ressourcen, die Ergebnisse effizient zu prüfen und neue Erkenntnisse in den Betrieb zu überführen“, beobachtet Bauszus, der bei den Kunden noch immer zu oft „die End-to-End-Herangehensweise“ vermisst.

BARC: Predictive Analytics für 94 Prozent der Unternehmen künftig ein Muss

Keine Zweifel gibt es darüber, dass Predictive Analytics ein wichtiges Zukunftsthema ist. Nach einer Studie von Marktforscher BARC halten derzeit 42 Prozent der 210 in der DACH-Region befragten Experten das Thema für wichtig oder sehr wichtig. In der Zukunft, so die Studie, sind fast alle (94 Prozent der Unternehmen) von der Bedeutung dieses Themas überzeugt. Unternehmen, die bereits Erfahrung mit entsprechenden Projekten hatten, lobten besonders die bessere Planbarkeit (48 Prozent), gefolgt unter anderem von der besseren Steuerung der Prozesse, der Chance, neue Geschäftsmodelle zu entwickeln und einer besseren Unterstützung für Entscheidungen.

Predictive Analytics: 7 Beispiele aus der Praxis

Diese Unterstützung für das Tagesgeschäft kann ganz unterschiedlich aussehen und zeigt, wie Sven Bauszus betont, „keinen industriellen Schwerpunkt“:

1. Betrug erkennen (fraud detection): Von doppelt gestellten oder fehlerhaften Rechnungen bis zu manipulierten Bilanzen erkennen Regeln und Algorithmen automatisch Unregelmäßigkeiten. Verdächtige Geschäftsvorgänge werden automatisch angehalten und manuell geprüft. Mehr dazu im Beitrag: Betrug in Echtzeit aufdecken.

2. Wartungszeitpunkt vorhersagen (predictive maintenance): Das Ziel ist, „die ausfallbedingte Instandsetzung durch eine vorbeugende Instandhaltung zu ersetzen“, wie Sven Bauszus erläutert. Algorithmen analysieren ständig das Verhalten der Maschinen und beziehen dafür auch historische Daten ein. So berechnet das System den geeigneten Zeitpunkt für die nächste Inspektion und hält benötigte Ersatzteile auf Lager. Mehr dazu im Beitrag: Internet der Dinge: den betriebswirtschaftlichen Kontext einbeziehen.

3. Ausschuss verringern (predictive quality): Über eine Parametrisierung der einzelnen Stufen der Produktion ist es möglich, fehlerhafte Produkte frühzeitig zu identifizieren und aus dem Produktionsprozess herauszunehmen. Voraussetzung: Die geeigneten Kriterien anhand von Mustern aus Sensordaten sind bekannt, die auf einen Qualitätsmangel hinweisen. Mehr dazu im Beitrag: So funktioniert vorausschauendes Qualitätsmanagement.

4. Unzufriedene Kunden erkennen (churn management): Rufen bei einem Mobilfunkunternehmen eher junge Kunden, die ein Tablet und ein Smartphone nutzen und in den letzten zwölf Monaten nichts von sich haben hören lassen, plötzlich häufig im Call-Center an, ist ein Muster entstanden, das den Kunden als „gefährdet“ identifiziert. Mit entgegenkommenden Preisen oder neuen Angebotspaketen ist es nun möglich, gezielt eine Abwanderung des Kunden zu verhindern.

5. Upselling-Potenzial identifizieren: Wer schon eine Kraftfahrzeugversicherung abgeschlossen hat, könnte vielleicht auch eine Haftpflichtversicherung benötigen. Doch bei wem lohnt es sich, anzurufen, wer reagiert auf Emails, wer benötigt einen Brief per Post, bei wem ist ein „Upselling“ sinnlos? Aus dem bisherigen Verhalten des Kunden berechnen Algorithmen das individuelle Potenzial und zeigen gleichzeitig an, bei wem sich ein Anruf lohnt, beim wem nicht.

6. Zahlungsmoral erhöhen: Offene Forderungen an Lieferanten und Geschäftspartner sind für jedes Unternehmen ein Dilemma. Denn die Liquidität leidet, sofern zu viele Zahlungen ausstehen. Doch hat jedes Unternehmen bereits Erfahrungen damit gemacht, unter welchen Randbedingungen Kunden zuverlässig fristgerecht zahlen, etwa durch Skonti auf besonders schnelles Begleichen der Rechnung. Das Cash-Forecasting bezieht diese Erfahrungen mit ein.

7. Personal halten: Schon fünf Jahre im Betrieb, exzellent ausgebildet, immer in einer Abteilung geblieben: Eigentlich deutet zunächst nichts darauf hin, dass dieser Mitarbeiter vielleicht den Wunsch hegt, sich nach einer anderen Tätigkeit umzusehen. Doch ein Blick in seine Vita zeigt, dass er in der Vergangenheit nie länger als vier Jahre bei einem Arbeitgeber beschäftigt war. Zudem fällt auf, dass er seit kurzem diverse Weiterbildungen wahrgenommen hat. Ein Vorhersagemodell zeigt auf, wie wahrscheinlich ein Wechsel ist und schafft der Personalabteilung Zeit, zu reagieren.

Das Predictive-Analytics-Prinzip: Misstöne aus dem Datenrauschen entfernen

In dieser Auswahl und auch weiteren Anwendungsbereichen ist die Herausforderung die gleiche. „Noise-Reduction“ nennt das Sven Bauszus. Das Grundrauschen an Daten ist sehr hoch. Die Kunst besteht darin, jene Töne herauszufiltern, die für die individuelle Fragestellung relevant sind. Um beispielsweise den idealen Zeitpunkt für die Wartung einer Maschine zu finden, setzen Data Scientists zunächst auf das Regressionsverfahren, dann auf die Korrelation diverser Sensordaten. Zuletzt sind schließlich die Top 10 unter Hunderten von Sensoren gefunden – die Basis für die Vorhersage des idealen Zeitpunkts für die Wartung.

Weitere Informationen

Mit SAP BusinessObjects Predictive Analytics haben Unternehmen die Wahl, ob sie Vorhersagefunktionen automatisiert nutzen wollen oder aber im Expertenmodus ihre Data Scientists individuelle Mustererkennungen entwickeln lassen wollen. In der Standardvariante bietet die Lösung zu gewissen Zielvariablen wie „Fraud“ einen Einstieg, auf dessen Basis das System selbst dazulernt. „Es stellt also einen Kompromiss zwischen Trainingsdaten und realen Daten her“, erläutert Sven Bauszus. Im Expertenmodus ist der Data Scientist gefordert, eigene Parameter zu setzen, Libraries von SAP HANA einzubinden und Algorithmen auszuwählen. Kostenlos: Testen Sie SAP BusinessObjects Predictive Analytics.

Vorhersagen. Simulieren. Analysieren. Erfahren Sie mehr über Live Business mit SAP.

Foto: Shutterstock

Tags: , ,

Leave a Reply