Predictive Analytics:
Der Blick in die Kristallkugel 2.0
Mit Ground Truth werden Vorhersagen verlässlich und belastbar – auf der Grundlage valider Daten
Der Blick in die Zukunft ist seit Menschengedenken ein verlockender Gedanke. Was wäre, wenn ich schon heute wüsste, was morgen passiert? Dank Big Data, Business Intelligence-Lösungen und Predictive Analytics-Methoden kommen Unternehmen heute dieser Vision immer näher.
Werden die über die unterschiedlichsten Unternehmensanwendungen erfassten Daten in Business-Intelligence-Lösungen eingegeben, vermitteln sie in der Regel eine ziemlich präzise Darstellung der gegenwärtigen Situation eines Unternehmens. Eine Planung für die zukünftige Entwicklung des Marktes und dessen Auswirkungen auf das Unternehmen ist dagegen mit diesen Lösungen nur schwer möglich. Dafür benötigt man ausgefeiltere Methoden, die heute unter dem Oberbegriff „Predictive Analytics“ zusammengefasst werden.
Forrester Research definiert Predictive Analytics als Methode, mit deren Hilfe sich aussagekräftige Muster und Abhängigkeiten in Datenbeständen identifizieren und auf diese Weise mögliche zukünftige Ereignisse vorhersagen sowie potenzielle Handlungsmöglichkeiten bewerten lassen.
Doch wie genau funktioniert Predictive Analytics in der Praxis? Die folgenden Beispiele sollen dazu einen groben Überblick vermitteln.
Beispiele für den Einsatz von Predictive-Analytics Methoden – Finanzbranche
Im Banken- und Versicherungsbereich kommt Predictive Analytics hauptsächlich im Bereich des Risikomanagements zum Einsatz. Denn speziell nach BCBS 239, Paragraph 33 sind vor allem systemrelevante Banken verpflichtet, Ihre Risikodaten zu aggregieren. So versuchen Banken beispielsweise bei der Kreditvergabe das Risiko einzuschätzen, dass der Kreditnehmer – ob Privatperson oder Unternehmen – in der Lage ist, zukünftig die vereinbarten Ratenzahlungen für den gewährten Kredit zu leisten (Kredit-Scoring). Versicherungen wiederum ist daran gelegen, mit Predictive Analytics-Methoden zukünftige Schäden und die daraus potentiell entstehenden Kosten einzuschätzen. Die Ergebnisse dieser Berechnungen fließen dann auch in die Tarifkalkulation für den entsprechenden Versicherungstyp oder -vertrag ein. Das Ziel des Versicherers ist dabei klar: Minimieren des eigenen Schadensrisikos.
Beispiele für den Einsatz von Predictive Analytics-Methoden – Produktion
In der Produktion gehört Predictive Analytics zu den wichtigen Komponenten innovativer „Smart Factory“-Konzepte im Rahmen der Umsetzung von Industrie 4.0. Die Fabrik der Zukunft verwaltet ihre Optimierungs-, Konfigurations- und Diagnoseprozesse autonom und wird dadurch flexibler. Bei allen Herstellungsprozessen fallen dabei eine Fülle von Daten an, die mit Predictive Analytics-Methoden ausgewertet werden. Ziel ist vor allem die Optimierung der Absatz- und Bedarfsplanung. Dies erhöht die Effizienz der Materialbeschaffung, operative Entscheidungen können automatisiert werden, Lieferengpässe werden vermieden. Dank Predictive Analytics wird nämlich der tatsächliche Absatz bereits vorab prognostiziert und fließt dann direkt in die Planung der zu produzierenden Stückzahlen ein.
Beispiele für den Einsatz von Predictive-Analytics Methoden – Hotel- und Reisebranche
Eine weitere Branche, bei der Predictive Analytics-Methoden zum Einsatz kommen, ist die Hotel- und Reisebranche. Auf der Grundlage ihrer Gästedaten sind Hotels beispielsweise in der Lage, Prognosen über die zukünftigen Buchungs- und Belegungszahlen zu treffen. Dies hilft bei der Personaleinsatzplanung und der Konzeption zielgruppenspezifischer Marketing- und Vertriebskampagnen.
Fluglinien können mit einer Auswertung ihrer Passagierdaten Prognosen dazu treffen, wie die zukünftige Auslastung einzelner Flugrouten aussieht und welche Kapazitäten (= Größe der Flugzeuge) sie bereitstellen müssen. Dies wirkt sich direkt auf den damit verbundenen Streckenumsatz und -ertrag aus, denn kleinere Flugzeuge mit höherer Auslastung sind kosteneffizienter als größere Flugzeuge, die dieselbe Strecke – und noch dazu halbleer – fliegen.
Und letztendlich sind Betreiber von Online-Reise- und Buchungsportalen in der Lage, ihren Besuchern eine optimale Customer Experience zu bieten, indem sie die verfügbaren Daten auswerten und daraus Prognosen erstellen, welche Typen von Reisen und zusätzlichen Angeboten einem Portalbesucher aufgrund seines bisherigen Besuchsverhaltens zu welcher Jahreszeit auf dem Portal angezeigt werden sollen oder welche Angebote Bestandteil eines Email-Newsletters an eine bestimmte Empfänger-Zielgruppe sein sollen.
Beispiele für den Einsatz von Predictive-Analytics Methoden – Predictive Maintenance
Doch nicht nur in der Produktion, in Vertrieb und Marketing oder beim Risikomanagement spielen Predictive Analytics-Methoden heute eine wichtige Rolle, sondern sogar bei der Wartung von Maschinen und Anlagen. Für dieses Einsatzszenario wurde ein eigener Fachbegriff geschaffen: Predictive Maintenance.
Auch das vorrausschauende Instandhalten ist ein zentraler Bestandteil einer Industrie 4.0-Umgebung. Über Sensoren können die Zustandsdaten von Maschinen oder einzelnen Komponenten erfasst und ausgewertet werden. Mit den entsprechenden Predictive Maintenance-Methoden ist es dann möglich, rechtzeitig auffällige, auf Störungen oder den baldigen Ausfall hindeutende Muster zu erkennen und präventiv Wartungs- oder Reparaturmaßnahmen einzuleiten. So können drohende Stillstandzeiten erkannt und minimiert werden, was als Folge die Gefahr von Produktionsausfällen minimiert.
GROUND TRUTH als Voraussetzung für den RICHTIGEN Blick in die Kristallkugel
Wie aus den Beispielen und der eingangs zitierten Forrester-Definition von Predictive Analytics deutlich wird, geht es bei der Methode grundsätzlich darum, eine Vielzahl an Daten aus der Vergangenheit so zu analysieren, dass daraus valide Aussagen für die Zukunft getroffen werden können. Was dies für die Qualität der zu analysierenden Daten bedeutet, ist klar. Je besser die Daten, desto besser die Prognose und desto besser die darauf basierenden Entscheidungen. Aus dem Umkehrschluss ergibt sich dagegen eine für Unternehmen gefährliche Kettenreaktion. Sind die Daten ungepflegt, entstehen ungenaue Analysen, diese wiederum führen zu verfehlten Maßnahmen und Kampagnen und letztendlich zu den falschen Geschäftsentscheidungen.
Um diese Kettenreaktion gar nicht erst auszulösen, haben wir mit GROUND TRUTH eine Lösungs- und Prozessmethodik entwickelt, die zu einer qualitätsgesicherten Datenbasis führt, auf deren Grundlage verlässliche und belastbare Datenanalysen durchgeführt werden können. Der klassische „Golden Record“, also der zentrale Stammdatensatz eines Kunden oder Interessenten, wird angereichert um Transformationsregeln, die den Zugriff auf Interaktions- und Transaktionsdaten, also die Bewegungsdaten, in den unterschiedlichen Datenquellen beschreiben. Aus dem „Golden Record“ wird damit das „Golden Profile“ des Kunden. Dieses „Golden Profile“ vereint Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt. Damit ist erstmals eine wirklich vollständige, präzise und aktuelle 360-Grad-Sicht auf den Kunden möglich.
Die GROUND TRUTH-Methode hilft Unternehmen letztendlich dabei, sicherzustellen, dass ihre Prognosen und Analysen nicht mehr im ‚luftleeren Raum‘ stattfinden, sondern über die ‚Bodenhaftung‘ verfügen, die erforderlich ist, um ein solides Datenfundament für eine belastbare Datenanalyse zu schaffen.
Unabhängig also davon, ob Unternehmen Predictive Analytics zum Risikomanagement, zur Produktions- und Bedarfsplanung, für Marketing- und Vertriebskampagnen oder für das vorausschauende Instandhalten von Anlagen und Maschinen einsetzen, sollten sie auf GROUND TRUTH auf keinen Fall verzichten.
Innovative 2016: Focus Customer Data, 7. Juni 2016, Frankfurt
Das Konzept und die Einsatzszenarien von GROUND TRUTH sind eines der zentralen Themen auf der Innovative 2016. Die Fachveranstaltung findet am 7. Juni 2016 in Frankfurt/Main statt. Unter dem Motto “Kundendaten sind der Treibstoff für die digitale Transformation” bietet das zweijährlich stattfindende Uniserv-Trendforum rund um das Thema Kundendatenmanagement eine interessante Auswahl aus Expertenvorträgen und Best Practices aus unterschiedlichen Branchen, die zeigen, wie Unternehmen sich derzeit „digital-ready“ machen und welche Rolle dabei ein professionelles Kundendatenmanagement spielt.
© 2016 Uniserv GmbH oder ein Uniserv-Tochterunternehmen. Alle Rechte vorbehalten. Weitergabe und Vervielfältigung dieser Publikation oder von Teilen daraus sind, zu welchem Zweck und in welcher Form auch immer, ohne die ausdrückliche schriftliche Genehmigung durch die Uniserv GmbH nicht gestattet.
Ground Truth von Uniserv sowie die dazugehörigen Logos sind Marken oder eingetragene Marken der Uniserv GmbH in Deutschland und anderen Ländern. Alle anderen Namen von Produkten und Dienstleistungen sind Marken der jeweiligen Firmen.
Ground Truth ist das Fundament für Umsatzwachstum und neue Geschäftsmodelle vor dem Hintergrund der digitalen Transformation, beispielsweise für die Optimierung von Vertriebs- und Marketingaktivitäten, Kampagnenmanagement, von Blacklist Matching, Compliance oder auch Customer Relationship Management. Im Mittelpunkt steht das Golden Profile eines jeden Kunden, sprich der Golden Record, angereichert mit Interaktions- und Transformationsdaten (Bewegungsdaten). Mit dem Ground Truth bewegen sich Entscheider nicht mehr im luftleeren Raum, sondern haben Bodenhaftung im Decision-Making.