Predictive Analytics

Klarsicht mit Predictive Analytics.

Wie können Unternehmen den Einsatz analytisch basierter Prognosen nutzbringender gestalten? Welche Programme, Methoden und Organisationsformen sollten dabei eingesetzt werden? Ein praktischer Leitfaden.

*Von Leonhard Geisler

Für viele ist Predictive Analytics bereits ein neuer Trendbegriff geworden, wie vorher zum Beispiel Big Data. Dabei wird Predictive Analytics oft mit Machine Learning in einen Topf geworfen, ohne dass es hiermit in der Praxis etwas zu tun haben müsste. Spricht man über die verwendeten Algorithmen, dann werden oft naturwissenschaftlich klingende Begriffe wie Naive Bayes und Random Forests genannt. 

Was in der Diskussion und den Berichten zu Predictive Analytics jedoch oft fehlt, sind grundsätzlichere Fragen zum Thema: 1. Wen muss ich im Unternehmen von Predictive Analytics überzeugen, damit das Projekt ein Erfolg wird? 2. Ist unser Unternehmen reif für ein Predictive Analytics-Projekt, oder reicht die bislang manuell erstellte Planung? 3. Für welche Methoden eignen sich die Stammdaten und was müssen wir eventuell an ihnen ändern, um sie für die Erstellung einer automatisierten Vorhersage zu präparieren?  

Bei meiner früheren Tätigkeit als Data Analyst bei der Primavera Life GmbH zeichnete sich für mich bereits ab, dass derartige Fragen geklärt werden müssen, bevor überhaupt auch nur ansatzweise über die Verwendung von Machine Learning nachgedacht werden sollte. 

Für mich ist der Weg zu fortgeschrittenen und komplett automatisierten Methoden der Predictive Analytics eher ein evolutionärer Prozess. In dessen Verlauf müssen etwa folgende Fragen beantwortet werden: Welche Hürden existieren in diesen Prozessen? Auf welche Weise lassen sich pragmatische Lösungsansätze finden? Und bevor schließlich der Startschuss für ein Predictive Analytics-Projekt fällt, muss geklärt werden: Warum soll die Technologie überhaupt eingesetzt werden? Reicht die bisherige Vorhersagemethode nicht aus? 

Grundsätzliches Herangehen.
Um diese Fragen zu beantworten, muss zunächst einmal genau aufgelistet werden, wie Vorhersagen in einem bestimmten Unternehmen bisher erstellt wurden. Bei Primavera Life, einem Spezialhersteller naturreiner ätherischer Öle für die Aromatherapie und Naturkosmetik, lief der Prozess früher so ab, dass ein rollierender Forecast für rund 2‘000 Produkte quartalsweise manuell mithilfe von Tabellenkalkulationen und einer OLAP-Datenbank von Mitarbeitern erstellt wurde. Der aus dem Forecast resultierende Plan lieferte durchaus gute Vorhersagen. 

Die Zielsetzung der gewünschten Predictive Analytics-Lösung bestand hauptsächlich darin, die Mitarbeiter zu entlasten, die mit dem Forecast betraut sind. Daneben spielte auch die Optimierung der Lieferkette eine Rolle. 

Den ganzen Artikel lesen Sie in der Druck- und Digitalausgabe Nr. 1/2020. Hier bestellen.

* Leonhard Geisler ist Data Scientist bei der Düsseldorfer Unternehmensberatung HENDRICKS, ROST & CIE. Er begeistert sich beruflich wie auch privat für Data Analytics, Machinen Learning und KI. 

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net

© ProfilePublishing Germany GmbH 2020. Alle Rechte vorbehalten. 

Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite