Giuseppe Scattarreggia, Technical Manager Schweiz bei Information Builders.
Von Giuseppe Scattarreggia
Prognostische Analytik wurde lange Zeit unabhängig von den Mainstream-BI-Applikationen betrieben. Es waren nahezu ausschliesslich Spezialisten, die sich damit befassten. Mit den heute verfügbaren Lösungen hat sich dies geändert – prognostische Analytik findet immer häufiger Eingang in das Tagesgeschäft. Jedes Mal, wenn die Jahreswende naht, kommt die Zeit für Prognosen: seien es Vorhersagen zu den Wachstumsraten des Bruttosozialprodukts in den kommenden zwölf Monaten oder den wichtigsten Technologietrends. Beliebt sind auch Fragen danach, wer im Fussball Europa- oder Weltmeister wird. Die Anwendungsgebiete für Prognosen sind nahezu unendlich. Wir alle wissen, dass einiges davon mehr auf Meinungen, statt auf nachvollziehbaren Fakten beruht. Und kaum jemand macht sich die Mühe, zu überprüfen, ob die Vorhersagen zum Bruttosozialprodukt oder den Technologietrends später auch eingetroffen sind oder welche Gründe dies verhindert haben.
Prognosen und Soll-Ist-Vergleiche
Auch in den Unternehmen wird mit Prognosen gearbeitet: Produktions- und Absatzplanungen im verarbeitenden Gewerbe, Lagerbestandsprognosen, Umsatzprognosen oder Vorhersagen von Marktpotenzialen und Produktlebenszyklen neuer Produkte. Es gibt jedoch einige Unterschiede zu den anderen Prognosen des Alltagslebens. Da ist erstens die Begrifflichkeit, statt von Prognosen ist in den Unternehmen von Forecasts die Rede; gemeint sind damit Aussagen zur künftigen Geschäftsentwicklung in Form konkreter Zielvorgaben. Der zweite Unterschied: Immer mehr Unternehmen nutzen die Prognosen als Zielvorgaben und führen damit – meist auf Quartalsbasis – Soll-Ist-Vergleiche durch. Weichen die Ist-Werte zu stark von den Soll-Vorgaben ab, können die Unternehmen sofort Massnahmen ergreifen, um die Ziele für die kommende Geschäftsperiode doch noch zu erreichen.
Aktive Zukunftsgestaltung
Die Nähe zu Business Intelligence (BI) und den Aufgaben der Unternehmenssteuerung ist nicht zu übersehen. Mit BI sind Unternehmen in der Lage, Fragen zur aktuellen wirtschaftlichen Situation zu beantworten. Kennzahlen und Auswertungen zum Quartals- und im Idealfall zum Monatsende, kombiniert mit Soll-Ist-Vergleichen, liefern in vielen Unternehmen die Grundlage für Managemententscheidungen. In dieser Sichtweise befasst sich BI mit den Geschehnissen in der Vergangenheit und deren Auswirkungen auf die Gegenwart. Prognostische Analytik liefert durch den Blick auf mögliche oder auch gewünschte künftige Entwicklungen eine hervorragende Ergänzung zu BI. In dieser Herangehensweise wird prognostische Analytik zu einer Weiterentwicklung der klassischen Reporting- und Analyse-Werkzeuge. Die Erweiterung von BI-Plattformen um neue Funktionen ermöglicht einen Blick in die Zukunft. Während traditionelle BI primär vergangenheitsorientiert und deskriptiv ist, hilft die prognostische Analytik Entscheidungen faktenbasiert und erklärend besser vorzubereiten und die Zukunft aktiv gestalten zu können. Dazu kommt die Möglichkeit, abhängig von gut dokumentierten Szenarien, Handlungsalternativen aufzuzeigen.
Technische Grundlagen
Mit der Integration von RStat, einer weit verbreiteten Open-Source-Statistikbibliothek, hat beispielsweise Information Builders seine BI-Plattform WebFOCUS um ausgereifte Funktionen für Predictive Analytics und Predictive Modeling angereichert. Die Verknüpfung von RStat mit der BI-Plattform ermöglicht Unternehmen, leistungsfähige statistische Funktionen zu nutzen, die ansonsten nur mit erheblichen Zusatzkosten verfügbar wären. BI-Entwickler und Anwender aus den Fachbereichen können dann mit den gleichen Tools auf die benötigten Daten zugreifen, sie ändern und transformieren. Damit lassen sich Prognosemodelle entwickeln, Risikoabschätzungen vornehmen und fertige Applikationen – zugänglich über einen einfachen Browser – an Mitarbeiter im Unternehmen verteilen. Der Vorteil: Funktionen der prognostischen Analytik stehen nicht nur mathematisch vorgebildeten Fachkräften zur Verfügung, sondern können von den unterschiedlichsten Anwendergruppen im Unternehmen für Analysen und Modellierung eingesetzt werden – angefangen von Entwicklern und Systemanalytikern bis zu technisch weniger versierten, und direkt im Kundenkontakt tätigen Mitarbeitern.
Belastbare Prognosen
In einigen Unternehmen gehört die Arbeit mit Tools für die prognostische Analytik und Modellierung schon zum Alltag. Wer etwa im produzierenden Gewerbe oder den Ingenieurwissenschaften frühzeitig Simulationen über Daten zu Nebenwirkungen oder der statistischen Fehleranfälligkeit von Produkten durchführt, kann Fehlerquellen abstellen und sich dadurch Wettbewerbsvorteile verschaffen. Sehr nützlich sind dabei Funktionen aus dem Bereich Survival Analysis: Eingesetzt werden die Methoden der „Überlebensanalyse“ und der dazu passenden Scoring-Routinen zur Prognose der Wirkungsweise neuer Produkte. In der Fertigungsindustrie erfolgt damit beispielsweise die Modellierung der Eintrittswahrscheinlichkeit möglicher Fehler und Ausfälle von Maschinen und einzelner Bauteile. Grafikfunktionen dienen dazu, Ergebnisse besser visuell darstellen zu können.
Zum Einsatz kommen Methoden der prognostischen Analytik beispielsweise auch bei der Risikoabschätzung von Krediten. Die Dealer Services Corporation in den USA etwa, ein Gebrauchtwagenfinanzierer, nutzt eine Kombination aus BI und Predictive Modeling, um die Kreditrisiken von Händlern bei Autoverkauf genauer einschätzen zu können. Vor Einführung der heutigen Lösung betrug die durchschnittliche Ausfallquote der Kredite 27 Prozent. Dabei war die Risikobewertung rein subjektiv. Mit der neuen Lösung beruht die Einschätzung der Ausfallwahrscheinlichkeit auf Fakten. Durch einen Kundensegmentierung liess sich zunächst einmal die Ausfallquote in den einzelnen Gruppen ermitteln. Das schlechteste Segment hatte eine Ausfallquote von 52 und das beste von 8 Prozent. Wichtig an der Stelle sind natürlich auch Werkzeuge, mit denen die Qualität der Daten, die in das Modell eingehen, begutachtet und sichergestellt wird. Allein durch eine restriktivere Vergabe von Krediten an die riskantesten Klienten liess sich die durchschnittliche Ausfallquote von 27 auf 22 Prozent senken. Der Einsatz statistischer Verfahren, wie sie die prognostische Analytik bereitstellt, vermindert die Ausfallrisiken und reduziert die Abschreibungen.
Intuitive Benutzeroberflächen
Der Erfolg prognostischer Analytik in den Unternehmen entscheidet sich aber auch an der Benutzeroberfläche der Tools. Anwender müssen die Funktionen einfach und ohne langen Schulungsaufwand im Alltag einsetzen können. Interaktion bedeutet in diesem Fall: Mit Hilfe einfacher Leitfragen müssen sie die Anwender automatisch durch die Auswahl der Modelle und Verfahren führen. Die Auswahl der geeigneten Modelle sollte das Tool selbstständig treffen. Für die Anwender bedeutet dies, dass sie keine detaillierten theoretischen statischen Vorkenntnisse benötigen, um Modellberechnungen durchführen und Prognosen erstellen zu können. Der zentrale Punkt dabei: Prognostische Analytik verwandelt operative Daten ohne grossen Aufwand für den Anwender in strategisch bedeutsame Informationen. Das hilft, Entscheidungen auf sicherer Faktenbasis zu treffen.
RStat als Tool für prognostische Analytik
RStat ist eine Sammlung weit verbreiteter quelloffener Statistikfunktionen. Eingebettet in eine intuitiv zu bedienende Benutzeroberfläche sind die am häufigsten verwendeten statistischen und Data-Mining-Modelle leicht zugänglich: Entscheidungsbäume, neuronale Netze, lineare und logistische Regression, Klassifikationsbäume, Support Vector Machine und viele andere mehr. Über Modellierfunktionen erfolgt die Aufbereitung der aus den unterschiedlichsten Quellen stammenden Daten für die Analyse und das Modeling. In einer komfortablen Bedieneroberfläche können Anwender per Mausklick Prognosen erzeugen und Auswertungen vornehmen, ohne etwas über die mathematischen Grundlagen und Formeln des Data Mining und Modeling wissen zu müssen. Prognosewerte und Ergebnisse lassen sich in Berichte einbinden. RStat ist über Scripts erweiterbar, und Benutzer haben damit Zugriff auf vielfältige Pakete, die von RStat-Experten aus der Industrie und der akademischen Welt erstellt werden, um hochkomplexe Analysen durchzuführen und in kurzer Zeit neue Applikationen zu implementieren.
