Dynamische Preisgestaltung, Absatzprognosen oder vorausschauende Wartung - das Spektrum der Anwendungen von Predictive Analytics ist breit gefächert. Unternehmen aus vielen Branchen werfen auf Basis statistischer Methoden den Blick in die Zukunft. Dieser Artikel beschreibt ausgewählte Beispiele für Einsatzszenarien in Branchen wie Einzelhandel, Luftfahrt oder Fertigung. [...]
Ein Beispiel aus der Industrie ist Predictive Maintenance, sprich vorausschauende Wartung. Basis dafür ist die Fülle an Sensordaten, die Maschinen, Geräte und Fahrzeuge heute senden. Diese Sensoren übermitteln dabei Daten zum Status etwa einer Anlage wie Leistung, Temperatur, Umdrehungen und Auslastung (meist) an eine Cloud-Plattform. Die Lösung analysiert Kenndaten bezüglich Nutzung, Verschleiß und Zustand aus verschiedenen Quellen und erkennt so Fehlermuster und qualitativ minderwertige Komponenten – und kann Fehler vorhersagen. Der Service kann dadurch rechtzeitig reagieren und einen kostspieligen Ausfall der Maschine proaktiv verhindern, indem er beispielsweise ein neues Ersatzteil einbaut oder die Wartungsarbeiten vorzieht.
Predictive Analytics hilft zudem bei der Entscheidung über die Laufzeit und Konditionen bei der Verlängerung von Serviceverträgen. Hier sind anhand des Anlagen- bzw. Maschinenzustands präzise Prognosen zu Risiken, Ausfällen und Wartungsbedarf möglich; hier lassen sich auch Wetterdaten und sonstige Umwelteinflüsse integrieren. Die Analyse bildet die Basis für die Entscheidung, ob der Vertrag zu den bisher für den Kunden günstigen Konditionen beibehalten oder geändert wird.
PERSONALMANAGEMENT: WAHRSCHEINLICHKEIT EINER KÜNDIGUNG VORHERSAGEN
Auch im Personal Management kommt Predictive Analytics zum Einsatz. Die Lösung Workday Talent Insights beispielsweise analysiert über einen selbstlernenden Algorithmus historische Daten zur Mitarbeiterfluktuation, um das Kündigungsrisiko von Mitarbeitern frühzeitig zu erkennen. Als Parameter für die Wechsel-Wahrscheinlichkeit dienen Fragen wie: Wie lange arbeitet der Kollege im Unternehmen? Wie oft erhielt er eine Gehaltserhöhung? Wie lange ist sein Arbeitsweg? Wie oft wechselten seine Vorgesetzten? Wie viele Projekte hat er abgewickelt? Wie wurde er beurteilt? Für welche Projekte erhielt er eine Auszeichnung?
Die ermittelten Muster werden dann mit ähnlichen Mustern von Mitarbeitern verglichen, die das Unternehmen verlassen haben, um das Kündigungsrisiko einzuschätzen. Die Ergebnisse sind rein statistischer Art und bilden einen Anhaltspunkt für individuelle Gespräche mit dem potenziell wechselwilligen Mitarbeiter. Zugleich bietet die Software konkrete Empfehlungen, wie sich die Abwanderungswahrscheinlichkeit reduzieren lässt, beispielsweise durch die Versetzung zu einem interessanten Projekt. Mit der Lösung lassen sich auch Fragen beantworten wie: Um wie viel Prozent reduziert sich die Wahrscheinlichkeit einer Kündigung, wenn wir das Gehalt um fünf Prozent erhöhen?
*Jürgen Mauerer betreibt als freier Journalist ein Redaktionsbüro in München.
Be the first to comment