Bericht • 24.06.2013
Mit Prognosemodellen näher am Geschehen
Fachbeitrag von Nathan Jagoda, Country Manager Germany bei Information Builders
Prognostische Analytik ist keine „Spielwiese“ mehr für Statistikfreaks. Durch die Einbindung leistungsstarker Funktionen in eine BI-Plattform können Unternehmen damit umsatzrelevante Anwendungen mit klarem Geschäftsauftrag und eindeutigen Geschäftszielen entwickeln.
Business-Fragen zur Vergangenheit und Gegenwart lassen sich mit Hilfe weit verbreiteter BI-Anwendungen weitgehend problemlos beantworten. Mit einem Blick in die Zukunft und detaillierten Prognosen sah es lange Zeit anders aus. Damit befassten sichlediglich die Statistikspezialisten in den Unternehmen und berechneten Wahrscheinlichkeiten zum Eintreten bestimmter Ereignisse, etwa in der medizinischen Forschung, der Risikobewertung von Kreditverträgen oder bei der Einschätzung von Schadensfällen einzelner Versicherungsarten. Primär ging es um eine reaktive Vermeidung von Schäden und weniger um eine aktive Gestaltung der Zukunft.
Prognostische Analytik (Predictive Analytics) und Modellierung (Predictive Modeling) waren das Metier von Spezialisten, die über umfangreiches und ausgeprägtes mathematisches und statistisches Know-how verfügen mussten. Heute findet, dank ausgereifter und einfacher anzuwendender Verfahren, prognostische Analytik immer häufiger Eingang in das Tagesgeschäft.
Für die Marktforscher von Forrester Research etwa muss eine Lösung für die prognostische Analyse in der Lage sein, klare nachvollziehbare und aussagekräftige Muster und Beziehungen in Datenbeständen zu identifizieren. Darauf aufbauend ist es möglich, künftige Ereignisse vorherzusagen und unterschiedliche Handlungsalternativen zu bewerten. Die Mustererkennung wiederum ist eines der Tätigkeitsfelder von Data Mining. Information Builders beispielsweise stellt dazu das Predictive-Analytics-Tool WebFOCUS RStat bereit. Eingebettet in eine Entwicklungsumgebung ermöglicht RStat die Auswertung von Informationen aus nahezu jeder Datenquelle. RStat selbst ist eine Sammlung weit verbreiteter quelloffener Statistikfunktionen.
Prognosemodelle und Risikoabschätzungen
BI-Spezialisten und Fachleute aus Marketing, Vertrieb oder der Produktion können dann mit komfortabel einsetzbaren Statistikwerkzeugen auf die benötigten Daten zugreifen, sie ändern und transformieren. Sie entwickeln damit Prognosemodelle, nehmen Risikoabschätzungen vorund erstellen fertige Applikationen, die von vielen anderen Mitarbeiter im Unternehmeneinfach über einen Browser eingesetzt werden können.
Die Einsatzgebiete sind vielfältig, eines davon ist etwa die Survival Analysis (Überlebensanalyse). Deren Verfahren und die dazu gehörenden Bewertungs-Routinen werden beispielsweise in der medizinischen Forschung zur Prognose der Wirkungsweise neuer Produkte eingesetzt. In der Fertigungsindustrie etwa erfolgt damit die Modellierung der Eintrittswahrscheinlichkeit möglicher Fehler und Ausfälle von Maschinen und einzelner Bauteile. In automatisierten industriellen Fertigungsprozessen erfassen Sensoren fortlaufend die Prozessdaten und speichern sie. Lösungen für die prognostische Analyse helfen dabei, bestimmte Muster bei Produktionsfehlern frühzeitig zu prognostizieren.
Produktionsplaner können sich dann darauf vorbereiten und rechtzeitig Ersatzteile bereithalten. In den USA beispielsweise nutzen Strafverfolgungsbehörden Prognosemodelle zur Verbrechensprävention. Permanent angepasste Algorithmen, die in der Zwischenzeit sogar aktuelle Wetterdaten einbeziehen, ermöglichen, dass Polizeistreifen und Sicherheitsmaßnahmen gezielt dort eingesetzt werden, wo die Wahrscheinlichkeit am größten ist, dass es zu Gewalttätigkeiten kommt.
Weitere Einsatzgebiete für prognostische Analytik gibt es beispielsweise im Einzelhandel. Eine Supermarktkette etwa kann die Umsatzströme mehrerer Jahre analysieren, um zu ermitteln, wann welche Filiale wie viel Personal benötigt. Davon profitieren auch die Mitarbeiter. Statt kurzfristiger Zusatzschichten anordnen zu müssen, erstellt die Filialleitung deutlich verlässlichere Schichtplänefür einen Monat. Zudem lassen sich mit prognostischer Analyse und verfeinerten statistischen Methoden Kassenbons detaillierter auswerten, um Wissen über das Kundenverhalten zu gewinnen und den Kunden individuelle Angebote unterbreiten zu können. Auf Basis von Modellierungswerkzeugen präsentieren beispielsweise Online-Shops Käufern Komplementärprodukte und berechnen dafür die Kaufwahrscheinlichkeit.
Ein wichtiger Anwendungsfall für die prognostische Analyse im Retail-Sektor ist beispielsweise die Preis-Absatz-Funktion (PAF). Aus Vergangenheitsdaten ergibt sich die PAF für einzelne Produkteund auf dieser Basis kann der optimale Preis jedes Produktesin der Zukunft bestimmt werden – abhängig von Wetter, Uhrzeit, Wochentag, Jahreszeit etc.Betriebswirte sprechen in dem Zusammenhang von „Nachfrageelastizität“, die sich im Online Handel noch genauer steuern lässt als im stationären Handel.
Aber auch in anderen Branchen liefert die prognostische Analytik wichtige Erkenntnisse. Unternehmen aus dem produzierenden Gewerbe optimieren über Prognosen die ein- und ausgehenden Warenströme sowie die Maschinenauslastung in der Fertigung. Logistikunternehmen testen Modelle, um ihre Tourenplanung weiter zu optimieren.
Ein wichtiger Erfolgsfaktor ist eine Performance bei der Verarbeitung der zum Teil sehr umfangreichen Datenmengen. Wer hier an Big-Data-Analysen denkt, liegt genau richtig. Information Builders etwa nutzt dazu WebFOCUS Hyper¬stage, eine für Abfragen optimierte, spaltenorientierte und direkt mit der BI-Plattform verbundene Datenbank. Sie verwendet In-Memory-Verfahren sowie umfangreiche Komprimierungsfunktionen und sorgt so für eine deutlich höhere Performance von BI- und Predictive-Analytics-Applikationen. Davon profitieren insbesondere Anwendungen, bei denen eine hohe Zahl von Ad-hoc-Anfragen oder sehr große Datenmengen zu verarbeiten sind.
Mit einer solchen Lösung können Unternehmen die Herausforderungen im Zusammenhang mit sehr großen Datenmengen, komplexen Abfragen oder die Verarbeitung von nicht-indizierten Daten schneller als je zuvor bewältigen und damit beispiels-weise wichtige Informationen und Annahmen zu künftigen Geschäftsabläufen, Workflows in der Produktion oder dem Kundenverhalten zügig bereitstellen und Trends beeinflussen.
Themenkanäle: Datenmanagement
