Soccer team in a huddle

Was ist eigentlich Predictive Analytics?

Feature | 21. März 2013 von Heather McIlvaine 0

Haben Sie sich auch schon einmal gefragt, wie Banken individuelle Dispolimits oder Hypothekenzinssätze festlegen?

Natürlich möchten sie auf Nummer sicher gehen: Sie ziehen das bisherige Verhalten des Kunden und seine Lebensumstände (wie etwa den Beschäftigungsstatus) heran und berechnen auf dieser Grundlage mithilfe ausgefeilter Algorithmen und Modelle die Rückzahlungswahrscheinlichkeit. Welchen Kreditrahmen oder Zinssatz die Bank dem Kunden schließlich einräumt, richtet sich nach dem Risiko, mit dem sein Profil behaftet ist.

Dieses Verfahren basiert weitgehend auf Predictive Analytics – einer Methode, die dazu dient, wiederkehrende Muster in Daten aufzudecken und dann mithilfe bestimmter Algorithmen deren weitere Entwicklung zu prognostizieren. Finanzdienstleister verwenden solche vorausschauenden Analysen bereits seit mehr als 20 Jahren. In jüngster Zeit zeigen auch immer mehr Unternehmen außerhalb des Finanzsektors lebhaftes Interesse daran. Der Grund lässt sich in zwei Worten zusammenfassen: Big Data.

Big Data gewinnbringend nutzen

Die Bewältigung gigantischer Datenvolumen stellt die meisten Unternehmen heute vor erhebliche Probleme. Dabei geht es nicht nur um die Speicherung und Verwaltung mehrerer Tera- oder sogar Petabytes. In vielen Branchen fragt man sich auch, ob man die Daten nicht zur Umsatzsteigerung, zu Einsparungen oder zu Prozessoptimierungen nutzen kann. Und genau diese Möglichkeiten werden durch Predictive Analytics erschlossen.

Ein Beispiel: Eine Handelsgesellschaft erstellt mithilfe vorausschauender Analysen Absatzprognosen für ein bestimmtes Produkt in verschiedenen Regionen. Die Software errechnet einen Absatzrückgang in einer Region, für die ein Anstieg der Arbeitslosigkeit erwartet wird. Das Unternehmen kann seine Verkaufsstrategie frühzeitig auf diese Veränderung einstellen und verschafft sich dadurch einen Wettbewerbsvorteil.

Auf den nächsten Seiten gehen wir der Frage nach, was genau unter Predictive Analytics zu verstehen ist. Dabei betrachten wir die Entstehung, die Einführungsvoraussetzungen und die Zukunftsaussichten dieses Verfahrens.

Wie ist Predictive Analytics entstanden?

Seit jeher bemühen sich Unternehmen, ihre Entscheidungsgrundlagen zu erweitern und zu verbessern. In früheren Zeiten beruhten Geschäftsentscheidungen weitgehend auf der Erfahrung bewährter Mitarbeiter und dem „Bauchgefühl“ des Inhabers.

Später wurde es durch bessere Buchführungssysteme einfacher, zurückliegende Geschäftsdaten auf interessante Muster und Abweichungen hin zu überprüfen. Diese Analysen waren jedoch stets auf die Vergangenheit gerichtet; die künftige Entwicklung wurde in der Regel aus mehr oder weniger willkürlichen Schlussfolgerungen abgeleitet.

Moderne Algorithmen ergänzen Bauchgefühl

Genau hier liegt der Unterschied zwischen Predictive Analytics und herkömmlichen Analyseverfahren. Im Anschluss an die Ermittlung von Mustern errechnet Predictive-Analytics-Software den weiteren Verlauf mithilfe moderner Algorithmen und Modelle. Subjektive Annahmen haben ausgedient.

Die Entstehung von Predictive Analytics ist in erster Linie auf das rasche Wachstum der Datenmengen in Unternehmen und im Internet zurückzuführen. Von daher überrascht es nicht, dass der Finanzsektor, der seit Langem mit großen Datenvolumen zu tun hat, entsprechende Verfahren schon vor mehr als 20 Jahren einführte.

Die wichtigste Voraussetzung für Predictive Analytics sind auch heute zuverlässige Daten. Unternehmen, die entsprechende Software nutzen möchten, sollten daher bereits Lösungen für das Enterprise Information Management eingeführt haben, beispielsweise Stammdatenverwaltung und Data-Governance.

Wie werden Predictive-Analytics-Verfahren derzeit von Unternehmen eingesetzt?

Die Einführung von Predictive Analytics ist je nach Branche ganz unterschiedlich weit vorangeschritten. Die Luftfahrtindustrie verwendet solche Methoden schon seit geraumer Zeit, um Flugpreise und verfügbare Plätze optimal aufeinander abzustimmen. Auch Einzelhändler setzen sie seit vielen Jahren ein, um anhand des bisherigen Kaufverhaltens ihrer Kunden zu ermitteln, welche Produkte den besten Absatz versprechen. Der Finanzsektor schließlich nutzt sie, wie bereits erwähnt, seit mehr als 20 Jahren.

Im Gesundheitswesen hingegen wird Predictive Analytics gerade erst eingeführt. In den USA stellen sich viele Anbieter von Gesundheitsdiensten auf die veränderte Marktlage ein, indem sie ihre Prozesse effizienter gestalten, also beispielsweise Prognosen für Behandlungserfolge erstellen. Und das produzierende Gewerbe, das Predictive Analytics bislang vorwiegend zur Straffung seiner Lieferketten eingesetzt hat, überträgt diese Verfahren mittlerweile auf weitere Problembereiche wie die Anlagenwartung. So können die Unternehmen vorausberechnen, zu welchem Zeitpunkt das Versagen einer Anlage zu erwarten ist und welche Ersatzteile dann benötigt werden. Auf diese Weise werden Ausfallzeiten verkürzt und Umsatzeinbußen gering gehalten.

Chief Science und Data Officer als neue Position im Unternehmen

Da sich immer mehr Branchen mit neuen Einsatzmöglichkeiten für Predictive Analytics auseinandersetzen, richten Unternehmen zunehmend die Position des Chief Science Officers oder Chief Data Officers ein. Diese neuen Aufgabenfelder lassen auf eine strategische Umorientierung schließen. Die Unternehmen erkennen, dass Analysefunktionen und Datenbestände Wettbewerbsvorteile bergen, die in den kommenden Jahren von Chief Science und Chief Data Officers erschlossen werden sollen.

Auch im Hinblick auf die Endbenutzer ist eine wesentliche Veränderung festzustellen. Bis vor Kurzem war die Verwendung von Predictive Analytics ausschließlich Statistikern und hoch qualifizierten Programmierern vorbehalten. Unter diesen Umständen führte eine große Zahl an internen Analyseanfragen bisweilen zu Engpässen. Dann mussten die Mitarbeiter drei bis fünf  Tage auf ihre Prognosen warten. Mittlerweile wünschen sie sich einen direkten Zugriff auf die Software, damit sie selbst Analysen durchführen können.

Welche Bedenken haben Unternehmen?

Die gelegentlich beschworene „Demokratisierung“ durch moderne Technik bereitet vielen Unternehmen Kopfzerbrechen: Können unerfahrene Mitarbeiter mit leistungsfähiger Predictive-Analytics-Software nicht eine Menge Unheil anrichten? Treffen sie am Ende falsche Entscheidungen, weil sie mit der Methodik nicht vertraut sind?

Diesen Bedenken wir durch zwei Gegenmaßnahmen Rechnung getragen. Erstens muss die Software so konstruiert sein, dass Endbenutzer in Unternehmen gar keine falschen Analysen durchführen können. Die Entwickler müssen es den Benutzern beispielsweise unmöglich machen, falsche Parameter auszuwählen. Die Software muss so gestaltet werden, dass sie benutzerfreundlich und für IT-Laien verständlich ist. Zweitens: Je stärker Analysefunktionen im Hinblick auf Strategie und Wettbewerbsfähigkeit an Bedeutung gewinnen, desto mehr ist es geboten, alle Mitarbeiter auf diesem Gebiet zu schulen.

Neuer Jobmarkt für Vorhersagespezialisten

Ein weiteres Problem besteht darin, dass Unternehmen oftmals nicht über genügend hoch qualifizierte Mitarbeiter für Analysefunktionen verfügen. Und je mehr Branchen Predictive Analytics zur Erschließung und gewinnbringenden Nutzung ihrer Daten verwenden, desto härter ist der Markt für Fachkräfte umkämpft.

Neben der Ausstattung mit geeignetem Personal gilt es auch zu gewährleisten, dass die technischen Voraussetzungen für die Einführung von Predictive-Analytics-Software vorhanden sind. An erster Stelle steht hier das Enterprise Information Management, und als Nächstes muss bekannt sein, welche internen und externen Daten für die jeweiligen Analysen relevant sind. Darüber hinaus bilden In-Memory-Datenbanken eine wesentliche Voraussetzung dafür, dass Unternehmen in Echtzeit vorausschauende Analysen verarbeiten und bereitstellen können. Und schließlich ist ein Visualisierungstool vonnöten, das den Endbenutzern die Ergebnisse in verständlicher Form darstellt.

Wie sehen die Zukunftsaussichten für Predictive Analytics aus?

Ein wesentlicher Vorteil, den Predictive Analytics zurzeit bieten, ist die Erschließung von Wettbewerbsvorteilen. Doch wie weit wird dieser Vorteil tragen, wenn immer mehr Unternehmen entsprechende Software einführen? Tatsächlich ist zu erwarten, dass sich ein gewisser Ausgleich einstellen wird. Aber selbst dann wird nicht jedes Unternehmen Predictive Analytics einsetzen. Einigen fehlt womöglich die Technologie, andere verfügen nicht über geeignetes Personal, um Anwendungsmöglichkeiten zu erkennen und Algorithmen zu entwickeln.

Auf der anderen Seite werden die Unternehmen, die Predictive Analytics nutzen, vermutlich immer ausgefeiltere Algorithmen einsetzen und den Differenzierungsgrad ihrer Analysen steigern. Der Bedarf an Prognosemodellen, die tiefere und genauere Analysen ermöglichen, wurde unverkennbar, als 2008 in den USA Hypothekendarlehen in breitem Umfang nicht mehr bedient werden konnten. In der Folge hat der Finanzsektor qualitativ bessere Algorithmen eingeführt und sein Augenmerk verstärkt auf die Validierung und Weiterentwicklung der Modelle gerichtet. Dieser Trend dürfte sich in Zukunft auf weitere Branchen ausdehnen.

Und da Software für Predictive Analytics verstärkt nicht nur für Statistiker, sondern für Endbenutzer in Unternehmen entwickelt wird, bleibt den Anbietern gar nichts anderes übrig, als sie für ein breiteres Publikum zugänglich zu machen. Benutzerfreundliche, verständliche Visualisierungstools für Endbenutzer sind nur noch eine Frage der Zeit.

Tags: , ,

Leave a Reply