Kurzfassung
Abstract
Abbildungsverzeichnis
Abkürzungsverzeichnis
1 Das analytische Zeitalter – Predictive Analytics als Wettbewerbsvorteil
1.1 Zielsetzung und Struktur der Arbeit
1.2 Forschungsdesign und Herangehensweise
2 Predictive Analytics als nächste Stufe analytischer Entscheidungsfindung
2.1 Fokusverlagerung im Bereich Business Intelligence
2.2 Neuer analytischer Ansatz als Antwort auf veränderte Geschäftsanforderungen
2.2.1 Veränderte Marktumgebung zur Begünstigung von Predictive Analytics
2.2.2 Adressierung neuer Geschäftsanforderungen mit Predictive Analytics
2.2.3 Die vier Säulen analytischen Wettbewerbs
2.3 Konzeptionelle Architektur einer Predictive Analytics-Lösung
2.4 Die Rolle der Statistik im Bereich Predictive Analytics
2.4.1 Die drei Ausprägungen der Statistik
2.4.2 Auswahl statistischer Methoden für den Einsatz von Predictive Analytics
2.5 Bestandteile der IBM SPSS Predictive Analytics Suite
3 Nutzen und Einsatzmöglichkeiten von Predictive Analytics im Geschäftsumfeld
3.1 Möglichkeiten zur quantitativen Werterfassung einer Predictive Analytics-Lösung
3.2 Typische Anwendungsszenarien in der Literatur – eine Metaanalyse
3.2.1 Der Kunde im Fokus der Strategie im Bereich Customer Life Cycle Management
3.2.2 Operational Excellence – Optimierung von Geschäftsprozessen und Organisation
3.2.3 Minimierung von unternehmerischem Risiko und Aufdeckung von Betrug
3.3 Adressierung spezifischer geschäftlicher und funktionaler Anforderungen ausgewählter Industrien durch Predictive Analytics
3.3.1 Bankwesen
3.3.2 Versicherungsbranche
3.3.3 Telekommunikationsbranche
3.3.4 Handel
3.3.5 Industrieller Sektor
3.3.6 Öffentlicher Sektor
4 Kategorisierung der IBM SPSS-Anwendungsfälle im Bereich Predictive Analytics nach Nutzenkategorien und Industrien
4.1 Datenbasis der Auswertung und Einschränkungen der wissenschaftlichen Interpretierbarkeit
4.2 Definition der Achsen der Kategorisierungsmatrix
4.3 Analyse und Verteilung der Anwendungsfälle
4.3.1 Verteilung innerhalb der Nutzenkategorien und Industrien
4.3.2 Aggregierte Betrachtung der Nutzenpotenziale und Industrien
4.4 Vergleich der Ergebnisse mit der Metaanalyse
4.5 Exemplarische Beschreibung dreier Fallstudien aus den identifizierten Fokusgebieten
5 Die Rolle der menschlichen Intuition im wachsenden Geschäft mit Informationen
Quellenverzeichnis
Literaturverzeichnis
Internetquellen
Anhang
Anhang A: Grafiken
Anhang B: Anwendungsfall-Analyse
Ehrenwörtliche Erklärung
Abbildung 1: Forschungsdesign
Abbildung 2: Business Analytics als Teildisziplin von Business Intelligence
Abbildung 3: Adressierung neuer Geschäftsanforderungen mit Predictive Analytics
Abbildung 4: Vier Säulen Analytischen Wettbewerbs
Abbildung 5: Konzeptionelle Architektur einer Predictive Analytics-Lösung
Abbildung 6: Hurwitz Victory Index Predictive Analytics
Abbildung 7: Zuordnung des IBM SPSS Produktportfolio zum Drei-Phasen-Modell
Abbildung 8: Übersicht von Studium zum Thema Business Analytics
Abbildung 9: Kategorisierung der Anwendungsgebiete von Predictive Analytics
Abbildung 10: Anwendungsgebiete von Predictive Analytics und Literaturnachweise
Abbildung 11: Der Einsatz von Predictive Analytics im Bereich Customer Lifecycle Management
Abbildung 12: Gains-Chart zur Darstellung des Nutzens eines prädiktiven Responsemodells im Bereich Cross- und Up-Selling
Abbildung 13: Segmentierungsmatrix im Bereich Kundenbindung
Abbildung 14: Anwendungsgebiete von Predictive Analytics entlang des Produktlebenszyklus
Abbildung 15: Betrugserkennung in der Versicherungsbranche
Abbildung 16: Integrierte Predictive Analytics-Lösung für das Bankwesen
Abbildung 17: Kundenbindungsstrategie mit Predictive Analytics
Abbildung 18: Sortimentsplanung im Handel mit Predictive Analytics
Abbildung 19: Verbrechensbekämpfung mit Predictive Analytics
Abbildung 20: Nutzenpotenziale je Anwendungsgebiet
Abbildung 21: Liste der analysierten Industrien
Abbildung 22: Kategorisierungsmatrix der Predictive Analytics - Anwendungsfälle
Abbildung 23: Verteilung zwischen den drei Anwendungskategorien
Abbildung 24: Verteilung innerhalb des Bereichs Customer Lifecycle Management
Abbildung 25: Verteilung innerhalb des Bereichs Operational Excellence
Abbildung 26: Verteilung innerhalb des Bereichs Risiko & Betrug
Abbildung 27: Verteilung innerhalb der Industrien
Abbildung 28: Verteilung der Anwendungskategorien in den Industrien
Die Kombination aus einer zunehmend komplexer werdenden Welt, der enormen Ausbreitung von Daten jeder Art und der dringenden Notwendigkeit, dem Wettbewerb stets einen Schritt voraus zu sein, hat die Verwendung von Business Analytics in den Mittelpunkt der Aufmerksamkeit von Unternehmen gerückt. Doch lediglich zu wissen, was warum passierte, ist nicht mehr ausreichend. Unternehmen wollen verstehen, was aktuell passiert und gleichzeitig antizipieren, was in der Zukunft passieren wird, um durch die richtigen Entscheidungen optimale Ergebnisse zu erzielen. Dieser neue Schwerpunkt im Bereich Business Analytics wird Predictive Analytics genannt und erfreut sich steigender Beliebtheit im Geschäftsumfeld. Die vorliegende Bachelorarbeit beschäftigt sich deswegen mit dieser zukunftsorientierten Disziplin und evaluiert dabei deren Nutzen und Einsatzmöglichkeiten in ausgewählten Industrien unter Verwendung des Beispiels der IBM Predictive Analytics Software SPSS. Dabei geht sie zunächst auf veränderte Marktbedingungen und neue Geschäftsanforderungen ein und illustriert dann, wie diese durch Predictive Analytics adressiert werden. Nach dem Aufzeigen von Möglichkeiten zur Quantifizierung des Nutzens einer Predictive Analytics-Lösung werden die verschiedenen Nutzenpotenziale kategorisiert nach Anwendungsgebieten und Industrien dargestellt. Um den Bezug zur Praxis herzustellen, werden diese in der Theorie gefundenen Nutzenpotenziale anschließend im Rahmen einer Anwendungsfallanalyse des IBM SPSS Kundenportfolios auch in praktischen Anwendungen identifiziert und den jeweiligen Industrien zugeordnet. Die entstehende Kategorisierung der Anwendungen nach Nutzen und Industrie erlaubt schließlich einen Vergleich der Ergebnisse mit den in der Literatur identifizierten Trends und zeigt, dass das Thema Predictive Analytics sowohl in der Theorie als auch in der Praxis zunehmend an Bedeutung gewinnt.
The combination of an increasingly complex world, the vast proliferation of data, and the pressing need to stay one step ahead of the competition has sharpened focus on using analytics within organizations. But knowing what happened and why it happened are no longer adequate. Organizations need to know what is happening now, what is likely to happen next and, what actions should be taken to get the optimal results. This shift in the focus of Business Analytics is called Predictive Analytics and is enjoying increasing popularity within business. This Bachelor Thesis therefore deals with this future-oriented discipline and evaluates its benefits and application areas in selected industries by making use of the example of the IBM SPSS Predictive Analytics software portfolio. In doing so, it first considers the changing market conditions and new business requirements and then illustrates how these are addressed by Predictive Analytics. After illustrating the possibilities of quantifying the benefits of a Predictive Analytics solution, the benefit potentials are depicted classified by application area and industry. Within the framework of a use case analysis of the IBM SPSS customer portfolio the benefit potentials found in theory are then also identified in practical applications and assigned to the respective industries. The resulting categorization of use cases by benefit and industry finally allows to compare the results with the trends identified in literature and shows that the topic of Predictive Analytics is becoming increasingly important both in theory and practice.
Abbildung in dieser Leseprobe nicht enthalten
"We are entering the analytical age, a window in time where competitive advantages will be gained from companies making increasingly more advanced use of information." (Tonchia und Quagini 2010, S.xxi)
In Zeiten, in denen die Geschwindigkeit und Reife des technischen Fortschritts die rasante Produktion und Vervielfachung von Daten aller Art ermöglichen, gewinnt diese Aussage zunehmend an Bedeutung. Unternehmen finden sich in immer stärker umkämpften und wettbewerbsintensiveren Märkten wieder und müssen nach neuen Wegen suchen, sich von ihrer Konkurrenz abzuheben. Eine Möglichkeit dieser Differenzierung besteht für sie darin, sich der „Informationsrevolution“ im analytischen Zeitalter zu stellen und ihre Position im Wettbewerb durch die Transformation der vorhandenen Daten in entscheidungsrelevante Informationen zu stärken.
Aktuell werden jeden Tag etwa 15 Petabyte an neuen Daten kreiert – eine Zahl, die der achtfachen Menge an Büchern in allen US-amerikanischen Bibliotheken zusammen entspricht (vgl. IBM Corporation 2010a). Darüber hinaus steigt nicht nur die Menge der oftmals unstrukturiert auftretenden Datenflut, sondern auch die Leistungsfähigkeit und Rechenkapazität moderner Informationssysteme, mit Hilfe derer die riesigen Datenmengen verarbeitet werden können. Etwa vierzig Jahre nach der ersten menschlichen Mondlandung überragt die Rechenleistung der meisten Mobiltelefone die des damals für die Raumfahrtmission verantwortlichen Kontrollzentrums um ein Vielfaches (vgl. May 2009, S.xii).
Im Zuge dieser Entwicklung eröffnen sich für Unternehmen nun neue Chancen und Möglichkeiten, aus diesen unstrukturierten Rohdaten wertvolle Informationen zu generieren, die als Grundlage strategischer und operativer Entscheidung dienen und letztendlich das mitunter wertvollste Kapital eines Unternehmens darstellen – sein erfolgskritisches Wissen um Kunden, Märkte und interne Prozesse. Dieser Wandel vom alleinigen Vertrauen auf die Intuition und Expertise einzelner Entscheidungsträger hin zur softwareunterstützten und faktenbasierten Entscheidungsfindung wird unter dem Sammelbegriff Business Intelligence (BI) zusammengefasst und von einer steigenden Anzahl an Unternehmen adaptiert (vgl. Ayres 2008, S.11). Für Unternehmen ist es schlichtweg eine Frage der Konkurrenzfähigkeit geworden, Entscheidungen auf Basis verlässlicher Kennzahlen zu treffen. Dies belegen auch Analysten des Würzburger Business Application Research Centers, die für das Jahr 2011 erstmalig eine Durchbrechung der 1-Mrd.-Euro-Umsatz-Grenze im hiesigen BI-Markt prognostizierten (vgl. Born 2012, S.90).
„Many organizations don’t even know what they know.“
(May 2009, S.2)
Trotz der fortschreitenden Verbreitung und Beliebtheit des Themas haben viele Unternehmen das Potenzial, das sich hinter der zielgerichteten Analyse vorhandener Daten verbirgt, noch nicht erkannt und sind sich der Bedeutung dieses Wissens noch nicht bewusst. So zeigt eine Studie der IBM Corporation, dass erfolgreiche Unternehmen 22-mal häufiger dazu bereit sind, den Status Quo ihrer Organisation in Frage zu stellen sowie gegenwärtige Strategien und Geschäftsprozesse zu überprüfen und dafür neue Erkenntnisse aus ihren Datenanalysen direkt in ihre Entscheidungen einfließen zu lassen (vgl. is report 2010a, S.7). Um sich erfolgreich im Wettbewerb zu behaupten, können diese unter dem Thema Business Intelligence gebündelten Erfolgsfaktoren dementsprechend eine kritische Rolle spielen – und die Entwicklung geht weiter.
Denn innerhalb dieses Bereichs lässt sich zunehmend eine Verlagerung des Schwerpunkts von der ehemals dominierenden Analyse historischer Daten hin zur Generation von Vorhersagen auf Basis mathematischer Algorithmen und fortgeschrittener Statistik beobachten (vgl. is report 2010b, S. 22). Predictive Analytics heißt dieser eigentlich nicht neue Trend und wurde auch von IBM aufgegriffen, die mit dem Zukauf des Predictive Analytics-Spezialanbieters SPSS im Jahr 2009 nicht nur ihre Prognosefähigkeit erhöht haben, sondern damit auch ihr eigenes BI-Portfolio, das bis dato überwiegend aus verschiedenen Cognos-Komponenten bestand, abgerundet haben. Statt Fragen wie „Wo stehen wir und warum ist das so?“ zu beantworten, erweitert SPSS den bisher prädominanten rückwärtsgewandten Fokus um die Möglichkeit einer zukunftsorientierten Vorausschau und schließt so den Informationskreis, aus dem Unternehmen letztendlich erfolgskritisches Wissen generieren können und sich so den Herausforderungen dieser neuer analytischen Ära stellen.
Obwohl der Bereich Predictive Analytics, die Disziplin der prädiktiven Analyse, im Geschäftsumfeld vermehrt an Bedeutung gewinnt und sich Begriffe wie Data Mining, Datenmustererkennung und statistische Vorhersagen zunehmender Aufmerksamkeit erfreuen, handelt es sich immer noch um ein Wachstumsfeld, das als Teildisziplin von Business Intelligence aktuell etwa 8 bis 10% des Gesamtmarkts für BI ausmacht – und damit sicherlich noch Wachstumspotenziale in diversen Branchen und Einsatzgebieten aufweist (vgl. is report 2011, S.12).
Deswegen wird sich diese Bachelorarbeit mit dem Themenbereich Predictive Analytics unter der Zielsetzung, dessen Einsatzgebiete und Nutzenpotenziale zu evaluieren, beschäftigen. Dabei wird zunächst in Kapitel 2 unter Betrachtung der theoretischen Grundlagen der Wandel von rückwärtsgewandten Analyse- und Reporting-Methoden hin zu einem weiterführenden analytischen Ansatz als Antwort auf eine veränderte Marktumgebung und neuartige technische Voraussetzungen erläutert. Zudem wird dieses Kapitel eine mögliche konzeptionelle Architektur einer Predictive Analytics-Lösung und die Kapazitäten zur Umsetzung dieser durch das IBM SPSS Softwareportfolio erleuchten. In Kapitel 3 werden anschließend der Nutzen und die Einsatzmöglichkeiten von Predictive Analytics in ausgewählten Industrien beschrieben, wobei sowohl Möglichkeiten zur Werterfassung einer solchen Anwendung als auch typische Anwendungsszenarien aus der Literatur anhand einer Metaanalyse diskutiert werden. Aus den dort evaluierten Anwendungsgebieten und Industrien werden im nächsten Kapitel die Achsen einer Matrix abgeleitet, die zur Kategorisierung aller innerhalb von IBM auftretenden Predictive Analytics-Anwendungsfälle dienen soll und einen Vergleich der dort auftretenden Häufigkeiten und Fokusgebiete mit den in der Literatur ausgemachten Einsatzmöglichkeiten zulässt. Unter Beachtung von Einschränkungen hinsichtlich der wissenschaftlichen Interpretierbarkeit des Datenmaterials erlaubt diese Kategorisierung letztendlich die Feststellung gewisser Trends im Bereich Predictive Analytics, die im Résumé abschließend diskutiert werden sollen.
Um sowohl die Relevanz der soeben beschriebenen Fragestellung für Wissenschaft und Praxis als auch einen Rahmen bezüglich der wissenschaftlichen Herangehensweise aufzuzeigen, soll in diesem Kapitel das Forschungsdesign dieser Arbeit, veranschaulicht durch Abbildung 1, vorgestellt werden.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Forschungsdesign (Quelle: eigene Darstellung, 2012)
Die Problemstellung der Arbeit, die auf einer Evaluierung von Nutzen und Einsatzmöglichkeiten von Predictive Analytics in ausgewählten Industrien basiert, kann gemäß des Schaubildes in einzelne Teilfragestellungen untergliedert werden. So soll zunächst untersucht werden, welche Anwendungen der Disziplin Predictive Analytics im Geschäftsumfeld existieren, um diese Anwendungsfälle dann konkreten Industrien und Anwendungsgebieten zuzuordnen. Anhand dieser aus der Literatur hervorgehenden Dimensionen sollen anschließend die Anwendungsfälle, die innerhalb des IBM Kundenportfolio existieren, kategorisiert werden und so der Bezug zur Praxis hergestellt werden.
Durch die Evaluierung von Nutzenpotenzialen anhand einer publikationsbasierten Meta-Analyse der vorhandenen Literatur zu diesem Themengebiet werden zunächst möglich umfassend die in der Literatur vorzufindenden empirischen Ergebnisse zu dieser Problemstellung konsolidiert. Nach einer systematischen Literaturrecherche und Überprüfung der Homogenität der verwendeten Studien kann die entstandene Nutzenkonsolidierung als Beitrag zum aktuellen Forschungsstand in diesem Gebiet gesehen werden und dient gleichzeitig als Grundlage der praxisbezogenen Analyse der IBM SPSS Anwendungsfälle.
Diese wurden zunächst aus einer Reihe verschiedener IBM-interner Quellen extrahiert, worunter sich interne Datenbanken, Präsentationsmaterial oder das Expertenwissen der verantwortlichen Vertriebsbeauftragten befinden. Einschränkungen hinsichtlich der wissenschaftlichen Interpretierbarkeit dieser Datenbasis werden in Kapitel 4.1 näher erörtert. Nach Sammlung und Aufbereitung der identifizierten Anwendungsfälle wurden diese innerhalb der durch die Metaanalyse vorgegebenen Dimensionen kategorisiert und bilden somit die Grundlage für eine Analyse von auftretenden Häufigkeitsverteilungen und Fokusgebieten innerhalb der Matrix. Anhand tiefergehender Fallstudien zu einzelnen Anwendungsfällen aus diesen Fokusgebieten soll ein tieferes Verständnis des Nutzens und der variablen Einsatzgebiete prädiktiver Analysemethoden vermittelt werden.
Damit wurde der zuvor durchgeführten und als Basis dienenden literarischen Meta-Analyse ein konkreter Praxisbezug verliehen und die Relevanz des Themas für die reale Geschäftswelt verdeutlicht. Neben der Evaluierung von Nutzen und Einsatzgebieten wurde das Verständnis dieser durch die Aufbereitung konkreter Fallstudien vertieft und sowohl empirische und literaturbasierte als auch praxisorientierte Fokusgebiete und resultierende Wachstumspotenziale innerhalb des IBM Kundenportfolios identifiziert.
Als Basis der folgenden Nutzenevaluierung soll dieses Kapitel zunächst das theoretische Fundament legen, indem es zunächst die Beziehung der relativ jungen Disziplin Predictive Analytics mit dem Themenkomplex Business Intelligence beleuchtet. Danach wird aufgezeigt, wie sich wandelnde Märkte und daraus resultierende veränderte Geschäftsanforderungen sowie die Weiterentwicklung der technischen Möglichkeiten das Hervortreten von Predictive Analytics begünstigen. Abschließend soll eine mögliche konzeptionelle Architektur einer Predictive Analytics-Lösung dargestellt werden, dessen Umsetzung anhand des IBM SPSS Softwareportfolios diskutiert werden und eine Auswahl der dafür verwendeten statistischen Modelle vorgestellt werden.
Der Begriff Business Intelligence wurde das erste Mal im Jahr 1958 vom IBM-Forscher Hans Peter Luhn geprägt. Dieser definierte Intelligenz als die Fähigkeit, wechselseitige Beziehungen zwischen vorliegenden Fakten so zu erfassen, dass sie das Handeln in Richtung eines bestimmten Ziels lenken können (vgl. Luhn 1968, S.314). Obwohl es einige Jahre andauern sollte, bis der Begriff zu dem wurde, was heutzutage unter Business Intelligence verstanden wird, und dabei verschiedene Stufen der Entwicklung analytischer Entscheidungsunterstützungssysteme durchlief, drückt die Definition von Luhn bereits den Kern des heutigen Grundverständnisses von Business Intelligence aus.
BI kann als ganzheitlicher Ansatz aufgefasst werden, der verschiedene Strategien, Prozesse und Techniken integriert und aus verteilten und inhomogenen Unternehmens- und Marktdaten erfolgskritisches Wissen über Status, Potenziale und Perspektiven erzeugen soll (vgl. Born 2012, S.91f.). Entsprechend Luhns Auffassung werden also aus großen Mengen an Rohdaten aufschlussreiche Erkenntnisse gewonnen, die eine Evaluierung des unternehmerischen Handelns zulassen, einen auf Informationen basierenden Entscheidungsprozess erlauben und somit zur Erreichung des erwünschten Ziels beitragen (vgl. Evelson 2008).
Aktuell zu beobachten ist nun eine Verschiebung des Fokus im Bereich Business Intelligence. Während es in der Vergangenheit eher darum ging, Daten für das rückwärtsorientierte Reporting zu extrahieren, hat sich ein neuer Schwerpunkt im Bereich BI gebildet, wie folgendes Schaubild verdeutlicht.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 2: Business Analytics als Teildisziplin von Business Intelligence (Quelle: eigene Darstellung nach Davenport und Harris 2007, S.8)
Gemäß Davenport und Harris kann die Disziplin Business Intelligence in zwei Hauptbereiche eingeteilt werden. Der erste widmet sich dabei überwiegend dem Zugriff auf große Datenmengen und dem darauf basierenden vergangenheitsorientierten Berichtswesen versucht damit, Fragen wie „Warum ist etwas passiert und was war das Problem?“ zu beantworten. Den zweiten Bereich nennt Davenport Business Analytics und definiert diesen wie folgt:
"By analytics we mean the extensive use of data, statistical and quantitative analysis, explanatory and predictive models, and fact-based management to drive decisions and actions." (Davenport und Harris 2007, S.7)
Damit kann Business Analytics als eine Teildisziplin von BI gesehen werden und widmet sich Fragen, die einen höheren Wert für ein Unternehmen darstellen und es dazu befähigen, proaktiv Entscheidungen zu treffen. So beschäftigt sich Business Analytics über die Frage, was in der Vergangenheit passiert ist, hinaus mit Fragen wie „Warum passiert etwas und wie wird sich dieser Trend entwickeln?“ und umschließt dabei eine Reihe von informationstechnischen Methoden.
In diese Kategorie fällt somit alles, was sich nicht den traditionellen BI-Aufgaben wie Reporting zuordnen lässt – darunter unter anderem Extraktionstechniken für große Datenmengen sowie statistische Verfahren zur Prognose, Planung und Ursache-Wirkungs-Analyse, die allgemein unter dem Begriff Predictive Analytics zusammengefasst werden (vgl. Born 2012, S.92). Während bei der vergangenheitsorientierten Betrachtung die Analysewerkzeuge Transaktionsdaten auswerten, generiert Predictive Analytics Vorhersagen auf Basis mathematischer Algorithmen. Durch die Vorhersage zukünftiger Entwicklungen auf Basis von statistischen Modellen, die durch eine Analyse historischer und aktueller Daten erstellt werden, sind Unternehmen in der Lage, diese Entwicklungen zu antizipieren und ihr Handeln entsprechend proaktiv anzupassen (vgl. Costonis 2011, S.1).
An dieser Stelle soll angemerkt werden, dass der Begriff Predictive Analytics und der des Data Mining in der Literatur oft synonym verwendet werden. Gemäß King beschreibt Data Mining die IT-gestützte Aufdeckung bisher unbekannter Beziehungen zwischen anscheinend unzusammenhängenden Attributen mit dem Ziel, Handlungen, Verhaltensweisen und Ergebnisse vorherzusagen. Damit verfolgt Data Mining denselben Zweck, der im Vorhinein auch als Teil der Definition von Predictive Analytics genannt wurde. Obwohl das Konzept Data Mining bereits seit Jahrzehnten existiert, werden unter dem mittlerweile inflationär verwendeten und populären Begriff Data Mining häufig fälschlicherweise auch retrospektive Methoden wie das Online Analytical Processing (OLAP) vereint (vgl. King 2005, S.1). Auf Grund dieser irreführenden Dualität in der Terminologie Data Mining wird in dieser Arbeit der besser beschreibende und zutreffendere Begriff Predictive Analytics als Sammelbegriff für die oftmals als Data Mining bezeichneten statistischen Vorhersagemodelle und -methoden zum Zwecke der analytischen Entscheidungsfindung verwendet.
Im vorherigen Kapitel wurde eine Verschiebung des Fokus innerhalb des Gebiets Business Intelligence beschrieben, die in der jungen Vergangenheit in verschiedenen Industrien zu beobachten war und durch wachsendes Marktvolumen und den Erfolg verschiedener Predictive Analytics-Anbieter belegt wird. Obwohl das Konzept der Vorhersage von Kundenverhalten und anderen erfolgskritischen Faktoren mittels statistischer Verfahren seit Jahrzehnten bekannt ist, hat es nicht nur bis heute überlebt, sondern scheint aktuell in der Geschäftswelt einen großen Aufschwung zu erleben. Dieses Kapitel soll deswegen erörtern, woher diese steigende Beliebtheit rührt und welche Grundvoraussetzungen erfüllt sein müssen, um vom tatsächlichen Wert von Predictive Analytics profitieren zu können.
Neben dem in der Einführung erörterten Anstieg der technischen Möglichkeiten, der Predictive Analytics zu einer steigenden Anwendung in der wirtschaftlichen Praxis verhalf, lässt sich eine Entwicklung auf den Märkten beobachten, die den Einsatz von Predictive Analytics nicht nur begünstigen, sondern ihn zu einer schlichten Frage der Konkurrenzfähigkeit heranwachsen lassen.
Zunächst erfahren Unternehmen durch die Evolution von neuen Vertriebs- und Marketingkanälen durch eine Mischung traditioneller Kanäle wie Direktvertrieb, Call-Center und Versandhandel und immer stärker wachsenden Plattformen wie Onlineshops und sozialen Netzwerke eine exponentiell steigende Anzahl an Kundeninteraktionen (vgl. Barkin 2011, S.22). Diese steigende Komplexität des Vertriebsumfelds birgt neue Herausforderungen, eröffnet durch die zielgerichtete Ansprache neuer Zielgruppen aber auch Chancen zur Erschließung neuer Kundengruppen. Umso wichtiger ist es, Nutzen aus den analog zu den Kundeninteraktionen wachsenden wertvollen Informationen, die bei jeder Interaktion mit dem Kunden gesammelt werden können, zu ziehen (vgl. Morelli et al. 2010, S.2).
Zudem existieren heute im Zuge der Globalisierung nur noch wenige wirklich regulierte und geschützte Monopole oder Unternehmen, die über einen einzigartigen geografischen Zugang zu einem bestimmten Markt verfügen. Proprietäre Technologien werden immer schneller von Mitwettbewerbern adaptiert oder kopiert und wirklich bahnbrechende Innovationen als Alleinstellungsmerkmal sind immer seltener vorzufinden. Somit nähern sich Unternehmen bezüglich ihres Produktangebots sowie den verwendeten Technologien immer näher aneinander an (vgl. Davenport et al. 2005, S.2).
Demzufolge müssen Unternehmen neue Wege finden, sich vom Wettbewerb abzusetzen. Viele dieser Strategien beinhalten eine Optimierung von Kerngeschäftsprozessen, die zu den letzten verbleibenden Möglichkeiten der Differenzierung zählen. Ein Hauptwettbewerbskriterium liegt also darin, sein Unternehmen mit einem Maximum an Effizienz und Effektivität zu führen, wofür das Treffen von bestmöglichen Geschäftsentscheidungen eine unabdingbare Grundvoraussetzung darstellt (vgl. Davenport und Harris 2007, S. 9).
Veränderte Märkte und ein verschärfter Wettbewerb heben die Bedeutung informierter Entscheidungen hervor und verdeutlichen ihre Stellung als mögliches Alleinstellungsmerkmal gegenüber der Konkurrenz. Dieser Absatz beschäftigt sich deswegen mit der Entwicklung betrieblicher Entscheidungsfindung und zeigt, inwiefern Predictive Analytics diese Problematik durch einen neuartigen Ansatz adressiert.
Vor der Entwicklung technischer Werkzeuge zur Entscheidungsunterstützung wurden Entscheidungen alleine auf der Basis persönlicher Erfahrungen oder der Ahnung und Intuition fachlicher Experten getroffen. Diese auf Gefühlen basierenden Entscheidungen sind jedoch sehr subjektiv und oftmals inkonsistent, was ihren Wert in der betrieblichen Praxis sehr limitiert (vgl. Morelli et al. 2010, S.3). Mit dem Aufkommen der ersten Entscheidungsinformationssysteme wirkten Unternehmen dieser Willkür entgegen und entwickelten einen ersten Ansatz informationsbasierter Entscheidungsfindung, der auf Abbildung 3 veranschaulicht wird.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 3: Adressierung neuer Geschäftsanforderungen mit Predictive Analytics (Quelle: Eigene Darstellung in Anlehnung an Morelli et al. 2010, S.7)
Um Kernentscheidungen konsistenter und verlässlicher treffen zu können, haben Organisationen einen Ansatz der Standardisierung entwickelt, bei dem die Entscheidungsfindung durch die Verwendung von Geschäftsregeln und technologisch gestützter Berichterstattung automatisiert wird. Auch wenn diese Automatisierung einen gewissen Grad an Effizienz und Objektivität gewährleistet und damit die kollektive Qualität der getroffenen Entscheidungen verbessert, weist dieser Ansatz besonders in einer schnelllebigen und flexiblen Wirtschaftsumgebung wie der unseren einige Schwächen auf.
So lässt dieser Ansatz zum ersten prädiktive und zukunftsorientierte Komponenten vermissen und fokussiert sich lediglich auf die Wahrnehmung und anschließende reaktive Schadensbegrenzung bereits aufgetretener Probleme. Zudem vertrauen Unternehmen bei der Erstellung und Bedienung der analytischen Systeme oftmals auf analytische Experten, die die dafür benötigten Fähigkeiten aufweisen. Dies limitiert die Anzahl der befähigten Nutzer enorm und beschränkt jegliche analytische Aktivität auf eine Back-Office-Lösung mit wenig Sichtbarkeit gegenüber entscheidungstragenden Führungskräften, anstatt sie am kritischen „Point of Impact“ zu positionieren (vgl. Taylor 2010, S.30).
Um diese Unzulänglichkeiten zu überwinden, investieren Unternehmen immer häufiger in BI-Lösungen mit dem Schwerpunkt Predictive Analytics. Hierbei liegt der Fokus auf der Vorhersage bestimmter Entwicklungen, denen dann proaktiv entgegengewirkt werden kann oder die durch rechtzeitig und in Echtzeit von den jeweiligen Akteuren getroffene Entscheidungen in bestimmte Richtungen gelenkt werden können (vgl. Morelli et al. 2010, S.7).
Den Wert des Einsatzes von fortgeschrittener Analytik innerhalb des Unternehmens zu erkennen, ist zwar ein erster Schritt in die richtige Richtung – um wahrhaft von der Analytik als Differenzierungskriterium im Wettbewerb profitieren zu können und sich durch den überdurchschnittlichen Gebrauch von Business Analytics von der Konkurrenz abzusetzen, müssen unternehmensintern jedoch gewisse Voraussetzungen erfüllt sein. Basierend auf einer globalen Unternehmensstudie kategorisieren Davenport und Harris diese Voraussetzungen in der Darstellungsform der „vier Säulen analytischen Wettbewerbs“, die in Abbildung 4 illustriert sind.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 4: Vier Säulen Analytischen Wettbewerbs (Quelle: eigene Darstellung in Anlehnung an Davenport und Harris 2007, S.34)
Demnach besteht die erste Voraussetzung darin, sich durch eine bestimmte analytische Fähigkeit von der Konkurrenz abzuheben, wobei diese Fähigkeit in allen denkbaren Anwendungsgebieten vom Marketing bis hin zur internen Prozessoptimierung angesiedelt sein kann. Der Fokus der analytischen Unterstützung sollte sich dementsprechend auf diesen Kernbereich lenken, was nicht bedeutet, dass nach erfolgreicher Implementierung nicht auch andere Domänen von den analytischen Fähigkeiten des Unternehmens profitieren können. Weiterhin entscheidend für die Qualität der analytischen Fähigkeiten eines Unternehmens ist die interne Organisation und Verteilung dieser Kapazitäten. So sollten die analytischen Aktivitäten nicht einer einzelnen Abteilung innerhalb des Unternehmens anvertraut werden, sondern das Thema Predictive Analytics als ganzheitlicher Unternehmensansatz gesehen werden und so eine optimale Nutzung sowie die unternehmensweite Verfügbarkeit der notwendigen Daten sichergestellt werden. Der dritte Faktor, der eine kritische Rolle bei der erfolgreichen Verinnerlichung der neuen analytischen Mentalität innerhalb des Unternehmens spielt, ist die Unterstützung der Geschäftsführung. Um die notwendigen Veränderungen der Unternehmenskultur und den Aufbau analytischer Fähigkeiten innerhalb der Belegschaft zu fördern, ist mindestens ein Vertreter des gehobenen Managements als Verfechter des neuen Ansatzes vonnöten. Zuletzt muss die Motivation, in Predictive Analytics zu investieren, von großen Ambitionen getrieben sein und mit der Forderung von letztendlich messbaren finanziellen Ergebnissen, die das Unternehmensvermögen nicht unwesentlich beeinträchtigen, einhergehen (vgl. Davenport und Harris 2007, S. 23ff.).
Durch die Erfüllung dieser Voraussetzungen stellen sich Unternehmen einer Reihe an Herausforderungen und Stolpersteinen, die ihnen bei der Transformation in Richtung eines analytischen Wettbewerbers begegnen. So werden egoistisches Fachbereichsdenken durch einen unternehmensweiten Ansatz abgebaut und änderungsresistente Management-Mitglieder durch die Unterstützung der Transformation durch einen visionären Verfechter von den Chancen der Lösung überzeugt.
Mit der wachsenden Anerkennung des Wertes, der sich durch den Einsatz von Predictive Analytics für ein Unternehmen ergibt, vermehrt sich auch die Anzahl der Anbieter solcher Speziallösungen auf dem Markt rasant (vgl. Kobielus 2010, S.2). Ungeachtet des speziellen Anbieters vereint all diese Lösungen jedoch eine prinzipielle konzeptionelle Architektur, die die grundlegende Funktionsweise einer solchen Lösung aufzeigen soll und in Abbildung 5 dargestellt ist.
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 5: Konzeptionelle Architektur einer Predictive Analytics-Lösung (Quelle: eigene Darstellung)
Im Sinne eines Drei-Phasen-Modells lässt sich eine solche Architektur in die drei Bestandteile „Erfassung“, „Vorhersage“ und „Aktion“ untergliedern. Jeder dieser Bestandteile stellt eine Phase im Prozess der Transformation von Rohdaten in Informationen und letztendlich in wertvolles Wissen zur Entscheidungsunterstützung dar. Um diese in der Literatur oftmals synonym verwendeten Begriffe zunächst voneinander abzugrenzen, soll folgende Definition gemäß Köhler und Oswald herangezogen werden.
Daten sind definiert als jegliche Form alphanumerischen Codes. Dabei kann es sich ebenso um einfache Zeichenfolgen wie „ABC“ als auch den Inhalt eines Physik-Lehrbuchs handeln. Informationen sind Daten, die in einem Kontext interpretierbar sind, wobei ein Kontext hier als Interpretationsschema gesehen werden soll, das es Personen ermöglicht, die Daten in einem Sinnzusammenhang zu lesen. Bei Wissen handelt es sich nun um von Menschen klassifizierte und veredelte Information – also eine Vernetzung von Informationen durch Kontext, Erfahrungen und Erwartungen (vgl. Köhler und Oswald 2009, S.13).
Gemäß dieser Definition wird nun jeder Transformationsschritt von einer Phase des Modells begleitet. Die erste Phase besteht dabei aus der Erfassung einer ganzheitlichen Sicht auf den Kunden oder - in den Fällen, in denen der Kunde nicht im Zentrum der Anwendung steht - auf den jeweiligen Prozess oder den vorherzusagenden Sachverhalt. Abhängig vom Datentyp werden diese Daten oftmals direkt aus den jeweiligen Transaktionen und operationalen Systemen gezogen (vgl. Born 2012, S. 92), ohne vorher in ein aus vielen BI-Systemen bekanntes sogenanntes Data Warehouse extrahiert werden zu müssen. Dieses kann als eine allein zum Zweck der unternehmensinternen Informationsversorgung kreierte Datenbank verstanden werden (vgl. Lackes und Siepermann 2012). Bei der Betrachtung eines Kunden ist das Ziel, einen sogenannten 360-Grad-Einblick in diesen Kunden zu generieren. Zu diesem Zweck unterscheidet man generell zwischen vier verschiedenen Arten von Daten, die diesen Einblick ermöglichen sollen. Zunächst betrachtet man deskriptive Daten, bei denen es sich um geographische und demographische Daten handelt, die üblicherweise vom Kunden entweder (beispielsweise durch Online-Transaktionen) selbst angegeben werden oder von externen Quellen wie Marktforschungsinstituten bezogen werden. Daneben werden Verhaltensdaten gesammelt, also Transaktionsaufzeichnungen wie „Wer kaufte was wann?“ und Nutzungsdaten wie zum Beispiel das Telefonverhalten eines Kunden. Bei der dritten Art von Daten handelt es sich um Interaktionsdaten, die bei der Kommunikation des Kunden mit dem Unternehmen mittels unterschiedlicher Kanäle wie bei Website-Aufrufen oder durch E-Mails gesammelt werden. Die vierte Art von Daten bezeichnet man als einstellungsbezogene Daten, die sich auf die Bedürfnisse, Präferenzen, Meinungen und Wünsche der Kunden beziehen und beispielsweise im Zuge von Umfragen gesammelt werden (vgl. Morelli et al. 2010, S.23).
Nach Sammlung der notwendigen Datenbasis beinhaltet die zweite Phase, die Vorhersagephase, die eigentliche analytische Plattform und stellt damit das zentrale Element der Lösung dar. Hier werden Ergebnisse und Erfolg zukünftiger Entwicklungen durch die Nutzung fortgeschrittener Algorithmen vorhergesagt. Bei diesen Algorithmen kann es sich um verschiedene statistische Verfahren und anderen Methoden wie Text Mining handeln (vgl. Agosta 2004, S.18). Eine Auswahl der in Verbindung mit Predictive Analytics üblichsten Verfahren wird in Kapitel 2.4 vorgestellt. Was diese Methoden jedoch verbindet, ist ihr Kernelement. Bei diesem handelt es sich um einen sogenannten Prädiktor, welcher eine Variable ist, die für jede zu betrachtende Person oder Einheit gemessen werden kann und zukünftiges Verhalten beeinflusst (vgl. Siegel 2005). Ein Beispiel wäre hierfür die sogenannte RFM-Analyse, nach der die Recency (der aktuellste Zeitpunkt einer Interaktion mit dem Kunden, die Frequency (die Anzahl der Interaktionen mit einem Kunden) und der Monetary Value (der Geldbetrag, den der Kunde gezahlt hat) die besten Einflussvariablen für die zukünftige Kaufneigung eines Kunden sind (vgl. Blattberg et al. 2008, S.324). Eine solche Kombination mehrerer Prädiktoren, die in der praktischen Anwendung weitaus komplexer als dieses einfache Beispiel aussehen kann, bildet dann die Grundlage für das Vorhersagemodell. Ein solches Modell hat jeweils ein oder mehrere konkrete Ziele, die es verfolgt und durch seine Vorhersagen zu optimieren versucht. Dies kann neben der Erhöhung der Kundenbindung, der Erkennung von betrügerischem Handeln oder der Erhöhung der Verkaufsaktivität viele weitere Anwendungsgebiete betreffen, die in Kapitel 3.2 zusammengefasst sind. Die in dieser Phase ermittelte Vorhersage oder Prognose stellt dann das „Rohergebnis“ des Modells dar – also die Information, die im nächsten Schritt als Grundlage für eine Reihe von Entscheidungen dient.
In der dritten Phase, der Aktionsphase, gilt es nun, auf Basis dieser Vorhersage zu handeln und so den Einfluss des analytischen Modells auf den Unternehmensbetrieb zu maximieren. Hier werden die Ergebnisse von möglicherweise mehreren unterschiedlichen Modellen mit Geschäftslogik kombiniert (vgl. Rich 2010, S.52). Durch die Integration von Regeln, Richtlinien und Ausnahmen wird den Vorhersagen nun ein betrieblicher Kontext verliehen. Dadurch kann das hier generierte Wissen letztlich als Entscheidungsbasis dienen und die Wahl zwischen mehreren möglichen Alternativen bestimmen. Um das Beispiel der RFM-Analyse aufzugreifen, kann hier je nach Kaufneigung des Kunden entschieden werden, proaktiv mit einem Angebot auf ihn zuzugehen oder sich diese Maßnahme zu sparen. Entscheidend für eine erfolgreiche Aktionsphase ist die Integration dieser Entscheidungswerkzeuge in relevante Kerngeschäftsprozesse und die jeweils unterstützenden operationalen Systeme (vgl. Morelli et al. 2010, S.23).
Nach Durchlaufen dieses Drei-Phasen-Modells wurde aus anfänglich zusammenhangslosen Rohdaten erfolgskritisches Wissen geschaffen. Dieser Prozess kann als Kreislauf gesehen werden, da die am Aktionspunkt gewonnenen neuen Erkenntnisse wiederum als Rohdaten in das Modell fließen können und dieses damit verbessern und somit akkuratere Vorhersagen in der Zukunft ermöglichen.
„Es gibt drei Arten von Lügen: Lügen, infame Lügen und Statistiken.“
(Benjamin Disraeli 1844 zit. nach McCue 2007, S.3)
Wie dieses Zitat des britischen Politikers und Schriftsteller Benjamin Disraeli (1804-1881) ausdrückt, ist die Statistik im Alltagssprachgebrauch oftmals nicht sehr positiv besetzt und hat meist den Beigeschmack trockener Zahlenklauberei. Tatsächlich aber ist Statistik die Kunst und Wissenschaft, von Daten zu lernen und ermöglicht so einen Blick auf die Welt, der nicht nur in der modernen Informationsgesellschaft von vitaler Bedeutung ist (vgl. Hatzinger und Nagel 2009, S.18), sondern auch essenzieller Bestandteil und das Kernstück eines jeden prädiktiven Modells darstellt.
Während der Wert von traditionellen Komponenten der Disziplin Business Intelligence in ihren Fähigkeiten zur Zusammenfassung der Vergangenheit liegt (vgl. Siegel 2010a, S.3), sagt Predictive Analytics mit Hilfe verschiedener statistischer Methoden zukünftige Entwicklungen voraus. Die Fähigkeit, von vergangenen Erfahrungen zu lernen, ist dabei das entscheidende Unterscheidungsmerkmal der Disziplin von anderen Ausprägungen wie OLAP und sonstigen Reporting-Techniken. Prädiktive Modelle dienen dem Zweck der Optimierung eines bestimmten Ziels, wobei der Optimierungsprozess dabei einen Lernvorgang darstellt – um Erfolg zu haben, muss das Modell zunächst verallgemeinerte Rückschlüsse in Form von mathematischen Trends und Mustern ziehen, die dann durch die Anwendung auf zukünftige Entwicklungen bestätigt werden müssen (vgl. Siegel 2010a, S.4). Die Ableitung eines prädiktiven Modells aus den vorhandenen vergangenheitsbezogenen Daten eines Unternehmens kann also als Prozess des Lernens aus der Vergangenheit beschrieben werden.
Die Statistik beschäftigt sich mit dem Sammeln, der Präsentation und der Analyse von Daten. In empirischen Wissenschaften geht es darum, Ordnungsprinzipien und Muster bei natürlichen Phänomenen zu entdecken, zu beschreiben, zu erklären und vorherzusagen (vgl. Hatzinger und Nagel 2009, S.29). Die vier Schritte, die dabei üblicherweise durchlaufen werden, entsprechen genau dem Prinzip und dem analytischen Kern einer Predictive Analytics-Lösung, wie sie beispielsweise in Kapitel 2.3 (vgl. Abb. 5) dargestellt ist. Diese vier Schritte bestehen aus (vgl. Hatzinger und Nagel 2009, S.29):
1. Beobachtung von Phänomenen
2. Aufstellen von Hypothesen und Theorien
3. Ableitung von Vorhersagen
4. Überprüfung
Das folgende Kapitel soll dabei einen Überblick über eine Auswahl der wichtigsten statistischen Konzepte und Methoden geben, die sich alle der Unterstützung einer dieser Schritte widmen und dabei die zentrale Frage nach erkennbaren Mustern eines bestimmten Verhaltens oder eines bestimmten Zustands in den vorliegenden Daten zu beantworten versuchen, um daraus Rückschlüsse auf zukünftige Entwicklungen abzuleiten (vgl. Nyce 2007, S.7).
[...]
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!
Kommentare