Predictive Analytics: In den eigenen Daten neue Geschäftsmodelle entdecken

Digitales Business

Digitales Business

Datum 14.04.2022
Lesezeit 7 Min.

Predictive Analytics: In den eigenen Daten neue Geschäftsmodelle entdecken

Absatzmärkte und Technologien verändern sich immer dynamischer. Erfolgreiche Geschäftsmodelle von heute können morgen schon Verlustbringer sein. Wer strategische Entscheidungen schnell und sicher trifft, ist gegenüber der Konkurrenz deshalb klar im Vorteil. Predictive Analytics liefert die Ihnen die Daten, mit denen Sie die richtigen Weichen für Ihre Zukunft stellen.

Nie war der Bedarf an Beratung so groß wie heute. Immer mehr Unternehmen holen sich externes Wissen ins Haus, um ihre eigenen Geschäftsmodelle abzusichern oder weiterzuentwickeln. Dabei sind wertvolle Daten zu Märkten und Branchentrends oft schon im Unternehmen vorhanden. Nur sind diese nicht immer sichtbar oder gar aufbereitet. Heben auch Sie mithilfe technischer Analysen und künstlicher Intelligenz verborgenes Wissen. Predictive Analytics ist der Schlüssel zu diesen eigenen Daten. Was verbirgt sich dahinter?

 

Predictive Analytics: Was ist prädiktive (vorausschauende) Analytik?

Predictive Analytics (auf deutsch: prädiktive Analytik) ist ein Teilbereich der Business Analytics. Daher wird es auch als Predictive Business Analytics bezeichnet.

Business Analytics beschreibt tiefgehende Formen der systematischen Auswertung eigener Geschäftsdaten. In der Regel erfolgt diese Auswertung digital. Aus der Analyse sollen Informationen für die strategische Ausrichtung des Unternehmens gewonnen werden.

Predictive Analytics ist einer von mehreren Analyseschritten innerhalb der Business Analytics. Aus Geschäftsdaten werden Zusammenhänge und Muster herausgelesen, um Vorhersagen (Predictions) für die Zukunft zu treffen und deren Eintrittswahrscheinlichkeiten zu ermitteln.

Eine sehr einfache Form von Predictive Analytics ist zum Beispiel die Einschätzung von zukünftigen Absatzzahlen in der Textilwirtschaft in Abhängigkeit von Wetter und Jahreszeiten, basierend auf Erfahrungen der letzten Jahre. Aber auch die Ermittlung von Kreditausfallwahrscheinlichkeiten anhand von Daten aus der Vergangenheit ist ein typischer Anwendungsfall.

Mit dem Aufkommen von Big Data, also dem Sammeln und Verarbeiten großer Datenmengen aus Produktions- oder Geschäftsprozessen, gewinnt das Weiterverarbeiten dieser Datenmengen zu wenigen, höherwertigen Daten an Bedeutung. Die systematische Analyse von Big Data mit dem Ziel, Informationen beispielsweise für die Predictive Analytics zu gewinnen, wird auch als Data Mining bezeichnet.

Im Vorteil sind hierbei insbesondere Unternehmen, die den Umbau zu Industrie 4.0 und dem Industrial Internet of Things bereits weitgehend vollzogen haben. Sie können automatisiert Daten aus allen Unternehmensbereichen sammeln und auswerten. Aber auch Firmen, die erst Teilschritte gegangen sind, können bereits Predictive Analytics nutzen. Hier ist aber oft noch manuelle Nacharbeit notwendig, etwa bei der Aggregation der Daten.

Neben Data Mining kommen in der Predictive Analytics auch automatisierte Formen der Datenauswertung zum Einsatz, beispielsweise das maschinelle Lernen. Hierbei wertet eine künstliche Intelligenz (KI) die Datensätze aus und trifft auf dieser Basis automatisiert Vorhersagen. Je mehr Datensätze sie hierfür sichtet und je mehr Erfahrungen sie damit sammelt, desto genauer werden ihre Vorhersagen.

 Internet of Things: Alles aus einer Hand

Internet of Things: Alles aus einer Hand

Durch die intelligente Vernetzung von Maschinen und Gegenständen werden unter anderem Produktion und Logistik effizienter gestaltet. So sparen Sie wichtige Ressourcen und erweitern Ihre Geschäftsmodelle.

Optimieren Sie jetzt Ihre Prozesse: Wir sind mit über 118 Millionen Connections führend im Bereich IoT und diese Zahl wächst täglich.

 

Predictive Analytics und Prescriptive Analytics unterscheiden

Das Marktforschungsunternehmen Gartner gliedert Business Analytics in vier Stufen. Jede Stufe baut auf Informationen der vorherigen Stufen auf. Die vier Stufen sind (von unten):

  • Was ist passiert? Descriptive Analytics ist die beschreibende Analyse der Vergangenheit durch Auswertung von Daten und Kennzahlen.
  • Warum ist es passiert? Diagnostic Analytics liefert Erklärungen für die beschriebenen Ereignisse aus der Vergangenheit.
  • Was kann oder wird in Zukunft passieren? Mittels Predictive Analytics werden die Informationen über die Vergangenheit auf zukünftige Ereignisse übertragen. Es wird vorausgesagt, was wann und mit welcher Wahrscheinlichkeit eintreten wird.
  • Was muss passieren, damit bestimmte Ereignisse eintreten? Prescriptive Analytics sucht nach Werkzeugen, um bestimmte Ereignisse in der Zukunft eintreten oder nicht eintreten zu lassen.

 

Ausklappbare Informationsgrafik

Die einzelnen Stufen der Business Analytics bauen aufeinander auf und geben so immer dezidiertere Informationen für strategische Entscheidungen.

 

Predictive Analytics und Prescriptive Analytics sind also zwei Stufen derselben Form von Business Analytics. Aber während Predictive Analytics ausschließlich Vorhersagen über Eintrittswahrscheinlichkeiten liefert, sucht Prescriptive Analytics im nächsten Schritt auch nach Maßnahmen, um diese Eintrittswahrscheinlichkeiten zu beeinflussen.

 

Predictive Analytics als Teilmenge von Business Intelligence und Business Analytics

Business Intelligence ist das Sammeln und Speichern aller dezentral im Unternehmen vorliegenden Informationen. Dazu gehört etwa das Auslesen der Kassensysteme in allen Filialen und das anschließende Bereitstellen der gesammelten Daten über ein sogenanntes Data Warehouse.

Auf Basis der gesammelten Informationen können Sie in Ihrem Unternehmen Entscheidungen für die Gegenwart treffen. Das bekannteste Beispiel ist die schnelle Nachbestellung von Waren, die in allen Niederlassungen ausverkauft sind. Aber auch die Entscheidung – mit Blick auf die guten Geschäftsdaten der Nachbarfilialen – eine weitere Filiale in einem Einzugsgebiet dazwischen zu eröffnen, wäre eine typische Business-Intellligence-Anwendung.

Business Analytics geht über die Ansätze der Business Intelligence hinaus. Daten werden beispielsweise mit Methoden des Deep Learning auf bisher unbekannte Korrelationen untersucht. Neue Datenschichten entstehen durch

  • Verknüpfung
  • Extrapolation
  • Interpolation
  • Gewichtung

von Daten. Dies ist die Grundlage für weitere Analysen. Hier liegt der Fokus also stärker auf Entscheidungen für die Zukunft Ihres Unternehmens. Ein typischer Anwendungsfall ist die Analyse von Daten im Hinblick auf die Frage, ob der vorhandene Stamm an Kund:innen aufgrund bestimmter Merkmale auch für andere Produkte aufgeschlossen ist.

So könnte ein Autohersteller erkennen, dass Kund:innen, die eine Anhängerkupplung mitbestellen, oft auch Interesse an Fahrradträgern für die Anhängerkupplung haben und auch Fahrräder oder E-Bikes kaufen (Predictive Analytics). Ein nächster Schritt wäre dann die Gründung eines Tochterunternehmens, das passende E-Bikes anbietet oder Fahrrad-Ersatzteile über die bereits vorhandene Lagerlogistik und Werkstattpartner des Autoherstellers schnell zu Kund:innen liefert.

In einem weiteren Schritt könnte der Hersteller dann E-Bikes und Autos kombiniert an bestimmte Zielgruppen vermarkten, etwa mit dem Ziel, neue oder besonders kaufkräftige Käufer:innen zu erschließen (Prescriptive Analytics). Oder das Unternehmen könnte sich zum Dienstleister für die Mobilität der Zukunft weiterentwickeln.

Während Business Intelligence der Absicherung bestehender Geschäftsprozesse auf vertrauten Geschäftsfeldern dient, wird Business Analytics beispielsweise eingesetzt, um neue Geschäftsfelder zu erschließen – oder das Unternehmen während einer Umstrukturierung neu aufzustellen.

Digitalisierung leicht gemacht

Digitalisierung leicht gemacht

Sie möchten die Digitalisierung Ihres Unternehmens auf das nächste Level heben? Unsere Digital Coaches unterstützen Sie kompetent und unverbindlich in allen Phasen Ihres Digitalisierungsvorhabens.

  • Kostenloses Erstgespräch zum Stand Ihrer Digitalisierung
  • Entwicklung einer Digitalisierungs-Roadmap
  • Beratung zur Nutzung von Fördermitteln
  • Unterstützung bei der Implementierung

Einsatzgebiete von Predictive Analytics

Weil Predictive Analytics ein ebenso vielseitiges wie mächtiges Werkzeug ist, gibt es entsprechend viele Einsatzgebiete:

  • Zielgruppengerechtes Marketing, Konsolidierung oder Erweiterung von Märkten
  • Risikominimierung durch Erkennen möglicher Schadens- oder Kreditrisiken
  • Kriminalitätsbekämpfung (Betrugserkennung per künstlicher Intelligenz)
  • Genauere Vorhersage von Marktentwicklungen, saisonalen oder temporären Schwankungen
  • Optimiertes Ressourcenmanagement auf Basis früherer Daten zum Ressourceneinsatz

 

So funktioniert Predictive Analytics

Predictive Analytics gliedert sich in mehrere Stufen. Am Ende steht in der Regel die Integration in Hard- und Software, beispielsweise die Assistenzsysteme eines Fahrzeuges oder die Kreditsoftware eines Finanzdienstleisters. Die einzelnen Stufen sind:

  1. Zielsetzung: Die Erkenntnisziele werden festgelegt und mögliche Datenquellen auf Verfügbarkeit geprüft.
  2. Datenerfassung: Aus Gerätesensoren, der Unternehmens-Cloud oder anderen Quellen werden die Daten für die Analyse gewonnen.
  3. Vorbereitung der Daten: Die gewonnen Rohdaten werden untersucht auf Umfang, Qualität und Validität. Je nach Anwendung werden die Daten reduziert und umgewandelt. Merkmale von Objekten werden erkannt und reduziert: Beispiel: Ein in den Rohdaten riesiges Datenobjekt “Auto” wird auf für dieses Objekt typische Merkmale wie Motor, Lenkung und vier Räder reduziert.
  4. Erstellung prädiktiver Modelle: Für die Auswertung der Daten werden Analysemodelle gebaut. Hierfür stehen unterschiedliche Werkzeuge und Analyseverfahren zur Verfügung, die in Abhängigkeit von Erkenntnisziel und Qualität der zugrunde liegenden Daten ausgewählt werden..  
  5. Test der Modelle und Anpassung: Die zuvor erstellten Modelle werden mit realen Daten befüllt und die hiermit ermittelten Ergebnisse überprüft, zum Beispiel anhand von Daten aus der Vergangenheit. Erweisen sich die Modelle als brauchbar, geht es zum nächsten Schritt. Andernfalls werden die Modelle so lange überarbeitet, bis sie nutzbar sind
  6. Bereitstellung für die Integration: Die gewonnen Daten werden vom Unternehmen selbst genutzt oder in Produkte des Unternehmens für die Nutzung durch Kund:innen integriert. Beispielsweise als integrierte Systeme in Fahrzeug-Assistenten, Handys oder als Teil eines Infrastruktur-Netzes.

 

Ausklappbare Informationsgrafik

Von der Datenerfassung bis zur Implementierung in integrierte Systeme: So sieht der Workflow der prädiktiven Analyse aus.

 

Häufigste Anwendungsmodelle in Predictive Analytics

Für die einzelnen Rechenmodelle der Predictive Analytics gibt es verschiedene statistische und semantische Verfahren. Einige dieser Verfahren sind auch für künstliche Intelligenzen erlernbar, sodass sich damit selbst große Datenmengen automatisiert bearbeiten lassen. Hier eine Auswahl der besonders verbreiteten und häufigen Verfahren, mittels derer aus Datenbeständen Voraussagen abgeleitet werden:

Entscheidungsdiagramm

Über eine Kette von Ja-/Nein-Fragen wird ein Diagramm durchlaufen. Dieses endet in der Regel in einer Entscheidung wie „Kund:in kauft Produkt“ oder „Kund:in kauft Produkt nicht“.

Lineare Regression

Die Lineare Regression versucht, den Einfluss eines oder mehrerer Faktoren auf eine bestimmte Variable zu erklären. Eine solche Variable kann beispielsweise der Erfolg von Leads sein. Der Idealwert wäre hier 100 Prozent für 100 Prozent zu einem Abschluss führende Leads. Ein Faktor, der diesen Erfolg möglicherweise beeinflusst, könnte die Höhe des Marketingbudgets sein. 

Im Idealfall gibt es eine ganz klare Abhängigkeit und somit die Möglichkeit, eine Regressionsgerade zu erstellen. Damit ließe sich dann für jede Höhe des Marketingbudgets der Erfolg der davon abhängigen Leads vorhersagen.

Logistische Regression

Wie bei der Linearen Regressionsanalyse wird auch hier nach einem statistischen Zusammenhang zwischen einer abhängigen und einer oder mehreren weiteren Variablen gesucht. Die abhängige Variable hat aber nur zwei mögliche Ausprägungen. Am Ende steht also beispielsweise die Frage: Wirken sich Produktpreis und Produktbekanntheit auf die Abverkaufszahlen aus – ja oder nein?

Lineare Diskriminanzanalyse

Hier wird nach einer oder mehreren mathematischen Funktionen gesucht, die eine Datenmenge besonders plausibel in unterschiedliche Stichprobengruppen aufteilt. Gesucht wird beispielsweise eine Funktion des Ressourcen-Aufwandes für Leads. Alle geprüften Leads oberhalb der Funktion sind erfolgreich. Alle geprüften Leads unterhalb der Funktion sind negativ (nicht mit Verkauf abgeschlossen). Die Funktion beschreibt dann perfekt den Unterschied zwischen erfolgreichen und nicht erfolgreichen Leads.

Random Forest

Ein Random Forest ist ein „Wald“ (Forest) aus vielen Entscheidungsbäumen mit Ja/Nein-Entscheidung. Jedes Item der Stichprobe durchläuft nacheinander alle Entscheidungsbäume des Random Forest. Erhält es hierbei insgesamt mehr „Ja“-Ergebnisse, ist auch das Gesamtergebnis „Ja“, ansonsten „Nein“.

Naive Bayes

Dieses semantische Verfahren wird zur Analyse von Texten angewendet, beispielsweise um anhand von Auffälligkeiten oder der Häufung bestimmter Wörter zu unterscheiden zwischen wertvollen und wertlosen Texten im Sinne der Fragestellung. Nach diesem Verfahren arbeiten beispielsweise Spam-Filter, die Anfragen von Kund:innen von automatisierten Werbe-Mails unterscheiden sollen.




Video: YouTube /  ComputerwocheTV

 

Predictive Analytics – einige Einsatzbeispiele

Für den Einsatz von Predictive Analytics gibt es sehr unterschiedliche Motivationen. Beispielsweise das Ziel, neue Geschäftsfelder zu genieren oder den Wunsch, Kosten zu sparen oder den Anspruch, Patient:innen besser ansprechen zu können, um Therapieerfolge zu verbessern. Häufige Einsatzgebiete sind:

  • In der Medizin werden Risiko-Patient:innen bei bestimmten Diagnosen leichter identifiziert, weil Erkenntnisse über ähnliche Fälle in der Vergangenheit vorliegen. Wo Risiken festgestellt werden, werden diese Patient:innen beispielsweise mit online vernetzten Messgeräten ausgestattet oder erhalten speziell für sie entwickelte Ernährungs- und Behandlungspläne. Schon heute analysiert beispielsweise ein Asthmamanagement-Gerät Atemgeräusche auf Basis von Predictive Analytics und gibt Patienten mit Asthma und COPD Rückmeldung hierzu über eine Smartphone-App.
  • In der Energiewirtschaft werden per Strombedarfe von privaten und industriellen Verbrauchern in Abhängigkeit von Jahreszeit, Wetter, Tageszeit und anderen Parametern per Predictive Analytics vorhergesagt.
  • In der Markterkundung oder der tiefergehenden Marktforschung werden Zielgruppen und Kaufverhalten analysiert und so die Absatzchancen von Produkten eruiert.
  • Im Einzelhandel werden Erfahrungen auf neue Märkte oder Zielgruppen übertragen. Dazu gehört es auch, Kreditrisiken prospektiv zu ermitteln und entsprechend abzusichern.
  • In der Produktion werden Maschinen per Predictive Maintenance als Sonderform von Predictive Analytics gewartet. Durch die Analyse vorliegender Gerätedaten werden Servicetermine und Austauschintervalle optimiert und so Ausfälle minimiert.
  • In der Automobilbranche sollen Sensordaten von autonomen Fahrzeuge per Predictive Analytics ausgewertet werden, um hieraus verbesserte Fahrassistenz-Algorithmen zu entwickeln.
  • Finanzdienstleister nutzen Predictive Analytics um Märkte zu untersuchen oder beispielsweise Kreditausfallrisiken vorherzusagen.

 

Predictive Analytics und Big Data

Mittels Predictive Analytics können Sie auch aus sehr großen Datenmengen (Big Data) relevante Daten isolieren. Ein gängiges Verfahren hierfür ist das Machine Learning mittels künstlicher Intelligenz (KI). Fragen an die KI könnten beispielsweise sein:

  • Wann sind die Absatzchancen für eine bestimmte Produktgruppe besonders vielversprechend: in welchem Marktumfeld oder zu welcher Zeit des Geschäftsjahres oder auf welchem regionalen Markt? 
  • Bei welchen Kund:innen sind welche Marketingmaßnahmen (Werbekampagne, persönliche Ansprache, Bundle-Angebote oder Rabatte) wirksam?
  • Welche Produkte generieren besonders hohe Erträge im Bereich Aftersales? Welche Produkte sind umgekehrt mit hohen Wartungs- oder Reparaturkosten verbunden oder generieren viele Rückläufer?

Hier schafft das Machine Learning eine solide Validierungsinstanz für Entscheidungen, die in der Vergangenheit mangels Zahlenbasis rein intuitiv getroffen wurden. Oft zeigt die KI dabei auf, dass frühere intuitive Entscheidungen Fehlentscheidungen waren oder Beobachtungsfehlern unterlagen – zum Beispiel durch Überschätzen der eigenen Urteilsfähigkeit, falsche Erinnerung oder die falschen Einschätzung des Verhaltens von Kund:innen.

Besonders dort, wo Datenmengen zu groß sind, um diese manuell auszuwerten, ist Predictive Analytics per KI essentiell für den Geschäftserfolg. Das gilt beispielsweise in Branchen mit Millionen Leads innerhalb sehr kurzer Zeit (Börsenhandel, Online-Marketing).

 

Predictive Analytics im Controlling

Für ein solides Forecasting muss Ihr Unternehmens-Controlling wissen, welche Zahlen und Entwicklungen sich in welcher Form auf den Gesamterfolg des Unternehmens auswirken. Wo sich Märkte und Rahmenbedingungen sehr schnell verändern, fehlt im Unternehmen jedoch oft die dafür nötige Erfahrung. Selbst große Unternehmen scheitern oft an der Einschätzung neuer Märkte oder halten zu lange an alten Geschäftsfeldern und -modellen fest. Predictive Analytics liefert Ihrem Controlling Informationen, die fundierte Entscheidungen ermöglichen. Dazu drei Beispiele: 

  • Wie viele Ihrer Kund:innen haben vor fünf oder zehn Jahren innerhalb von 30 Tagen nach Rechnungsstellung gezahlt? Wie viele tun es heute? Was können Sie daraus für Erkenntnisse über die Marktentwicklung, die Marktteilnehmer:innen selbst und deren Zahlungsmoral in der Zukunft ableiten? 
  • Wie lange hat es bisher gedauert, um Investitionen über Bankkredite zu finanzieren? Wie hat sich die Bereitschaft von Banken oder des Anleihenmarktes verändert und was bedeutet dies für zukünftige Investitionen?
  • Wie lange haben Ihre Ingenieur:innen in der Vergangenheit benötigt, um neue Produkte zu entwickeln? Hat sich dieser Zeitraum über die Jahre verändert? Was sagt dies über Ihre Wettbewerbsfähigkeit auf dem heutigen und möglicherweise auf zukünftigen Märkten aus?

 

Predictive Analytics im Einzelhandel

Branchen wie der Einzelhandel stehen traditionell unter einem starken Wettbewerbsdruck. Als Ergebnis dieses Drucks und getrieben von der Notwendigkeit, Markttrends früh zu erkennen und umzusetzen, ist die Digitalisierung bei vielen größeren Marktteilnehmern schon weit vorangeschritten.

Abverkaufszahlen werden beispielsweise in Echtzeit nach Warensegmenten geclustert und zeitnah weitergegeben. So können Lieferungen rechtzeitig angestoßen werden, bevor Kund:innen vor leeren Regalen stehen. Die hierbei erhobenen Daten fließen zugleich in die Modelle der Business Analytics ein.

Möglich macht dies der konsequente Einsatz unternehmensweit per IoT vernetzter Maschinen, Anlagen und Geräte. Damit erheben Sie in Ihrer Firma alle relevanten Informationen bereits direkt am Point of Sale. 

atom

Narrowband-IoT und LTE-M: Konnektivität im IoT-Umfeld

Narrowband-IoT und LTE-M: Konnektivität im IoT-Umfeld

Ganz gleich, wo Sie sich aufhalten: Mit Narrowband-IoT und LTE-M gelingt Maschinenkommunikation auch unter schwierigen Bedingungen. Und das bei besonders geringem Stromverbrauch und somit langen Akkulaufzeiten.

  • Narrowband-IoT sorgt für beste M2M-Netzabdeckung
  • Über LTE-M lassen sich auch Sprachdaten übertragen
  • Auch in Kellern oder entlegenen Gebieten einsetzbar

Darum ist Predictive Analytics für Unternehmen wichtig

Unternehmerische Intuition und Erfahrung sind wichtige Steuerungsinstrumente. Aber auch langjährige Führungskräfte treffen mitunter Fehlentscheidungen, wenn sie sich allein auf ihre Erfahrung und auf Rezepte aus der Vergangenheit verlassen.

Bekannt ist ein Zitat von Nokia-Sprecher Kari Tuuti, der 2007 im Interview erklärte: „Das iPhone ist ein ernstzunehmendes Konkurrenzprodukt. Aber ich bin mir sicher, dass wir der Marktführer bleiben.“[1] Auch Unternehmerpersönlichkeiten wie Max Grundig oder Heinz Nixdorf unterliefen verhängnisvolle Fehler, weil sie sich bei strategischen Entscheidungen allein auf ihre Intuition verließen und Veränderungen im Markt nicht rechtzeitig erkannten.

Predictive Analytics ist ein wichtiges und ergänzendes Analysewerkzeug für Führungskräfte. Auf Basis großer Zahlenmengen identifiziert es Zusammenhänge und zeigt Korrelationen auf, die sonst leicht übersehen werden könnten. Es ergänzt damit unternehmerische Intuition und stellt eine weitere, technische Sicht auf Märkte und Chancen zur Verfügung.

Predictive Analytics ist nicht das einzige Analysewerkzeug, das Sie in Ihrem Unternehmen einsetzen sollten. Aber es ist gerade in unbeständigen oder unübersichtlichen Märkten sehr erfolgreich – und sorgt für mehr Ordnung, Transparenz und einen besseren Blick auf die eigene Zukunft.




Video: YouTube / Frankfurt School of Finance & Management

 

So gelingt der Einstieg in die prädiktive Analyse

Der erste Schritt, um Predictive Analytics auch in Ihrem Unternehmen einzuführen, ist die Definition eines Pilotprojektes. Inzwischen gibt es einige Beratungsunternehmen, die sich auf Predictive Analytics spezialisiert haben und beim Aufsetzen eines solchen Projektes unterstützen. Grundsätzlich sollten Sie folgende Fragen stellen:

  • Welche Erkenntnisse soll Ihnen Predictive Analytics liefern? Sollen neue Märkte erschlossen oder neue Produkte auf ihre Marktgängigkeit untersucht werden? Oder sollen vorhandene Prozesse verschlankt werden, um Zeit oder Geld einzusparen?
  • Welche Voraussetzungen müssen erfüllt werden? Liegen überhaupt ausreichend valide und strukturierte Geschäftsdaten vor, um damit prädiktive Analyse zu betreiben? Welche Methoden sollen dabei zum Einsatz kommen?
  • Wie ist das Unternehmen technisch aufgestellt? Gibt es bereits per IoT verknüpfte Sensornetzwerke in der Fertigung, über die Daten für die prädikative Analyse erhoben werden können? Oder wo müssen manuelle Prozesse aufgesetzt werden, um Datenbestände für die Auswertung zusammenzuführen.
  • Ist das Wissen zu Verfahren der prädiktiven Analyse bereits vorhanden oder müssen Sie externe Berater:innen ins Unternehmen holen?
  • Welche Software möchten Sie hierfür nutzen? Welche weiteren Ressourcen benötigen Sie?
  • Wie validieren Sie die die Ergebnisse im Projektverlauf?
  • Sollen weitere Projekte aufgesetzt werden und soll Predictive Analytics zukünftig regelhaft im Unternehmen eingesetzt werden?

 

Passende Software für den Start in Predictive Analytics

Inzwischen gibt es auf dem Markt ein umfangreiches Portfolio an Programmen für die prädiktive Analyse. Einige der verbreitetsten Tools stellen wir im Folgenden vor.

IBM Watson Studio

Das ursprünglich als PC-Hardware-Hersteller bekannte Unternehmen IBM hat sich längst auch als Unternehmens-Beratung einen Namen gemacht und vertreibt unter dem Label Watson verschiedene KI-Anwendungen. Eine dieser Anwendungen ist das IBM Watson Studio für professionelle Datenanalysten, das mit einer breit aufgestellten Analytik für nahezu alle Branchen passende Instrumente liefert. Daneben gibt es im Unternehmen mit dem Predictive Analytics Toolset noch ein einsteigerfreundliches Angebot, dessen Ursprünge auf das bekannten Statistik- und Analysepaket SPSS zurückgehen.

Microsoft Azure

Ein weiterer großer Name in der Business Analytics ist die Azure-KI von Microsoft. Die Software kann beispielsweise mit Hilfe des extern zugekauften Algorithmus XGBoost effizient Bestände an Kund:innen durchforsten und beispielsweise säumige Zahlungen schnell identifizieren.

Microsoft Azure: Backup, Sharepoint und Virtual Desktops

Microsoft Azure: Backup, Sharepoint und Virtual Desktops

Sichern und archivieren Sie wertvolle Daten jetzt noch einfacher.

Mit Single-Sign-on für IT-Anwendungen und Sharepoint-Integration stellen Sie Desktop-Anwendungen jetzt noch schneller bereit.

Und mit dem Azure Virtual Desktop konzentrieren Sie sich auf Strategie und Management – statt um die Verwaltung Ihrer Infrastruktur.

Microsoft Azure: Backup, Sharepoint und Virtual Desktops

Python

Die beliebte Programmiersprache Python ist für diese Aufgabe prädestiniert und kommt demnach auch in der Datenanalytik zum Einsatz. Inzwischen gibt es für Datenanalysten viele, teilweise quelloffene Angebote auf Basis von Jupyter, PyCharm oder Spyder. Für Einsteiger:innen sind diese Tools in der Regel eher nicht geeignet. Dafür sind sie besonders flexibel und eine große Internet-Community hilft bei Fragen.

SAP BusinessObjects Predictive Analytics

Als Software-Spezialist für Geschäftsprozesse und Controlling hat auch SAP ein eigenes deutschsprachiges Analysetool unter dem Namen SAP BusinessObjects Predictive Analytics 3.0 im Portfolio. Vorteil ist hierbei, dass das unternehmenseigene Consulting bei Fragen zum Produkt erreichbar ist. Damit ist die Software zwar nicht kostengünstiger, aber durchaus einsteigerfreundlicher als die Tools einiger Wettbewerber.

AWS Predictive Analytics

Als zahlengetriebener Online-Händler und Cloud-Anbieter verfügt Amazon über viel Wissen zu Geschäftsprozessen und entwickelt schon seit vielen Jahren eigene Analyse-Tools, die als AWS Predictive Analytics auch Dritten zur Verfügung gestellt werden. Wer im eigenen Unternehmen AWS bereits für andere Zwecke einsetzt, findet sich auch in den Analytics-Funktionen des Online-Kaufhauses zurecht.




Video: YouTube / FINANCE Magazin

 

Predictive Analytics im Überblick

  • Mittels Predictive Analytics können Sie in Ihrem Unternehmen aus bereits vorliegenden Geschäftsdaten neue Erkenntnisse gewinnen.
  • Predictive Analytics ist neben Descriptive Analytics, Diagnostic Analytics und Prescriptive Analytics ein Teilbereich der Business Analytics.  
  • Viele Branchen setzen bereits auf Predictive Analytics, um strategische Entscheidungen zu begleiten oder abzusichern.
  • Anhand eines zuvor umrissenen Pilotprojektes gelingt Ihnen der Einstieg in die prädiktive Analyse.
  • Unternehmen, die bereits weitgehend digitalisiert sind und Geschäftsdaten zentral sammeln, sind für Business Analytics besser aufgestellt.
  • Am Markt findet sich ein großes Angebot an Analysetools. Einige davon sind eher für Datenanalysten konzipiert, andere sind auch für Einsteiger verständlich.

 

Setzen auch Sie bereits auf Predictive Analytics? Welche Informationen können Sie mit den entsprechenden Tools für Ihr Unternehmen gewinnen? Schreiben Sie unseren Lesern in den Kommentaren.

 


Ihre Digitalisierungs-Berater:innen für den Mittelstand

Sie haben Fragen zur Digitalisierung? Unser Expert:innen-Team hilft Ihnen kostenlos
und unverbindlich im Chat (Mo.-Fr. 8-20 Uhr). Oder am Telefon unter 0800 5054512

Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Facebook Twitter WhatsApp LinkedIn Xing E-Mail