Business Application Research Center

Experten für Business Intelligence, Analytics, Big Data, CRM und ECM

BARC-Newsletter

Projekte für Predictive Analytics organisieren

RssRss

30.09.2014

Projekte für Predictive Analytics organisieren

Predictive Analytics beschäftigt sich mit der Vorhersage von Informationen. Um diese Vorhersagen zu berechnen, nutzt Predictive Analytics mathematische Konzepte und statistische Methoden des Data Minings, wie beispielsweise Formeln und Funktionen für Abweichungsanalysen und Klassenbildungen.

Die Softwarepakete für „Predictive Analytics“ der meisten Softwareanbieter bieten heute nicht nur die mathematischen Data-Mining-Laufzeitumgebungen, sondern zusätzlich auch fachbereichstaugliche  Benutzeroberflächen, die das zuweilen recht komplizierte Mining-Modell und die Berechnungen für den Standardanwender im Fachbereich unsichtbar machen. Das ist auch das heute zumeist genannte Abgrenzungsmerkmal der Predictive- Analytics-Werkzeuge untereinander: eine möglichst hohe Usability und Ready-to-use-Fähigkeit durch vorgedachte Logik in Form fertiger Mining-Modelle und Oberflächen.

Benötigt der Fachbereich einfache, regelmäßig vorkommende Analysen wie Warenkorbauswertungen oder Kundenklassifizierungen, so bieten die unterschiedlichen Anbieter viele entsprechende Werkzeuge, die durch vordefinierte Vorlagen, Schablonen, Inhalte und entsprechende Benutzeroberflächen die Anforderungen direkt umsetzen können.

Spannender wird jedoch die Diskussion, wenn die Anforderungen komplexer werden. Das ist etwa der Fall, wenn nicht drei sondern 30 Kennwerte in das Data-Mining-Modell einbezogen werden sollen. Problematisch wird es auch, wenn das Data-Mining-Modell explizit angepasst werden muss und erkannt wird, dass seine Weiterentwicklung nicht trivial ist und das Unternehmen auch gar nicht die Möglichkeit wahrnehmen möchte, hier internes Data-Mining-Expertenwissen aufzubauen.

Auswahl Software und Services für Data Mining

In diesem Fall konzentriert sich die Suche nach der passenden Lösung nicht auf das bestmögliche (z.B. fachbereichsfreundlichste) Werkzeug, sondern auf einen Service – einen Data-Mining-Service. Befindet man sich in einer solchen Lage, hat man folgende Möglichkeiten, die Umsetzung anzugehen:

  • Beginnt man die Auswahl der Data-Mining-Lösung mit der Bewertung der am Markt erhältlichen Data-Mining-Werkzeuge, und geht dann auf den Hersteller zu, um einen Dienstleister zu wählen, der den Data-Mining-Service umsetzt, so muss die Data-Mining-Lösung zwar noch aufgebaut werden; jedoch ist man vergleichsweise flexibel in der Nutzung der Software, da durch den fundierten Software-Auswahlprozess die zukünftig notwendigen Fähigkeiten der Werkzeuge berücksichtigt wurden sind.
  • Andererseits besteht die Möglichkeit, einen Data-Mining-Fachspezialisten speziell für den eigenen Anwendungsfall zu suchen. Dienstleister für die unterschiedlichsten Anwendungsfälle (beispielsweise die Preisvorhersage für spezifische Branchen, Kundenanalyse, Webanalysen) bieten aufgrund bereits durchgeführter Projekte meist Data-Mining-Lösungen an, die direkt nutzbar sind. Auch wird meist ein Service beispielsweise für Anpassungen des Datenmodells, die Installation und die Konfiguration angeboten. Allerdings haben sich die Data-Mining-Spezialisten oft auf ihre eigene oder eine bestimmte Standardsoftware fokussiert. Bei aufkommenden neuen Anforderungen ist dann bei der Nutzung eines speziellen Data-Mining-Tools ein flexibles Reagieren schwieriger als hätte man auf eine umfangreichere Data-Mining-Suite, ggfs. mit integrierten Business-Intelligence-Komponenten, Datenintegrationswerkzeugen, analytischer Datenbank und Qualitätssicherungskomponenten gesetzt.
  • Der dritte Bereich ist heute wohl der spannendste: Aktuell gründen sich vergleichsweise viele Start Ups, die zwar noch keine spezifischen Erfahrungen wie die etablierten Data-Mining-Spezialisten vorweisen können und auch keinen Branchenschwerpunkt setzen, sondern die Konzepte des Data Mining verstehen und den „USP“ auf die Anwendung moderner Methoden für Big Data, Social-Media-Analysen und Web Intelligence legen. Diese Data-Mining-Dienstleister haben sich meist auf eine bestimmte Software fokussiert und müssen die Data-Mining-Lösung auch erst noch in Zusammenarbeit mit dem beauftragenden Unternehmen aufbauen. Allerdings bieten diese Dienstleister vergleichsweise günstig an und sind aufgrund ihrer Expansionsziele auf zufriedene Kunden  angewiesen.

Predictive Analytics als Trend für 2015

Der Markt für Predictive-Analytics-Software wird aus BARC-Sicht eines der zentralen Themen in 2015 sein: Das Bedürfnis, eine große Menge an Daten in unterschiedlicher Struktur wirtschaftlich zu verwalten, zuzugreifen und auszuwerten („Big Data“) hat stark zugenommen. Und Big Data wird unternehmensfähig: die Technologien werden stabil und performant, und es etablieren sich Dienstleister, die Big-Data-Lösungen einführen und warten. Jetzt geht es an die Anwendungsfälle.

Und Predictive Analytics – die Vorhersage von Informationen – ist ein Gebiet, das in allen Wirtschaftssektoren wichtig ist und wo sich insbesondere durch die Kombination moderner Big-Data-Möglichkeiten und bewährter Data-Mining-Konzepte erfolgsversprechende Geschäftspotentiale ergeben. Wie man diese Geschäftspotentiale durch eine geschickte Wahl des geeigneten Predictive-Analytics-Ansatzes ins Unternehmen bekommt, skizziert dieser Kommentar. Oberste Leitlinie ist dabei, dass die Entscheidung für das eigene Predictive-Analytics-Vorgehen auf Basis der eigenen Strategie und der eigenen Definition von Predictive Analytics getroffen werden.

BARC unterstützt als unabhängiges Beratungs- und Analystenhaus Unternehmen bei der Entwicklung ihrer Business Intelligence, Analytics und Datenmanagement-Architektur zu einer Big Data Architektur oder der Neukonzeption zukunftsfähiger Architekturen für Big Data Organisationen. Weitere Informationen zu Beratung und Support für Big Data finden Sie hier.