5 Tipps zur Einführung prognostischer Analytik

Bislang kamen BI-Anwendungen vor allem zum Einsatz, wenn es um Fragen zur Entwicklung der letzten Monate in einem Unternehmen ging. Durch die Einbindung von RStat, einer Open-Source-Statistikbibliothek für BI-Plattformen, hat sich das Anwendungsfeld auch auf detaillierte Prognosen erweitert.

Information Builders, Anbieter von Business-Intelligence- (BI), Analytics-, Datenintegritäts- und Datenqualitätslösungen, hat fünf Tipps vorgestellt, die man bei der Einführung prognostischer Analytik beachten sollte.

1. Daten kennen und verstehen

Für die prognostische Analytik ist die richtige Basis wichtig. Diese ist sowohl von der Quantität als auch Qualität der vorhandenen Daten abhängig. Laut Information Builders ist es demnach wichtig festzulegen, wie die korrekten Daten aussehen sollen und wer für die Einhaltung der Qualität verantwortlich ist.

2. Externe Daten integrieren

Neben den vorhandenen Daten verwenden manche Unternehmen auch externe Daten. Diese können beispielsweise Sensor-, Geo- und Wetterdaten oder Informationen von Marktforscher sein. Durch solche externen Daten, können Prozesse für die Entscheidungsfindung breiter aufgestellt werden.

Whitepaper Empfehlung

Converged Infrastructure

Vorteile und Auswahlkriterien

In der heutigen Zeit ist der Unternehmenserfolg stark abhängig vom Rechenzentrum. Aus diesem Grunde sollte dies regelmäßig modernisiert werden, um konkurrenzfähig zu bleiben. lesen

3. Grundlegende Statistikkenntnisse erwerben

Für den Einsatz prognostischer Analytik sind grundlegende Statistikkenntnisse vorteilhaft. Die deskriptive Statistik beschreibt Ereignisse aus der Vergangenheit und hilft Beziehungen, etwa zwischen Kunden und Produkten, besser zu verstehen.

Prognostische Analytik hingegen befasst sich mit der Zukunft. Hier soll beispielsweise mit Daten aus dem Vertrieb die Wahrscheinlichkeit abgeschätzt werden, mit der ein Kunde bestimmte Produkte oder Services kauft.

4. Arbeitsweise von Algorithmen verstehen

Laut Information Builders ist es auch wichtig, die Arbeitsweise von Algorithmen zu verstehen. So kann zum Beispiel aus bisherigem Kundenverhalten und der -historie die Wahrscheinlichkeit berechnet werden, wann ein Autofahrer der eine KfZ-Versicherung abgeschlossen hat, auch eine weitere Versicherung benötigt.

5. Prognosemodelle entwickeln und an Fachbereiche verteilen

Durch die Einbettung von RStat in eine BI-Plattform, können Unternehmen diese um vielfältige Funktionen für prognostische Analytik und Prognosemodelle erweitern. So können die Fachabteilungen statistische Funktionen nutzen, die sonst nur mit deutlichen Kosten verfügbar wären.