ixto - business intelligenceeinfach entscheiden.
Advertorial BI-Spektrum; Ausgabe 04/2012
Advertorial BI-Spektrum; Ausgabe 04/2012

Predictive Analytics: zuverlässigere Prognosen mit Big Data

Abb. 1: Die "Erklärungslücke" bei Predictive Analytics
Abb. 2: Bereinigung der "Erklärungslücke" mit Hife von Big Data

 

Vor allem im betriebswirtschaftlichen Umfeld sind Erkenntnisse über zukünftige Entwicklungen und Trends von immensem Interesse. Unternehmen versuchen anhand gemachter Erfahrungen  Projektionen für die Zukunft zu erstellen. Bewusst oder unbewusst werden Zusammenhänge konstruiert und als Regeln für die Projektionen verwendet. Mit dem datengetriebenen Aufstellen solcher Regeln beschäftigt sich Predictive Analytics. Gartner zufolge ist dies einer der zwei großen BI-Trends der Jahre 2012 und 2013. Verantwortliche brauchen Vorhersagen zum wirtschaftlichen Umfeld, um so fundierte Entscheidungen zu treffen.

Oft wünscht man sich dabei die vermeintliche betriebliche Einfachheit eines Eisverkäufers mit einem Eiswagen. Standortwahl, Preis, Produktqualität und Optik des Wagens spielen mit Sicherheit eine Rolle. Maßgeblich für den betriebswirtschaftlichen Erfolg dürfte aber das Wetter sein. Über Jahrzehnte gemachte Beobachtungen und das Aufstellen etlicher Regeln, basierend auf  diesen Beobachtungen, machen zumindest eine grobe Voraussage möglich. Somit ist ein sehr großer Bereich der Ertragskurve zwar nicht vom Risiko der Wetterlage befreit, aber algorithmisch gut zu beschreiben. Hinzu kommt, dass die Analyse von Wetterdaten durch Dritte quasi gratis durchgeführt wird und die Ergebnisse verwendet werden können.

Die Zusammenhänge sind jedoch meist sehr viel komplexer als in diesem Beispiel, da die Anzahl der Einflussfaktoren in einem anderen Umfeld deutlich höher ist. Je nach Einsatzszenario unterscheiden sich Umfang und Art der Einflussfaktoren und damit auch der Umfang der Zusammenhänge. 

Mittels Predictive Analystics werden nach Möglichkeit alle für eine Kennzahl bzw. für die Entwicklung einer Kennzahl wichtige Zusammenhänge in Algorithmen erfasst. Der Verlauf der Kurve und ihrer Einflussfaktoren werden damit dargestellt, beschrieben und erklärt (Grafik 1). Sind viele Einflussfaktoren identifiziert und Muster bekannt, lässt sich durch die Prognose jedes einzelnen Einflussfaktors eine Gesamtprognose erstellen.  

In der Vergangenheit wurden viele Einflussfaktoren nicht in solche Prognosen mit einbezogen. Die Verarbeitung im Allgemeinen und die detaillierte Analyse sehr großer Datenmengen im Speziellen waren zu aufwendig oder technisch gar nicht möglich. Mehr Daten – und das ist der zweite große BI-Trend, nämlich Big Data – erhöhen aber den Präzisionsgrad der Ergebnisse.  Microsoft bietet bereits seit einiger Zeit Werkzeuge zur Verarbeitung, Speicherung und Analyse von Big Data an. Beschreibungslücken müssen nicht länger in Kauf genommen werden (Grafik2 ). Schließlich geht es darum, aussagekräftige Muster zu identifizieren, um so mögliche zukünftige Ereignisse vorherzusagen und Handlungsmöglichkeiten zu bewerten.

Wir haben uns früh mit den Möglichkeiten der Analyse von Big Data auseinander gesetzt und deren Nutzung für Predictive Analytics evaluiert, mit dem Ergebnis, dass viele neue Chancen entstanden sind, die Sie in Ihre Unternehmensplanung integrieren können. Das Erkennen von Mustern  ist ein wesentlicher Bestandteil von Predictive Analytics. Hier kommen die klassischen Data Mining Verfahren, wie beispielsweise Clustering, Entscheidungsbäume, neuronale Netze und Assoziationsverfahren zum Einsatz. Zudem ist es wichtig, Predictive Analytics und die Erweiterung durch Big Data in den BI-Prozess mit einzubinden und nicht etwa separat zu betrachten. Es gilt, auf einer erweiterten Datenbasis neue Vorhersagemodelle zu erarbeiten.

Und es gibt bereits zahlreiche Möglichkeiten, neue Datenquellen zu erschließen. Sie reichen von internen Massendaten, wie beispielsweise Messdaten aus der Produktion oder Besucherstatistiken von Unternehmenswebseiten, bis zum Sondieren, Verarbeiten und Analysieren externer Daten, wie z.B. Datenbeständen Sozialer Netze, Konsum- und Konjunkturdaten, politische und geografische Informationen oder Voranalysen von Drittanbietern. All diese Informationen können einen wichtigen Input für die unternehmensweiten BI-Prozesse darstellen. Dabei gibt es technisch kaum noch Limitationen. Mit steigenden Bandbreiten und der immer stärkeren Vernetzung und Digitalisierung bestehender Infrastrukturen gibt es verfügbare Daten im Überfluss. Hinzu kommt, dass im Zusammenspiel mit Cloud-Technologien die Nutzung von Big Data auch unabhängig von der unternehmenseigenen Infrastruktur  möglich ist und so auch die Grenzen der internen Infrastruktur überwunden werden können. 

Die Herausforderung für Unternehmen besteht schließlich in der Reduzierung der Unschärfe bei den Voraussagen, auf deren Basis operative und strategische Entscheidungen getroffen werden. Im Zuge der eingangs genannten BI-Trends, also der performanten Erschließung neuer sehr großer Datenquellen und der Verbesserung von Predictive Analytics in BI-Prozessen stehen jetzt auch die dafür notwendigen Werkzeuge zur Verfügung. Schlussendlich ist es für Unternehmen wichtig, auf Basis der neuen Informationslage auch die richtigen Schlüsse zu ziehen. Die Interpretation von Information ist und bleibt weiterhin von zentraler Bedeutung. Auch wenn bei der Verwendung von Big Data eine hohe Rückkopplung der Prozesse nötig ist, um Scheinzusammenhänge aufzudecken und neue Muster zu erkennen, stellt diese Kombination eine adäquate Antwort auf die gestiegenen BI-Bedürfnisse dar. Auf der Grundlage valider Vorhersagen über Entwicklungen im Unternehmen und im Markt können Entscheidungen besser getroffen werden. Dies stellt einen nicht unerheblichen Wettbewerbsvorteil gegenüber den Mitbewerbern dar.  

 

Advertorial BI-Spektrum; Ausgabe 04/2012

ImpressumSitemapDatenschutzerklärung