Vorhersage der Geschäftsentwicklung
Predictive Analytics sagen künftige Entwicklungen voraus
Mathematische Algorithmen erweitern die Analyse in Richtung Zukunftsprognosen. Die dazugehörigen Werkzeuge sind noch sehr jung. Sie bieten hohe Freiheitsgrade, sind andererseits aber sehr komplex.
„Planung
und Vorhersage stehen derzeit in vielen Unternehmen auf dem Prüfstand", berichtet Wolf Lichtenstein, Geschäftsführer von SAS Institute Deutschland. „Viele Vorstände möchten ihre IT-Systeme an dieser Stelle optimieren." Oberstes Ziel dabei sei es, Betriebswirtschaft und Analytik zu verbinden. „Die bisherigen Analysen sind relativ schwach, wenn es darum geht, in die Zukunft zu schauen. Sie eignen sich eher für Zeiten, wo das kommende Jahr ähnlich abläuft wie das vorherige." Zu einer ähnlichen Einschätzung kommt BARC-Analystin Melanie Mack: „Bisher überwog die vergangenheitsbezogene Analyse, der Trend geht aber klar hin zur zukunftsorientierten Analyse. Diese liefert Unternehmen in wirtschaftlich volatilen Zeiten einen großen Mehrwert, da sich durch Simulation und Vorhersage komplexe wirtschaftliche Zusammenhänge besser erschließen lassen."
Während bei der vergangenheitsorientierten Betrachtung die Analysewerkzeuge Daten aus Transaktionssystemen auswerten und daraus Trends extrapolieren, generiert Predictive Analysis die Vorhersagen auf Basis mathematischer Algorithmen. Damit das funktioniert, sind laut PAC-Analyst Frank Niemann drei Komponenten nötig: Zunächst braucht man eine Data- oder Textmining, um die Daten für die gewünschte Vorhersage zusammenzutragen. Die zweite Schicht sind die Tools für Advanced Analytics, also die in Software gegossenen Algorithmen. Wie bei allen Business-Intelligence-Initiativen sind darüber hinaus ausgefeilte Methoden zur Datenintegration und zur Sicherung der Datenqualität unerlässlich.
Finanzkrise steigert den Bedarf nach Risikomanagement
In den vergangenen Jahren ist das Thema Predictive Analytics zunächst zusammen mit dem gesamten Business-Intelligence-Markt beständig gewachsen. In der Finanzkrise hat das Thema Risikomanagement sowie die Vorhersage der Eintrittswahrscheinlichkeit von Ereignissen größere Aufmerksamkeit erhalten. Zusammen mit Data Mining ist Predictive Analytics ein wichtiger Trend im BI-Segment. Den Gesamtmarkt für Business-Intelligence-Systeme in Deutschland schätzt BARC auf 750 Millionen Euro bei einem jährlichen Wachstum zwischen drei und vier Prozent. Auf Predictive Analytics entfallen etwa sieben bis zehn Prozent. Abhängig von Branche und Unternehmensgröße setzen etwa zehn bis 20 Prozent aller Unternehmen diese Technologie ein.
Ganz vorne beim Einsatz liegen im Branchenvergleich Banken und Versicherungen, denn diese Unternehmen müssen laut Compliance-Bestimmungen IT-Systeme für das Risikomanagement einsetzen. Während Banken damit die Ausfallwahrscheinlichkeit von Krediten berechnen, decken Versicherungen Betrugsversuche anhand bestimmter Verhaltensmuster auf. Telekommunikationsanbieter ergänzen mit Predictive Analysis ihr Kundenbeziehungsmanagement. Sie berechnen die Abwanderungswahrscheinlichkeit eines Kunden. Bei Marketingaktionen sprechen sie in erster Linie die Kunden an, die sich aufgrund ihres Nutzungsverhaltens mit hoher Wahrscheinlichkeit für ein Produkt oder eine Zusatzleistung interessieren. Weit verbreitet ist der Einsatz von Vorhersage-Tools auch im Handel. Supermärkte optimieren mit solchen Warenkorb-Analysen die Platzierung ihrer Artikel im Regal. Die Einzelhändler suchen nach Querverbindungen zwischen Produkten und positionieren diese nebeneinander, um den gemeinsamen Abverkauf zu steigern.
Online-Portale analysieren die Kaufwahrscheinlichkeit
Stark vertreten sind derartige Analysen auch im Online-Business: „Während des Shopbesuchs läuft im Hintergrund eine Analysesoftware, die prognostiziert, mit welcher Wahrscheinlichkeit der Interessent diesen Kauf abschließt", so Melanie Mack. Basierend auf dieser Einschätzung erhält der Kunde ein Angebot, möglicherweise mit einem speziellen Preis." Jeder Online-Händler verfolgt hier seine eigene Strategie: Amazon beispielsweise macht dem Kunden nicht nur auf Basis seiner bisherigen Einkäufe Vorschläge für zusätzliche Produkte, sondern zeigt auch solche Artikel, die andere Kunden zusammen mit dem jeweiligen Artikel gekauft haben.
Weitere Anwender von Predictive Analysis sind beispielsweise die öffentliche Hand, die damit die Verbrechensbekämpfung optimiert, sowie Krankenkassen samt Gesundheitsindustrie, die in den USA versuchen, anhand der Vorerkrankungen eines Patienten die Wahrscheinlichkeit für das Auftreten weiterer Krankheiten zu prognostizieren.
Analyse-Ergebnisse steuern Geschäftsabläufe
Die höchste Einsatzstufe liegt in der direkten Verknüpfung von analytischen Erkenntnissen mit den Geschäftsprozessen. Ein Beispiel liefern Mietwagenagenturen, die ihre Pkws am liebsten möglichst lange vermieten wollen. „Wenn nur noch wenige Wagen verfügbar sind und mehrere Anfragen vorliegen, kalkuliert das System die Wahrscheinlichkeit für eine längere Vermietung und gestaltet auf dieser Basis die Angebote", berichtet BARC-Analystin Mack. SAS-Institute-Manager Lichtenstein nennt ein Beispiel aus der Telekommunikationsbranche: „Wenn ein Kunde vom Profil her in fünf Marketingkampagnen passt, sucht das Analysesystem die Kampagne mit dem höchsten Umsatzpotenzial und den geringsten Kosten."
SAS Institute zählen sowohl Mack als auch Niemann neben dem von IBM übernommenen SPSS zu den führenden Anbietern im Bereich Predictive Analysis. Hinzu kommen Oracle und Tibco, das vor einigen Jahren mit der Übernahme von Spotfire Tools für Datamining und Textmining hinzugekauft hat. Weitere Hersteller sind Angoss Software, Infor, Information Builders, Kxen und Portrait Software. SAP hingegen sieht Niemann trotz der einen oder anderen Prognosefunktion im BusinessObjects-Portfolio eher als Nischenplayer in Sachen Predictive Analysis.
Die Konsolidierung im Herstellermarkt ist bereits seit einigen Jahren voll im Gange, allerdings sind die Megadeals wohl abgeschlossen. „Bei den großen Herstellern rechne ich nicht mit einer weiteren Übernahme", so Melanie Mack. Oracle könnte eventuell noch weitere kleinere Lösungen kaufen. Tibco werde bereits seit einiger Zeit als Übernahmekandidat gehandelt. Allerdings müsste der Käufer dann auch das gesamte Middleware-Portolio übernehmen.
Software-Anwender müssen in Statistik fit sein
Die Erfahrungen der Unternehmen mit Predictive Analysis hängen stark von der jeweiligen Branche ab und lassen sich kaum generalisieren. Festzuhalten ist aber, dass sich der Markt in einer Anfangsphase befindet, und sich gerade kleinere Unternehmen mit dem Einstieg in diese Technologie eher schwertun. „Die Unternehmen müssen in Statistik sehr fit sein, um diese Analyse-Tools erfolgreich anzuwenden", formuliert Melanie Mack. „Sie müssen sich vor allem gut überlegen, welche Einflussfaktoren es in ihrer Branche auf den Umsatz und den Geschäftserfolg gibt." Ähnliche Voraussetzungen formuliert PAC-Analyst Niemann: „Die Anwender müssen nicht unbedingt wissen, wie der Algorithmus im Detail funktioniert. Aber sie müssen sehr wohl einschätzen können, welche Ergebnisse er liefert und welche statistisch validen Schlussfolgerungen sie daraus ziehen können."
Wie bei jeder Business-Intelligence-Initiative kommt auch hier der Datenqualität eine entscheidende Bedeutung zu: „Ohne Data Warehouse, ohne eine gut funktionierende Integration verschiedener Datenquellen und ohne eine gesicherte Qualität der Informationen laufen auch die besten Algorithmen ins Leere", erläutert Niemann.
Analysewerkzeuge weisen eine hohe Komplexität auf
Da das Angebot für Predictive-Analysis-Lösungen noch relativ jung ist, existieren erst wenige paketierte Standardlösungen. Den Unternehmen steht also sehr viel Handarbeit bevor, wenn sie derartige Tools einführen wollen. „Bei Predictive Analytics haben die Anwender einen sehr hohen Freiheitsgrad und sie können äußerst vielfältige Analysen durchführen", erläutert Melanie Mack. „Im Umkehrschluss bedeutet das allerdings, dass die Werkzeuge einen sehr hohen Grad an Komplexität aufweisen."
Niemann empfiehlt einen Blick auf die Branchenkompetenz der Anbieter: „Wenn ein Hersteller in der gewünschten Branche erfolgreich ist, dann lohnt es sich, dessen Produkte genauer unter die Lupe zu nehmen. Sofern dann noch die Implementierer über Industriekompetenz verfügen, müssen sich die Unternehmen nicht alle Schritte selbst erarbeiten." Als weiteres Kriterium bei der Produktauswahl sieht Niemann die Integration der Analyse-Frontends mit den bestehenden Systemen etwa für das Data Mining. jf