Predictive Analytics schlagen das Bauchgefühl
Auswahl der Predictive-Analytics-Werkzeuge
von Thomas Hafen - 05.02.2016
Ist geklärt, wie Predictive Analytics im Unternehmen eingesetzt und welchen Nutzen es bringen soll, geht es an die Wahl der richtigen Werkzeuge. Heleen Snelting von TIBCO nennt einige Voraussetzungen dafür:
- Benutzerfreundlichkeit: In praktisch allen Branchen besteht ein Mangel an Fachkräften mit guten Analysekenntnissen. Daher ist es wichtig, für Predictive Analytics eine Plattform auszuwählen, die in der Handhabung für die Nutzer einfach ist – unabhängig von deren Analyse-Know-how.
- Flexibler Datenzugriff und flexible Datentransformation: Die Lösung sollte es Anwendern ermöglichen, Daten aus verschiedenen Quellen zu kombinieren, ohne SQL-Anweisungen schreiben zu müssen. Folgende Datenquellen sollten dabei einbezogen werden können: Excel, Cloud-Datenquellen (Amazon Redshift), Webservices (OData), Big Data Stores (Cloudera, Hortonworks, PivotalHQ, Teradata Aster), relationale Datenbanken (Oracle, SQL Server, MySQL, IBM DB2, PostgreSQL), Analytic Databases (HP Vertica, Teradata, SAP Hana) und OLAP-Systeme (SAP Netweaver Business Warehouse, Microsoft SQL Server Analysis Services, Oracle Essbase).
Rado Kotorov
Chief Innovation Officer und VP Market Strategy bei Information Builderswww.informationbuilders.de„Die Herausforderung ist mehr kultureller als technischer Natur.“ - Erweiterte Funktionen: Tools zum Erstellen von Datenbeziehungen, Prognosen und prädiktiven Modellen für Regressionen und Klassifikationen sowie Clustering sind ebenfalls wünschenswert. So lassen sich bei komplexen Daten schnell fortschrittliche Analysen durchführen.
- Skalierbarkeit und Sicherheit: Eine Predictive-Analytics-Lösung sollte skalierbar sein, da die Anzahl an Anwendern in Unternehmen zunimmt. Je mehr Nutzer und Datenquellen vernetzt beziehungsweise angebunden werden, desto wichtiger wird die sichere Verwaltung einer solchen Plattform. Die Lösung sollte darüber hinaus alle Funktionen bereithalten, die ein Unternehmen jetzt und in absehbarer Zeit benötigt.
Bei einem datengetriebenen Ansatz entwickeln sich die Anforderungen meistens mit der Zeit weiter. Das bedeutet, dass Unternehmen heute nicht alle notwendigen Anforderungen verstehen und voraussehen können. Sie sollten sich daher beraten lassen und verschiedene Anbieter und Lösungsangebote vergleichen.
Fazit
Moderne Vorhersagemethoden sind für alle Unternehmen von Vorteil, besonders dann, wenn sie direkt mit automatisierten Aktionen verknüpft werden können, wie dies in Bereichen wie Marketing Automation oder Predictive Maintenance bereits der Fall ist. Das Schürfen, Klassifizieren und Auswerten vorhandener Daten kann – oft in Kombination mit externen Quellen – sogar ganz neue Geschäftsmodelle entstehen lassen.
Die automatisierte Klassifikation von Kunden, Versicherten, Mitarbeitern oder Straftätern und die darauf beruhende Prognose ihres zukünftigen Verhaltens bringen jedoch auch Probleme mit sich. Ob wir wirklich wollen, dass unsere Kreditwürdigkeit durch unsere Facebook-Likes, unsere Kfz-Versicherungsprämie durch unser Fahrverhalten und die Krankenkassenbeiträge durch die Zahl unserer täglichen Schritte bestimmt wird, lässt sich letztlich nur gesellschaftlich entscheiden. Technisch möglich sind solche Szenarien schon heute.
