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.