Prognosen und automatisierte Entscheidungen auf Basis von Daten

Predictive Analytics versucht, auf Basis komplexer Datenanalysen Vorhersagen über zukünftige Ereignisse zu treffen. Doch der Blick in die Zukunft bringt nur dann sinnvollen Mehrwert, wenn er in konkrete Use Cases eingebettet und mit Handlungsempfehlungen verbunden ist (Prescriptive Analytics). Im Idealfall erfolgen die Entscheidungen automatisiert auf Basis von Daten. [...]

VIER SÄULEN-MODELL MIT ZIEL AUTOMATISIERUNG

Blue Yonder hat ein Vier Säulen-Modell entwickelt, das Predictive und Prescriptive Analytics verknüpft und letztendlich automatisierte Entscheidungen unterstützen soll.

Säule 1 = Infrastruktur:
Grundlegende Voraussetzung für die effiziente Datenanalyse ist eine leistungsfähige Big Data-Infrastruktur, die auch große Datenmengen schnell auswertet. Das System sollte mit verschiedenen Formen von Daten zurechtkommen und Daten aus unterschiedlichsten Quellen aggregieren und analysieren. Sämtliche Datenquellen (Maschinen, Prozesse, Produkte, Wetterdaten etc.) und Systeme (ERP, CRM, BI etc.) müssen miteinander vernetzt werden.

Säule 2 = Algorithmen und Machine-Learning-Modelle:
Blue Yonder entwickelt seine Algorithmen stetig weiter und verfeinert sie mit dem Ziel, dass sie auch mit einer geringen Datenbasis bessere Ergebnisse liefern. Wichtige eigene Algorithmen sind der NeuroBayes-Algorithmus, der auf neuronalen Netzen mit vielen Input-Parametern und komplexen Zusammenhängen beruht, oder der Cyclic-Boosting-Algorithmus. Letzterer verarbeitet große Datenmengen ohne Clustering, kann gut mit unvollständigen Datenlieferungen umgehen und sorgt für Transparenz, indem er beispielweise bei der Absatzprognose alle benutzten Faktoren (Temperatur, Ferien etc.) offenlegt. „Die Transparenz ist sehr wichtig für die Prozessautomatisierung, damit der menschliche Nutzer die Ergebnisse der Maschine versteht“, so Lars Trieloff.

Säule 3 = Domain Expertise:
Hier geht es darum, auf Basis der Algorithmen und statistischen Methoden ein Modell beziehungsweise eine Applikation für den konkreten Business Case zu bauen. Ein Beispiel ist die dynamische Preisgestaltung mit dem Ziel, anhand von der Berechnung von Preiselastizitäten den optimalen Preis zu bestimmen und damit Umsatz oder Gewinn zu steigern. Die Lösung rechnet hier mit Hilfe externer Daten (Wetter, Feiertage etc.) und interner Faktoren wie Einkaufspreise, Umsatzziel, historische Preise etc. mehrere Szenarien durch und ermittelt den optimalen Preis.

Stufe 4 = Vollautomatisierung des Prozesses:
„Die Prognose und die Handlungsempfehlung erfolgen quasi auf Knopfdruck. Der Kunde übermittelt über eine API die entsprechend benötigten Daten, das Modell gibt dann das Ergebnis automatisiert aus“, erläutert Lars Trieloff. Dank der Automatisierung können Unternehmen eine Vielzahl von Entscheidungen treffen. So übernimmt beispielsweise ein Lebensmittelhändler und Kunde von Blue Yonder eine Million Bestellungen pro Tag nahtlos in sein Bestellsystem.

PERMANENTE VERBESSERUNG DER PROGNOSEN UND EMPFEHLUNGEN

Doch inwieweit können sich Unternehmen oder Data Scientists auf die Prognosen und automatisierten Handlungsempfehlungen verlassen? „Welche Methode und welcher Algorithmus am besten funktionieren, hängt vom individuellen Ziel und der Fragestellung ab“, betont Sven Bauszus von SAP. „Um den Ergebnissen vertrauen zu können, ist es notwendig, das Modell und die Parameter stetig anzupassen, zu trainieren und in einem immerwährenden Prozess neu zu kalibrieren.“ Da sich die Modelle laut Bauszus auch durch Machine Learning anhand vorgegebener Algorithmen im Laufe der Zeit immer weiter verbessern, werden auch die Vorhersagen und Empfehlungen immer präziser. Kenngrößen für die Qualität einer Prognose sind etwa der Vergleich mit der Realität, mit den bislang im Unternehmen eingesetzten Methoden (zum Beispiel Regressionsanalyse in Verbindung mit dem Bauchgefühl des Managers) oder mit Konkurrenz-Algorithmen.

KRITERIEN FÜR DIE AUSWAHL EINES ANBIETERS
Worauf sollen Unternehmen bei der Auswahl eines Anbieters für Predictive/Prescriptive-Lösungen achten? Die Kriterien sind vom Ziel abhängig. Soll die Software hauptsächlich ein Tool darstellen, das die Arbeit der Data Scientists unterstützt, stehen vor allem die Visualisierungs-Werkzeuge und die einfache Bedienung im Vordergrund.

Verfolgen die Unternehmen das Ziel, ihre Geschäftsprozesse und Entscheidungen zu automatisieren, sind folgende Kriterien ausschlaggebend:

• Expertise des Anbieters (Anzahl der Projekte)

• Referenzen: Kontaktaufnahme zu bestehenden Kunden etc.

• Business-Know how und (Branchen-)Erfahrung des Anbieters

• Plattform muss Automatisierung und Modell-Management unterstützen

• Einfache Integration in Backend-Systeme

• Performance und Skalierbarkeit der Lösung

• Kosten und Preismodell: Da eine erfolgreich eingesetzte Lösung für Predictive/Prescriptive-Analytics sich positiv auf die Geschäftszahlen auswirkt (schneller Return on investment), bieten einige Anbieter erfolgsabhängige Prämien an. Der Preis kann auch vom Datenvolumen oder der Rechenleistung (Anzahl der Prozessoren etc.) abhängig sein.

*Jürgen Mauerer betreibt als freier Journalist ein Redaktionsbüro in München.