Wie Sie durch Predicitive Analytics Muster erkennen können

Predictive Analytics – Muster in Datensammlungen zu erkennen, diese auszuwerten und die Ergebnisse zu nutzen – gewinnt in Unternehmen zunehmend an Bedeutung. Aber wie sinnvoll ist die Methode und wie schätzen Unternehmen Predictive Analytics als Analyseinstrument ein?

Instrumente, die bevorstehende Risiken und Abweichungen sowie deren Ursachen erfassen, können den Erfolg einer Organisation entscheidend beeinflussen. Aber Manager sind in den seltensten Fällen Statistiker oder IT-Experten – wie gehen Sie mit den Möglichkeiten von Predictive Analytics in Zeiten des IT-Fachkräftemangels um?
Die kulturelle Überforderung von Entscheidern, die sich nun auf Daten statt auf ihren Bauch verlassen sollen, wiege schwer, so Heinrich Vaske, Editorial Director der Fachzeitschriften COMPUTERWOCHE und CIO in seinem Vorwort zur Studie „Predictive Analytics 2018“ von IDG Research Services. Die Marktforschungsgesellschaft hat 390 IT-Verantwortliche von Unternehmen aus der D-A-CH-Region im Auftrag von CIO und COMPUTERWOCHE, Lufthansa Industry Solutions, Datavard, Jedox und Seven Principles befragt.

Unternehmen stufen Predictive Analytics als wichtig ein

Demnach bewerten aktuell lediglich 47 Prozent der Unternehmen die Relevanz von Predictive Analytics als sehr hoch (18 Prozent) oder hoch (29 Prozent). Mit Blick in die Zukunft geht allerdings ein Drittel der Unternehmen davon aus, dass Predictive Analytics spätestens in drei Jahren eine sehr wichtige Rolle spielen wird. 14 Prozent der befragten Entscheider messen dem Thema eine eher geringe Bedeutung in der Zukunft zu.

Große Unternehmen investieren eine Menge in Predictive Analytics

Die Studie zeigt zudem, dass vor allem große Unternehmen Ressourcen für Analytics-Projekte bereitstellen. Über ein Drittel der Unternehmen – vorwiegend Großunternehmen – hat bereits Analytics-Projekte umgesetzt, mehr als die Hälfte davon im Bereich Predictive Analytics. Kleine und mittelständische Firmen hingegen verfügen noch wenig über umfangreiche Analytics-Systeme.

Auswertung funktioniert nur mit klarem Szenario

Die Ergebnisse aus den Predictive-Analytics-Projekten beeinflussen im Wesentlichen auch die Management-Entscheidungen. 94 Prozent der Firmen, die Predictive Analytics anwenden, steuern über die Auswertungen Prozesse vor allem im IT-Bereich, im strategischen Management sowie in Produktion und Fertigung. Nach Ansicht über der Hälfte dieser Unternehmen lohnt sich der Aufwand: 23 Prozent urteilen mit „sehr zufrieden“ oder „zufrieden“, was die Anwendung der Methodik angeht. Allerdings sei es wichtig, ein klares Szenario zu verfolgen, um aus den Daten tatsächlich Nutzen ziehen zu können. Und das funktioniert bei den meisten Unternehmen nicht ohne externe Hilfe. Fast alle Unternehmen kooperieren mit einem (35 Prozent) oder mehreren externen Dienstleistungspartnern (41 Prozent), um Predictive-Analytics-Projekte anzustoßen. Dabei geht es zum einen um die strategischen Auswertungen (40 Prozent), zum anderen aber auch um die technische Beratung (32 Prozent).

Mittelstand und kleinere Unternehmen haben Nachholbedarf

Die Studie zeigt: Predictive Analytics ist inzwischen weit mehr als ein hippes Buzzword. Aber gerade bei mittelständischen und kleineren Unternehmen besteht noch deutlicher Nachholbedarf. Allein die technischen Voraussetzungen genügen häufig nicht den Anforderungen: Um tatsächlich anhand von Datensätzen vorausschauende Analysen machen zu können, dürfen die Daten nicht nur statisch erfasst werden. Die altbewährte Excel-Liste, die in diesem Zusammenhang längst auf den „Daten-Friedhof“ gehört, ist dennoch noch in vielen Unternehmen im Einsatz. Auch das schon angesprochene „Bauchgefühl“ hat in Predictive-Analytics-Projekten nichts zu suchen.

Umsetzung in Machine-Learning-Algorithmen generiert Hypothesen

Ein Zitat von Albert Einstein lautet zwar: „Das einzig wirklich Wertvolle ist die Intuition.“ Doch Experten für Predictive Analytics widersprechen dem – nicht nur, weil sich kaum ein Manager mit dem Intellekt Einsteins messen lässt. Um fundierte Voraussagen zu Effektivität und Rentabilität anhand von Big Data und Predictive Analytics machen zu können, ist gerade das Ausschalten von Intuition wesentlich. Algorithmen können keine Strategien verfolgen oder Kreuzdaten interpretieren. Aber das automatisierte Sammeln von extrem standardisierten Daten und die Umsetzung in Machine-Learning-Algorithmen wie Entscheidungsbäume, künstliche neuronale Netze oder Zeitreihenmodelle generiert Hypothesen, aus denen wiederum Managemententscheidungen abgeleitet werden können. Predictive-Analytics-Tools suchen ohne Vorannahmen nach Auffälligkeiten oder Mustern in den Datensätzen.

Anwendungen und Workflows „intelligent“ machen

Für Managed-Hosting-Unternehmen wie Adacor gewinnt Predictive Analytics in zweierlei Hinsicht an Bedeutung. Zum einen verbessern wir mithilfe unseres neu gegründeten Predictive-Analytics-Teams Prozesse, die bereits in der Vergangenheit dazu dienten, Themen wie das Management von Sever-Log-Daten oder CPU-Auslastungen automatisiert und vorausschauend zu steuern. Denn wir sind überzeugt, dass neben den stark individualisierten Cloud-Lösungen in Zukunft standardisierte Angebote immer mehr nachgefragt werden. Durch die Anwendung von Predictive Analytic Tools machen wir Anwendungen und Workflows „intelligent“. Das heißt: Über maschinelles Lernen gelingt es, Modelle automatisch auf neue Prozesse anzuwenden und so Server noch leistungsfähiger und sicherer zu machen.

Good bye best of breed!

Ein weiterer wichtiger Aspekt ist, dass – wie bereits beschrieben – Unternehmen zunehmend auf externe Partner angewiesen sind, um mit ihren Business-Anwendungen alle Möglichkeiten von Predictive Analytics ausschöpfen zu können. Die Studie hat gezeigt, dass Unternehmen, die vorwiegend – noch – Lösungen für das Controlling oder strategische Auswertungen selbst entwickeln, häufig nach dem Best-of-Breed-System agieren. Sie wenden im Marketing andere Techniken und Lösungen an als im Vertrieb oder in der Fertigung und geben dort detaillierte Entwürfe von Datenschemen vor. Vor allen an den Schnittstellen hapert es häufig, wenn es um die Auswertung der Daten geschweige denn um vorausschauende Analysen geht.

Strukturierte und unstrukturierte Daten innerhalb einer einzigen Infrastruktur

Für IT- und Hosting-Dienstleister wird es eine Zukunftsaufgabe sein, Unternehmen dabei zu unterstützen, sich von ihren traditionellen Datenbanken zu verabschieden und Technologien einzusetzen, die strukturierte und unstrukturierte Daten innerhalb einer einzigen Infrastruktur zusammenführen. Dabei kann der Blick von außen durch einen externen Dienstleister, der bereits viel Erfahrung mit agilen Methoden mitbringt, sehr hilfreich sein. Eine solche Analyse kann zunächst klären, ob sich für ein Unternehmen der Aufwand lohnt, Predictive Analytics anzuwenden und welche Datenbestände und Datenflüsse dafür eine besondere Rolle spielen.

Das neue Berufsbild des Data Scientists

Die interdisziplinären Methoden, die notwendig sind, um eine solche Analyse durchzuführen, beherrschen traditionell ausgebildete Informatiker häufig nicht. In Zukunft sind Data Scientists gefragt – Experten, die umfangreiche Kenntnisse von der Auswertung von Daten, von Datenbankstrukturen und -systemen, von mathematischen und statistischen Modellen und zusätzlich von der Softwareentwicklung mitbringen.

Branchen, die besonders profitieren

Gibt es Branchen, die besonders von Predictive Analytics profitieren? Predictive Analytics hilft nicht nur Maschinenausfälle bei Produktionsunternehmen zu minimieren und vorausschauende Wartungen zu installieren oder den Vertrieb von Handelsunternehmen zu optimieren. In der Medizin kommen heute bereits Methoden zum Einsatz, durch die sich die Identifizierung von Risikofaktoren und die Behandlung von Krankheiten deutlich verbessern lässt. Versicherungen und auch Finanzinstitute kalkulieren ihre Produkte und Prämien seit jeher auf Basis von Wahrscheinlichkeitsanalysen und Hochrechnungen. Mit Methoden des Predictive Analytics werden sie in Zukunft ihr Portfolio noch präziser – eventuell sogar für die Versicherten- oder Anlagegemeinschaft gerechter – gestalten können. Im Bereich der Fraud Prevention werden Methoden und Tools der Predictive Analytics verstärkt eingesetzt. Denn professionelle Betrugsnetzwerke sind kontinuierlich den aktuellen Prüfmechanismen auf der Spur und arbeiten daran, diese zu umgehen. Auf der Suche nach Schwachstellen in den Methoden zur Betrugserkennung entwickeln sie stets neue Betrugsmuster. Im Wettlauf um den Schutz vertraulicher Daten, können Unternehmen, die Predictive-Analytics-Tools einsetzen, auf jeden Fall mehr Sicherheit bieten.

Die „saubere Ablage“ bringt Unternehmen nicht weiter

Unternehmen, die Daten sammeln, um diese lediglich sauber abzulegen und zu archivieren, sollten Ihre Strategie an die neuen Möglichkeiten des Predictive Analytics anpassen. Die aktuellen Möglichkeiten zur Auswertung und zur Verdichtung von Daten zu Informationen und somit zur Generierung von Wissen sind extrem groß. Nur wer Muster im großen Reich der Daten erkennt und diese auch richtig interpretieren kann, wird einen Nutzen daraus ziehen.