Kommentar von Nathan Jagoda, Information Builders

Prognostische Analytik verbessert Entscheidungsbasis

| Autor / Redakteur: Nathan Jagoda / Nico Litzel

Der Autor: Nathan Jagoda ist Country Manager Germany bei Information Builders in Eschborn
Der Autor: Nathan Jagoda ist Country Manager Germany bei Information Builders in Eschborn (Bild: Information Builders)

Traditionell verdeutlicht Business Intelligence Leistungswerte aus der Vergangenheit, befasst sich aber zunehmend mit geschäftlichen Abläufen aus der Gegenwart. Die prognostische Analytik dagegen liefert Einblicke in die Zukunft und bietet so eine ideale Ergänzung.

Was man nicht messen kann, kann man nicht lenken: Dieses Zitat des bekannten Managementberaters Peter Drucker bezieht sich zunächst einmal auf Reports, Scorecards und Key Performance Indicators (KPIs), mit denen die Leistungen eines Unternehmens im letzten Quartal oder Geschäftsjahr beschrieben werden.

Viel interessanter aber ist es zu wissen, was im kommenden Geschäftsjahr geschehen kann, beispielsweise wie groß die Nachfrage nach einem bestimmten Produkt oder einem Service sein könnte. Dafür benötigen Entscheider geeignete Werkzeuge, mit deren Hilfe sie auf Basis von Mustern in aktuellen Daten zukünftige Ereignisse prognostizieren können. Genau das ermöglicht die Predictive Analytics, also die prognostische Analytik. Sie stellt statistische Verfahren bereit, die alle relevanten Faktoren bewertet und daraus geeignete Prognosemodelle erstellt.

Prognostische Analytik in den Fachbereichen

Während verschiedenste Benutzergruppen in allen Managementhierarchien im Unternehmen von genaueren Vorhersagen profitieren, sind es vor allem die Anwender in den Fachbereichen, die damit die größten Vorteile erzielen werden. In vielen betrieblichen Situationen, in denen antizipative Entscheidungen gefordert sind, können die Prognosemodelle von Scoring-Applikationen die Datenbasis entscheidend verbessern:

  • Marketing: Zielgruppen und Segmente für Kampagnen definieren, Response-Rate erhöhen.
  • CRM: Modelle für die Kundenloyalität entwickeln und testen, Wertbeiträge für den gesamten Kundenlebenszyklus ermitteln.
  • Finanzdienstleistungen: Kreditrisiken analysieren und bewerten.
  • Betrugserkennung: Muster für illegales, betrügerisches oder missbräuchliches Verhalten aufdecken.
  • Fertigung: Beziehungen zwischen Maschinenkonfiguration und Output ermitteln, um die Produktqualität zu steigern.

Die Treffsicherheit der Entscheidungen ist im Wesentlichen von drei Variablen abhängig: erstens der Quantität und Qualität der verfügbaren Daten, zweitens einer genauen Kenntnis und Gewichtung der einzelnen Einflussgrößen und drittens der Verfügbarkeit von Technologien zur automatischen Ermittlung der Daten, Erstellung von Prognosen und Risikoabschätzung.

Integration prognostischer Modelle in die BI-Umgebung

Wo es Statistikanwendungen gibt, etwa um prognostische Modelle zu erstellen, werden sie in den meisten Unternehmen heute noch immer parallel zu BI-Lösungen eingesetzt und von den jeweiligen Spezialisten in der IT-Abteilung gewartet und gepflegt. Die Anwender in den Fachbereichen müssen sich bei Fragen und neuen Anforderungen an zwei verschiedene Teams wenden. Das ist zeitaufwendig und ineffizient.

Eine Lösung für dieses Problem bietet die Integration von Funktionen für die prognostische Modellierung in eine BI-Plattform. Damit entfällt der Implementierungs- und Maintenance-Aufwand für eine eigene Statistiklösung und vorhandene Ressourcen lassen sich effizienter nutzen. Verdeutlichen lassen sich diese Vorteile am Beispiel der Entwicklung einer Scoring-Applikation mit einer integrierten Umgebung wie WebFOCUS RStat von Information Builders. Dabei gilt es drei Stufen zu unterscheiden: erstens die Vorbereitung der Daten, zweites die Erstellung des Modells und drittens die Entwicklung der Applikation für die Endanwender.

Für die Datenaufbereitung sind traditionell meist mehrere Personen zuständig, sowohl Datenmodellierer als auch Statistikexperten. Ein Datenmodellierer erstellt die Abfragen und ein Statistiker profiliert und bereinigt die Daten. In einer integrierten Umgebung dagegen übernimmt der Modellierer sämtliche Aufgaben: von der Abfrage bis zur Profilierung und Bereinigung der Daten. Zusätzlich übernimmt er die Rechteverwaltung für die Benutzerzugriffe. Der Vorteil einer integrierten Umgebung: die Anwender aus den Fachabteilungen können ihre Abfragen in der Modellierungs-Engine RStat für Reporting- und Modellier-Applikationen einsetzen, ohne dass sie über tiefreichende Statistikkenntnisse verfügen müssen.

Wissen ohne Programmierkenntnisse

Die Modellier-Tools haben sich in den letzten Jahren deutlich weiterentwickelt und sind für Fachanwender mit lediglich einem betriebswirtschaftlichen Hintergrund einfacher anzuwenden. Auch sie sind damit in der Lage, alternative prognostische Modelle zu entwickeln, sie zu vergleichen und das am besten für bestimmte Anwendungsszenarien geeignete auszuwählen.

Ist das Prognosemodell erstellt, fehlt nur noch die dazu passende, per Browser aufrufbare Applikation. Auch hier profitieren die Fachanwender einer BI-Plattform mit integrierter Statistikfunktion. Sie reichen das Modell, das sie selbst entwickelt haben, an einen BI-Entwickler weiter, der dann mit derselben BI-Plattform die Applikation und Benutzeroberfläche erstellt, aus der die Endanwender schließlich die Daten und Modelle auswählen.

Der weitere Vorteil einer integrierten BI-Plattform: Anwender können die Ergebnisse der statistischen Auswertung direkt weiterverwenden. Ein Marketingfachmann beispielsweise ist in der Lage, eine Direct-Mailing-Liste mit einer Scoring-Applikation zu bearbeiten, um die vielversprechendsten Ansprechpartner zu ermitteln. Das Ergebnis ist ein Bericht mit allen Adressaten und der prozentualen Erfolgswahrscheinlichkeit für jeden. Im nächsten Schritt lassen sich mit BI-Funktionen die Interessenten anhand der Wahrscheinlichkeitsverteilung weiter segmentieren, um mit der Direkt-Mailing-Kampagne die optimalen Ergebnisse erzielen zu können.

Direkt-Mail-Kampagnen sind nur eines unter vielen Anwendungsszenarien. Auch bei der Planung, Durchführung und Auswertung anderer Marketingaktivitäten lassen sich prognostische Modelle effizient einsetzen, etwa um im Einzelhandel verschiedene Preisszenarien – abhängig von Produkten, Standorten und saisonalen Einflussfaktoren – modellmäßig zu testen. Die prognostische Analytik liefert dann detaillierte Hinweise auf Ursache-Wirkungszusammenhänge und ermöglicht Unternehmen, zielgenauer auf Strategien der Wettbewerber oder geänderte Kundenanforderungen zu reagieren. Nicht zuletzt gibt es auch in der Fertigungsindustrie interessante Ansatzpunkte für die prognostische Analytik, beispielsweise bei der Bedarfs- und Produktionsplanung, im Supply-Chain-Management, der Steuerung von Produktionsanlagen und der Qualitätssteigerung in Produktionsabläufen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44367250 / Analytics)