Traditionell befassen sich Business-Intelligence-Analysen mit der Vergangenheit, immer öfter aber auch mit aktuell ablaufenden Geschäftsprozessen. Ergänzend dazu liefert die prognostische Analytik einen Blick auf künftige Entwicklungen und unterstützt Entscheider bei der Unternehmenssteuerung. Information Builders zeigt in fünf Tipps, worauf bei der Einführung zu achten ist.
Während Fragen zur Vergangenheit und Gegenwart mit Hilfe weit verbreiteter Business-Intelligence (BI)-Anwendungen akzeptabel beantwortet werden können, sieht es mit dem Blick in die Zukunft und detaillierten Vorhersagen in vielen Unternehmen oft verschwommen aus. Prognostische Analytik und Modellierung waren lange Zeit ausschließlich etwas für Spezialisten, die über umfangreiche statistische Kenntnisse verfügen mussten. Das hat sich erst seit Kurzem geändert - die Methodik findet immer häufiger Eingang ins Tagesgeschäft. Die Initiative geht dabei in der Regel von Fachabteilungen aus, hier entsteht der konkrete Bedarf.
Einige Beispiele für Anwendungen: Online-Shops, und vermehrt auch Einzelhändler, erfassen und analysieren mit Hilfe von Big-Data-Werkzeugen den kontinuierlich anfallenden Datenstrom, berechnen die Wahrscheinlichkeit, mit der Verbraucher komplementäre Produkte kaufen werden und machen ihnen entsprechende Angebote; Unternehmen aus dem produzierenden Gewerbe optimieren über Prognosen die ein- und ausgehenden Warenströme sowie die Maschinenauslastung in der Fertigung; Logistikunternehmen testen Modelle, um ihre Tourenplanung weiter zu optimieren. Die möglichen Einsatzgebiete für prognostische Analysen sind nahezu unbegrenzt.
Aus eigenen Erfahrungen bei der Implementierung von Anwendungen zur prognostischen Analyse und Modellierung hat Information Builders eine Reihe von Tipps entwickelt, die bei neuen Projekten helfen.
1. Klar umgrenzte Einsatzgebiete und Ziele definieren. Wichtig ist, mit einem überschaubaren Projekt zu starten, bei dem schnell Erfolge zu verzeichnen sind. Die hier gemachten Erfahrungen lassen sich auf andere Felder übertragen.
2. Unterstützung von der Geschäftsführung oder zumindest vom zuständigen Management einholen. Damit wird deutlich, dass es sich bei einem konkreten Projekt nicht um eine "Spielwiese", sondern um ein Vorhaben mit klarem Geschäftsauftrag und eindeutigen Geschäftszielen handelt.
3. Erwartungen und Implementierung zwischen der IT- und der Fachabteilung abstimmen. Für die technische Implementierung und die Zuverlässigkeit der Applikation ist die IT-Abteilung verantwortlich. Die inhaltlichen Vorgaben aber stammen von der Fachabteilung.
4. Hohe Datenqualität sicherstellen. Die Einhaltung und Absicherung einer hohen Datenqualität ist eine permanente Aufgabe, der sich das gesamte Unternehmen unter dem übergeordneten Thema Data Governance stellen muss.
5. Kontinuierliche Überprüfung der Wirksamkeit und Weiterentwicklung. Wie viele andere Applikationen auch unterliegen Lösungen für prognostische Analysen und Modellbildung den unterschiedlichsten externen Einflussfaktoren und müssen daher permanent, nach einem Closed-Loop-Verfahren, getestet und angepasst werden.
"Prognostische Analytik kommt ohne Big-Data-Analysen nicht aus. In nahezu allen Einsatzgebieten müssen eine Vielzahl interner und externer Informationsquellen sowie strukturierte und wenig strukturierte Daten einbezogen werden", sagt Klaus Hofmann zur Linden, Technical Manager Germany bei Information Builders in Eschborn. "Mit einem solchen Ansatz können Unternehmen die Herausforderungen im Zusammenhang mit sehr großen Datenmengen, komplexen Abfragen und der Verarbeitung von nicht-indizierten Daten bewältigen und erhalten handlungsrelevante Informationen, um ihr Business effizienter steuern zu können."
Während Fragen zur Vergangenheit und Gegenwart mit Hilfe weit verbreiteter Business-Intelligence (BI)-Anwendungen akzeptabel beantwortet werden können, sieht es mit dem Blick in die Zukunft und detaillierten Vorhersagen in vielen Unternehmen oft verschwommen aus. Prognostische Analytik und Modellierung waren lange Zeit ausschließlich etwas für Spezialisten, die über umfangreiche statistische Kenntnisse verfügen mussten. Das hat sich erst seit Kurzem geändert - die Methodik findet immer häufiger Eingang ins Tagesgeschäft. Die Initiative geht dabei in der Regel von Fachabteilungen aus, hier entsteht der konkrete Bedarf.
Einige Beispiele für Anwendungen: Online-Shops, und vermehrt auch Einzelhändler, erfassen und analysieren mit Hilfe von Big-Data-Werkzeugen den kontinuierlich anfallenden Datenstrom, berechnen die Wahrscheinlichkeit, mit der Verbraucher komplementäre Produkte kaufen werden und machen ihnen entsprechende Angebote; Unternehmen aus dem produzierenden Gewerbe optimieren über Prognosen die ein- und ausgehenden Warenströme sowie die Maschinenauslastung in der Fertigung; Logistikunternehmen testen Modelle, um ihre Tourenplanung weiter zu optimieren. Die möglichen Einsatzgebiete für prognostische Analysen sind nahezu unbegrenzt.
Aus eigenen Erfahrungen bei der Implementierung von Anwendungen zur prognostischen Analyse und Modellierung hat Information Builders eine Reihe von Tipps entwickelt, die bei neuen Projekten helfen.
1. Klar umgrenzte Einsatzgebiete und Ziele definieren. Wichtig ist, mit einem überschaubaren Projekt zu starten, bei dem schnell Erfolge zu verzeichnen sind. Die hier gemachten Erfahrungen lassen sich auf andere Felder übertragen.
2. Unterstützung von der Geschäftsführung oder zumindest vom zuständigen Management einholen. Damit wird deutlich, dass es sich bei einem konkreten Projekt nicht um eine "Spielwiese", sondern um ein Vorhaben mit klarem Geschäftsauftrag und eindeutigen Geschäftszielen handelt.
3. Erwartungen und Implementierung zwischen der IT- und der Fachabteilung abstimmen. Für die technische Implementierung und die Zuverlässigkeit der Applikation ist die IT-Abteilung verantwortlich. Die inhaltlichen Vorgaben aber stammen von der Fachabteilung.
4. Hohe Datenqualität sicherstellen. Die Einhaltung und Absicherung einer hohen Datenqualität ist eine permanente Aufgabe, der sich das gesamte Unternehmen unter dem übergeordneten Thema Data Governance stellen muss.
5. Kontinuierliche Überprüfung der Wirksamkeit und Weiterentwicklung. Wie viele andere Applikationen auch unterliegen Lösungen für prognostische Analysen und Modellbildung den unterschiedlichsten externen Einflussfaktoren und müssen daher permanent, nach einem Closed-Loop-Verfahren, getestet und angepasst werden.
"Prognostische Analytik kommt ohne Big-Data-Analysen nicht aus. In nahezu allen Einsatzgebieten müssen eine Vielzahl interner und externer Informationsquellen sowie strukturierte und wenig strukturierte Daten einbezogen werden", sagt Klaus Hofmann zur Linden, Technical Manager Germany bei Information Builders in Eschborn. "Mit einem solchen Ansatz können Unternehmen die Herausforderungen im Zusammenhang mit sehr großen Datenmengen, komplexen Abfragen und der Verarbeitung von nicht-indizierten Daten bewältigen und erhalten handlungsrelevante Informationen, um ihr Business effizienter steuern zu können."
