29
PAC Whitepaper Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen Mai 2014 Im Auftrag von SAS Institute

Predictive Analytics - SAS · Bezugnehmend auf die obige Definition stehen bei Predic- tive Analytics nicht allein der Blick in die Vergangenheit sowie eher beschreibende Ana- lysen

  • Upload
    others

  • View
    3

  • Download
    0

Embed Size (px)

Citation preview

PAC Whitepaper

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen

Mai 2014 Im Auftrag von SAS Institute

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 2

© PAC 2014

Herausgeber:

SAS Institute GmbH

In der Neckarhelle 162

69118 Heidelberg

Tel.: +49 (0)6221 415-0

Fax: +49 (0)6221 415-101

E-Mail: [email protected]

Pierre Audoin Consultants (PAC) GmbH

Holzstr. 26

80469 München

Kontakt:

Frank Niemann (+49 [0] 89 23 23 68-15, [email protected])

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 3

© PAC 2014

Inhalt

1. Einleitung _________________________________________________________ 5 2. Predictive Analytics – Definition und Einordnung ___________________________ 6 3. Anwendungsgebiete, Vorteile und Herausforderungen ______________________ 9

3.1 Erkennen von Zusammenhängen, Erstellen von Korrelationen _____________ 9 3.2 Vertriebs- und Marketingoptimierung _________________________________ 9 3.3 Vorhersage von Bedarfen ________________________________________ 10 3.4 Textanalyse ___________________________________________________ 12 3.5 Datenexploration und Visualisierung ________________________________ 14 3.6 Qualitätsmanagement, Predictive-Asset-Management __________________ 16

4. Technologie _______________________________________________________ 19 5. Predictive Analytics Governance ______________________________________ 22 6. Herausforderungen und Hindernisse ___________________________________ 24 7. Glossar __________________________________________________________ 26

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 4

© PAC 2014

Abbildungen

Einordnung von Predictive Analytics ................................................................................ 7 Anwendungsbeispiele aus verschiedenen Branchen ....................................................... 8 Mehrwerte von Predictive Analytics in der Fertigungsindustrie ...................................... 12 Nutzung von Datenquellen ............................................................................................. 14 Anforderungen an Predictive Analytics ........................................................................... 15 Einsatzbereiche für Predictive Analytics ......................................................................... 17 Mehrwerte von Predictive Analytics ................................................................................ 18 Komponenten von Predictive Analytics .......................................................................... 19 Predictive Analytics und Big Data ................................................................................... 21 Predictive-Analytics-Governance und Lebenszyklus-Management von Modellen ......... 23 Hindernisse für den Einsatz von Predictive Analytics ..................................................... 25

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 5

© PAC 2014

1. EINLEITUNG

Verfahren für die Analyse von Daten existieren schon seit vielen Jahren. Doch nach wie

vor ist die Nachfrage nach entsprechenden Lösungen hoch. Allerdings verändert sich

der Bedarf der Unternehmen zunehmend. Der Grund: Firmen möchten in der Lage sein,

vorhandene Geschäftsdaten gezielt für die Optimierung ihrer operativen Prozesse zu

nutzen. Dazu zählt, Zusammenhänge zu erkennen, Ursachenforschung etwa bei Fehlern

oder Störungen zu betreiben sowie fundierte Informationen zu erhalten, um Entschei-

dungen zu treffen bzw. Handlungsalternativen bewerten zu können. Zugleich wächst das

Interesse, durch Systemunterstützung Vorhersagen etwa für den Bedarf an Waren zu

treffen sowie geschäftliche Risiken einzuschätzen. Softwarelösungen für „Predictive

Analytics“ ermöglichen dies.

Predictive Analytics – verschiedene Perspektiven

Dieses Dokument, das von SAS Institute in Auftrag gegeben und vom Marktforschungs-

und Beratungsunternehmen Pierre Audoin Consultants (PAC) verfasst wurde, veran-

schaulicht:

! welche Rolle diese Systeme innerhalb des Lösungssegments für die Daten-

analyse einnehmen;

! welche konkreten Einsatzmöglichkeiten es gibt und wie Firmen davon profi-

tieren;

! warum bei der Datenanalyse nicht nur das technisch Machbare, sondern auch

das ethisch Vertretbare zu berücksichtigen ist;

! welchen Einfluss Technologien wie Big Data und In-Memory Computing haben.

Eine wesentliche Informationsquelle zur Erstellung dieses Dokuments ist die Studie „Predictive Ana-

lytics in der Fertigungsindustrie – Nischenthema oder Mainstream“, die PAC gemeinsam mit IBM, SAS

Institute und Blue Yonder erstellt hat. Für diese Studie wurden 100 Produktionsverantwortliche aus

Unternehmen mit mehr als 500 Mitarbeitern in Deutschland telefonisch befragt. Jedoch werden in die-

sem Paper auch Beispiele aus anderen Branchen zur Geltung kommen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 6

© PAC 2014

2. PREDICTIVE ANALYTICS – DEFINITION UND EINORDNUNG

Definition: In diesem Paper wird der Begriff „Predictive Analytics“ als Beschreibung für

verschiedene Methoden und Techniken verwendet:

! Erkennung von Zusammenhängen, Mustern und Korrelationen in Daten (auch

„Data Mining“)

! Vorhersage aufgrund von Prognosemodellen

! Visualisierung und Datenexploration

! Textanalyse (auch „Text Mining“)

Einordnung: Predictive Analytics ist ein Teilbereich des Segments „Business

Intelligence“ bzw. „Analytics“. Bezugnehmend auf die obige Definition stehen bei Predic-

tive Analytics nicht allein der Blick in die Vergangenheit sowie eher beschreibende Ana-

lysen im Vordergrund („was ist passiert“), sondern zusätzlich die Vorhersage („was wird

passieren und unter welchen Voraussetzungen“ sowie „was sollte passieren“).

Somit zielt Predictive Analytics insbesondere darauf ab, aus vorhandenen Daten wert-

volle Erkenntnisse für das Unternehmen zu gewinnen. Die folgenden Kapitel zeigen auf,

wie diese Verfahren Firmen dabei unterstützen, Bedarfe besser zu planen, ihren Ver-

triebserfolg und die Kundenbindung zu steigern und Risiken zu beherrschen.

Allerdings stellt Predictive Analytics höhere Anforderungen sowohl an die technische

Infrastruktur als auch an das Fachwissen sowie die internen Prozesse eines Unter-

nehmens. Auch dies wird im Folgenden zur Sprache kommen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 7

© PAC 2014

Einordnung von Predictive Analytics

Anwendungsspektrum: Predictive Analytics findet bereits vielfach Anwendung in der

Praxis. Unternehmen bzw. Organisationen aus unterschiedlichen Branchen nutzen diese

Systeme bereits. Die folgende Abbildung skizziert Beispiele für den Einsatz von Predic-

tive Analytics.

Zeit

Meh

rwer

t, K

ompl

exitä

t

„Was ist passiert?“

BI/Reporting

reaktiv Heute

„Was wird passieren und unter welchen Voraussetzungen?“ „Was sollte passieren?“

Predictive Analytics

„Warum ist es passiert?“

Analyse/OLAP

Heute proaktiv

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 8

© PAC 2014

Anwendungsbeispiele aus verschiedenen Branchen

•! Finanzdienstleister nutzen Predictive Analytics im Bereich des Risikomanagements bei der Kreditvergabe. Beispielsweise analysieren sie Daten aus verschiedenen Quellen, um die Bonität eines Kunden zu ermitteln.

•!Die Ergebnisse fließen in die Entscheidungsfindung bzw. die Vertragsgestaltung ein. Ferner wird das Ausfallrisiko für bereits bestehende Kredite ermittelt.

Banken

•!Handelshäuser prognostizieren den Absatz von Waren, um auf diese Weise die Warenbelieferung ihrer Filialen zu optimieren, also sowohl unnötig hohe Lagerbestände als auch leere Regale im Geschäft zu vermeiden. Hierbei fließen beispielsweise historische Verkaufsinformationen, aber auch Wetterinformationen sowie Daten zu saisonalen Schwankungen ein.

Handel

•!Mittels der kontinuierlichen Sammlung und Analyse von Maschinendaten aus der Fertigung können Unternehmen vor allem eine bessere Qualität ihrer Produkte und eine höhere Effizienz der Produktion erzielen sowie ein frühzeitiges Erkennen von möglichen Fehlerquellen und Störungen und die Ermittlung und Planung von Wartungseinsätzen ermöglichen.

Fertigungsindustrie

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 9

© PAC 2014

3. ANWENDUNGSGEBIETE, VORTEILE UND HERAUSFORDE-

RUNGEN

3.1 Erkennen von Zusammenhängen, Erstellen von Korrelationen

Unternehmen verfügen über eine große Menge an Daten, die häufig aus vielen verschie-

denen operativen Systemen stammen. Aus diesen Daten lassen sich mit Hilfe von Pre-

dictive Analytics Zusammenhänge, Gemeinsamkeiten und Unterschiede erkennen, die

bei bloßer Betrachtung der Informationen verborgen blieben.

Beispiele

Korrelation von Service- sowie Gewährleistungskosten und Qualität in der Pro-

duktion

Industrieunternehmen können Daten aus der Qualitätssicherung mit Informationen über

die Kosten und den Umfang von Gewährleistungen in Beziehung setzen. Auf diese Wei-

se wird erkennbar, wie und ob etwaige Qualitätsmängel die Servicekosten in die Höhe

treiben.

Prävention von illegalen Wertpapiergeschäften

Die Auswertung von Depotdaten, Transaktionen sowie Kundendaten erlaubt es Finanz-

instituten, Rückschlüsse auf mögliche illegale Geschäfte zu ziehen und Verdachtsfällen

nachzugehen.

Aufdecken von Versicherungsbetrug

Spezielle Analysesoftware unterstützt die Sachbearbeiter in Versicherungen dabei, ver-

dächtige Schadensmeldungen zu identifizieren und nachzuverfolgen. Hierzu werden

zum Beispiel Schadensinformationen mit Betrugsmustern in Zusammenhang gebracht.

3.2 Vertriebs- und Marketingoptimierung

Unternehmen suchen nach Wegen, ihre Vertriebs- und Marketingaktivitäten möglichst

effizient einzusetzen. Statt etwa Massen-E-Mails zu versenden, nutzen sie Predictive

Analytics, um Kunden genauer nach Zielgruppen zu segmentieren sowie unter Berück-

sichtigung von Abschlusswahrscheinlichkeit und persönlichen Präferenzen anzuspre-

chen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 10

© PAC 2014

Beispiele

Effizientes Direktmarketing durch Kundenwertanalyse und Erfolgsprognose Firmen mit Direktvertrieb verwenden Predictive Analytics, um für Vertriebsaktionen die

aussichtsreichsten Kunden ausfindig zu machen. Statt sich lediglich auf vorhandene

Kundendaten (Alter, Kaufhistorie) zu stützen, ermittelt Analysesoftware, bei welchen

Kunden sich der Aufwand besonders lohnt, da sie einen vergleichsweise höheren Um-

satz versprechen bzw. mit hoher Wahrscheinlichkeit einem Angebot zustimmen werden.

Verhinderung von Vertragskündigungen Neben der Neukundengewinnung ist die Pflege der Kundenbeziehungen unverzichtbar.

Dazu zählt, mögliche Kundenabwanderung bzw. Vertragskündigung zu vermeiden. Ver-

sicherungsunternehmen beispielsweise können mittels Analysesystemen anhand des

Verhaltensmusters von Kunden, verbunden mit der Analyse vorliegender Daten (Ver-

tragsart, Laufzeit, Konditionen) sowie unter Berücksichtigung von Ereignissen (etwa:

sich verändernde Lebensumstände des Kunden) die Wahrscheinlichkeit für eine Beendi-

gung eines Vertragsverhältnisses prognostizieren. Kunden, die mit hoher Wahrschein-

lichkeit abwandern werden, kann das Unternehmen gezielte Angebote unterbreiten.

Verschiedene Marktanalysen von PAC in Deutschland bzw. der DACH-Region belegen die hohe Be-

deutung der Datenanalyse für Marketingverantwortliche. Dabei zeigt sich jedoch auch, dass Predictive

Analytics noch weit weniger stark verbreitet ist. Nach Überzeugung von PAC wird es für Unternehmen

jedoch immer wichtiger, mit Hilfe von Prognosen schneller auf Änderungen bei Marktanforderungen

und Kundenverhalten zu reagieren.

3.3 Vorhersage von Bedarfen

Für Unternehmen unterschiedlicher Branchen sind genaue Bedarfsprognosen essen-

ziell, um u. a. Produktionskapazitäten, Beschaffung und Lagerung von Waren, personel-

le Ressourcen sowie den Umfang an finanziellen Mitteln bedarfsgerecht planen zu kön-

nen.

Einerseits tragen Bedarfsprognosen zur Verfügbarkeit von Produkten bzw. Servicequali-

tät und damit zur Kundenzufriedenheit bei. Anderseits können Unternehmen so Überka-

pazitäten und damit unnötige Kapitalbindung sowie Kosten vermeiden.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 11

© PAC 2014

Beispiele

Forecasting im Handel Handelsunternehmen streben eine optimale Balance zwischen optimaler Versorgung mit

Waren am Verkaufspunkt („Point of Sale“) und möglichst geringer Kapitalbindung durch

lagernde Warenbestände an.

Statistisch gestützte Vorhersagen helfen dabei, den Bedarf zu prognostizieren. Bei die-

sen auf historischen Daten über den Bedarfsverlauf beruhenden Prognosen müssen

jedoch auch Sondereffekte wie etwa Promotionen, Rabattaktionen sowie Sortiments-

wechsel berücksichtigt werden.

Nach Überzeugung von PAC wird das Thema „Forecasting“ angesichts der zunehmenden Bedeutung

von E-Commerce für den Handel noch komplexer. Der Grund: Zum Teil handelt es sich um andere

Kunden als im stationären Handel mit anderen Bedürfnissen in puncto Sortiment und einem anderen

Kaufverhalten. Zudem müssen beim Forecasting auch die Themen Warenlieferung und Retouren

berücksichtigt werden.

Steigerung von Termintreue und Lieferfähigkeit in der Fertigungsindustrie

Unternehmen aus der deutschen Fertigungsindustrie betrachten es als eine große

Herausforderung, den Kunden termingerecht zu beliefern. Damit zusammen hängt die

Fähigkeit, Bedarfe an Material, Vorprodukten, Produktionskapazitäten, etc. genau zu

planen.

Ähnlich wie im Handel helfen hierbei Absatzprognosen aufgrund statistischer Vorher-

sagemodelle. Im Falle der exportorientierten deutschen Industrie müssen hierbei zusätz-

lich Markteinflüsse in den verschiedenen Regionen berücksichtigt werden, und zwar

sowohl in Bezug auf das Kaufverhalten als auch auf die Verfügbarkeit bzw. Kosten von

Rohstoffen.

Wie die Studie „Predictive Analytics in der Fertigungsindustrie“ ergab, sehen deutsche Firmen in

Predictive-Analytics-Verfahren einen Mehrwert, um zentralen Herausforderungen (Termintreue und

Planbarkeit von Bedarfen) zu begegnen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 12

© PAC 2014

Für die Steuerung bzw. Automatisierung der Produktionsabläufe nutzen Unternehmen oftmals seit Jah-

ren leistungsfähige IT-Lösungen. Die Mehrheit der Firmen (rund 70 Prozent) sieht in Predictive

Analytics Potenziale zur Steigerung der Effizienz und Innovationsfähigkeit.

Mehrwerte von Predictive Analytics in der Fertigungsindustrie

3.4 Textanalyse

Geschäftliche Informationen sind nicht nur in Tabellen oder Datenbanken gespeichert,

sondern liegen in Textform und damit in der Regel unstrukturiert vor – als Office-/PDF-

Dokumente (Artikel, Berichte oder Studien), E-Mails (Kundenbeschwerden), Textnotizen

aus dem Call-Center sowie in Form von maschinell erzeugten Protokollen (etwa Log-

Dateien von IT-Systemen). Hinzu kommen Textinhalte aus dem Internet, wie z. B.

HTML-Seiten sowie Postings in Social-Media-Netzwerken, Instant-Messaging und Dis-

kussionsforen.

!"

!#

!$

%&

%$

$'

'&

'(

'&

$'

)*+,-+./0-123014+.5,0*.+/+1

/0617,+8+.89:,-;+,*1

<.=>?:+083.=?:/[email protected]+:B+.−1C/+BB+0D1E/=89BB+1/061)*F./0-+01

G+==+.+1HB>0I>.;+,*1

2301G+6>.8+01

J+.I+==+./0-16+.1K/>B,*9*1

,016+.1H.36/;*,301

G+==+.+1J3.:+.=>-+1=3L,+1

HB>0/0-12301M>.*/0-=+,0=9*N+01

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

P $P !P (P &P

1E0*+,B+1Q-+L,?:*+*R1,01H.3N+0*16+.1<0*+.0+:5+0D101S1'P!QT4.,88*1@I+.L,+-+06U@I+.:>/V*10,?:*1N/T10,?:*16>.-+=*+BB*R

4.,88*123BB1N/ 4.,88*1@I+.L,+-+061N/

[email protected]+B?:+1W+.>/=83.6+./0-+01I,+*+*1H.+6,?*,2+1E0>BX*,[email protected]:.1<0*+.0+:5+01+,0+01Z+:.L+.*[1QYR

\1HE]1$P'!

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 13

© PAC 2014

Die als Text gespeicherten Informationen sind ebenfalls wertvoll, allerdings macht die

Analyse von unstrukturierten Textinformationen spezielle Verfahren erforderlich („Text

Mining“).

Beispiele

Auswertung von wirtschaftsjuristischen Informationen Wirtschaftsjuristisch relevante Informationen über Unternehmen sind wichtig, um bei-

spielsweise deren Kreditwürdigkeit einzuschätzen. Die entsprechenden Informationen –

in Deutschland zählt dazu z. B. das Handelsregister – liegen in Textform vor. Text-

analyse kann Sachverhalte wie Betriebsverlagerungen, Fusionen Ausgründungen, etc.

innerhalb von wirtschaftsjuristischen Texten mit den strukturierten Daten über die

Finanzen der Gesellschaften in Zusammenhang bringen.

Social Media Monitoring Da Käufer bzw. Nutzer von Produkten und Dienstleistungen in hohem Maße auch über

Social-Media-Netzwerke beeinflusst werden und dort auch selbst ihre Meinung kundtun,

ist es Unternehmen ein Anliegen zu wissen, was in diesen Netzwerken geschieht.

Neben Erkenntnissen über die allgemeine Wahrnehmung des eigenen Unternehmens

wünschen sich Marketingverantwortliche konkrete Hinweise auf das Meinungsbild über

die eigene Marke, die Produkte und Leistungen sowie die Servicequalität.

Immer wichtiger wird in diesem Zusammenhang auch, den Erfolg von Marketingkampag-

nen zusätzlich zu den bestehenden Methoden auch anhand von Meinungsäußerungen

in Social-Media-Netzen zu messen.

Textanalyseverfahren können Social-Media-Informationen dahingehend auswerten.

Firmen erfahren so beispielsweise, ob die Öffentlichkeit ihre Marke bzw. ihre Produkte

oder Services positiv oder negativ bewertet.

Obwohl der Anteil der unstrukturierten Daten in Unternehmen größer ist als der der strukturierten

Daten, nutzen Firmen nach den Erfahrungen von PAC Predictive Analytics in erster Linie noch im

Zusammenhang mit strukturierten Informationen.

Bezogen auf das verarbeitende Gewerbe wird dies ebenfalls bestätigt durch die Studie „Predictive

Analytics in der Fertigungsindustrie“: Demnach nutzt ein Fünftel der Unternehmen Predictive Analytics

für unstrukturierte Daten (in der Studie waren dies Werkstattberichte sowie Feedback von Kunden per

E-Mail, Callcenter oder Social Media).

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 14

© PAC 2014

Nutzung von Datenquellen

3.5 Datenexploration und Visualisierung

Ein wesentlicher Entwicklungstrend im Bereich der Datenanalyse betrifft die Visualisie-

rung von Daten. Auf diese Weise lassen sich die Ergebnisse von Analysen grafisch ver-

anschaulichen, so dass sie auch den Nutzern von Fachbereichen eines Unternehmens

zugängig gemacht werden, die nicht über einschlägige Fachkenntnisse, etwa in Statistik,

verfügen.

Visualisierung spielt jedoch auch eine wichtige Rolle dabei, anhand der grafischen Dar-

stellung von Analyseergebnissen Zusammenhänge und Muster zu erkennen bzw. diese

in einer Arbeitsgruppe zu diskutieren.

!

"

#

$

"

$

%

&

!&

!&

!'

!#

%$

%(

#$

%'

%(

%$

!!

%(

%$

%)

%'

#)

*+,-./012/-345

6/-345783.59/.34831-:4235

;+/<=-:-12/-345>*+11?@+11A5

*.83=-1B3=-2/-345>C3.1D4/<A5

E/+,B3=-2/-345FD45

G3.-=0+401H/1?@=4345

I3.8./+?@12/-345>J43.0=3A5

K311−5+425L341D.2/-345

M41-.+N-+.=3.-356/-345

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

) #) !) P) () '))

*4-3=<35>03Q=?@-3-A5=45C.DB34-523.5M4-3.43@H34R545S5')!

T/R5,7.5C.32=?-=F35*4/<U-=?1

T/R5,7.5N</[email protected]=40

6/-345BQ/.5FD.@/4234R5/83.

4=?@-5B+5*4/<U13BQ3?N345034+-B-

93<?@356/-34X+3<<3451-3@[email protected]

M4-3.43@H345B+.5I3.,70+405+425Q3.234

B+5*4/<U13BQ3?N345034+-B-Z

[5C*\5#)'!

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 15

© PAC 2014

Eng verbunden mit der Visualisierung sind die Themen Interaktion und Datenexploration.

Interaktion und Exploration gestatten es dem Anwender, sich iterativ weitere Zusammen-

hänge zu erschließen oder nur Teil- oder Unterbereiche darzustellen.

Beispiel

Visualisierung von Daten bei der Medikamentenentwicklung

Bei der Entwicklung von Medikamenten sind umfangreiche klinische Tests erforderlich.

Hierbei müssen Mediziner und Statistiker eng zusammenarbeiten. Visualisierung kann

die Experten aus den unterschiedlichen Fachrichtungen dabei unterstützen, eine ge-

meinsame Grundlage zu finden, um die Testergebnisse zu interpretieren.

Gerade die Bedienbarkeit von Predictive Analytics auch für Nichtexperten ist eine wichtige Anfor-

derung von Unternehmen (auch dies wurde in der Studie „Predictive Analytics in der Fertigungs-

industrie“ thematisiert). Visualisierung spielt hierbei eine zentrale Rolle.

Anforderungen an Predictive Analytics

!"

#"

$%

$&

#%

##

'#

(&

$!

#!

##

%$

)*+,-./0123-456-7*128,9:,68,+-;,6<8=+>?*12,-@,>*,+0+A-

)6A,B+*<>/6<8,??0+AC-/+->,6-<*12-DE+D6,8,6-F/+>?0+A<B,>/64-/B?,*8,8-

G,*128,-)6H,*8,6B/6D,*8I-J+:/<<0+A-/+-+,0,-J+4E6>,60+A,+-

K=2*AD,*8C-A6EL,-M/8,+−-N,+A,+-O0-/+/?P<*,6,+--

)*+,-/04-0+<,6,-@6/+12,-/BA,<8*NN8,-GQ<0+A-

)*+B,O*,20+A-;E+-*+8,6+,+-R7M-,98,6+,+-M/8,+S0,??,+-

TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT

TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT

TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT

TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT

TTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTTT

& !& $& '& U& %&&-

J+8,*?,-.A,H*128,83-*+-V6EO,+8->,6-R+8,6+,2N,+C-+-W-%&$.XYB,6H*,A,+>I;Q??*A-0+H*128*AX-+*128->/6A,<8,??83

Z,26-H*128*A YB,6H*,A,+>-H*128*A

[,?12,-J+4E6>,60+A,+-<8,??,+-Z*,-/+,*+-V6,>*18*;,−J+/?P8*1<−ZP<8,N\

]-VJ^-!&%$

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 16

© PAC 2014

3.6 Qualitätsmanagement, Predictive-Asset-Management

In der Fertigungsindustrie ist Qualitätsmanagement seit Jahren ein relevantes Thema.

Dies betrifft die Prozessqualität in der Herstellung sowie die Produktqualität und die

Servicequalität für produktbezogene Dienstleistungen bzw. den Kundendienst.

Beispiele Qualitätssicherung in der Produktion

Industriefirmen wollen Qualitätsmängel bereits in der Produktion vermeiden, um z. B.

Reklamationen oder Rückrufaktionen zu vermeiden. Hierzu werden mittels Predictive

Analytics qualitätsrelevante Daten (etwa über den Anteil an Ausschuss) aus den

fertigungsnahen IT-Systemen („Manufacturing Execution Systems“) ausgewertet. Firmen

nehmen auf diese Weise zum Beispiel Prozessfähigkeitsuntersuchungen vor (Verhältnis

zwischen der Häufigkeitsverteilung eines messbaren Qualitätsmerkmals und der für

dieses Merkmal vorgegebenen Toleranz).

Die hohe Bedeutung von Predictive Analytics für die Qualitätssicherung in der Fertigungsindustrie

unterstreicht auch die Studie „Predictive Analytics in der Fertigungsindustrie“. Demnach nutzen bereits

50 Prozent der Unternehmen solche Verfahren für die Qualitätssicherung in ihren internen Produk-

tionsabläufen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 17

© PAC 2014

Einsatzbereiche für Predictive Analytics

Für das Qualitätsmanagement relevante Daten werden bereits von 44 Prozent der in der Studie be-

fragten Unternehmen für Predictive Analytics verwendet.

Vorhersage von Wartungseinsätzen (Predictive Asset Management)

Fertigungsunternehmen müssen Wartungsintervalle und damit Stillstände bei ihren Ferti-

gungsmaschinen berücksichtigen. Diese Anlagen müssen gewartet werden, bevor die

Qualität des Erzeugnisses leidet. Durch die Sammlung und Analyse von Laufzeitdaten

der Maschinen können Firmen den Zeitpunkt für die fällige Wartung und damit Still-

stände vorhersagen und diese so in der Produktionsplanung besser berücksichtigen.

Somit findet die Maschinenwartung bedarfsgerecht statt – nicht zu früh, aber vor allem

nicht zu spät.

25

22

24

29

26

21

11

7

13

13

12

11

12

7

50

40

39

39

37

36

20

Qualitätssicherung in den internen Produktionsabläufen

Steuerung von Produktionsanlagen

Instandhaltung/Wartung

Produktionsplanung

Bedarfsplanung

Lieferkettensteuerung

Externe Qualitätssicherung von Produkten/Anlagen

.......................................................

.......................................................

.......................................................

.......................................................

.......................................................

.......................................................

0 20 40 60 80 100

Anteile (gewichtet) in Prozent der Unternehmen, n = 104

Bereits unterstütztUnterstützung innerhalb der kommenden zwei Jahre geplantWeder genutzt noch geplant, aber Handlungsbedarf

Welche Bereiche werden durchPredictive Analytics unterstützt?

© P

AC 2

014

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 18

© PAC 2014

Von Predictive Analytics versprechen sich deutsche Industriefirmen einen Mehrwert im Zusammen-

hang mit der Vorhersage und Planung von Wartungseinsätzen.

Mehrwerte von Predictive Analytics

!"

!#

!$

%&

%$

$'

'&

'(

'&

$'

)*+,-+./0-123014+.5,0*.+/+1

/0617,+8+.89:,-;+,*1

<.=>?:+083.=?:/[email protected]+:B+.−1C/+BB+0D1E/=89BB+1/061)*F./0-+01

G+==+.+1HB>0I>.;+,*1

2301G+6>.8+01

J+.I+==+./0-16+.1K/>B,*9*1

,016+.1H.36/;*,301

G+==+.+1J3.:+.=>-+1=3L,+1

HB>0/0-12301M>.*/0-=+,0=9*N+01

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

OOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOOO

P $P !P (P &P

1E0*+,B+1Q-+L,?:*+*R1,01H.3N+0*16+.1<0*+.0+:5+0D101S1'P!QT4.,88*1@I+.L,+-+06U@I+.:>/V*10,?:*1N/T10,?:*16>.-+=*+BB*R

4.,88*123BB1N/ 4.,88*1@I+.L,+-+061N/

[email protected]+B?:+1W+.>/=83.6+./0-+01I,+*+*1H.+6,?*,2+1E0>BX*,[email protected]:.1<0*+.0+:5+01+,0+01Z+:.L+.*[1QYR

\1HE]1$P'!

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 19

© PAC 2014

4. TECHNOLOGIE

Voraussetzung für Predictive Analytics ist das Zusammenspiel von verschiedenen Soft-

waresystemen. Dazu zählt die Integration und Aufbereitung der Daten, so dass diese in

den Analyseverfahren verwendet werden können.

Komponenten von Predictive Analytics

Datenintegration

Allein die Integration ist anspruchsvoll, wenn nicht nur strukturierte sondern auch un-

strukturierte Daten vorliegen. Da die Menge an Daten ständig anwächst (Stichwort „Big

Data“), müssen die Integrationsverfahren leistungsstark ausgelegt sein. Hinzu kommt

die Änderungsfrequenz der Informationen. Sensoren in einer industriellen Produktions-

anlage erzeugen mitunter im Sekundentakt Daten, die entsprechend rasch den Analyse-

systemen zugeführt werden müssen.

Jedoch sind nicht alle Daten auch wirklich relevant, weshalb der Filterung von Daten

eine zentrale Rolle zufällt.

Datenintegration, Herausfiltern von relevanten Daten

Daten speichern und bereitstellen

(„Data Warehouse“)

Analyseverfahren Anwendungen

•! Datenformate und -quellen

•! Datenströme •! Strukturen •! Datenqualität

•! Historische Daten •! Echtzeitdaten •! Große Daten-

mengen („Big Data“)

•! Aufgaben-spezifische Bereitstellung

•! In-Memory Computing

•! Data und Text Mining

•! Entwicklung und Nutzung von Algorithmen und Modellen

•! Verwaltung des Lebenszyklus von Modellen

•! Forecasting •! Risikoanalyse •! Optimierung •! Korrelation •! Visualisierung •! Exploration •! Integration in

Prozesse •! Integration in

Microsoft Office •! Mobiler Zugriff

IT, Analysten Analysten Analysten, Fachbereiche

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 20

© PAC 2014

Speicherung und Bereitstellung von Daten

Während klassische Data-Warehouse-Systeme vor allem dazu ausgelegt sind, struktu-

rierte Daten für die Analyse bereitzustellen, wachsen durch Big Data die Anforderungen:

Daten unterschiedlicher Strukturen müssen effizient und kostengünstig gespeichert wer-

den und für die Analyse abrufbar sein.

Die Entwicklung am IT-Markt geht in Richtung von leistungsstarken und skalierbaren

Software- bzw. Hardwaresystemen, die es gestatten, Datenmengen (auch im Terabyte-

Bereich) zu verarbeiten (Stichwort „massive Parallelverarbeitung“; „massively parallel processing“, kurz „MPP“).

Da Daten für ganz unterschiedliche Analyseaufgaben benötigt werden, ist eine flexible

Organisation der Daten sinnvoll. Immer wichtiger wird in diesem Zusammenhang In-

Memory Computing: Die Datenverarbeitung direkt im Hauptspeicher erlaubt ein schnel-

les und flexibles Management von Daten.

Durch In-Memory Computing in Verbindung mit Predictive Analytics ist es beispielsweise

möglich, Muster und Zusammenhänge in Datensätzen oder eine Absatzprognose in

einem Bruchteil der Zeit zu erkennen. Was bisher durch Stapelverarbeitung („Batch

Processing“) über Nacht viele Stunden in Anspruch genommen hat, ist durch In-Memory

Computing unter Umständen in wenigen Minuten erledigt.

Analyseverfahren

Das Herzstück der technischen Infrastruktur für Predictive Analytics bilden die Analyse-

verfahren. Einfach ausgedrückt handelt es sich dabei um Programme, mit denen sich

Muster und Beziehungen in Daten erkennen lassen. Ferner handelt es sich um Soft-

ware, mit der Prognosemodelle entwickelt, validiert und angewendet werden können.

Anwendungen Über die Benutzerschnittstelle (Desktop, Webbrowser und immer häufiger auch das

mobile Gerät) wird Predictive Analytics dem Endbenutzer zugänglich. Hierbei kommen

vermehrt Verfahren zur grafischen Darstellung, Interaktion und Visualisierung zum Ein-

satz.

Wachsende Bedeutung hat hierbei die Integration in die Geschäftsprozesse bzw.

Geschäftsanwendungen. Beispielsweise sollen die Ergebnisse einer Absatzprognose in

den Applikationen für das Kundenmanagement zur Verfügung stehen, um dort die Kam-

pagnenplanung zu unterstützen.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 21

© PAC 2014

Da Analyseergebnisse direkten Einfluss auf Geschäftsabläufe haben, muss es möglich

sein, Vorgänge (Workflows) anzustoßen (etwa zu treffende Maßnahmen beim Erkennen

eines Betrugs) oder laufende Vorgänge zu beeinflussen (etwa Neuberechnung eines

Forecasts, wenn sich Rahmenbedingungen ändern).

Der Begriff „Big Data“ taucht vielfach in der Öffentlichkeit auf. Und tatsächlich setzen sich auch in

Deutschland immer mehr Unternehmen mit diesem Thema auseinander. Ihnen geht es nach Ein-

schätzung von PAC vor allem darum, die Möglichkeiten, die sich bei der Nutzung von Big Data („Big

Data Analytics“) bieten, zu verstehen.

Wie die Studie „Predictive Analytics in der Fertigungsindustrie“ belegt, nimmt die Relevanz von

Predictive Analytics durch Big Data noch zu.

Predictive Analytics und Big Data

!"

#$

%&

#'

'%

(%

!)

!$

!

!

%

#$

&

"

$

#"

*+,-./012/*343/51,6/78/9:-./51-.4127,;/6388/81-./*3479393<=878=847>7/39/

+987,79/1961?16+7<<79/0763,@/39A38879B/

*+,-./012/*343/91>>4/617/C7<7?39D/39/E,761-41?7−F93<=41-8−GH8+9279/D+B/

*38/E:479D13<;/3+8/67,/IJ<<7/39/*3479/71979/K+4D79/D+/D17.79;/184/L71/+98/

9:-./<3927/91-.4/3+8278-.HA@4B/*17/M7,4,3+7985J,612N714/67,/*3479/184/

@J,/+98/91-.4/1>>7,/7,N799L3,/+96/847<<4/71979/O981-.7,.7148@3N4:,/63,B/

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB/

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB/

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB/

'P !P P !P 'P &P "P

F9471<7/Q2751-.474R/19/E,:D794/67,/O947,97.>79;/9/S/#P'

T,1@@4/JL7,.3+A4/91-.4/D+T,1@@4/JL7,5172796/91-.4/D+

T,1@@4/?:<</+96/239D/D+T,1@@4/JL7,5172796/D+

U9517@7,9/184/638/T.7>3/V012/*343V/@J,/U.,79E,:6+N41:98L7,71-./19/W+83>>79.392/>14

E,761-41?7/F93<=41-8/,7<7?394X/

Y/EFZ

/!P#'

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 22

© PAC 2014

5. PREDICTIVE ANALYTICS GOVERNANCE

Unternehmen sollten bei der Nutzung von Predictive Analytics nicht nur die technischen

Aspekte, die Einsatzgebiete und die Vorteile betrachten. Darüber hinaus gilt es, Themen

wie Datenschutz und Privatsphäre sowie Mitbestimmungspflichten zu berücksichtigen.

Grundlage für Predictive Analytics sind ferner Datenqualität sowie Modelle, die zu den

Anforderungen passen und valid sind. Alle diese Aufgaben bedürfen der Kontrolle bzw.

Steuerung sowie Richtlinien, also einer Predictive Analytics Governance.

Unternehmensrichtlinien, Gesetze und Vorschriften

Mittels Predictive Analytics lassen sich Erkenntnisse über Kunden, die eigenen Mit-

arbeiter sowie Wettbewerber gewinnen. Doch es muss klare Regeln geben, welche Da-

ten für welche Zwecke für die Analyse in Frage kommen und wie mit den Ergebnissen

zu verfahren ist. Neben den ohnehin schon vorhandenen Vorschriften und Gesetzen

(Bundesdatenschutzgesetz) müssen hierbei auch die Unternehmensrichtlinien (Corpo-

rate Governance) berücksichtigt werden.

Ethisches Verständnis

Über Richtlinien und Verbote hinaus sollte im Unternehmen ein ethisches Verständnis

für den Einsatz von Predictive Analytics herrschen. Dies trifft in besonderem Maße auf

die Handhabung von Kundeninformationen zu, die aus internen Datenquellen, Social-

Media-Inhalten, dem Web sowie externen Datenbanken bzw. Informationsdiensten

stammen.

Qualität der Daten und Modelle

Predictive Analytics kann nur funktionieren, wenn Daten in bester Qualität vorliegen, also

aktuell, korrekt und vertrauenswürdig sind (aus vertrauenswürdigen Quellen stammen).

Datenqualität ist generell wichtig, im Besondern aber im Bereich Predictive Analytics, da

qualitativ minderwertige Daten etwa zu falschen Forecasts bzw. Risikobewertungen füh-

ren können.

Doch nicht nur die verwendeten Daten müssen qualitativ hochwertig sein, sondern auch

die Modelle für Prognosen, Kundenbewertung, Risikoabschätzung, Kredit-Scoring, etc.,

und zwar unabhängig davon, ob das Unternehmen die Modelle im eigenen Hause er-

zeugt oder diese erwirbt – beispielsweise als Teil einer Predictive-Analytics-Lösung. Die

Modelle unterliegen Veränderungen durch neue Anforderungen des Unternehmens.

Modelle entwickeln sich weiter, sie unterliegen einem Lebenszyklus: Sie werden entwi-

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 23

© PAC 2014

ckelt, genutzt, veralten und müssen aktualisiert oder ersetzt werden. Ferner ist es

unverzichtbar, Modelle vor dem produktiven Einsatz zu validieren und während der Nut-

zung die Analyse- bzw. Prognoseergebnisse einer Qualitätskontrolle zu unterziehen.

Dazu zählt, entsprechende Abläufe sowie Zuständigkeiten bzw. Verantwortlichkeiten

festzulegen.

Neben den qualitätssichernden Aspekten ist ein Lebenszyklus-Management von Model-

len sinnvoll, da Modelle auf diese Weise leichter wiederverwendet oder bestehende ab-

gewandelt werden können. Dies bietet die Chance, die Zeit für die Umsetzung neuer

Anforderungen zu verkürzen.

Das Lebenszyklus-Management von Modellen muss hierbei ebenfalls im Einklang mit

den Unternehmensrichtlinien stehen.

Predictive-Analytics-Governance und Lebenszyklus-Management von Modellen

Anforderungsanalyse

Integration und Aufbereitung der

Daten (Qualitätssicherung)

Neu- oder Weiterentwicklung der

Modelle, Wiederverwendung

Validierung der Modelle

Einsatz der Modelle (Qualitätskontrolle der

Ergebnisse)

Lebenszyklus von Modellen als Teil des Rahmenwerks für Predictive Analytics Governance

(Unternehmensrichtlinien, Ethik, Gesetze/Auflagen)

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 24

© PAC 2014

6. HERAUSFORDERUNGEN UND HINDERNISSE

Einerseits kann Predictive Analytics Nutzen stiften für Unternehmen, andererseits stellt

die Realisierung solcher Systeme eine Herausforderung dar. Wie PAC-Analysen zeigen,

steht hier der hohe Implementierungsaufwand an erster Stelle. Dazu zählt einerseits das

Einrichten der technischen Infrastruktur (Software und Hardware), die Integration und

Aufbereitung der Daten und letztlich auch die Entwicklung der Analysesysteme.

Allerdings entwickeln sich die Systeme am Markt ständig weiter und die Anbieter berück-

sichtigen dabei auch die Aspekte technische Komplexität und Implementierungs-

aufwand. Daher ist sowohl ein vorurteilsfreier Blick auf das aktuelle Lösungs- und

Dienstleistungsspektrum für Predictive Analytics als auch das kritische Nachfragen in

Bezug auf den zu erwartenden Aufwand ratsam.

Eine Möglichkeit, den Implementierungsaufwand zu reduzieren bietet Cloud Computing,

bei dem die Analysesysteme als Service genutzt werden, der über ein Rechenzentrum

bereitgestellt wird. Entsprechender Datenschutz bzw. Datensicherheit vorausgesetzt,

erlaubt diese Variante eine rasche Inbetriebnahme, ohne dass im eigenen Hause

technische Infrastruktur aufgebaut werden muss. Der Cloud-Ansatz eignet sich darüber

hinaus dazu, ohne Investitionen in Hard- und Software Predictive Analytics zunächst

auszuprobieren.

Aufwand ist hierbei jedoch nicht nur mit Zeit und Geld, sondern auch mit Know-how und

Fähigkeiten verbunden. Auch wenn sich die Lösungen gerade in Bezug auf Bedien-

barkeit auch für Nichtexperten verbessern, ist nach wie vor Analyse-Know-how (Statistik,

Prognosen, etc.) sowie IT-Know-how (Datenintegration, Betrieb von Software, Software-

entwicklung) erforderlich beim Einsatz von Predictive Analytics.

Eine weitere Herausforderung besteht in dem Verständnis über die Möglichkeiten, Anfor-

derungen und Ziele von Predictive Analytics, über die sich die Fachbereiche, die Ana-

lyseexperten sowie die IT-Organisation einig werden müssen. Letztlich muss der Nutzen

der erforderlichen Investitionen ersichtlich sein.

Auch die Studie „Predictive Analytics in der Fertigungsindustrie“ thematisierte die möglichen Hinder-

nisse für den Einsatz von Predictive Analytics. Offenbar sind mangelnde Anwendungsbeispiele nicht

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 25

© PAC 2014

das Hauptproblem. Herausforderungen wie Implementierungsaufwand, die Lösungskomplexität sowie

der Nachweis des ROI sind Aspekte, auf die die IT-Branche Einfluss nehmen sollte.

Hindernisse für den Einsatz von Predictive Analytics

!"

!#

!$

%$

!&

'(

%&

%%

%$

')

(

'$

'*

%*

'#

"

+,-./01234.2.567./859:;8<=;5>0

[email protected]@=B0CD107:60:E-=./05;E-=.7:A;/0+,-.0F,234.G76H60I,50

J/.>7E67I.−K5;4L67E:−MN:859.50OE-4.E-6.0P;6.5Q8;476H60

R;59.45>.:0S;E-=7::.50

122.5:.0P;6.52.59.0OE-4.E-6.:0J/.7:−TM.7:6859:−0

U./-H4657:0A.70MN:859.50R;59.45>.0K5=.5>859:−0

A.7:37.4.075085:././0V/;5E-.0

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB

& %& *& #& "&0

K56.74.0W9.=7E-6.6X0750J/,@.560>./0Y56./5.-2.5Z050[0'&*W\]./759.:T^.750+75>./57:\057E-60>;/9.:6.446X

O.-/09/,_.:0+75>./57: ]/,_.:0+75>./57:

`.4E-.0W2N947E-.5X0+75>./57::.0:3/.E-.509.9.5>.50a75:;6@0I,50J/.>7E67I.0K5;4L67E:b

c0JKd0%&'*

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 26

© PAC 2014

7. GLOSSAR

Analytics: Sammelbegriff für mathematische Methoden der systematischen Auswertung

von Daten wie etwa " Forecasting, " Optimierung oder " Statistik. Im Gegensatz zu

" Business Intelligence ist Analytics nach vorne ausgerichtet und erlaubt Einsichten in

kommende Entwicklungen und Szenarien. Eine Aufgabenstellung ist zum Beispiel:

„Welche Produkte muss ich zu welchem Preis welchem Kunden anbieten, damit mein

Umsatz profitabel wächst?“

Business Intelligence: Methoden und Werkzeuge zur Entscheidungsunterstützung in

Unternehmen. In etablierten und teils aufwändigen Prozessen sammeln und aggregieren

Unternehmen Daten aus operativen Systemen (Warenwirtschaft, Kundendaten, etc.) und

bereiten sie so auf (in Reports oder Dashboards), dass auf deren Grundlage Entschei-

dungen getroffen werden können. Eine typische Frage ist etwa: „Wie viele Produkte

habe ich zu welchem Preis in welcher Region verkauft?“.

Data Mining: Methode und Softwaretools, die das Entdecken von Zusammenhängen

und Mustern in großen und sehr großen Datenbeständen ermöglichen. Als Teilgebiet

von " Analytics geht es um die Beantwortung komplexer Fragestellungen wie etwa

„Warum kauft ein Kunde genau diese Produkte in dieser Kombination?“, um daraus

Rückschlüsse auf die Optimierung der zugrundeliegenden Prozesse zu schließen.

Big Data: Mittlerweile etablierter Begriff für das Phänomen rasant steigender Daten-

mengen aus unterschiedlichsten Quellen. Getrieben durch überall vorhandene Sensoren

und weiter fortschreitende Digitalisierung stehen Unternehmen immer mehr Daten zur

Verfügung. Das fordert zum einen die vorhandene IT-Infrastruktur heraus (Speichern,

Verwalten) und erzeugt zum anderen neue Chancen durch optimierte Auswertung ("

Analytics). Gleichzeitig sind neue Rahmenbedingungen zu bedenken: Wer kann die

Datenberge auswerten, was dürfen Unternehmen, was ist gesellschaftlich akzeptiert etc.

Data Warehouse: Konzept und technische Infrastruktur zur Sammlung und Aggregation

von Unternehmensdaten im Rahmen von " Business Intelligence und " Analytics. In

den 90er Jahren hat sich dieses Konzept in der Unternehmenswelt großflächig durch-

gesetzt, weil dadurch immer neue Anforderungen nach Auswertungen und Analysen

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 27

© PAC 2014

bedient werden können. Die dafür typischerweise eingesetzten Datenbanken genügen

allerdings nicht mehr den Anforderungen von " Big Data.

Forecasting: Methode und Softwaretools, die Aussagen über zukünftige Ereignisse

treffen. Etwas weiter gefasst hat sich der Begriff Forecast in Controlling und Absatz-

planung etabliert. Im engeren Sinne versteht man darunter eine Methode im Bereich von

" Analytics, die auf der Grundlage von " Vorhersagemodellen in der Lage ist,

möglichst präzise Abschätzungen zu treffen. Ein häufiges Einsatzgebiet ist die Prognose

von Nachfrage aufgrund saisonaler oder anderer Schwankungen.

Hadoop: Open-Source-Framework für das verteilte Speichern und Rechnen mit großen

Datenmengen. Mittlerweile entstehen unter dem Namen Hadoop eine ganze Reihe von

Projekten (Hive, Pig, Yarn, Impala, etc.), die sich damit beschäftigen, kostengünstig,

schnell und einfach zugänglich mit jeder Art von Daten (" Big Data, " strukturiert/

unstrukturiert) umgehen zu können.

In-Memory-Analyse: Technologie, die datenintensive Berechnungsmethoden in den

Hauptspeicher verschiebt und damit Geschwindigkeitsvorteile gegenüber herkömm-

lichen Ansätzen erzielt. Bedingt durch sinkende Preise für Arbeitsspeicher verfolgen

viele Softwarefirmen mittlerweile den Ansatz, Daten im Hauptspeicher zu halten und

damit den Transfer von Festplatten oder Cache-Speichern zu umgehen. Auch

" Analytics wird dadurch beschleunigt und ist daher eine Möglichkeit, den Heraus-

forderungen von " Big Data zu begegnen.

Optimierung: Methode und Softwaretools, die komplexe Abhängigkeiten berechnet und

Lösungen vorschlägt. Ein klassisches Beispiel ist das „Handelsvertreterproblem“:

Welche Route soll der Vertreter nehmen, um mit möglichst wenig Umwegen möglichst

viele Kunden besuchen zu können? Dabei gibt es typische Einschränkungen („Restrik-

tionen“) wie Reisezeit pro Tag, Zwischenlagerstandorte für Waren, Geschwindigkeit des

Fortbewegungsmittels etc. Vermehrt nutzen Optimierungsalgorithmen dabei iterative

Verfahren und " In-Memory-Analyse.

Statistik: Mathematische Teildisziplin, die Methoden der Wahrscheinlichkeitsrechnung

entwickelt und nutzt. Durchschnitte, Mittelwerte, Standardabweichungen sowie Korrela-

tionen helfen dabei, große Mengen von Daten zu durchdringen und zu verstehen. Statis-

tik ist wiederum eine Teilmenge von " Analytics.

Predictive Analytics – Mehrwerte, Einsatzbeispiele und Herausforderungen 28

© PAC 2014

Text Mining: Genau wie " Data Mining sowohl Methode als auch Software, die das

Erschließen von Texten ermöglicht. Gerade in Zeiten von " Big Data stehen immer

mehr Daten in Form von Texten zur Verfügung. Beispiele sind Internetinhalte wie Foren,

soziale Netzwerke oder Nachrichtenseiten, aber auch schriftliche Call-Center-Daten,

Kunden-E-Mails oder Werkstattprotokolle mit Freitextfeldern. Dabei können sowohl In-

halte als auch Stimmungen automatisiert erfasst und Auswertungen zum genaueren

Verständnis von Kunden und Prozessen verwendet werden.

Unstrukturiert/strukturiert: Heute stark verbreitete Datenbanksysteme arbeiten vor-

nehmlich mit sogenannten strukturierten Daten. Diese lassen sich in Form von Tabellen-

zeilen und Tabellenspalten erfassen. Viele typische Fragestellungen in einem Unter-

nehmen sind mit solchen Datensätzen lösbar, etwa eine Kundendatenbank, Lagerbe-

stände und Unternehmensprozesse wie Einkauf, Rechnungslegung etc. " Big Data

stellt neue Herausforderungen. Texte, Bilder, Videos und Maschinendaten folgen nicht

mehr der eingeführten („relationalen“) Logik, sondern sind aus Sicht der klassischen

Datenbanksysteme „unstrukturiert“. Um diese Daten verwalten und auswerten zu kön-

nen, sind daher neue Technologien nötig, etwa " Hadoop.

Vorhersagemodell: Mathematische Abbildung von Erkenntnissen, um Aussagen über

zukünftige Ereignisse treffen zu können. Anhand von vielen Daten aus der Vergangen-

heit, etwa dem Abverkauf von Produkten, versuchen Analytiker Muster zu entdecken

und in mathematische Formeln zu fassen. Wenn dieses Vorsagemodell auf genügend

vielen und genügend aussagekräftigen Daten basiert, werden die daraus abgeleiteten

Prognosen in ihrer Qualität besser.

Über SAS

SAS ist mit 3,02 Milliarden US-Dollar Umsatz einer der größten Softwarehersteller der Welt. Im Business

Intelligence-Markt ist der unabhängige Anbieter von Business Analytics Software führend. Diese Lösungen für

eine integrierte Unternehmenssteuerung werden in über 70.000 Standorten in 140 Ländern eingesetzt – darunter

in 91 der Top-100 der Fortune-500-Unternehmen.

Die Softwarelösungen von SAS unterstützen Unternehmen, aus ihren vielfältigen Geschäftsdaten eine konkrete

Informationsbasis für strategische Entscheidungen zu gewinnen. Firmensitz der 1976 gegründeten US-

amerikanischen Muttergesellschaft ist Cary, North Carolina. SAS betreut seine Kunden in der DACH Region von

insgesamt neun Standorten aus.

Über Pierre Audoin Consultants

PAC liefert fokussierte und objektive Antworten auf die Wachstumsherausforderungen der Akteure im Markt für

Informations- und Kommunikationstechnologie (ITK) – von der Strategie bis zur Umsetzung.

Pierre Audoin Consultants wurde 1976 gegründet und ist ein unabhängiges Marktanalyse- und Beratungs-

unternehmen für den Software- und ITK-Services-Markt. Wir unterstützen ITK-Anbieter mit quantitativen und

qualitativen Marktanalysen sowie strategischer und operativer Beratung. CIOs und Finanzinvestoren beraten wir

bei der Bewertung von ITK-Anbietern und -Lösungen und begleiten sie bei ihren Investitionsentscheidungen.

Öffentliche Organisationen und Verbände bauen auf unsere Analysen und Empfehlungen als Grundlage für die

Gestaltung ihrer ITK-Politik.

Weitere Informationen unter www.pac-online.de.