Predictive Analytics beschleunigt den Wandel und optimiert Geschäftsprozesse. Das zeigt eine Forrester-Studie. Zu den Hürden dieser Technologie gehören tiefe Statistik-Kenntnisse sowie eine sehr gute Datenqualität. (Ausgabe 6+7/2013)
Der Einsatz von Prognoselösungen hat einen beträchtlichen Einfluss auf die Unternehmensergebnisse und kann bessere Geschäftsentscheidungen sowie eine neue strategische Rolle der IT nach sich ziehen. Softwarebasierte Vorhersagen erleichtern die Orientierung in komplexen und volatilen Märkten. Insgesamt kann der Einsatz einer Prognoselösung zu steigendem Umsatz und Gewinn führen. So stieg bei einem Online-Händler der Umsatz bezogen auf eine einzelne Kampagne um 30 Prozent, bezogen auf das gesamte Unternehmen um drei Prozent. Das zeigt eine Befragung von 18 Business- und IT-Entscheidern aus Großunternehmen unterschiedlicher Branchen in Nordamerika und Europa, die Forrester im Auftrag des Softwareherstellers Blue Yonder im vergangenen Jahr durchgeführt hat.
„Die Einführung von Analyselösungen steht in den Implementierungsplänen von Unternehmen auf der ganzen Welt an oberster Stelle“, berichtet Holger Kisker, Vice President Research Director Application Development and Delivery bei Forrester. „Die von Unternehmen genutzten Analysetechnologien sowie ihre Ziele, ihre Motivation und die Mitarbeiter hinter diesen Projekten variieren allerdings stark. Daher sind für verschiedene Szenarien meist verschiedene Lösungen erforderlich.“
Prognosen erfordern eine sehr hohe Datenqualität
Der Hauptnutzen von Predictive Analystics ist laut Forrester eine bessere Kenntnis des Marktes und der Kunden. Andererseits bringen die Prognosewerkzeuge auch Herausforderungen mit sich:
• Predictive Analytics unterstützt Unternehmen in immer komplexeren Märkten. Zur Überwachung interner Prozesse auf Compliance und Leistungssteigerungen nutzen Betriebe im Wesentlichen herkömmliche Business-Intelligence(BI)-Lösungen. Predictive Analytics kommt meistens für die Prognose externer Markteinflüsse und des Kundenverhaltens zum Einsatz.
• Die mit BI-Lösungen verbundenen Schwierigkeiten – wie fehlende Kompetenzen der Mitarbeiter und mangelnde Qualität der eingegebenen Daten – gelten in ähnlicher Weise auch für Predictive Analytics. Eine weitere Hürde ist die Qualität der berechneten Prognosen und die Frage, ob die angewendeten Prognosemodelle zum Unternehmen passen, wenn diese Geschäftsprozesse unterstützen sollen.
• Das Geschäft bestimmt Predictive-Analytics-Projekte. In den meisten Fällen werden Predictive-Analytics-Projekte abhängig von der Business-Seite eines Unternehmens gestartet und durchgeführt. Angesichts der starken Integration von Predictive Analytics in das bestehende IT-Umfeld (beispielsweise Datenbeschaffung aus mehreren Transaktionssystemen) und der Komplexität der zugrunde liegenden Prognosemodelle, erfordern erfolgreiche Projekte die enge Zusammenarbeit von operativem Geschäft und IT.
• Unternehmen benötigen angemessene Fachkenntnisse, um Predictive-Analytics-Projekte zum Erfolg zu führen. Die zielführende Umsetzung von Predictive Analytics erfordert umfassende Kenntnisse über das Zusammenspiel von Technologie (beispielsweise mit den statistischen Prognosemodellen) und Geschäfts-Know-how. Da die meisten Unternehmen intern nicht über das hierbei nötige Wissen verfügen, verlassen sie sich auf Best-Practice-Lösungen für den Aufbau und Erwerb der nötigen Kompetenzen oder wenden sich für Service-Support an Dienstleister.
• Erfolgreiche Predictive-Analytics-Lösungen geben neue Impulse. Unternehmen mit erfolgreichen Predictive-Analytics-Projekten stellen fest, dass diese als Impulsgeber dienen. Sie ermöglichen es Unternehmen, in ihren Angeboten schneller proaktiv zu handeln – dies reicht von allgemeinen Marketingkampagnen bis zur Interaktion mit einzelnen Kunden. So ändert sich die Wertschöpfungskette der Unternehmen von herkömmlichen Push-Modellen in Richtung einer kundenorientierten und nachfragegesteuerten Organisation.
Die volatile Konjunktur stärkt das Interesse an Predictive Analytics
Seit der Finanzkrise sind Analyselösungen in den Implementierungsplänen von Konzernen zum wichtigsten Softwaresegment aufgestiegen. Während und nach der Rezession war Business Intelligence das am stärksten wachsende Segment im Softwaremarkt. Bislang konzentrieren sich die meisten Betriebe noch auf traditionelle Berichterstellung und nur wenige setzen bereits fortschrittlichere Analysetechnologien ein. Allerdings steigt das Interesse an solchen Lösungen stetig, wie Marktstudien von Forrester zeigen. Ende 2011 verwendeten 17 Prozent der befragten Unternehmen Predictive Analytics. Im Vergleich zur traditionellen Berichterstellung, die in 51 Prozent aller Unternehmen zum Einsatz kommt, ist dies ein geringer Prozentsatz. Etwa ein Drittel aller Unternehmen (32 Prozent) hat jedoch konkrete Pläne zur baldigen Implementierung von Predictive Analytics (siehe Grafik S. 12).
Eine tiefer gehende Analyse der Umfrageergebnisse zeigt, dass erfolgreiche Unternehmen im Vergleich zur Konkurrenz fortschrittlichere Analysetechnologien verwenden und die weitere Einführung solcher Lösungen offensiver planen. „Die erfolgreichsten Unternehmen haben 30 Prozent mehr Lösungen für Predictive Analytics implementiert als der Rest der Befragten“, berichtet Kisker. „Die Informationslücke zwischen den Top-Performern und der Konkurrenz wird weiter wachsen, wobei zögerliche Unternehmen rasch zurückfallen können.“
Die meisten befragten Unternehmen verwenden Analysen hauptsächlich zur Überwachung und Optimierung interner Geschäftsprozesse. Fast alle nennen als Hauptmotivation für den Einsatz die Möglichkeit, tiefere Einblicke in externe Märkte zu gewinnen – beispielsweise die Kundennachfrage, Marktpreise oder Marktrisiken. Um in sich rasch wandelnden Märkten erfolgreich zu sein, müssen Unternehmen aktuelle Trends erkennen und das Markt- und Kundenverhalten korrekt vorhersagen können. „Predictive Analytics hilft uns dabei zu verstehen, welcher Kunde am ehesten auf unsere Marketing- oder Vertriebsaktivitäten reagieren wird“, zitiert Kisker die Antwort des Leiters Business Intelligence eines weltweit agierenden Finanzdienstleisters.
Zehn Prozent der von Forrester befragten Unternehmen planten eine Implementierung von Predictive Analytics im Jahr 2012, zwölf Prozent planen dies im laufenden Jahr. (Quelle: Forrester)
Die befragten Unternehmen nutzen bessere Marktinformationen und genaue Geschäftsprognosen, um die vier folgenden Bereiche zu optimieren:
• Vertriebsergebnisse durch erfolgreiche Cross- und Upsell-Angebote an die richtigen Kunden zur richtigen Zeit,
• Lieferkette und Bestände durch Prognosen zu Angebot und Nachfrage,
• proaktives Risikomanagement durch korrekte Vorhersage des Verhaltens volatiler Märkte und
• vorausschauende Personalplanung und -zuteilung dank der Kenntnisse über sich verändernde Nachfragemuster.
So unterschiedlich wie die Geschäftsbereiche sein können, in denen Unternehmen Prognose-Software einsetzen, so variieren auch der Zeithorizont und das zeitliche Fenster für den Entscheidungsprozess zwischen den verschiedenen Implementierungen deutlich. Bei der Prozessautomatisierung und -optimierung wird die „aktuell beste Aktion“ sofort, das heißt innerhalb einer Sekunde oder weniger, ausgewählt und durchgeführt. In den meisten Fällen findet keine menschliche Intervention statt, beispielsweise bei Produktionsprozessen, beim Finanzhandel oder bei kundenorientierten Empfehlungen auf Webseiten. Bei der Ad-hoc-Entscheidungsunterstützung werden Entscheidungen üblicherweise von Menschen innerhalb weniger Sekunden oder Minuten basierend auf zeitnahen Prognosen getroffen. Dazu zählen allgemeine marktrelevante Entscheidungen – wie Verkaufskampagnen und Werbemengen – sowie individuelle kundenspezifische Entscheidungen über aktuell beste Angebote für einzelne Kunden in Callcentern oder Entscheidungen über Kreditanträge.
Bei der betrieblichen Planung liegt der Zeithorizont üblicherweise bei Tagen bis Wochen. Basierend auf präzisen Prognosen und Simulationen der sich verändernden Marktnachfrage wie Produktions- oder Vertriebsplänen entwickeln Manager Entscheidungen, die sie bis zum Zeitpunkt der Ausführung oft mehrmals überarbeiten. So optimieren Unternehmen die Produktion, minimieren die Bestände und vermeiden damit nicht vorrätige Artikel. Bei der strategischen Planung legen Unternehmen basierend auf einem Bild der Zukunft die Investitionen für die kommenden Jahre fest. Sie gründen ihre Entscheidungen über neue Produkte, Märkte oder Investitionsgüter auf präzise Prognosen, wie sich die Marktnachfrage ändern wird und wie sich das Unternehmensportfolio sowie die Wertschöpfungskette optimieren lassen.
Die Umfrageteilnehmer nutzen Predictive Analytics für alle vier Zeithorizonte, am meisten jedoch für die Ad-hoc-Entscheidungsunterstützung oder die betriebliche Planung (siehe Grafik S. 14). „Zumindest für die digitale Strategie benötigen wir Echtzeitdaten für unsere Kampagnen“, lässt sich der Leiter Interaktives Marketing eines Finanzdienstleisters in der Studie zitieren. „Wir möchten Entscheidungen über das Cross-/Upselling in Echtzeit treffen.“
Die Prognosemodelle müssen inhaltlich zum Business passen
Auf die Frage zu den größten Herausforderungen bei allgemeinen Analyse- und Business-Intelligence-Projekten nennen die Teilnehmer der Forrester-Studie die Datenqualität, fehlende Kompetenzen der Mitarbeiter und sich schnell verändernde geschäftliche Anforderungen sowie zu einem geringeren Prozentsatz Schwierigkeiten bei der technischen Integration. In Bezug auf Predictive Analytics wiederholen die Befragten diese vier Aspekte, und es tritt noch eine weitere Herausforderung hinzu: die Unsicherheit darüber, ob die Prognosemodelle und Vorhersagen auch wirklich relevant und dem jeweiligem Geschäftsprozess angepasst sind.
Die herkömmliche Berichterstellung liefert Informationen über die Vergangenheit. Die Interpretation solcher Daten kann zwar äußerst kompliziert sein, aber mit den erzeugten Berichten an sich gibt es keine Probleme – solange die Eingabedaten korrekt sind. Bei Predictive Analytics können Prognosen jedoch zu Fehlinterpretationen führen, falls das verwendete Modell nicht der unternehmerischen Fragestellung angepasst ist. Selbst wenn die Daten aktuell und von hoher Qualität sind, kann eine Prognose dann falsch sein. „Ein wesentlicher Erfolgsfaktor für den Einsatz von Predictive-Analytics-Lösungen ist die Passgenauigkeit der verwendeten Prognosemodelle für das jeweilige Geschäftsszenario“, erklärt Kisker. „Unternehmen benötigen entweder interne statistischen Kenntnisse für maschinelles Lernen oder sie müssen sich auf Lösungen und externes Fachwissen verlassen, um die Daten zu verstehen und sicherzustellen, dass die genutzten Modelle dem Geschäftszweck angemessen sind.“
Die Anwender sind sich dieser Herausforderungen durchaus bewusst: „Die Datenmenge ist eine große Herausforderung“, erklärt der Leiter Kundeninformationen eines großen Drogeriemarkts in der Studie. „In unserem Marktsegment sind Modelle im Hinblick auf unsere Promotion-Angebote nicht ohne Weiteres wiederverwendbar. Für uns ist es schwierig, kurzfristig neue Modelle zu erstellen. Außerdem ist es nicht leicht, Personen mit den nötigen Fertigkeiten zu finden. Mitarbeiter zu finden, die Informationen kommunizieren und Menschen dazu bewegen können, Erkenntnisse umzusetzen, ist eine Herausforderung.“
Trotz der Herausforderungen bewerteten die meisten Unternehmen den Einsatz von Prognose-Lösungen als sehr erfolgreich. Mehrere Anwender berichten, dass ihre Zufriedenheit und die positiven geschäftlichen Auswirkungen ihre Erwartungen beträchtlich übersteigen.
„Die befragten Entscheidungsträger sehen eine der größten Herausforderungen darin, dass immer mehr Abteilungen in ihren Unternehmen Predictive Analytics einsetzen möchten, um weitere neue Geschäftsszenarien zu entwickeln“, erläutert Kisker. „Die Reaktion im Unternehmen war noch bei keiner IT-Initiative so positiv wie hier“, berichtet der CIO eines internationalen Lebensmittelherstellers in der Studie. „Die geschäftlichen Auswirkungen sind stärker als bei jeder anderen Technologie.“
Unternehmensverantwortliche loben den Erfolg von Predicive-Analytics-Projekten
Die meisten Studienteilnehmer sind zwar der Meinung, dass sich der Erfolg von Predictive-Analytics-Lösungen in geschäftsrelevanten Kennzahlen – wie höhere Einnahmen, Margen oder Rentabilität – ausdrückt, aber nur wenige können ihren Erfolg in Zahlen bemessen – entweder weil eine genaue Bewertung noch nicht erfolgt war oder weil die Daten als vertraulich eingestuft werden. Einige Befragte verwenden überhaupt keine Kennzahlen, andere definieren den Erfolg ihrer Lösungen anhand der Genauigkeit ihrer Prognosen, des subjektiven Feedbacks der Unternehmensbenutzer oder der Zunahme der Kundenzufriedenheit, die darauf zurückgeführt wurde.
Die Umfrageteilnehmer der Forrester-Studie nutzen Predictive Analytics für alle vier Zeithorizonte, am meisten jedoch für die Ad-hoc-Entscheidungsunterstützung (Minuten/Stunden) oder die betriebliche Planung (Wochen/Monate). (Quelle: Forrester)
Dennoch lässt sich die Verbesserung anhand zentraler geschäftlicher Leistungsindikatoren nachvollziehen: Eine europäische Bank verzeichnet sechs Monate nach der Implementierung ihrer Prognoselösung Umsatzzuwächse im Cross-Selling von 3,5 Millionen Euro und eine Steigerung der durchschnittlichen Quote der Angebotsannahme von 17 Prozent. Ein US-amerikanisches Hightech-Unternehmen steigert nach der Einführung einer Prognoselösung in seinen Callcentern die Umsätze pro Anruf um zehn Prozent und erhöht der Marge pro Anruf um 20 Prozent. Ein Online-Einzelhändler schätzt, dass er dank seines Predictive-Analytics-Programms die Umsätze seiner Kampagnen um 30 Prozent und den Konzernumsatz um drei Prozent steigert.
Bei erfolgreicher Implementierung hat Predictive Analytics das Potenzial, über betriebliche Verbesserungen hinaus zu einer Unternehmensinnovation und -transformation zu führen. Einige Teilnehmer berichten, dass der IT-Bereich in ihrem Unternehmen durch den Einsatz von Prognose-Software wesentlich mehr Beachtung erhält und von einer unterstützenden Funktion zu einem strategischen Faktor für Wettbewerbsvorteile und geschäftlichen Erfolg geworden ist. Andere sind der Meinung, dass Prognose-Software einen insgesamt starken Einfluss auf ihr Unternehmen hat und möglicherweise ganze Branchen verändern kann. „Predictive Analytics hat einen sehr großen Einfluss auf das Unternehmen und hat das Image der IT verbessert“, berichtet der CIO eines Lebensmittelherstellers. „Es macht Dinge sichtbar, auf die wir in der Vergangenheit keinen Zugriff hatten.“
Enge Integration in IT-Systeme und Abläufe ist nötig
Ein wichtiger Faktor beim Einsatz von Prognose-Software ist die Integration in das IT- und Geschäftsumfeld. Die Forrester-Studie zeigt deutlich, dass eine Predictive-Analytics-Lösung umso mehr Einfluss hat, je stärker sie integriert ist. Durch starke IT-Integration werden Prognoselösungen intelligenter. Erhält die Lösung mehr interne Daten (beispielsweise Vertriebs-, Bestands- und Produktionsinformationen) beziehungsweise externe Social-Media-, Markt- und demografische Daten, ermöglicht dies detailliertere Prognosen anhand ausgefeilter Modelle sowie genauere Ergebnisse.
Den größtmöglichen Effekt erzielen die Ergebnisse dann, wenn sie direkt an die Planungs- und Ausführungssysteme beispielsweise für Online-Angebote oder für die Vertriebs- und Bestandsoptimierung weitergeleitet werden. Mit einer starken Geschäftsintegration sind Anwender besser informiert. „In einer frühen Phase des Einsatzes von Predictive Analytics benötigen Unternehmen eigenständige Statistikteams, die Prognose-Software verwenden und der betrieblichen Seite des Unternehmens ihre Vorhersagen vorlegen“, erklärt Kisker. „In einem stark integrierten Modell greifen die Mitarbeiter direkt auf die Prognoselösung zu, die in ihre betrieblichen Geschäftsprozesse und ihre Arbeitsbereiche eingebettet ist. In den Antworten der Umfrage zeigt sich das gesamte Spektrum – von einer lockeren Verbindung bis hin zu Predictive-Analytics-Lösungen, die eng integriert sind in die IT-Landschaft und die operativen Bereiche des Unternehmens.
Externe Dienstleister können Best Practices liefern
Fehlende Kompetenzen der Mitarbeiter, die Frage, ob die angewendeten statistischen Modelle für das Unternehmen passen, die Integration in IT und Geschäftsprozesse sowie das erforderliche Änderungsmanagement sind gute Gründe, externe Dienstleister zu Predictive-Analytics-Projekten hinzuzuziehen. Diese können vorhandenes internes Know-how durch externe Kenntnisse empfohlener Vorgehensweisen (Best Practices) ergänzen und beispielsweise festlegen, welche Datenquellen für welches Geschäftsszenario verwendet werden sollten.
Sämtliche Teilnehmer an der Marktstudie bedienten sich bei der Implementierung ihrer Prognoselösungen externer Unterstützung. Zwei Unternehmen, die aussagen, dass sie alles intern lösen, hatten im Rahmen ihrer Geschäftstätigkeit eine Lösung oder einen Dienstleister für Predictive Analytics aufgekauft. Wenn Unternehmen externe Unterstützung in Anspruch nehmen, schätzen sie besonders die Fachkenntnisse bei der Abstimmung der Prognosemodelle auf die geschäftlichen Anforderungen. Externe fachliche Unterstützung kommt entweder von Implementierungsdienstleistern oder auch direkt vom Anbieter der Software, der Best-Practice-Paketlösungen für bestimmte Branchen mit Services für die Umsetzung entwickelt hat.
Die meisten Befragten betrachten Best-Practice-Paketlösungen als wesentlichen Faktor bei der Auswahl eines Predictive-Analytics-Lösungsanbieters. Erfahrung mit der Verwendung von Cloud-basierten Lösungen für Prognose-Software hat bisher noch kein Studienteilnehmer gesammelt. Mehrere befragte Unternehmen betrachten diese Variante allerdings als interessante Alternative für zukünftige Projekte. jf
Sechs Empfehlungen für Predictive-Analytics-Projekte
Predictive Analytics kann im Unternehmen zwar vieles verändern, die erfolgreiche Umsetzung birgt jedoch einige Herausforderungen. Unternehmen sollten daher laut Forrester folgende Empfehlungen berücksichtigen:
• Verbinden Sie Geschäft und IT und sorgen Sie für Unterstützung durch die Unternehmensleitung. Predictive-Analytics-Projekte sollten von der operativen Seite des Unternehmens ausgehen, um eine enge Integration in die Geschäftsprozesse sowie die Nutzung durch die entsprechenden Verantwortlichen sicherzustellen. Für eine erfolgreiche Umsetzung müssen Geschäft und IT eng zusammenarbeiten, idealerweise mit Unterstützung der Unternehmensleitung.
• Erstellen Sie Ihre eigene Predictive-Analytics-Roadmap. Legen Sie Ihren Predictive-Analytics-Plan fest – vom klar definierten Geschäftszweck über die Auswahl der angemessenen Datenquellen und die Verwendung der richtigen Modelle bis zur Messung der Ergebnisse anhand relevanter zentraler Leistungsindikatoren.
• Gute Ergebnisse erfordern einen Lernprozess. Es gibt in jedem Unternehmen viele mögliche Verwendungsszenarien für Prognosesoftware. Beginnen Sie mit einem überschaubaren und umsetzbaren Szenario und erweitern und verfeinern Sie den Anwendungsfall durch inkrementelle Verbesserungen.
• Füttern Sie das System mit korrekten, zeitnahen Daten – je mehr, desto besser. Je mehr Daten Sie zur Verfügung haben, desto intelligenter und exakter ist die Prognose – vorausgesetzt, die Daten werden genau kontrolliert, um eine hohe Qualität sicherzustellen.
• Beziehen Sie die Ergebnisse in die Geschäftsprozesse ein. Führen Sie Prognose-Analysen nicht als eigenständige Initiative durch, beispielsweise in einer kleinen Gruppe von Data Scientists. Für einen größtmöglichen Effekt und Erfolg sollten Sie die Ergebnisse Ihrer Analysen direkt in Ihre Geschäftsprozesse integrieren, damit Mitarbeiter bessere Entscheidungen treffen können oder um Geschäftsprozesse zu automatisieren und zu optimieren.
• Ziehen Sie von Beginn an die richtigen Fachleute hinzu. Stärker als bei den meisten anderen Analysetechnologien erfordert Predictive Analytics die richtigen Kompetenzen, um nicht nur eine hohe Qualität der eingegebenen Daten sicherzustellen, sondern auch dafür zu sorgen, dass die für das jeweilige Geschäftsszenario passenden Modelle verwendet werden, damit die ausgegebenen Prognosen stimmen. Unternehmen müssen von Anfang an dafür sorgen, dass die nötigen Fachkenntnisse für erfolgreiche Predictive-Analytics-Projekte vorhanden sind, indem sie diese entweder selbst erlangen, erwerben oder sich externe Unterstützung sichern.
Der Experte:
Holger Kisker ist Vice President Research Director Application Development and Delivery bei Forrester.
