Kommentar von Wolfgang Seybold und Thomas Martens, Cubeware, Teil 2

Viel hilft nicht immer viel

| Autor / Redakteur: Wolfgang Seybold und Thomas Martens* / Nico Litzel

Für Unternehmen ist es essenziell, eine Kultur zu etablieren, die analytische Methoden als zusätzliche Komponente innerhalb der Informationslandschaft integriert und allen Anwendern, auf ihren Teilbereich zugeschnitten, relevante Daten zur Verfügung stellt.
Für Unternehmen ist es essenziell, eine Kultur zu etablieren, die analytische Methoden als zusätzliche Komponente innerhalb der Informationslandschaft integriert und allen Anwendern, auf ihren Teilbereich zugeschnitten, relevante Daten zur Verfügung stellt. (Bild: Cubeware)

Algorithmen setzen per se keine Big Data Use Cases voraus. Auch in Zeiten, in denen große Datenmengen eine immer größere Rolle spielen, besitzt das Zitat des Statistikers John Tukey nach wie vor Gültigkeit: „The data may not contain the answer. The combination of some data and an aching desire for an answer does not ensure that a reasonable answer can be extracted from a given body of data.“

Hier geht es zu Teil 1: Business Analytics, die bessere Business Intelligence?

Nicht die Größe der Datenmenge ist das ausschlaggebende Kriterium für den Erkenntnisgewinn, sondern viel wichtiger ist die Verwendung der richtigen Daten und der richtigen Fragen. Hier helfen BI-Lösungen zum einen bei der Strukturierung und dem Verfügbarmachen relevanter Informationen und zum anderen bei der konsolidierten Verteilung.

Das ist wichtig, damit Auswertungstools überhaupt erst ihr volles Potenzial entfalten können. Denn Statistiken sind nur so gut wie die These, von denen sie ausgehen und wie die einheitliche, valide Datenbasis, auf die sie zugreifen können. Business Intelligence und die Pflege der Datengrundlage sind deshalb nicht nur ein Thema für die IT-Abteilung, sondern richten sich immer häufiger auch an die Fachanwender, die mit Aspekten der Informationsflut sowie BI- und Analysefragestellungen konfrontiert werden.

Blinder Aktionismus führt zu falschen Aussagen

Die Wissensarbeiter müssen, bevor sie gemäß dem Self-service-Gedanken ihre eigenen Analysen fahren können, nebst konkreten Anwendungsfällen auch die Gewissheit haben, dass sie nicht Gefahr laufen, „Äpfel mit Birnen“ zu vergleichen. Blinder Aktionismus führt ansonsten zu falschen Aussagen und im schlimmsten Fall zu falschen Entscheidungen bei der Unternehmenssteuerung. Schöne neue Welt ade.

Ergänzendes zum Thema
 
Handlungsempfehlungen

Durch die Kombination aus BI-Systemen und BA-Anwendungen lassen sich solche „Blindflüge“ aber verhindern und Systeme aufbauen, die echten Mehrwert schaffen. Anhand der folgenden exemplarischen Szenarien wird das deutlich.

Customer Churn Management

Eine wesentliche Anwendung für Business-Intelligence-Lösungen ist die Analyse von Kundendaten. Also die Fragestellung: Welcher Kunde hat wann welche Produkte aus welchen Gründen gekauft? Vertriebsmitarbeiter verwenden diese Analysen zur Vorbereitung auf Kundentermine. Durch entsprechende Algorithmen aus dem Bereich der Survival Analysis können Wahrscheinlichkeitswerte ermittelt werden, die Auskunft darüber geben, ob ein bestimmter Kunde in den nächsten 30 Tagen, den nächsten drei Monaten oder innerhalb eines definierten Zeitraums seinen bestehenden Vertrag voraussichtlich kündigen wird.

Werden diese Werte in ein bestehendes Kunden-Reporting integriert, können die Vertriebsmitarbeiter aktiv auf die Kunden mit den höchsten Wahrscheinlichkeitswerten für eine Abwanderung zugehen und diese möglicherweise verhindern. Aus jenen ersten Erfahrungen wiederum kann, ähnlich der Methodik zur Berechnung der Kosten für die Wählerüberzeugung bei Obamas Wahlkampf (siehe Teil 1), ein Kosten-Nutzen-Schwellenwert definiert werden, der Empfehlungen generiert, bei welchem Kunden sich welches „Goodie“, welche Vertragsanpassungen, welches Zusatzequipment etc. positiv auswirken wird.

Produktentwicklung 2.0

Samsung hat es vorgemacht: Durch Methoden des Text Mining hat der südkoreanische Konzern Nutzer-Foren, Rezensionen auf Online-Shopping-Plattformen und den öffentlichen Support-Stream von Marktbegleiter Apple nach den häufigsten Kundenbeschwerden zu dessen Smartphone-Sparte analysiert, um Rückschlüsse für das eigene Bugfixing beziehungsweise die künftigen Produktfeatures des eigenen Produktportfolios zu erhalten. So konnte die Produktentwicklung bereits im Vorfeld auf etwaige Schwachstellen reagieren, bevor die neue Produktpalette tatsächlich produziert wurde.

Dieses Verfahren lässt sich natürlich auch passiver einsetzen: Auch die Notizen des eigenen Support-Systems lassen sich hinsichtlich dieser Zielsetzung analysieren und für Versions-Updates zur Steigerung der Produktqualität und zur Identifizierung von Problembereiche heranziehen. Die Ergebnisse dieser Analysen können in ein BI-System übernommen werden und hierüber den verantwortlichen Produkt-Managern für die weitere Analyse zur Verfügung gestellt werden.

Optimierte Warenwege

Logistikprozesse bieten sich im Besonderen für die Algorithmen-getriebene Analyse an, da etliche Daten, angefangen bei der Beschaffung über die Verwaltung des Warenbestands bis hin zur Distribution, bereits gesammelt und aufbereitet werden. Anhand von Mustern im Kaufverhalten lassen sich zum Beispiel Warenströme optimieren.

Sowohl auf der Mikro- als auch auf der Makro-Ebene bieten sich viele Anknüpfungsmöglichkeiten für weiterführende Analysetätigkeiten. Zum einen kann die Warenverteilung zwischen einzelnen Outlet-Centern in einem Ballungsgebiet analysiert und Waren bei Bedarf zwischen den Filialen effektiv verschoben werden, zum anderen können Algorithmen auch bei Entscheidungen zum weltweiten Verteilungsnetz und bei der Auswahl von passenden Standorten neuer Logistikzentren unterstützen.

Über konsolidierte und unternehmensweite Reporting-Funktionalitäten bleiben alle beteiligten Abteilungen auf dem aktuellen Stand, Filialleiter können ihre Warenströme besser steuern und an Nachfrageschwankungen ausrichten.

Predictive Planning

Ein weiteres Einsatzgebiet für Algorithmen in BI-Lösungen sind sicherlich Planungs- und Hochrechnungsszenarien. Durch Algorithmen lassen sich Werte für die nächsten Planungszeiträume prognostizieren. Als Vorschlagswerte finden diese automatisierten Eingang in Planungslösungen, wodurch Optimierungspotenziale hinsichtlich der eigenen Ressourcen ersichtlich werden und die Verkürzung des Planungsprozesses im Gesamten erzielt werden kann.

Auch zur Ermittlung von Prognosen können Algorithmen an dieser Stelle eingesetzt werden. Durch die frühzeitige Identifizierung von drohenden Engpässen in der Zielerreichung können Aktionen abgeleitet werden, die helfen, den ursprünglichen Plan zu erreichen. Auch während der Planungsdurchführung können Algorithmen für die Plausibilisierung von Planwerten eingesetzt werden. Hierdurch können beispielsweise einzelne Planwerte einem “Realitäts-Check” unterzogen werden, aber auch ganze Planungen lassen sich auf ihre Konsistenz hin überprüfen. BI-Anbieter mit einem dezidierten Planungsschwerpunkt, wie beispielsweise Cubeware, bezeichnen dieses Einsatzgebiet von Algorithmen deshalb auch als „Predictive Planning“.

Natural Language Processing

Zukünftig werden Algorithmen auch in „operativen“ Sytemen eine immer größere Rolle spielen. Algorithmen aus dem Bereich des Natural Language Processing (kurz: NLP) werden sehr wahrscheinlich auch in Echtzeit, also bereits während des Gespräches, dem Call-Center-Agenten oder dem Support-Mitarbeiter Hinweise über den Grad der Zufriedenheit oder der Verärgerung des Gesprächspartners liefern können.

Entsprechende Anwendungen können diese Informationen verwenden, um daraus, wiederum ebenfalls in Echtzeit, Handlungsempfehlungen abzuleiten und dem Mitarbeiter zuzuspielen. In diesem Umfeld werden den Themen Datenschutz und Wahrung von Persönlichkeitsrechten eminente Bedeutungen zukommen. Auch die Verarbeitung von Dialekten und unterschiedlicher Sprachen wird hier den Durchsetzungsgrad bestimmen.

Gib dem Kind einen Namen

In all diesen Szenarien wird deutlich, dass für die qualitative Entscheidungsfindung die Verquickung von aktuellen Fakten, basierend auf Daten der Vergangenheit, als auch die künftig wahrscheinlichen Entwicklungen inklusive der Generierung neuer Daten für die Handlungsoptimierung untrennbar miteinander verbunden sind. Nur wer seine historischen Daten im Hinblick auf die Qualität und einer einheitlichen Synchronisierung im Griff hat, wird auch von den neuen Analyseansätzen aus dem Bereich der Business Analytics profitieren.

Für Unternehmen ist es essenziell, eine Kultur zu etablieren, die analytische Methoden als zusätzliche Komponente innerhalb der Informationslandschaft integriert und allen Anwendern, auf ihren Teilbereich zugeschnitten, relevante – und nur diese – Daten zur Verfügung stellt. Eine solche analytische Kultur impliziert aber nicht, dass Fachanwender tatsächlich auch erklären können müssen, warum eine Weibull-Verteilung sich besonders gut eignet, um Kundenabwanderungen bei einem Telekommunikationsanbieter zu verhindern.

Ergänzendes zum Thema
 
BI und BA im Vergleich

In den vergangenen Jahren hat sich das Business Intelligence Competency Center (BICC) als eigene Organisationseinheit in Unternehmen zunehmend etabliert. Das ist vor allem der Tatsache geschuldet, dass die Bedeutung von Daten, genauer gesagt von Informationen, als weiterer Produktionsfaktor anerkannt wurde. Wie in den exemplarischen Anwendungsfällen die Einheit von Business Intelligence und Business Analytics offengelegt wurde, würde es sich anbieten, alle diesbezüglich benötigten Kompetenzen in einer integrierten Organisationseinheit zu bündeln. Ob diese dann zwangsläufig immer noch BICC heißen wird oder doch lieber in BACC umbenannt werden sollte, bleibt abzuwarten. Wichtig ist allein die Erkenntnis, dass Algorithmen einen Beitrag zur informatorischen Wertschöpfungskette leisten können. Business Intelligence sei Dank.

Ergänzendes zum Thema
 
Zusammenfassung

Fazit

Letztlich ist es unerheblich, ob BI-Systeme in der Zukunft Methoden von BA-Anwendungen integrieren oder ob Anwender zukünftig nur noch BA-Anwendungen einsetzen, denen BI-Funktionalitäten inhärent sind. Beide Anwendungen haben eines gemeinsam: Anwendern bessere Entscheidungen auf Basis des gesamten Datenspektrums zu ermöglichen. Vor diesem Hintergrund versteht Cubeware BA als eine Kombination aus Business Intelligence und Analytics.

* Wolfgang Seybold ist CEO der Cubeware Group und Thomas Martens Vice President Product Marketing bei der Cubeware GmbH.

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? Infos finden Sie unter www.mycontentfactory.de (ID: 43246826 / Analytics)