Analyse: Mit Prognosemodellen näher am Geschehen

Business-Fragen zur Vergangenheit und Gegenwart lassen sich mit Hilfe weit verbreiteter BI-Anwendungen weitgehend problemlos beantworten. Mit einem Blick in die Zukunft und detaillierten Prognosen sah es lange Zeit anders aus. Damit befassten sich lediglich die Statistikspezialisten in den Unternehmen und berechneten Wahrscheinlichkeiten zum Eintreten bestimmter Ereignisse, etwa in der medizinischen Forschung, der Risikobewertung von Kreditverträgen oder bei der Einschätzung von Schadensfällen einzelner Versicherungsarten. Primär ging es um eine reaktive Vermeidung von Schäden und weniger um eine aktive Gestaltung der Zukunft. Prognostische Analytik (Predictive Analytics) und Modellierung (Predictive Modeling) waren das Metier von Spezialisten, die über umfangreiches und ausgeprägtes mathematisches und statistisches Know-how verfügen mussten. Heute findet, dank ausgereifter und einfacher anzuwendender Verfahren, prognostische Analytik immer häufiger Eingang in das Tagesgeschäft.

Für die Marktforscher von Forrester Research etwa muss eine Lösung für die prognostische Analyse in der Lage sein, klare nachvollziehbare und aussagekräftige Muster und Beziehungen in Datenbeständen zu identifizieren. Darauf aufbauend ist es möglich, künftige Ereignisse vorherzusagen und unterschiedliche Handlungsalternativen zu bewerten. Die Mustererkennung wiederum ist eines der Tätigkeitsfelder von Data Mining.

Prognosemodelle und Risikoabschätzungen

BI-Spezialisten und Fachleute aus Marketing, Vertrieb oder der Produktion können dann mit komfortabel einsetzbaren Statistikwerkzeugen auf die benötigten Daten zugreifen, sie ändern und transformieren. Sie entwickeln damit Prognosemodelle, nehmen Risikoabschätzungen vor und erstellen fertige Applikationen, die von vielen anderen Mitarbeiter im Unternehmen einfach über einen Browser eingesetzt werden können.

Die Einsatzgebiete sind vielfältig, eines davon ist etwa die Survival Analysis (Überlebensanalyse). Deren Verfahren und die dazu gehörenden Bewertungs-Routinen werden beispielsweise in der medizinischen Forschung zur Prognose der Wirkungsweise neuer Produkte eingesetzt. In der Fertigungsindustrie etwa erfolgt damit die Modellierung der Eintrittswahrscheinlichkeit möglicher Fehler und Ausfälle von Maschinen und einzelner Bauteile. In automatisierten industriellen Fertigungsprozessen erfassen Sensoren fortlaufend die Prozessdaten und speichern sie. Lösungen für die prognostische Analyse helfen dabei, bestimmte Muster bei Produktionsfehlern frühzeitig zu prognostizieren. Produktionsplaner können sich dann darauf vorbereiten und rechtzeitig Ersatzteile bereithalten. In den USA beispielsweise nutzen Strafverfolgungsbehörden Prognosemodelle zur Verbrechensprävention. Permanent angepasste Algorithmen, die in der Zwischenzeit sogar aktuelle Wetterdaten einbeziehen, ermöglichen, dass Polizeistreifen und Sicherheitsmaßnahmen gezielt dort eingesetzt werden, wo die Wahrscheinlichkeit am größten ist, dass es zu Gewalttätigkeiten kommt.

Weitere Einsatzgebiete für prognostische Analytik gibt es beispielsweise im Einzelhandel. Eine Supermarktkette etwa kann die Umsatzströme mehrerer Jahre analysieren, um zu ermitteln, wann welche Filiale wie viel Personal benötigt. Davon profitieren auch die Mitarbeiter. Statt kurzfristiger Zusatzschichten anordnen zu müssen, erstellt die Filialleitung deutlich verlässlichere Schichtpläne für einen Monat. Zudem lassen sich mit prognostischer Analyse und verfeinerten statistischen Methoden Kassenbons detaillierter auswerten, um Wissen über das Kundenverhalten zu gewinnen und den Kunden individuelle Angebote unterbreiten zu können. Auf Basis von Modellierungswerkzeugen präsentieren beispielsweise Online-Shops Käufern Komplementärprodukte und berechnen dafür die Kaufwahrscheinlichkeit.

Ein wichtiger Anwendungsfall für die prognostische Analyse im Retail-Sektor ist beispielsweise die Preis-Absatz-Funktion (PAF). Aus Vergangenheitsdaten ergibt sich die PAF für einzelne Produkte und auf dieser Basis kann der optimale Preis jedes Produktes in der Zukunft bestimmt werden – abhängig von Wetter, Uhrzeit, Wochentag, Jahreszeit etc. Betriebswirte sprechen in dem Zusammenhang von „Nachfrageelastizität“, die sich im Online Handel noch genauer steuern lässt als im stationären Handel.

Aber auch in anderen Branchen liefert die prognostische Analytik wichtige Erkenntnisse. Unternehmen aus dem produzierenden Gewerbe optimieren über Prognosen die ein- und ausgehenden Warenströme sowie die Maschinenauslastung in der Fertigung. Logistikunternehmen testen Modelle, um ihre Tourenplanung weiter zu optimieren. Ein wichtiger Erfolgsfaktor ist eine Performance bei der Verarbeitung der zum Teil sehr umfangreichen Datenmengen. Wer hier an Big-Data-Analysen denkt, liegt genau richtig.  

Autor: Nathan Jagoda ist Country Manager Germany bei Information Builders in Eschborn.

RSS Feed

Entdecken Sie die Printmagazine des WIN-Verlags