Information Builders
15.02.2018, 12:00 Uhr
Prognostische Analytik: Daten für bessere Entscheidungen
Prognostische Analytik gibt einen Einblick in mögliche künftige Entwicklungen. Information Builders zeigt in fünf Tipps, wie Unternehmen Prognosemethoden und -verfahren einführen und optimal davon profitieren können.
(Quelle: Information Builders)
Vielfach sind Unternehmen mit ihren BI-Applikationen nahe am Geschehen und die Bereichsleiter haben einen Überblick darüber, was sich im Einkauf, der Produktion, dem Vertrieb, im Marketing und im betrieblichen Rechnungswesen tut. Leistungsstarke BI-Anwendungen sind in der Lage, Fragen zur Entwicklung in den letzten Monaten gut zu beantworten. Anders sieht es mit detaillierten Prognosen aus. Das war bislang das Metier von Statistikspezialisten, die Wahrscheinlichkeiten zum Eintreten bestimmter Ereignisse, etwa bei der Einschätzung von Schadensfällen einzelner Versicherungsarten, berechneten. Seit der Einbindung von RStat, einer weit verbreiteten Open-Source-Statistikbibliothek, in BI-Plattformen hat sich das geändert. In einem Leitfaden hat Information Builders, selbst Anbieter von Business-Intelligence (BI)-, Analytics-, Datenintegritäts- und Datenqualitätslösungen, fünf Tipps zur Einführung prognostischer Analytik zusammengestellt.
1. Daten kennen und verstehen.
Die Treffsicherheit der Entscheidungen, für die prognostische Analytik die Basis liefert, ist in hohem Maße von der Quantität und Qualität der vorhandenen Daten abhängig. Die Mitarbeiter in den Fachabteilungen kennen sich am besten mit den Daten aus und wissen aus der alltäglichen Arbeit, wo die Schwachpunkte liegen, etwa dann, wenn in einer Materialdatenbank Teilenummern fehlen oder in einzelnen Applikationen und Fachabteilungen unterschiedliche Bezeichnungen für Produkte verwendet werden, die Kunden über die verschiedenen Vertriebskanäle bestellen. Wichtig ist daher festzulegen, wie die korrekten Daten aussehen sollen und wer für die Einhaltung einer hohen Datenqualität verantwortlich ist.
2. Externe Daten integrieren.
In jedem Anwendungsszenario der prognostischen Analytik spielt die Quantität und Qualität der verfügbaren Daten eine tragende Rolle. Nur wenige Unternehmen nutzen für ihre Analysen bereits Daten, die von Quellen außerhalb ihrer eigenen Organisationsgrenzen stammen. Aber gerade solche externen Daten können einen erheblichen Einfluss auf die Güte und Treffsicherheit von Prognose-Ergebnissen haben. Durch die Einbeziehung externer Datenquellen und Informationen, etwa Sensor-, Geo- und Wetterdaten, Informationen von Marktforschern oder von Social-Media-Plattformen, lassen sich Prozesse für die Entscheidungsfindung auf eine breitere Basis stellen.
3. Grundlegende Statistikkenntnisse erwerben.
Wer prognostische Analytik, in welcher Fachabteilung auch immer, betreiben will, sollte über ein grundlegendes Verständnis der Statistik verfügen. Die deskriptive Statistik beschreibt Ereignisse aus der Vergangenheit und hilft Beziehungen, etwa zwischen Kunden und Produkten, besser zu verstehen. Sie ist ein wichtiger Schritt, um erste Einsichten in Zusammenhänge zu erhalten. Prognostische Analytik befasst sich mit der Zukunft. Hier soll etwa mit Daten aus dem Vertrieb die Wahrscheinlichkeit abgeschätzt werden, mit der ein Kunde bestimmte Produkte oder Services kauft. Eine Auswertung aus der Produktion hilft, die Wahrscheinlichkeit künftiger Supportanfragen wegen mangelhafter Produktqualität zu reduzieren.
4. Arbeitsweise von Algorithmen verstehen.
Regeln und Algorithmen unterstützen Unternehmen dabei, Muster in den ermittelten Daten zu erkennen. Aus dem bisherigen Kundenverhalten und der -historie lässt sich beispielsweise berechnen, mit welcher Wahrscheinlichkeit ein Autofahrer, der eine Kraftfahrzeugversicherung abgeschlossen hat, auch eine weitere Versicherung benötigt. Das Stichwort lautet hier Potenzialanalyse. Weit verbreitete Algorithmen, deren Einsatz für prognostische Analysen geprüft werden sollte, sind Regressionsanalysen, Decision Forests (eine Menge von Entscheidungsbäumen) und neuronale Netze. Immer wichtiger werden auch die Algorithmen des maschinellen Lernens. Die Rohdaten dafür entstehen zum Beispiel an der Vielzahl von Offline- und Online-Kundenkontaktpunkten, an denen Interessenten und Kunden mit den Produkten und Services eines Unternehmens in Berührung kommen.
5. Prognosemodelle entwickeln und an Fachbereiche verteilen.
Durch die Einbettung von RStat, eine Sammlung weit verbreiteter quelloffener Statistikfunktionen, in eine BI-Plattform, können Unternehmen diese um vielfältige Funktionen für prognostische Analytik und Prognosemodelle anreichern. Damit sind die unterschiedlichsten Fachabteilungen in den Unternehmen in der Lage, leistungsfähige statistische Funktionen zu nutzen, die ansonsten nur mit erheblichen Zusatzkosten verfügbar wären. Für das Grundgerüst, nämlich die Zusammenstellung der benötigen Daten, ist die BI-Plattform zuständig.
"Die prognostische Analytik ist eine vielfältig einsetzbare Weiterentwicklung der klassischen Reporting- und Analyse-Werkzeuge, wie sie Business-Intelligence-Plattformen bereitstellen", sagt Nathan Jagoda, Country Manager Germany bei Information Builders. "Während traditionelle BI primär vergangenheitsorientiert und deskriptiv arbeitet, hilft die prognostische Analytik, Entscheidungen faktenbasiert besser vorzubereiten und die Zukunft aktiv gestalten zu können. Unternehmen sind damit in der Lage, vom reaktiven in den aktiven Modus umzuschalten."
Quelle: www.informationbuilders.de
1. Daten kennen und verstehen.
Die Treffsicherheit der Entscheidungen, für die prognostische Analytik die Basis liefert, ist in hohem Maße von der Quantität und Qualität der vorhandenen Daten abhängig. Die Mitarbeiter in den Fachabteilungen kennen sich am besten mit den Daten aus und wissen aus der alltäglichen Arbeit, wo die Schwachpunkte liegen, etwa dann, wenn in einer Materialdatenbank Teilenummern fehlen oder in einzelnen Applikationen und Fachabteilungen unterschiedliche Bezeichnungen für Produkte verwendet werden, die Kunden über die verschiedenen Vertriebskanäle bestellen. Wichtig ist daher festzulegen, wie die korrekten Daten aussehen sollen und wer für die Einhaltung einer hohen Datenqualität verantwortlich ist.
2. Externe Daten integrieren.
In jedem Anwendungsszenario der prognostischen Analytik spielt die Quantität und Qualität der verfügbaren Daten eine tragende Rolle. Nur wenige Unternehmen nutzen für ihre Analysen bereits Daten, die von Quellen außerhalb ihrer eigenen Organisationsgrenzen stammen. Aber gerade solche externen Daten können einen erheblichen Einfluss auf die Güte und Treffsicherheit von Prognose-Ergebnissen haben. Durch die Einbeziehung externer Datenquellen und Informationen, etwa Sensor-, Geo- und Wetterdaten, Informationen von Marktforschern oder von Social-Media-Plattformen, lassen sich Prozesse für die Entscheidungsfindung auf eine breitere Basis stellen.
3. Grundlegende Statistikkenntnisse erwerben.
Wer prognostische Analytik, in welcher Fachabteilung auch immer, betreiben will, sollte über ein grundlegendes Verständnis der Statistik verfügen. Die deskriptive Statistik beschreibt Ereignisse aus der Vergangenheit und hilft Beziehungen, etwa zwischen Kunden und Produkten, besser zu verstehen. Sie ist ein wichtiger Schritt, um erste Einsichten in Zusammenhänge zu erhalten. Prognostische Analytik befasst sich mit der Zukunft. Hier soll etwa mit Daten aus dem Vertrieb die Wahrscheinlichkeit abgeschätzt werden, mit der ein Kunde bestimmte Produkte oder Services kauft. Eine Auswertung aus der Produktion hilft, die Wahrscheinlichkeit künftiger Supportanfragen wegen mangelhafter Produktqualität zu reduzieren.
4. Arbeitsweise von Algorithmen verstehen.
Regeln und Algorithmen unterstützen Unternehmen dabei, Muster in den ermittelten Daten zu erkennen. Aus dem bisherigen Kundenverhalten und der -historie lässt sich beispielsweise berechnen, mit welcher Wahrscheinlichkeit ein Autofahrer, der eine Kraftfahrzeugversicherung abgeschlossen hat, auch eine weitere Versicherung benötigt. Das Stichwort lautet hier Potenzialanalyse. Weit verbreitete Algorithmen, deren Einsatz für prognostische Analysen geprüft werden sollte, sind Regressionsanalysen, Decision Forests (eine Menge von Entscheidungsbäumen) und neuronale Netze. Immer wichtiger werden auch die Algorithmen des maschinellen Lernens. Die Rohdaten dafür entstehen zum Beispiel an der Vielzahl von Offline- und Online-Kundenkontaktpunkten, an denen Interessenten und Kunden mit den Produkten und Services eines Unternehmens in Berührung kommen.
5. Prognosemodelle entwickeln und an Fachbereiche verteilen.
Durch die Einbettung von RStat, eine Sammlung weit verbreiteter quelloffener Statistikfunktionen, in eine BI-Plattform, können Unternehmen diese um vielfältige Funktionen für prognostische Analytik und Prognosemodelle anreichern. Damit sind die unterschiedlichsten Fachabteilungen in den Unternehmen in der Lage, leistungsfähige statistische Funktionen zu nutzen, die ansonsten nur mit erheblichen Zusatzkosten verfügbar wären. Für das Grundgerüst, nämlich die Zusammenstellung der benötigen Daten, ist die BI-Plattform zuständig.
"Die prognostische Analytik ist eine vielfältig einsetzbare Weiterentwicklung der klassischen Reporting- und Analyse-Werkzeuge, wie sie Business-Intelligence-Plattformen bereitstellen", sagt Nathan Jagoda, Country Manager Germany bei Information Builders. "Während traditionelle BI primär vergangenheitsorientiert und deskriptiv arbeitet, hilft die prognostische Analytik, Entscheidungen faktenbasiert besser vorzubereiten und die Zukunft aktiv gestalten zu können. Unternehmen sind damit in der Lage, vom reaktiven in den aktiven Modus umzuschalten."
Quelle: www.informationbuilders.de
