Immer mehr Unternehmen wollen Vorhersagemodelle nutzen, um auf Basis von Analysen ihre Lieferkette zu optimieren, Absatzchancen für verschiedene Produkte zu ermitteln oder Prozesse effizienter zu gestalten. Für diese Aufgaben und Analysen speichern und verwalten die Unternehmen eine riesige Menge an Daten. Doch die Bewältigung und Auswertung von „Big Data“ stellt viele Unternehmen vor neue Herausforderungen.
Genau an diesem Punkt gewinnen Predictive Analytics zunehmend an Bedeutung und wecken Interesse. Denn mit Hilfe von vorausschauenden Analysen können die bestehenden Daten für Umsatzsteigerungen, Einsparungen und Prozessoptimierungen genutzt werden.
Was sind Predictive Analytics?
Ein Großteil der Prognoseverfahren basiert auf Predictive Analytics, einer Methode zum Aufdecken wiederkehrender Muster in Daten, deren Weiterentwicklung mithilfe bestimmter Algorithmen prognostiziert wird.
Anders als herkömmliche Analyseverfahren ermitteln Predictive Analysis also nicht nur Muster in Datenbeständen. Sie errechnen im Anschluss auch den voraussichtlichen weiteren Verlauf mit modernen Algorithmen und Modellen.
Das Ziel: Aktuelle Daten analysieren und auf deren Basis präzise Prognosen für die Zukunft treffen.
Das heißt, Predictive Analytics generieren aus Daten operative Aktionen. Auf der Basis von vorhandenen Daten werden verlässliche Schlüsse zur aktuellen Situation sowie zu zukünftigen Ereignissen erkannt, abgeleitet und prognostiziert.
Begriffsabgrenzung:
Auch wenn Predictive Analytics heute der am meisten verwendete Begriff hierzu ist, steht er nur gleichberechtigt neben Descriptive Analytics und Prescriptive Analytics.
Wie profitieren Unternehmen von vorausschauenden Analysen?
Vorausschauende Analysen dienen als Konzept der Business Intelligence der Entscheidungsunterstützung. Sie verdeutlichen Fakten, die sich im Rahmen eines Modells ergeben und auf deren Basis dann Entscheidungen getroffen werden.
Predictve Analytics helfen Unternehmen dabei, aus den Herausforderungen des Marktes und den daraus resultierenden Geschäftsfragen Schlüsse zu ziehen. Sie bieten Unternehmen die notwendige Unterstützung beim Unternehmenswandel in einer globalisierten Welt.
Der Nutzen:
Auf Basis der bestehenden geschäftlichen Daten können zukünftige Trends prognostiziert werden. Wachstum wird erleichtert und das Risiko gesenkt.
Die Folge: Steigender Umsatz, Kundenbindung, Kosteneinsparungen, Qualitätssteigerungen, Erkennen von Trends, Erhöhte Kundenzufriedenheit, reduziertes Risiko
Mögliche Anwendungsfälle
Entlang der gesamten Wertschöpfungskette gibt es die verschiedensten Anwendungsfälle für Predictive Analytics, nachfolgend einige Beispiele:
- Forschung: Survival Analysis, Echtzeitmonitoring von Studien
- Entwicklung: Fehlermuster identifizieren, Time-to-Market optimieren
- Produktion: Predictive Maintenance, Predictive Quality Assurance
- Logistik: Vorausschauende Beschaffung, Optimierung der Einkaufskonditionen, Lieferanten Wertanalysen
- Marketing & Vertrieb: Next Best Offer, Abwanderungsanalysen, Social Media Analysen
- Finanzen & Controlling: Absatzprognosen, Risiko- und Betrugsanalysen, Sensitivitätsanalysen
- After Sales: Warranty Analytics, Vorhersage finanzieller Auswirkungen
Was bei Predictive Analytics-Lösungen zu beachten ist
Da immer mehr Unternehmen und Branchen erkenne, dass vorausschauende Analysen Wettbewerbsvorteile mit sich bringen, haben sich die Anforderungen an Predictive Analytics verändert.
Vor allem ein direkter Zugriff der Mitarbeiter auf die Analysesoftware, um selbst Analysen durchzuführen, gewinnt mittlerweile immer weiter an Bedeutung. Denn nur so können Engpässe bei der Datenanalyse und deren Auswertung vermieden werden.
Genau dieser Wunsch der Endnutzer, selbst Analysen durchzuführen, führt zu neuen Herausforderungen bei Predictive Analytics-Lösungen.
Sie müssen erstens so konstruiert sein, dass die Benutzer keine falschen Analysen durchführen können. Das heißt, die Auswahl falscher Parameter muss unmöglich sein.
Gleichzeitig muss die Lösung benutzerfreundlich gestaltet sein und eine einfache Bedienbarkeit gewährleisten.
Drittens müssen die Mitarbeiter im Hinblick auf die Analysefunktionen geschult werden. Je mehr Bedeutung die Analysen im Hinblick auf Strategie und Wettbewerbsfähigkeit des Unternehmens haben, desto wichtiger ist die Schulung.
Voraussetzungen für den Einsatz von vorausschauenden Analysen im Unternehmen
- Zuverlässige und geeignete Daten
- Bestimmung und Bewertung der Relevanz von internen und externen Daten für die Analysen
- Lösungen für ein professionelles Information Management zum Aufbau eines Data Warehouse(z.B. Stammdatenverwaltung oder Data Governance)
- Ausstattung mit geeignetem Personal und Schulung der Anwender
- In-Memory-Datenbanken als wesentliche Grundvoraussetzung für Echtzeit-Analysen.
- Visualisierungstools für die Darstellung der Ergebnisse in verständlicher Form
Der bisherige Einsatz von Predictive Analytics
In vielen Bereichen und Branchen sind Predictive Analytics nicht unbedingt neu. Viele Unternehmen setzen im Vertrieb Forecasting-Systeme zur Bewertung von Leads ein. Und auch Vorschlagsmaschinen in Webshops sowie die Anwendung von Marketing-Modellen als Entscheidungshilfe (z.B.welche Anzeige auf welcher Seite eines Mediums erscheinen soll), zählen zu den Anwendungsszenarien von Predictive Analytics.
In allen Fällen wird die Analytik dazu verwendet, Wahrscheinlichkeiten für das Eintreten eines Ereignisses zu berechnen, z.B.
- eines Vertragsabschlusses
- die Annahme einer Kaufempfehlung
- Chance und Risiko von Treffen von Maßnahmen
Doch vor allem im Finanzdienstleistungssektor sind solche Analysen bereits seit Jahren Gang und Gebe.
Beispiel:
Ein Unternehmen erstellt mit Hilfe von Predictive Analytics Absatzprognosen für seine Produkte, abhängig von den verschiedenen Vertriebsregionen. Da in einer der Regionen ein Anstieg der Arbeitslosigkeit erwartet wird, errechnet die Software einen Absatzrückgang in dieser Region.
So kann das Unternehmen seine Verkaufsstrategie frühzeitig auf die Veränderung einstellen und verschafft sich einen Wettbewerbsvorteil. Deshalb zeigen immer mehr neue Branchen und Sektoren jetzt Interesse an solchen vorausschauenden Analysen.
Fazit
Predictive Analytics helfen Unternehmen dabei, aus Big Data relevante und wichtige Daten zu generieren und extrahieren. Wahrscheinliche Entwicklungen können vorhergesagt werden.
Je effizienter der Einsatz dieser vorausschauenden Analysen, desto besser können Entscheidungen abgeleitet und taktisch kluge Handlungen vorgenommen werden. Die Konsequenz: ein deutlicher Wettbewerbsvorteil gegenüber den Mitbewerbern.
Allerdings besteht die größte Herausforderung beim Einsatz von Predictive Analytics darin, gewonnene Ergebnisse auch erfolgreich in das Business zu übertragen. Denn die Analyseergebnisse nützen dem Unternehmen nur dann, wenn auch die richtigen Schlüsse gezogen werden. Eine falsche Interpretation kann also Schaden anrichten.
SAP Predictive Analytics: Statistische Vorhersagemodelle erstellen
Was die Lösung von SAP kann:
Mit SAP Predictive Analytics können Sie Vorhersagemodelle für beliebige Geschäftsszenarien erstellen. Zukunftsorientierte Auswertungen sind so auch ohne die Unterstützung der IT-Abteilung möglich.
Im Gegensatz zu dem klassischen vergangenheitsorientierten BI-Tool, ermöglicht SAP Predictive Analytics das Erstellen statistischer Vorhersagemodelle.
So können Unternehmen z.B. Trends im Kundenverhalten erkennen und neue Absatzpotentiale identifizieren. Dadurch orientieren sich Geschäftsentscheidungen deutlich genauer an den tatsächlichen Bedingungen am Markt.
Mit SAP Predictive Analytics erstellen die Anwender aus den Fachbereichen die gewünschten Statistikmodelle in einer grafischen Oberfläche selbst – ganz ohne Programmierkenntnisse.
In Kombination mit SAP HANA als In-Memory-Plattform, lassen sich auch Terabyte-große Datensätze in Sekunden auswerten.
Die Vorteile auf einen Blick:
- Schnelles Erstellen von Prognosen dank SAP HANA – auch in Echtzeit:
Über SAP HANA als Technologieplattform lassen sich Szenarien schneller als bisher berechnen.
- Detaillierte Analysen großer Datenmengen: auch Terabyte-große Datensätze lassen sich binnen Sekunden auswerten
- Anwendung in den Fachbereichen dank einfach zu bedienenden Oberflächen: Prognosen schnell und ohne Unterstützung aus der IT-Abteilung als Entscheidungsgrundlage erstellen
- Umfassender Lösung als SAP Data Mining, SAP Business Planning und Consolidation, SAP SCM, etc.
- Verbesserte Ergebnisse einfacher und zu geringeren Kosten erreichen
- Vereinfachte Modellierungsmöglichkeiten
- Verbesserte Performance
- Intuitive Benutzeroberfläche: einfach bedienbar
- Grafische Modellierung
Weitere Informationen zum Thema SAP Predictive Analytics finden Sie auf der Seite der SAP.