Häufig wird nicht immer ganz klar, was unter dem Begriff Predictive Analytics zu verstehen ist. Ein nicht ausreichendes Veständnis von Predictive Analytics verhindert häufig ein Ausschöpfen der Potenziale, die sich für ein Unternehmen aus Predictive Modeling ergeben können. Eine korrekte Anwendung von Predictive Analytics erlaubt präzisere Entscheidungsgrundlagen als traditonelle Business Intelligence Verfahren. Wir zeigen Ihnen in diesem Artikel die diversen Anwendungsgebiete und die Unterschiede zwischen den Prognoseverfahren, die man basierend auf Unternehmensdaten erstellen kann. Der Bereich der Predictive Analytics wird als Teilgebiet der Business Intelligence verstanden, weil sich die Funktionen der Software-Programme für Predictive Analytics mit den Prognoseverfahren einer Business Intelligence Software zum Teil überschneiden. Vernetzte IT-Systeme erlauben allerdings die Vorteile beider Verfahren gleichzeitig zu nutzen.
Wenn Sie Unterstützung für Ihr Predictive Analytics Projekt wünschen, helfen unsere Experten Ihnen gerne weiter. Kontaktieren Sie uns für eine kostenlose Beratung und ein unverbindliches Angebot.
Dieser Artikel beantwortet folgende Fragen:
- Was bedeutet Predictive Analytics?
- Wie sieht der Workflow für Predictive Analytics aus?
- Wie lassen sich die Business Intelligence und Predictive Analytics Software kombinieren?
Was bedeutet Predictive Analytics?
Das übergeordnete Ziel von Predictive Analytics ist die Ermittlung der Wahrscheinlichkeit des Eintretens eines spezifischen Resultats oder eines Ereignisses. Hinter dem Begriff verbirgt sich die Schaffung, das Testen und Validieren eines Prognosemodells. Solche Prognosemodelle erstellt man, um die Wahrscheinlichkeit des Eintretens eines Resultats überprüfen zu können. Die Resultate einer solchen Prognose können dabei helfen, die künftige Entwicklung des Bestandsmanagements für einen bestimmten Zeitraum vorherzusagen oder eine vorausschauende Wartung von Produktionsanlagen zu gewährleisten.
Wie wird ein Datenmodell für Predictive Analytics erstellt?
Für die Erzeugung eines Datenmodells, das Predictive Modeling, stehen diverse Verfahren der Künstlichen Intelligenz (KI) in Kombination mit Methoden des Maschinellen Lernens (ML) und der Statistik als Software zur Verfügung. Das Prognosemodell für die Wahrscheinlichkeit des Eintretens eines Ereignisses wird aufgrund des Testens, der Validierung und der Auswertung einer gegebenen Menge an Input-Daten erstellt. Es existieren zudem beschreibende und Entscheidungsmodelle. Beschreibende Modelle quantifizieren Informationen, die häufig zum Klassifizieren von Datensätzen in Gruppen verwendet werden. Entscheidungsmodelle erstellen Prognosen der Beziehung zwischen allen Elementen eines Datensatzes mit vielen Variablen.
Der Workflow des Predictive Modelings
Während des Prozesses der Prognose laufen ein oder mehrere Algorithmen für die Analyse über die Input-Daten. Das ist ein iterativer Prozess, der zudem bedingt, dass das Prognosemodell aufgrund der Input-Daten trainiert wird. Zunächst werden beim Predictive Modeling die Daten vorbereitet. In einem weiteren Schritt erfolgt das Data Mining. Data Mining wird als analytischer Prozess verstanden, der eine autonome Identifizierung von Mustern aus Daten erlaubt. In einem dritten Schritt erfolgt die Validierung der Resultate des Data Minings. Danach kann man die Daten hinsichtlich der Unternehmensziele begutachten und eine Problemstellung formulieren. Erst dann werden die Daten für das Prognosemodell vorbereitet und in einem weiteren Schritt erstellt. Danach erfolgt die Auswertung dieser Daten sowie der Einsatz des Datenmodells und in einem finalen Schritt kann man das Prognosemodell überprüfen und ggf. verbessern.
Die einzelnen Schritte des Predictive Modelings werden in der nachfolgenden Abbildung dargestellt.
Wie lassen sich die Resultate für den Vertriebsplan im Unternehmen nutzen?
Bedeutung für den Vertriebsplan (Forecast)
Die Prognosen sind für den Vertriebsplan (Forecast) deswegen von Bedeutung, weil sich aus der Analyse der historischen Daten künftige Entwicklungen hinsichtlich Bestandsmanagement, Kundenabwanderung oder Kundenverbleibquote (Retention Rate), Vertriebsgebiete, Produktgruppen oder Umsatz durch Vertriebsmitarbeiter ableiten lassen. Die Prognosen können unterschiedliche Ziele beinhalten wie beispielsweise eine geplante Erlössteigerung oder eine prozentuale Umsatzsteigerung im Vergleich zum Vormonat oder Vorjahr.
Der Vertriebsplan ist ein Instrument des Controllings, mit dem Abweichungen von den Zielvereinbarungen identifiziert werden. Werden Abweichungen erkannt, können Umsatz- und Ertragsentwicklung gefährdet sein. Ein Vertriebsplan eignet sich insbesondere für die Kurskorrektur. Auch dafür wird spezifische Software eingesetzt.
Was ist der Unterschied zwischen Predictive Analytics und Business Intelligence?
Business Intelligence bildet Unternehmensdaten ab und erforscht diese. Predictive Analytics erstellt aufgrund von gegebenen Input-Daten ein Prognosemodell für künftige Entwicklungen und Ereignisse. Das übergeordnete Ziel von Business Intelligence ist die einfache Visualisierung von Daten, damit schnell auf Informationen zugegriffen werden kann. Auf diese Art kann man einfach Muster, Trends oder Relationen zwischen Informationen identifizieren. Auch wenn die Prognoseverfahren auf den ersten Blick ähnlich erscheinen, bildet Business Intelligence nur das ab, WAS bereits passiert IST.
Predictive Analytics ist ein Instrument der Zukunft, d. h. Predictive Analytics fragt danach, WAS künftig passieren KÖNNTE. Die Prognoseverfahren greifen dabei auf spezifische Muster und Trends in vorgegebenen Datensätzen zurück. Diese bilden ab, was passieren KÖNNTE, wenn diese Muster sich ändern.
Lässt sich die Business Intelligence und Predictive Analytics kombiniert nutzen?
Vernetzte IT-Systeme erlauben eine Kombination von Business Intelligence und Predictive Analytics. Eine Voraussetzung für vernetzte IT-Systeme ist eine Interoperabilität und eine Kompatibilität beider Software-Varianten. Auf diese Art können Sie beispielsweise Kohortenanalysen durchführen, die Online-Shop-Nutzer in diverse Nutzergruppen mit ähnlichen Verhaltenseigenschaften kategorisiert. Diese Kategorisierungen können Sie nach Bestellungsanzahl, Gewinn und Umsatz sortieren und einen monatlichen Vergleich mit dem Vormonat vornehmen. Mit den durch die Kohortenanalyse ermittelten Kategorien und aufgrund der Vergleiche können Sie zudem personalisierte Marketingaktivitäten für die Nutzergruppen erstellen.
Eine Kombination von vernetzten IT-Systemen erlaubt zudem eine verbesserte Regressionsanalyse, d. h. die Ermittlung von Relationen zwischen diversen Variablen. Die Abhängigkeit oder Unabhängigkeit zwischen Variablen kann einen Einblick in historische und aktuelle Daten bieten. Interessant wäre beispielsweise eine Relation zwischen der Anzahl der Gesamtbestellungen mit der Anzahl der Top-10-Bestellungen, aber auch ein Blick auf die Relation zwischen Wartezeit und der Beschwerdeanzahl kann sich lohnen.
Mithilfe der Kombination der Software-Funktionen kann man auch historische Daten für Zeitreihenanalysen verwenden, um Prognosen hinsichtlich künftiger Umsätze zu erstellen. Dafür muss man monatlich abgebildete Umsatzzahlen diverser Vorjahre verwenden. Auf diese Art können vergangene Trends, monatliche Wachstumsraten und sich wiederholende Muster in Daten erkannt werden, um aufgrund der daraus gewonnenen Erkenntnisse eine Prognose zu erstellen.
Fazit
Auch wenn es auf den ersten Blick den Anschein hat, dass Funktionen in Business Intelligence und Predictive Analytics ähnlich sind, konzentriert sich die Funktion in Business Intelligence auf Daten der Vergangenheit.
Predictive Analytics dient primär der Prognose von künftigen Eintrittswahrscheinlichkeiten spezifischer Szenarios wie beispielsweise Bestandsentwicklung, Kundenabwanderungs- und -verbleiberaten oder Umsatzssteigerung.
Wie wir Ihnen in diesem Artikel gezeigt haben, können Sie Business Intelligence durch Predictive Analytics erweitern, um damit Kohortenanalysen, Regressionsanalysen oder Zeitreihenanalysen durchzuführen und unterschiedliche Prognoseszenarien zu realisieren. Novustat unterstützt gerne auch Ihr Unternehmen durch eine gezielte statistische Beratung für relevanten Prognosen.
Weiterführende Quellen:
Bardhan, D., Baumgartl, A., Choi, N.-S., Dudgeon, M. Lahiri, A., Meijerink, B., WOrsley-Tonks, A. (2019): SAP S/4HANA, eine Einführung, Bonn: Rheinwerk.
Bruce, P., & Bruce, A. (2017): Statistics for Data Scientists: 50 Essential Concepts, London: O´Reilly.
Glenn, N. (2005): Cohort Analysis, London: Sage.
Kuhn, M. & Johnson, Kjell (2018): Applied Predictive Analytics, New York: Springer.
SAP (2019): SAP Predictive Analytics Integrator (PAi), https://news.sap.com/2018/04/predictive-analytics-for-business-departments/.
Schön, D. (2015): Planung und Reporting: Grundlagen, Business Intelligence, mobile BI und Big-Data-Analytics, Wiesbaden: Springer-Gabler.
Zakir, Seymour, Berg (2015): Big Data Analytics, In: Issues in Information Systems, Vol. 6(2), S. 82.