Planung und Prognosen müssen aus Sicht des Anwenders nicht kompliziert sein. Lassen Sie sich vom Predictive-Analytics-Potential begeistern und erleben Sie in meinem Video, wie es in Kombination mit der richtigen Visualisierung Geschäftsprozesse optimieren oder gar revolutionieren kann.
Aus Daten Analysen und Erkenntnisse ableiten ist im digitalen Zeitalter allgegenwärtig. Doch warum nur die Vergangenheit analysieren, wenn mit den richtigen Informationen auch Zukunftsprognosen gemacht werden können?
Das Analytics-Reifegradmodell
Während mit dem Ansatz von Descriptive- und Diagnostic-Analytics aus historischen Daten Fragen rund um das «was» und «warum» beantwortet werden können, wird mit Predictive-Analytics versucht, zukünftige Ereignisse und Szenarien abzubilden. Prescriptive-Analytics geht noch einen Schritt weiter und liefert Handlungsempfehlungen, wie zum Beispiel ein Trend beeinflusst, verhindert oder darauf reagiert werden kann.
Der Mehrwert aus den Analysemethoden steigt mit zunehmender Komplexität im Reifegradmodell (Bild: Eigene Darstellung, angelehnt an Gartner)
Predictive Analytics – Was steckt dahinter und wie lassen sich Szenarien und Forecasts dynamisch visualisieren?
Abgeleitet aus historischen Daten wird mit mathematischen Berechnungen, maschinellem Lernen und weiteren Methoden wie Data-Mining versucht, Verbindungen und Trends zwischen den Daten zu erkennen und daraus Vorhersagemodelle zu erstellen. Je mehr Daten vorhanden sind und je feiner dessen Granularität ist, desto genauer lassen sich Prognosen ableiten und Algorithmen bestimmen.
Dieser Blog fokussiert sich aber nicht auf den technischen Aufbau eines Vorhersagemodells, sondern zeigt im folgenden Video auf, wie Geschäftsprozesse mit Predictive-Analytics revolutioniert werden können:
Quelle: YouTube
Wie Predictive-Analytics Geschäftsprozessinnovationen revolutionieren kann
Wie im Video demonstriert, können Datenprognosen Geschäftsprozesse revolutionieren. So könnte zum Beispiel ein Bestellprozess automatisiert und der Lagerwert reduziert werden, indem die Software Anhand von Algorithmen und errechneten Trends unter Berücksichtigung von Saisonalitäten, Lieferantenkonditionen, Lieferzeiten und optimalen Losgrössen, selbständig Bestellungen auslöst. Weiter könnte das Datenmodell auch darauf trainiert werden, zusätzliche Variablen und Parameter wie Rezessionen oder beabsichtigte Akquisitionen zu berücksichtigen. So könnte der Lagerwert optimal prognostiziert werden, während vollautomatisierte Rückstellungen, zum Beispiel für Garantieprozesse, gebildet oder aufgelöst würden. Aus Sensordaten von Maschinen und Anlagen könnte weiter der Zeitpunkt von Wartungsarbeiten, basierend auf deren effektiven Bewegungen und Belastungen, vorhergesagt, terminiert und so Kosten eingespart werden.
Ein weiteres spannendes Beispiel für den Einsatz von Predictive-Analytics wäre, wenn anhand von Börsenbewegungen, Wirtschaftsprognosen oder Marktsituationen Handelsumstände errechnet und bewertet würden, um daraus Transaktionsempfehlungen abzuleiten. Unternehmen könnten diese Informationen nutzen um Investitionen oder Optimierungen bestmöglich zu planen und so strategische Entscheide aus Vorhersagemodellen abzuleiten.
Fazit
Beim Ansatz von Predictive-Analytics werden Wahrscheinlichkeiten errechnet. Faktoren wie Datenqualität oder Bewertungen bilden das Fundament und beeinflussen diese Prognosen essentiell, weshalb Datenverständnis und Geschäftsinnovationen immer wichtiger werden. Auch wissen wir, dass Daten, Technologien und Trends bereits vorhanden sind und tagtäglich weiter erforscht werden. Die Frage ist also nicht wo digitale Geschäftsinnovationen mit Predictive-Analytics entstehen, sondern wann und wie sie die Märkte prägen werden.
