33
So manches Mal wäre auch im B2B-Geschäft
ein Tool, das Unternehmen z. B. aus dem pro-
duzierenden Gewerbe unerfreuliche Geschäfts-
ergebnisse prophezeit, um Fehlentscheidungen
und -investitionen zu vermeiden, wünschens-
wert. Predictive Analytics wird oft als die neue
Wundermethode gesehen, um einen Blick in die
Glaskugel zu werfen und die Zukunft exakt vor-
herzubestimmen. Ganz so einfach ist es jedoch
nicht – aber zumindest ein Stück weit.
Durch Predictive Analytics
Wettbewerbsvorteile sichern
Predictive Analytics eignet sich hervorragend für
solide Prognosen. Anhand einer Reihe von ana-
lytischen und statistischen Verfahren, die auf
historische Daten angewandt werden, können
mit Predictive Analytics mögliche Chancen und
Risiken konkret definiert werden. In vielen Berei-
chen stellt diese Methode eine Grundlage für
proaktive Geschäftsentscheidungen und ent-
sprechende Aktionen dar. Mithilfe statistischer
Modelle werden Muster in historischen Daten
sichtbar, sodass mögliche Geschäftsentwicklun-
gen und -szenarien erkennbar werden. Im Ein-
zelhandel etwa können vorausschauende Analy-
sen Aufschluss über das Kaufverhalten und Prä-
ferenzen eines Kunden geben. Im Finanzsektor
umfassen mögliche Anwendungen die Betrugs-
erkennung in Echtzeit und das Markov-Chain-
Monte-Carlo-Verfahren (MCMC, Simulations-
techniken) zur Berechnung der Risikoreserve. In
der Fertigungsindustrie hingegen sorgt Predicti-
ve Analytics für eine verbesserte Produktion und
eine zuvorkommende Instandhaltung der Ma-
schinen. Weitere Einsatzgebiete sind beispiels-
weise im Kundenmarketing, Mobile Asset Ma-
nagement, Supply Chain Management oder in
der Routenoptimierung zu finden. Der signifikan-
te Wettbewerbsvorteil für Unternehmen liegt auf
der Hand: Sie werden in die Lage versetzt,
Chancen besser und frühzeitig für sich zu nutzen
und gleichzeitig Unternehmensrisiken vorzeitig
zu erkennen und zu umgehen.
Methodisch fundiert
zu sicheren Prognosen
Ein Predictive-Analytics-Prozess besteht aus
sieben aufeinander aufbauenden und sich wie-
derholenden Schritten.
1. Die Projekt- und Geschäftsziele werden defi-
niert, der Arbeitsumfang benannt und die
dafür relevanten Daten bestimmt.
2. Die Daten werden erfasst.
3. Die Daten werden geprüft, bereinigt und
transformiert.
4. Eine explorative Datenanalyse (EDA) wird mit
den aufbereiteten Daten durchgeführt und es
werden statistische Verfahren zur Überprü-
fung der relevanten Annahmen und Hypo-
thesen angewendet.
5. Die Datenmodellierung wird durchgeführt:
Eine Kombination aus klassischen statisti-
schen (lineare/nicht-lineare Regression, SA-
RIMA Zeitreihenmodell etc.) und überwach-
ten bzw. nicht-überwachten maschinellen
Lernmodellen (Support-Vektor-Maschinen,
Baum-basiertes und künstliches neuronales
Netz) wird angewandt, und das beste Mo-
dell, basierend auf der Auswertung der Feh-
lermatrizen, kann ausgewählt werden.
6. Das ausgewählte Modell wird mittels Back-
testing auf Validität geprüft und falls notwen-
dig korrigiert.
7. Die Analyseergebnisse, die für die täglichen
Entscheidungsprozesse notwendig sind,
werden bereitgestellt.
Auf Basis dieser Ergebnisse können Entschei-
dungen auch automatisiert werden. Welches
statistische Verfahren oder Modell gewählt
wird, hängt von der Interoperabilität oder ande-
ren Geschäftsanforderungen ab.
Optimierungen
durch Predictive Analytics
Gerade jetzt, während der vierten industriellen
Revolution, stellt die prädiktive Analyse für
Unternehmen eine bahnbrechende Technolo-
gie dar. Die Möglichkeit, geschäftsrelevante
Erkenntnisse über Produkte, Prozesse, Ent-
wicklungen, Produktionen und Wartungen in
Echtzeit oder vorab zu erlangen und daraufhin
zielgerichtete Entscheidungen und proaktive
Maßnahmen zu treffen, führt meist zu Risiko-
minimierung, Wachstum und profitableren Er-
gebnissen.
Predictive Analytics
im B2B-Geschäft
von Heleen Snelting
Autor
Heleen Snelting
ist als Data Science Manager EMEA für TIBCO Software, An-
bieter von Integrations-, API-Management- und Analysesoft-
ware, tätig. Sie unterstützt Unternehmen dabei, ihre Prozesse
durch Einsatz von Analyselösungen zu optimieren. Davor arbei-
tete sie bei dem Marktforschungsunternehmen IRI.
CM September / Oktober 2017
