"Wissen ist Macht". Das konstatierte Francis Bacon schon im 16. Jahrhundert. Insbesondere im Wissen über zukünftige Entwicklungen liegt eine gewisse Stärke, denn wer mit sehr hoher Wahrscheinlichkeit weiß, was als nächstes passieren wird, ist seinen Wettbewerbern wortwörtlich einen Schritt voraus.

Predictive Analytics ist eine Technologie, die genau diese Erkenntnisse zum Ziel hat. 
Wie funktioniert der Prozess, der sich hinter dieser Technologie verbirgt und wie können Unternehmen die daraus gewonnenen Daten gewinnbringend für ihr Geschäftsmodell einsetzen? Darüber berichtet Mario Trapp, Senior Consultant bei enomyc. 

Predictive Analytics als Teilbereich der Business Intelligence

Im Wesentlichen geht es bei Predictive Analytics darum, historische Daten mithilfe von Algorithmen und statistischen Modellen zu bestimmen sowie Ansätze des Machine Learnings – eine Teildisziplin der künstlichen Intelligenz – zu analysieren und die Wahrscheinlichkeiten von zukünftigen Entwicklungen vorauszusagen. Im Unterschied zur Datenanalyse (Data Analytics) geht es also nicht um die Betrachtung des Hier und Jetzt und wie man dorthin gelangt ist: Es geht darum, zukunftsgerichtete Trends und Entwicklungen einzuschätzen und mit einer hohen Präzision zu bestimmen.

Das Prinzip ist grundsätzlich nicht neu. So wurden Wettervorhersagen schon seit geraumer Zeit auf ähnliche Weise getroffen. Auch die Risikomanagementansätze von Geschäftsmodellen in der Finanzdienstleistung basieren häufig auf Methoden von Predictive Analytics, um beispielsweise zu ermitteln, wie wahrscheinlich der Ausfall eines Kunden ist.

Was nunmehr aber neu ist, ist die einfach zugängliche, intuitive und günstige Technologie, die diese Ansätze nicht mehr nur für Statistiker und Mathematiker verfügbar macht, sondern einerseits ermöglicht, dass diese Einzug in die Unternehmensführung hält und andererseits immer genauere Prognosen hervorbringt. Zu den wesentlichen Treibern von Predictive Analytics gehört insbesondere Big Data, was das massenhafte Sammeln und Auswerten von Daten beschreibt, schnellere und günstigere Computertechnologie sowie intuitive und sehr leistungsfähige Software, die sowohl die Datensammlung und Aufbereitung als auch die Analyse und die komplexe Modellierung für den Anwender in großen Teilen übernimmt.


Der Prozess hinter Predictive Analytics

Die Prozessschritte, die dieser Technologie zugrunde liegen, können vereinfacht wie folgt abgebildet werden:

  1. Definition des Projekt und Klärung des Ziels: Was ist das gewünschte Ergebnis der Analyse bzw. welche Fragen sollen beantwortet werden? Auf welcher Datenbasis kann diese Analyse erfolgen?

  2. Datensammlung: Daten werden aus diversen Quellen gesammelt, aufbereitet und für die Analyse vorbereitet.

  3. Datenanalyse: Wertvolle Informationen werden aus den Daten gewonnen.

  4. Statistik: Die Anwendung von statistischen Standard-Modellen ermöglicht, die Annahmen und Hypothesen zu testen.

  5. Modelling: Aufbau eines Modells zur Ermittlung von wahrscheinlichen, zukünftigen Ereignissen auf Basis automatisierter Entscheidungen des Modells.

  6. Deployment: Einsatz des Modells, um Geschäftsentscheidungen treffen zu können.

  7. Überwachung: Die Ergebnisse der Modelle werden mit den tatsächlich eingetretenen Ereignissen abgeglichen, um deren Genauigkeit zu überwachen.

Predictive_Ananlytics_enomyc_Mario_Trapp

Anwendungsbeispiele von Predictive Analytics

Das Anwendungsgebiet von Predictive Analytics-Ansätzen ist mittlerweile breit gefächert. In jedem Bereich, in dem ausreichend Daten vorliegen, lässt sich die Technologie grundsätzlich anwenden:


Liquiditätsplanung mithilfe von Predictive Analytics

Ein gutes Liquiditätsmanagement hat zum Ziel, immer die richtige Menge liquider Mittel im Unternehmen vorzuhalten. Anhand historischer Daten zum Zahlungsverhalten von Bestandskunden, die gegebenenfalls um externe Daten ergänzt werden. Das können beispielsweise Feiertagsdaten oder Kredit-Scorings von Debitoren sein. Die zukünftigen Zahlungseingänge lassen sich sehr genau prognostizieren. Eventuelle Liquiditätsengpässe können somit frühzeitig aufgedeckt und rechtzeitig mitigiert werden.


Vertriebs- und Marketingplanung basierend auf Predictive Analytics

Analog zum Zahlungsverhalten der Kunden kann selbstverständlich auch deren Kaufverhalten in ähnlicher Art und Weise analysiert werden, um Aussagen zur zukünftigen Umsatzentwicklung zu gewinnen. Auf dieser Basis lassen sich zum Beispiel Lieferengpässe vermeiden oder Umsatzeinbrüche rechtzeitig korrigieren. Diese Analyse von Verhaltensmustern kann sogar noch weitreichender sein und Ereignisse wie den Hausbau oder eine bevorstehende Hochzeit anhand bestimmter Kontobewegungen vorhersagen.


Predictive Analytics für die Produktionsplanung

Durch eine komplexe Modellierung können bei der Produktionsplanung und -steuerung auch noch nicht realisierte Aufträge berücksichtigt werden, sodass bei veränderter Auftragslage nicht gänzlich neu geplant werden muss. Auch die Wartung von Maschinen und Anlagen lässt sich durch Predictive Analytics vorausschauend gestalten und an die automatische Nachbeschaffung von Ersatzteilen koppeln, sodass hier keine Stillstandszeiten eintreten.

All diese Beispiele verdeutlichen, dass die Ansätze von Predictive Analytics einen immensen Wettbewerbsvorteil in Unternehmen jeder Branche schaffen können und dabei nicht auf einige wenige Teilbereiche beschränkt sind. Die Zeiten von Bauchgefühl und Experteneinschätzung als Mittel der Wahl bei der Unternehmensplanung neigt sich langsam aber sicher dem Ende zu. Sie weicht den immer treffsicheren Ergebnissen datenbasierter Modelle und Algorithmen.


Möchten Sie erfahren, wie Ansätze der Datenanalyse und insbesondere von Predictive Analytics in Ihrem Unternehmen echte Mehrwerte erzeugen können? Sprechen Sie uns an. Wir freuen uns auf Ihre Kontaktaufnahme. 

Ihr Kommentar

Jetzt Branchen-Insights erhalten!