Predictive Analytics: Was das mit Big Data und dem Mittelstand zu tun hat

veröffentlicht am 10. August 2016 in Software  .
Digitale-Stadt

Big Data hat sich in den letzten 5 Jahren vom Trend zum Hype entwickelt. Begünstigt wurde die Entwicklung durch die rasante Nutzungszunahme von Social Media, die Verbreitung von mobilen Apps, Cloud Computing, Internet of Thinks (IoT) und  Machine to Machine (M2M). Und so ist es nicht verwunderlich, dass der Big Data Markt für Deutschland 2016 auf über 1,75 Milliarden Euro geschätzt wird. Dabei fallen 63% des Marktes auf Service und Dienstleistungen. Das zeigt ein deutliches Potential in der eigentlichen Daten nutzung. Dank der  enormen Performance und Sicherheitsleistungen aktueller Cloud-Computing- Systeme spielen das Sammeln und S peichern der Daten keine große Rolle mehr im Big Data. Die neue Herausforderung liegt im sinnvollen Einsatz der gesammelten Daten. Besonders, wenn es darum geht Daten nicht im Vergangenheitsbezug einzusetzen. Gerade im Mittelstand dienen die gesammelten Daten vorwiegend dem Vergleich von Gegenwart und Vergangenheit. Lediglich in Vertriebsabteilungen und auf Geschäftsführerebene wird, auf Grundlage der  Qualifizierungen von Kontakten und Opportunities, eine Forecastberechnung erstellt. Doch genau in der Zukunftsbetrachtung und dem Ableiten von Handlungen und Aktivitäten liegt der Mehrwert von Big Data. Ein Grund warum Daten in Unternehmen ungenutzt sind, ist das Fehlen einer geeigneten Big Data Strategie. Laut der BARC Studie haben 63% der Unternehmen im DACH-Raum keine Big Data Strategie. Dabei kann eine unternehmensweit eingeführte Big Data Strategie mehr als Arbeitsprozesse optimieren. Genau dieser Problematik widmet sich Predictive Analytics. Aktuelle Daten werden anhand definierter Business Cases detailliert analysiert, um auf deren Basis eine konkrete Prognose der Zukunft abzuleiten. Anhand dieser können Handlungen zur Beeinflussung der Zukunft erarbeitet werden.

Big-Data-Ausgaben

Abbildung aus TecArt Trendaltas 2016

Wie können Business Cases für Predictive Analytics aussehen?

Die Einsatzszenarien für Predictive Analytics können vielseitig sein. Vorhersagen von  Besucherströmen an Airports, Kundenbindung für Personaldienstleister oder Ertragsprognosen für erneuerbare  Energien sind nur einige Beispiele möglicher Business Cases. Im folgenden Abschnitt werden  Szenarien beschrieben, die sich zum Teil schon im Einsatz befinden. Nicht alle  Beispiele sind dem Mittelstand entnommen, dennoch zeigen diese Anwendungsbeispiele wie Big Data und Predictive Analytics anfängt, die Entwicklung ganzer Branchen zu bestimmen.

Erhöhung der Kundenbindung

Personaldienstleister können mit einem gut gepflegten CRM-System anhand von Wetterdaten noch gezielter auf den Bedarf Ihrer Kunden reagieren. So können z.B. im CRM vorgefertigte Bewerberlisten für Unternehmen die Kühlanlagen herstellen, vertreiben und betreuen schon vor einsetzen einer Hitzewelle erstellt werden. Mit dem Steigen der Temperaturen, erhöht sich die Wahrscheinlichkeit für Ausfälle der Kühlanlagen. Kühlanlagenhersteller haben oft für diese Fälle eigene Call-Center für die Annahme und Koordination der Störmeldungen. Damit dies gewähr- leistet werden kann, wird im Sommer das Stammpersonal mit Aushilfskräften aufgestockt. Sobald die M eteorologen eine Hitze welle prognostizieren, stellt das CRM des P ersonaldienstleisters die verfügbaren Bewerber zusammen. Der Personaldienst- leister wird automatisch vom System  informiert und schöpft sein Kundenpotenzial stärker aus.

Ertragsprognose für Windkraftanlagen

Die dänische Firma Vestas ist ein  Hersteller und Betreiber für Windkraftanlagen.  Zusammen mit dem Softwarehersteller IBM wurde ein Big Data Projekt umgesetzt mit dem Ziel in wenigen Stunden standortbe- zogene Ertragsprognosen zu erstellen. Die Big Data Plattform kann innerhalb eines Tages für einen bestimmten Standort die mögliche Energiemenge und den Ertrag für knapp ein Jahrzehnt  prognostizieren.  Hierfür werden ca. 160 Faktoren  berücksichtigt. Es werden z.B. Geländehöhe, Boden beschaffenheit und Satellitenbilder mit Grundstückspreisen verknüpft.

Desktopbildschirm

Verringerung der Mitarbeiterfluktation

In Zeiten in denen geeignetes Personal zur M angelware wird, ist es essentiell die  Mit arbeiter langfristig zu binden. Dies ge- lingt neben dem Gehalt mit vielen w eiteren Faktoren, um das  Kündigungs risiko von guten  Fachkräften zu reduzieren. Unbe- stritten ist, dass viele  Firmen mittlerweile ver schiedene  Maßnahmen umsetzen, um die Mitarbeiterb indung zu erhöhen. Ob diese greifen, lässt sich oftmals erst zu spät erkennen. Nämlich dann, wenn der Mit- arbeiter gekündigt hat. Das System Workday Talent Insights hat einen selbstlernenden Algorithmus  entwickelt, der auf Basis von historischen Daten zur Fluktuation der Mitarbeiter das Kündigungsrisiko berechnet. Somit  können Teamleiter und die Personal- abteilung  reagieren bevor der Mitarbeiter das Arbeitsverhältnis beendet. Die Software berechnet die Wahrschein- lichkeit anhand verschiedener Faktoren, wie bspw.:- Dauer der Anstellung

  • Anzahl Gehaltserhöhungen
  • Arbeitswege
  • Arbeitszeit
  • Bewertungen durch Vorgesetzte und Mitarbeiter

    Dynamische Preisberechnung in der Fashionbranche

    Im Fashionbereich wird Predictive A nalytics eingesetzt, um die Preise flexibel zu gestalten. So lassen sich Verfügbarkeiten und Lieferbedingungen anpassen und Lager effizienter zum Saisonende räumen. Anhand historischer Verkaufsdaten kann besonders bei Saisonware, wie Shirts und Sommerkleidern, der Preis individuell angepasst werden.

    Asatz-Diagramm

    Abbildung aus TecArt Trendaltas 2016 Fashion-Shops können mit Predictive  Analytics die Preise optimal ermitteln,  indem externe Daten, wie Wetter und  Feiertage, mit internen Faktoren, wie Einkaufspreisen, Umsatzzielen, historischen Preisen kombiniert werden. Die maximale Zahlungsbereitschaft der Kunden lässt sich besser ausschöpfen.

    Absatzprognose im Leensmittelhandel

    Kaufland setzt bei der täglichen Bestellung von Frischfleisch auf automatisierte Bestellprozesse, die nicht mehr von festen Lagerbeständen ausgehen. Mit der Predictive Analytics Lösung von Blue Yonder ist ein unternehmensweites Big Data Projekt ins Leben gerufen worden, das in jeder Filiale die richtige Menge Fleisch verfügbar macht. Eine zentrale Rolle spielt dabei die  automatisierte Disposition. Das System verarbeitet neben den internen Daten aus dem ERP von Kaufland, auch andere Einflussfaktoren, wie Wetter, Rabattaktionen und Feiertage.

    Was sind die Herausforderungen für ein Big Data Projekt im Mittelstand?

    Die Business Cases zeigen, wie sich der Wert von Big Data erhöhen kann, sofern  interne Daten des CRM oder ERP mit externen Daten kombiniert werden. Das macht deutlich, dass Big Data kein eigenständiges IT- und Controlling-Thema mehr ist. Big Data kann in verschiedenen Abteilungen im  Unternehmen eingesetzt werden, um die Wertschöpfung im gesamten  Unternehmen zu erhöhen. Die vielfältigen  Möglichkeiten und Einsatzszenarien  bringen für den Mittelstand allerdings neue  Herausforderungen mit sich. Diese Flut an Möglichkeiten sind zeitgleich Gründe warum Big Data in Unternehmensprozessen noch nicht fest integriert ist.

    Big-Data-Plattform-Grafik

    Abbildung aus TecArt Trendaltas 2016 Nach wie vor wird der Großteil von  strategisch wichtigen Entscheidungen ganz alleine aus dem Bauch heraus getroffen. Damit Big Data nicht länger ungenutzt bleibt, muss der Mittelstand eigene Ideen entwickeln, wie vorhandene Daten für die Zukunft genutzt werden können. Dabei gilt es vier Herausforderungen zu meistern.

    Datenschutz

    Bei Big Data und Predictive Analytics  werden viele personenbezogene Daten  erfasst - z.B. Vertragsdaten, gekaufte  Produkte und Dienstleistungen, Klickdaten von Apps oder Klickpfade von Webseiten, Daten von sozialen Netzwerken, Sensordaten von Wearables oder Maschinen, Standortdaten verschiedener Devices, E-Mails, Chats, Telefonverbindungs- und andere Kommunikationsdaten. Für alle erfassten Daten gibt es gesetzliche Bestimmungen und Vorgaben wie Daten erfasst und benutzt werden k önnen. Dabei variieren die Vorgaben national,  europäisch und transatlantisch. Wichtig ist es, die  Vorgaben des Datenschutzes nicht mit dem  Begriff Datensicherheit gleich zu setzen. Datenschutz regelt im Kern nicht die Daten an sich, sondern schützt die User  (Menschen) vor der Sammlung, Auswertung und ungewollten Veröffentlichungen ihrer Daten. Aktuell gibt es vor allem für das Internet keine einheitlichen Datenschutzbestimmungen. Seit dem das Safe-Harbour-Abkommen für ungültig erklärt wurde,  arbeitet die EU mit Hochdruck an einem neuen  europaweiten Datenschutzrecht. Die bisherigen Regeln des Bundesdatenschutzgesetztes sowie der EU sind teilweise unklar und nicht den aktuellen digitalen Möglichkeiten angepasst. Bei der  Erarbeitung einer Big Data Strategie empfiehlt es sich immer eine juristische Beratung zur Seite zuholen. Besonders für Unternehmen des Mittelstands, deren  Aktivitäten länderübergreifend sind,  ergeben sich hinsichtlich des Datenschutzes komplexe Sachverhalte.

    Datensicherheit

    Der Umgang mit den gesammelten Daten stellen die IT-Abteilungen vor große Herausforderungen. Es muss die passende Soft- und Hardware mit hoher Performance zur Verfügung gestellt werden. Um die Daten optimalerweise in Echtzeit berechnen zu können, sind leistungsstarke Cloud- oder Server-Lösungen notwendig.

    Mann-an-Ipad

    Dies steht gern im Widerspruch zur Datensicherheit. Für den Bereich der Datensicherheit gilt es, die sicherste Lösung für den Zugang durch Mitarbeiter und dem Schutz vor Hackern und Betriebsspionage, ohne Performance und Usability-Verluste zu finden. Welche verstärkten Gefahren dem Mittelstand durch Cyberkriminalität drohen, werden in einem späteren Blogbeitrag zum Thema  “Datenschutz und Daten- sicherheit” näher erklärt. Es sollte nur dem  Unternehmen selbst möglich sein, Gewinn aus erworbenen Daten zu erzielen. Der Schutz vor unberechtigten Zugriff  beinhaltet ebenfalls die regelmäßigen Backups, die dem Schutz vor Datenverlust dienen.

    Technisches Know How der IT

    Laut der BARC Studie bemängeln  Unternehmen zu 53% fehlendes  technisches Know How der IT und s ehen  darin ein Knock-Out Kriterium für die Umsetzung einer Big Data Strategie. IT- Abteilungen müssen interne Ressourcen  nutzen, wie die Skalierung eigener Server- oder Cloud -Technologien, ohne nennens- werte Mehrkosten zu verursachen. Der Schlüssel für die wirtschaftliche Nutzung von Big Data liegt in der Performance. Nur wenn die Daten in Echt- zeit verfügbar sind, können Predictive Analytics, Hadoop- und Risiko-Analysen zum Wettbewerbsvorteil werden.

    Unternehmensweites Analytisches Know How

    Ein weiterer wichtiger Baustein zur wirtschaftlichen Nutzung der Daten ist das  analytische Know How in nahezu allen Abteilungen. Mit analytischem Know How ist kein rein mathematisches Wissen und  Können gemeint. Ein guter Analytiker versteht die internen technischen Prozesse genauso gut, wie er die Zusammenhänge erkennt und Business Cases für Big Data entwickelt. Bei der Auswertung sind Kreativität und grafisches Geschick gefragt. Die richtige Darstellung von Daten kann mitunter erst die nötigen Erkenntnisse bringen.  Korrelationen lassen sich selten aus dem Be- trachten nackter Zahlen herleiten. Vielmehr wird ein Verständnis und Zusammenhang erst mit einer grafischen Auswertung klar. Hier gilt es, kreative und neue Ansätze zu finden.

    Schrittweise Geschäftsnutzung aus Big Data erzielen

Gehender-Mann

Bei der Einführung eines Big Data  Projektes ist die Zielsetzung von Beginn an klar: Messbare Daten müssen auf einen  geschäftlichen Nutzen hin ausgerichtet werden. Big Data muss zur  Wertschöpfung  gesamtunternehmerisch beitragen! Damit dies gelingen kann, ist ein Big Data Projekt an mehreren Erfolgsfaktoren  a uszurichten, die sich in vier Phasen teilen.

1. Wissensaufbau

Zu Beginn muss das Wissen aller Projektbeteiligten auf einen einheitlichen Stand gebracht werden. Wichtig ist bei allen Arbeitsschritten, den Kunden im Mittelpunkt des geschäft- lichen Nutzens zu sehen. Für den Wissensaufbau können interne Quellen genauso, wie Marktbeobachtungen aus branchenfremden Bereichen herangezogen werden. Am Ende der ersten Phase sollte klar sein, dass sich mit Big Data ein geschäftlicher Nutzen für das Unternehmen gewinnen lässt. Ist dies nicht der Fall, sollte das Projekt nach der ersten Phase gestoppt werden.

2. Business Case und Anwendungsbeispiele

In der zweiten Phase werden 3-5 konkrete Anwendungsbeispiele erarbeitet, wie und welche Daten dem Unternehmen nutzen können, um die Wertschöpfung zu erhöhen. Der Business Case sollte auch den konkreten Nutzen mit der optimalen Umsetzungsmöglichkeit enthalten. Bei der Entwicklung von Use Cases geht es noch nicht im Detail darum, ob im Unternehmen alle Ressourcen und Daten vorhanden sind. Bei der Entwicklung von Business Cases geht es um das Aufzeigen von konkreten Potentialen.

3. Analyse, Reporting und Testlauf

Im dritten Schritt wird der vielversprechendste Business Case ausgewählt und getestet. Beim Test werden vorrangig vorhandene Technologien und Kompetenzen eingesetzt. So werden schnell erste Ergebnisse erlangt. In der anschließenden Bewertung werden die Chancen bei einer 100% Umsetzung ermittelt und die fehlenden Ressourcen aufgelistet.

4. Entwicklung des Big Data Konzeptes

Ein effektives Big Data-Konzept definiert die wichtigsten geschäftlichen Ziele und  Anforderungen an die Geschäftsprozesse. Es bestimmt die Art und Weise wie Daten  genutzt werden sollen und mit welcher IT-Architektur die gesetzten Ziele umgesetzt werden. Das Konzept legt die Basis für die schrittweise Entwicklung und Implementierung einer Big Data-Lösung im Unternehmen, so dass ein nachhaltiger geschäftlicher Nutzen mit Daten sichergestellt wird.    

Fazit

Sitzender-Mann-im-Büro

Der Mittelstand benötigt eine unternehmensweite Big Data Strategie, um auch in Zukunft wettbewerbsfähig zu bleiben. Große Unternehmen, wie die Otto Group oder Kaufland, beginnen mit Ihren erfolg- reichen Predictive Analytics Projekten die Prozesse ganzer Branchen zu verändern. Weiterer Druck erhält der Mittelstand im Bereich der Energiedienstleister aus dem Ausland. Aktuell fehlt es noch an kreativen Ansätzen auch mit einer kleinen Datenbasis Unternehmensdaten gewinnbringend einzusetzen. Grundsätzlich sind dank der fortschreitenden Cloudtechnologie die  Kosten und Aufwände für ein Big Data  Projekt überschaubar. Wichtig für das Vorantreiben einer gesamtunternehmerischen Big Data Strategie, bei der es gilt die wichtigsten Herausforderungen zu meistern, sind: - Klarer und transparenter Datenschutz

  • Mehr Datensicherheit
  • Entwicklung von IT Know How
  • Aufbau von analytischem Know How

Wie gut hat Ihnen mein Artikel gefallen? Geben Sie mir bitte Ihre Sterne!
Vielen Dank, .

Bewerten Sie den Artikel.






Sagen Sie es weiter!





Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Autoreninfo

Frank Panser

Als leidenschaftlicher Growth Hacker beschäftige ich mich bei TecArt mit den unzähligen Möglichkeiten die Bedürfnisse unserer Zielgruppe zu identifizieren und für unsere Kunden nutzbar zu machen. Dabei habe ich nur ein Ziel: Die Antwort schon vor der Frage zu kennen.