Suchen

Kommentar von Jürgen Boiselle, Teradata Mit Predictive Analytics in die Zukunft schauen

| Autor / Redakteur: Jürgen Boiselle / Nico Litzel

Bisher unbekannte Zusammenhänge entdecken, zukünftige Entwicklungen vorhersagen und diese sogar bewusst steuern – das sind die Vorstellungen, die sich hinter dem Begriff Predictive Analytics verbergen. Wie dies in Unternehmen Schritt für Schritt Realität wird, belegt das Beispiel des Mischkonzerns 3M: Fließen alle Daten in einer integrierten Datenarchitektur zusammen, gewinnen Mitarbeiter aus ihnen wertvolle Prognosen.

Firmen zum Thema

Der Autor: Jürgen Boiselle ist Managing Partner Architecture Consulting bei Teradata
Der Autor: Jürgen Boiselle ist Managing Partner Architecture Consulting bei Teradata
(Bild: Teradata)

Seine Kunden bestmöglich bedienen und vor allem keine Verkaufsmöglichkeit mehr verpassen – das war das Ziel, das der Mischkonzern 3M (Minnesota Mining and Manufacturing) mit der Einführung einer Predictive-Analytics-Lösung erreichen wollte. Dazu nahm sich das Unternehmen Firma vor, gezielt diejenigen Kunden anzusprechen, die mit dem Kauf eines ihrer Produkte liebäugeln.

Aber welche Kunden sind das? 3M wurde schnell klar: Wer sich bei solchen Fragen nicht auf das berühmte Bauchgefühl verlassen will, braucht verlässliche Datenanalysen. Denn: Wer den Kunden mit einer relevanten Botschaft kontaktiert, bevor dieser eine Kaufentscheidung getroffen hat, kann die Entscheidung beeinflussen.

Der Kontakt kann dabei über Rabattaktionen, zusätzliche Services oder weitere Anknüpfungspunkte stattfinden. Wichtig ist, dass er vor der eigentlichen Kaufentscheidung des Kunden passiert. Deshalb muss eine entsprechende Analyse auch vor dieser Kaufentscheidung zum Ergebnis kommen. Anders formuliert, muss die Analyse die Kaufentscheidung vorhersagen können – man spricht von Predictive Analytics.

Was ist Predictive Analytics?

Bei Predictive Analytics handelt es sich um ein Teilgebiet des Data Mining. Der deutsche IT-Branchenverband BITKOM definiert Predictive Analytics als Vorgehen, bei dem „(…) aus einem Datensatz Trends und Verhaltensmuster abgeleitet und vorhergesagt werden können.“

Unternehmen können Predictive Analytics laut BITKOM in drei Schritten umsetzen. Demnach sammeln sie zunächst die notwendigen Daten und halten sie für Analysen vor. Anschließend entwickeln sie ein statistisches Modell, das die bisherige Entwicklung der Daten möglichst präzise beschreibt. Auf dieser Grundlage können sie dann Schlüsse für die Zukunft ziehen. Im dritten Schritt können Organisationen schließlich auf Basis ihrer Vorhersagen in den Trend eingreifen und ihn zu ihren Gunsten verändern. So werden in drei Schritten aus Unsicherheit konkrete Wahrscheinlichkeiten und letztendlich Handlungsempfehlungen.

Keine Verkaufschance mehr verpassen

Als 3M sich entschied, zusätzlich zum regulären Reporting auch Predictive Analytics einzusetzen, profitierte das Unternehmen von seiner bestehenden, soliden Datenplattform. In einem integrierten Teradata Data Warehouse führte der US-Konzern aus St. Paul im Bundesstaat Minnesota bereits die Daten aller sechs Unternehmensbereiche zusammen.

Für Predictive Analytics ist das ein unschätzbarer Vorteil, denn so können die zuständigen Mitarbeiter direkt auf alle nötigen Daten zugreifen. Mehr verfügbare Daten machen zudem die Prognosen präziser. Schritt eins, das Sammeln und Vorhalten der Daten, war damit bereits erfüllt. „Ich weiß gar nicht, wie wir ohne ein integriertes Data Warehouse versucht hätten, die richtigen Antworten zu finden. Wir hätten nicht einmal die richtigen Fragen stellen können“, betont Jeff Robinson, Global Business Intelligence Manager bei 3M, die Bedeutung einer übergreifenden Architektur.

Kundenbeziehungen optimieren

Diese Datenbasis setzte 3M nun ein, um mithilfe von Predictive Analytics zunächst die Kundenbeziehungen in der Sparte Industrial and Transportation zu optimieren. Dieser Unternehmensteil stellt eine Reihe von Produkten her, etwa Klebstoffe und Schleifmittel für die Instandhaltung von Flugzeugen, Automobilen und Booten. 3M fütterte ein eigens entwickeltes Tool mit Daten zum Kaufverhalten der Kunden aus den zwei vorangegangenen Jahren. So identifizierten die Mitarbeiter Kaufmuster und konnten beispielsweise den Bedarf von Stammkunden an Reparaturprodukten vorhersagen. „Das half uns zu erkennen, wo wir eine Verkaufschance verpassen könnten“, erläutert Robinson.

Auf die Identifizierung der Kaufmuster folgte schließlich Schritt drei: das Eingreifen und Verändern der entdeckten Trends zugunsten des Unternehmens. Aufgrund der neu entwickelten Modelle wussten die Kundenbetreuer genau, welche Kunden sie ansprechen mussten, um Etats zu erhalten.

Die Ergebnisse überraschten das Unternehmen: „Die Zusammenhänge sind häufig ganz anders, als unsere Tochtergesellschaften vorher dachten“, erklärt Robinson rückblickend. So kann ein Sales-Verantwortlicher für das Segment Autoreparatur nicht aus dem bisherigen Bedarf eines Geschäftskunden, etwa einer Lackierwerkstatt, einfach auf den zukünftigen Verbrauch schließen. Denn dieser wird von zahlreichen Faktoren beeinflusst. War beispielsweise der vergangene Winter besonders hart und hat den Lack von Fahrzeugen beschädigt? Schieben viele Kunden aufgrund einer schwächelnden Wirtschaft anstehende Reparaturen lieber auf? Oder kaufen sie im Gegenteil lieber gleich neue Fahrzeuge? Wie viel von welchen Produkten welcher Kunde wann benötigt, kann das Bauchgefühl deshalb nicht sagen.

Kein Allheilmittel

Es gibt aber ebenso Ereignisse, die auch mithilfe von Analytics nicht vorhersagbar sind. Beispielsweise wenn ein Kunde expandiert oder mit einem anderen Unternehmen fusioniert, sein Geschäftsmodell anpasst oder interne Richtlinien ändert. Jeder dieser Vorgänge verschiebt möglicherweise auch seinen Bedarf an 3M-Produkten. Trotzdem kann Predictive Analytics hier helfen, den Kunden schon während der Veränderung mit anderen Kunden zu vergleichen, um so seinen zukünftigen Bedarf besser vorherzusagen.

Auch wenn Algorithmen schon im Einsatz sind, sollten sie und der zugrunde liegende Datenbestand also immer wieder geprüft und bei Bedarf angepasst werden. Will ein Mitarbeiter datengestützte Entscheidungen treffen, muss er sich sicher sein können, dass die Berechnungen die aktuellen Entwicklungen zuverlässig abbilden.

Neue Big-Data-Quellen einbeziehen

3M zog dabei aus der bestehenden Datenarchitektur entscheidende Vorteile. Da alle Daten in einer integrierten Umgebung vorliegen, müssen die zuständigen Mitarbeiter jeden Datensatz nur einmal aktualisieren. Damit entfällt das Problem veralteter und teils sogar widersprüchlicher Daten, wie es bei einer Umgebung aus mehreren, nicht miteinander verbundenen Datenbanken typischerweise auftritt.

Verstärkt wird es noch durch die vermehrte Nutzung sogenannter semi- oder multistrukturierter Daten: Viele Firmen möchten auch Sensordaten im JSON-Format (Javascript Object Notation), Klickdaten aus Online-Shops oder Textbeiträge in Social Media in ihre Analysen einbeziehen. Diese Daten haben gemeinsam, dass sie sich kaum in eine klassische spalten- oder zeilenbasierte Struktur bringen lassen, ohne potenziell wichtige Informationen zu verlieren.

Daher wählen Unternehmen häufig Big-Data-Lösungen wie Hadoop oder MongoDB, um derartige Daten vorzuhalten. Doch ohne Verbindung zu einer zentralen Datenbank entsteht auch hier das oben beschriebene Problem: Die Datensätze sind oft auf einem unterschiedlichen Stand und potenziell widersprüchlich. Sie können zudem nicht gemeinsam analysiert werden. Und schließlich sind Spezialisten für Hadoop, MongoDB und weitere Big-Data-Anwendungen nach wie vor rar und entsprechend begehrt.

Eine einheitliche Analyseumgebung

Die Brücke zwischen den herkömmlichen Geschäftsdaten und multistrukturierten Big Data schlägt eine einheitliche Analyseumgebung. In einer solchen Umgebung können mit der entsprechenden Technologie auch Nutzer ohne Spezialkenntnisse Daten aus Big-Data-Lösungen wie Hadoop abrufen – etwa mit der Datenbanksprache Structured Query Language (SQL), die zum Standard-Repertoire vieler Anwender gehört. Indem mehr Mitarbeiter Zugriff auf die Daten haben, wächst auch der Mehrwert für das Unternehmen.

Auch bei 3M erschließen die Mitarbeiter dank der integrierten Architektur zusätzliche Datenquellen für genauere Vorhersagen. Mittlerweile bezieht der Konzern auch Social Media Postings in die Analysen mit ein, um seine Kunden und die Marktentwicklung noch besser zu verstehen. Zusätzlich sollen Predictive Analytics über das Kundenbeziehungsmanagement hinaus auch auf ganz neue Bereiche übertragen werden: „Wir arbeiten daran, etwa Defekte in der Produktion vorherzusagen oder in der Logistik die Bestellung der Ausgangsprodukte effizienter zu planen“, erläutert Connie Garritsen, Global Enterprise Data Warehouse Managerin bei 3M.

Das Resultat beschränkt sich aber sicher nicht auf genauere Analysen. Wo früher Abteilungen weitgehend unabhängig voneinander arbeiteten, wachsen die einzelnen Unternehmensteile nun enger zusammen. „Diese laufende Evolution hat nach wie vor einen großen Einfluss auf unser Geschäft“, resümiert BI Manager Robinson. Die Zukunft vorhersagen? So ganz ist das auch mit Big Data noch nicht möglich. Aber anhand von Prognosen Verkaufszahlen steigern, Entscheidungen verbessern und konzernübergreifend planen – das ist bei 3M bereits gängige Praxis.

(ID:43515639)