Business Intelligence hört sich ja schon mal unglaublich „intelligent“ an, aber was verbirgt sich tatsächlich hinter diesem Begriff und was hat es mit predictive Analytics auf sich? In diesem Blog-Beitrag möchte ich ganz generell ein paar Einsatzgebiete von Business Intelligence aufzeigen sowie im Speziellen den Bereich Predictive Analytics etwas genauer beleuchten.
Warum macht man also Business Intelligence? Für mich klar der wichtigste Grund ist derjenige, dass die verfügbaren Daten soweit analysiert werden sollen, damit für eine Unternehmung dauerhafte Wettbewerbsvorteile entstehen und durch „Evidenzen“ betriebswirtschaftliche Problemstellungen gelöst werden (die zu dem Wettbewerbsvorteil führen). Exemplarisch werden hier einige Anwendungsfälle kurz vorgestellt.
Anwendungsfälle von Business Intelligence
Krankenkassen
Im Bereich des Gesundheitswesen könnten Krankenkassen beispielsweise durch Erkennung von Mustern typische Betrugsmuster aufdecken. Dadurch könnten aufgrund von Rezept- und Patientendaten die Kosten durch Betrugsfälle eingespart werden.
Autoversicherung
Versicherungen könnten beispielsweise eine individuell berechnete Prämie aufgrund des Fahrverhaltens anbieten. Dazu müssten Geo-Daten & weitere Daten von Kunden gesammelt und analysiert werden. Rücksichtsloses Fahren, Speeding etc. könnten sich dann beispielsweise negativ auf die Prämie auswirken (der Verfasser dieses Beitrags würde diesen Case im Übrigen unterstützen, obschon dieses Thema zurecht sehr kontrovers diskutiert wird.). Ein lesenswerten Artikel dazu hier.
Online-Händler
Im E-Commerce Bereich kann der Webshop durch Clickstream-Analysen systematisch verbessert werden. Dabei werden Besucherdaten gesammelt und unterschiedliche Pfade analysiert, welche dann auf eine bessere Zielerreichung der Webseite laufend optimiert werden kann.
Durch Einsatz von Machine Learning & Recommender Systeme kann ein Webshop weiter das Produktsortiment optimieren und mit individuellen Empfehlungen auf typische Besuchergruppen ausrichten. Dabei können Echtzeitdaten verwendet werden oder bei bekannten Kunden auch historische Daten (Kundenhistorie), um möglichst sinnvolle Empfehlungen auszuspielen.
Social Media Analytics
Unternehmen können durch die Analyse von Social Media Daten wertvolle Community-Informationen gewinnen. Richtig ausgewertet können die Feedback-Daten zu Geschäftsentscheidungen verwendet werden, welche das Feedback von potentiellen Kunden und Interessenten beinhalten. Ferner können auch Themen- und Mitbewerberanalysen gemacht werden, um etwa die Content-Strategie zu verbessern.
Werkzeugmaschinen
Durch Predictive Maintenance kann beispielsweise der rechtzeitige Austausch von Ersatzteilen erkannt und dadurch die Stillstandzeiten gesenkt werden.
Predictive Analytics
Als Teilprozesse von Analytics sind gemäss meinem Verständnis folgende drei „Bereiche“ relevant, von welchen insbesondere die Disziplin „Predictive Analytics“ genauer untersucht werden soll:
- Descriptive Analytics (Daten aus der Vergangenheit, um die Gegenwart besser zu verstehen – also z.B. Assoziationsanalyse, Clusteranalyse, Ausreisser, Trends, etc.)
- Predictive Analytics (Regressions-, Klassifikations- und Zeitreihenanalysen – mit dem Ziel relevante Ausschnitte der Zukunft besser zu prognostizieren)
- Prescriptive Analytics (Optimierungsmodelle)
Das Ziel der Predictive Analytics dient der Lösung eines bestimmten Problems, für welches eine möglichst genaue Prognose vorhergesagt werden soll. Die Probleme lassen sich mit unterschiedlichen Algorithmen wie Klassifikation, Regression und Zeitreihenanalysen lösen, welche nachfolgend kurz vorgestellt werden:
Regressionsanalysen
Bei einer Regressionsanalyse hat man eine Achse als gegeben und kann die andere Achse (eine oder mehrere Variablen) verändern. Vorteil: man sieht klar Ursache & Wirkung. Die Schwierigkeit von Regressionsanalysen besteht aus meiner Sicht darin, das geeignete Modell für die eigene Problemstellung zu wählen, denn es gibt ganz viele Regressionstypen, wie dieser Beitrag näherbringt:
Klassifikationsanalysen
Klassifikationsanalysen dienen dem Ziel, typische Muster in Daten herausfinden. Als einfachstes Beispiel kann wohl der k-means Algorithmus genannt werden. Diese auf Graphen basierte Modelle dienen beispielsweise dazu, um etwa “Communities” (oder Segmente) ausfindig zu machen, welche über ein bestimmtes Thema sprechen. Es handelt sich dabei um ein Clusteranalyse. Wichtig: Klassifikatikonanalysen dienen der Gewinnung von Prognosemodellen auf Basis von Trainingsdaten, die mit deren Hilfe das Klassenattribut prognostiziert.
Zeitreihenanalysen
Zeitreihenanalysen werden häufig eingesetzt, um auffällige Muster zu erkennen. Typische Muster sind Trends, Saisonalitäten und Ausreisser.
Weiterführende Gedanken
Mit dem in diesem Blog-Beitrag bereits beschriebenen Teilprozessen der Analytics sind wir bereits schon beim Thema Machine Learning angelangt. Wer sich in diesem Thema ein-schauen statt rein-lesen möchte, sei mit diesem Video sehr gut bedient, denn es enthält Haufenweise praktische Beispiele zur Veranschaulichung von Algorithmen:
Ich hoffe mit diesem Beitrag euer Interesse an diesem spannenden, aber doch sehr komplexen Thema geweckt zu haben und freue mich auf euer Feedback zu diesem Blog-Beitrag (sowie auch alle erdenklichen Korrekturen, Hinweisen & Ergänzungen :-).
Literatur
Für diejenigen die sich für diese Thema interessieren kann ich folgendes Buch wärmstens empfehlen:
Business Analytics – Effektive Nutzung fortschrittlicher Algorithmen in der Unternehmenssteuerung
