Predictive Analytics: Wettbewerbsvorteil durch Voraussicht
Prävention ist besser als Reaktion – das gilt nicht nur für die eigene Gesundheit, sondern auch für Unternehmen: Data Analytics, das Erkennen von Trends und Anomalien sowie prädiktive Analysen (Predictive Analytics) mit Machine Learning dienen dazu, Entwicklungen frühzeitig zu erkennen und proaktiv zu steuern.
Der Einsatz von Predictive Analytics kann Unternehmen Vorteile entlang der gesamten Wertschöpfungskette liefern. Sind klare Korrelationen und Muster in den Daten zu erkennen, können verschiedene Informationen als Prädiktoren dienen, sich einer Zielvariablen anzunähern und diese vorherzusagen. Daraus lassen sich mit Machine Learning Modelle entwickeln, mit denen verschiedene Use Cases umsetzbar sind. Mögliche Anwendungsgebiete sind unter anderem Verhaltensanalysen: Wie reagieren Kund:innen auf eine potenzielle Preiserhöhung – könnten sie zur Konkurrenz abwandern? Statistische Modelle und Machine-Learning-Verfahren können außerdem einen Beitrag leisten, interne Prozesse zu optimieren. Eine weitere Einsatzmöglichkeit ist die Anomalieerkennung. Mittels Predictive Maintenance lassen sich Instandhaltungen von Maschinen auf präzise vorausplanen – das vermeidet unerwartete Ausfälle und Produktionsverzögerungen.
Drei Voraussetzungen gilt es zu bewältigen
Unabhängig von Branche und Unternehmensgröße wird sich der Einsatz von Predictive Analytics auszahlen, sobald einige Herausforderungen erfolgreich gemeistert wurden. Die erste Herausforderung ist, konkrete Use Cases zu identifizieren. Deshalb ist zunächst eine Bestandsaufnahme sinnvoll. Dabei können viele Bereiche eines Unternehmens unter die Lupe genommen werden: Stellt das CRM eine hohe Kundenabwanderung fest? Müssen in der Produktion ständig neue Maschinenteile teuer nachbestellt werden? Ist die Retourenquote in bestimmten Zeiträumen höher? Steht dem Aufwand für die Einführung ein entsprechend großer Nutzen gegenüber?
Die zweite Herausforderung ist die Verfügbarkeit und Vollständigkeit einer soliden Datenbasis. Um präzise Vorhersagemodelle zu entwickeln, braucht es Daten in ausreichender Menge und Qualität. Diese Daten sind direkt am Kern der Anwendung zu erfassen: Unternehmen sollten beim Erfassen auf eine saubere Historisierung sowie vollständige und präzise Messungen unter realen Bedingungen, die dem produktiven Betrieb der Anwendung entsprechen, achten. Wird ein Modell überwacht trainiert, müssen die Daten zudem gelabelt werden. Dabei werden historische Daten meist von Menschen im 4–6-Augen-Prinzip klassifiziert. Beispielsweise werden so historische Prozesse als „Anomalien“/„Keine Anomalien" gekennzeichnet oder, wie im vorgenannten Fall der abwandernden Kunden, im CRM-System automatisch als abgewanderte/nicht abgewanderte Kunden gelabelt.
Die dritte Herausforderung ist, Predictive Analytics in die bestehenden Prozesse des Unternehmens zu integrieren. Um diesen Übergang möglichst reibungslos zu gestalten, sollte bereits der Entwicklungsprozess anwenderorientiert und unter Einbezug von Nutzer-Feedback realisiert werden. Die Integration in laufende Systeme fällt leichter, wenn die Qualität in Peer-Reviews sichergestellt und bei der Auswahl eines Use Cases bereits vorab bedacht wird, in welchen Systemen und zu welchem Zeitpunkt im Gesamtprozess die Lösung zum Tragen kommen soll.
Wer kleine Schritte geht, macht es sich leichter
Insbesondere mittelständische Betriebe könnte der große Aufwand einer Entwicklung und Implementierung prädiktiver Modelle abschrecken. Zudem kann die Qualität einer Modelllösung vorab nie vorab exakt geschätzt werden. Um die Komplexität zu reduzieren und das Risiko hoher Kosten ohne Ertrag zu minimieren, wird die Entwicklung in kleine Schritte aufgeteilt. Hat die Bestandsaufnahme ein geeignetes Anwendungsfeld identifiziert, wird als nächstes ein Proof of Concept (PoC) erstellt. Es evaluiert die technische Machbarkeit. Mit initialen Analysen, Machine-Learning-Verfahren und sauberen Evaluationsmetriken wird geprüft, ob mit den vorhandenen Daten der angedachte Anwendungsfall in ausreichender Qualität umsetzbar ist und realistisch einen Mehrwert für das Unternehmen leisten kann.
Ist das Ergebnis des PoC positiv, wird anschließend ein Minimum Viable Product (MVP) aufgesetzt. Ein MVP ist eine Version eines neuen Produkts, die gerade genug Kernfunktionen enthält, um die grundlegendsten Bedürfnisse der ersten Anwender:innen im Unternehmen zu erfüllen und gleichzeitig Feedback für die zukünftige Entwicklung zu sammeln. Es hilft, Anwendungen schnell einzusetzen, die Anforderungen zu testen und die Produktentwicklung iterativ zu verbessern. Am Ende des Prozesses steht die Freigabe für den laufenden Betrieb.
Um mit Predictive Analytics die Geschäftsprozesse weiterzuentwickeln und zu verbessern, sind drei Aspekte entscheidend:
- Neben geeigneten Tools und Technologien brauchen Unternehmen eine leistungsfähige Infrastruktur und geeignete Plattformen, damit sie mit den sich ändernden Anforderungen Schritt halten. Die gängige Praxis ist, bei großen Datenmengen die Entwicklung von Modellen in die Cloud zu verlagern.
- Unternehmen sollten von Anfang an die Mitarbeitenden in das Vorhaben einbinden und sie für die Mehrwerte von Predictive Analytics sensibilisieren. Andernfalls wird KI möglicherweise hinter den Erwartungen zurückbleiben.
- Spezielles Know-how und eine sorgfältige Planung sind erforderlich. Fehlt es an Fachwissen und Ressourcen, können externe Partner:innen weiterhelfen.
Fazit
Predictive Analytics trägt dazu bei, die betriebliche Effizienz zu steigern, Risiken zu minimieren und die Entscheidungsfindung zu verbessern. Indem Unternehmen Probleme und Chancen frühzeitig erkennen, bleiben sie wettbewerbsfähig und erreichen ihre Geschäftsziele effektiv und effizient.
Für weiterführende Fragen stehen unsere Expert:innen gerne zur Verfügung.
AI Predictive Monitoring & Evaluation ist ein Teil des Dachs im „House of AI Transformation“. Mehr dazu lesen Sie hier.
Wie KI-reif ist Ihr Unternehmen? Unser Online-Test liefert Ihnen in wenigen Minuten das Ergebnis. Jetzt teilnehmen.
