Mit Predictive Analytics in die Zukunft blicken

Zukunftsprognosen sind so alt wie die Menschheit und haben nichts von ihrer Faszination verloren. Mit Hilfe von Predictive Analytics wollen Verantwortliche in Unternehmen komplexe wirtschaftliche Zusammenhänge vorhersagen können und dieses Wissen dazu nutzen, bessere Entscheidungen zu treffen.

Die milliardenschweren Wertverluste während der Finanzkrise, das fast schon übliche Winterchaos bei der Bahn oder regelmäßig teure Rückrufaktionen in der Automobilindustrie sorgen in der Öffentlichkeit immer wieder für Irritationen. Die Kunden fragen sich, warum Unternehmen diese Entwicklungen nicht durch interne Analysen im Vorfeld erkennen. Tatsächlich sind laut den Analysten von Gartner solche Techniken für Predictive Analytics schon heute auf dem Vormarsch: Bis 2014, so die Prognose, sollen 30 Prozent aller analytischen Anwendungen proaktive, vorhersagende Funktionen enthalten. Lesen Sie im Folgenden, was Predictive Analytics genau bedeutet, wie künftige Einsatzszenarien aussehen könnten, und was Anwender und Unternehmen beachten sollten.

Durch den Einsatz von Business Intelligence können Unternehmen Fragen zu ihrer gegenwärtigen Situation relativ präzise beantworten. Qualitätsgesicherte Kennzahlen und Auswertungen kombiniert mit Plan-/Ist-Vergleichen bilden vielerorts eine wesentliche Grundlage, um Entscheidungen des Managements zu unterstützen. Wenn die Systeme mit den entsprechenden Daten gefüttert werden, erlauben diese zudem einen Blick in die Zukunft und können bei der Ressourcenplanung und Risiko-Beurteilungen unverzichtbare Dienste leisten. Doch speziell wenn sich Geschäfte und Märkte nicht gleichläufig entwickeln, braucht es spezifischere Analyse-Tools, um belastbare und treffsichere Prognosen zu erhalten.

Als Orakel der Gegenwart verspricht Predictive Analytics und verlässliche Antworten auf drängende Fragen der Entscheidungsträger: Warum sind die Zahlen, so wie sie sind und wie werden sich diese in der Zukunft entwickeln? Nach der Definition des Analystenhauses Forrester kann zu Predictive Analytics jede Lösung gezählt werden,

In die Analyse können dabei auch unstrukturierte Daten zum Beispiel aus sozialen Netzwerken einbezogen werden.

Muster in Datenbeständen zu erkennen, ist die zentrale Aufgabe des Data Mining. In der Tat sind die Methoden und Werkzeuge des Data Mining ein wesentlicher Bestandteil von Predictive-Analytics-Lösungen. Klassische Data-Mining-Methoden umfassen beispielsweise die Klassifizierung (Clustering) und Modellierung von Entscheidungsbäumen, neuronale Netze sowie Assoziationsanalysen. Die Trennung zwischen den Begriffen Data Mining und Predictive Analytics ist häufig unscharf. Jedoch kristallisiert sich in Wissenschaft und Fachwelt für zukunftsbezogene Auswertungen immer mehr der Begriff Analytics heraus. Dieser geht über die Erkennung von Mustern in großen Datenmengen hinaus und bezieht auch statistische Berechnungen, Elemente der Spieltheorie sowie Methoden des Operations Research, wie Optimierungsrechnung und Simulation mit ein. Kurzum: Alles, was dabei hilft die Zukunft vorherzusagen.

Für einen möglichst effizienten Einsatz von Predictive Analytics müssen den Forrester-Experten zufolge bestehende Datenbestände im Data Warehouse oder ETL-Prozesse (ETL = Extract, Transform, Load) mit einbezogen werden. Viele Unternehmen nutzen zudem Synergieeffekte, indem sie die Funktionen zu Predictive Analytics in bestehende BI-Landschaften integrieren. Die Informationen fließen dabei in beide Richtungen. Der Endanwender merkt dabei unter Umständen gar nicht, dass im Hintergrund verschiedene Systeme zusammenarbeiten und die Ergebnisse im Berichtswesen gemeinsam zur Anzeige bringen. Alle führenden Hersteller von Predictive-Analytics-Lösungen bieten dazu umfangreiche Datenbank-Schnittstellen an.

Trotz aller Komplexität ist Predictive Analytics inzwischen schon in etlichen Branchen und Business-Intelligence-Szenarien verbreitet.

Für die Verantwortlichen in den Unternehmen stellt sich vielfach die Frage, inwieweit Predictive Analytics bereits heute einen Mehrwert leisten kann. Um eine BI-Lösung erfolgreich zu implementieren, ist es unabdingbar, die eigenen Geschäftprozesse und Abhängigkeiten im Unternehmen inhaltlich zu verstehen. Gleichzeitig wird es für viele Unternehmen aber auch schwieriger, in der wachsenden Datenflut die wirklich relevanten Geschäftsinformationen herauszufiltern.

Laut Carl-Rainer Stetter, Head of Global Competence Center BI bei Siemens IT Solutions und Services, können Unternehmen mit Hilfe von Predictive Analytics besser verstehen, welche Schlüsselindikatoren den Unternehmenserfolg ausmachen und welche Muster diesem zu Grunde liegen. „Welche Entscheidungsmerkmale sprechen dafür, dass Endkunden ein Produkt in Zukunft kaufen? Auf welche Nachfrage muss ich mich in meinen Kundensegmenten im kommenden Geschäftsjahr einstellen? Mit welchen Strategien kann ich das zukünftige Kundenverhalten beeinflussen? Fragen wie diese veranlassen Unternehmen bereits heute, analytische BI-Funktionen einzusetzen.“ Es entstehe eine Transparenz, die es in dieser Form vorher nicht gab.

Softwareunterstützung für Predictive Analytics gibt es bereits seit vielen Jahren auf dem Markt. Die Umsetzung ist allerdings nach wie vor relativ komplex. Für den produktiven Einsatz ist tiefer gehendes mathematisches und statistisches Know-how der Anwender förderlich. Laut einer Analyse von Pierre Audoin Consultants liegt die Chance darin, dass branchenspezifische Vorkonfigurationen stärker in die Tools integriert werden. Mit der damit verbundenen Vereinfachung für die Endanwender wird der Software-Markt für Predictive Analytics wachsen.

Der derzeit stärkste Anbieter am Markt für analytische Softwarelösungen ist SAS Institute. Das Softwarehaus bietet eine Reihe von ausgereiften analytischen Lösungen an, die sich inzwischen auch der In-Memory-Technik bedienen. Durch die Akquisition des Statistik- und Analyse-Softwareanbieters SPSS im Jahr 2009 ist IBM jedoch dichter an den Marktführer SAS herangerückt. Zusammen mit Cognos kann IBM nun analytische und klassische BI Funktionen in einer gemeinsamen Umgebung anbieten. Nicht alle großen BI Anbieter haben derzeit eigene Predictive Analytics Werkzeuge im Angebot und setzen stattdessen auf Partner-Angebote, darunter auch SAP: Die SPSS Funktionen lassen sich beispielsweise mit den Reporting- und Analysewerkzeugen von SAP BusinessObjects kombinieren.

Mit Predictive Analytics bekommen die Unternehmen leistungsstarke Werkzeuge an die Hand, um die gestiegenen Anforderungen in Sachen Business Intelligence abzudecken. Wem es gelingt, die Systeme effizient einzusetzen, kann sich seine eigene Glaskugel schaffen und so durch die Vorhersage wahrscheinlicher Entwicklungen in Unternehmen und auf dem Markt besser validierte Entscheidungen ableiten. Das kann einen eindeutigen Wettbewerbsvorteil gegenüber den Konkurrenten bedeuten. (ba)