Diese Unternehmen setzen Predictive Analytics erfolgreich ein. [...]
Seit Jahren sind Unternehmen bestrebt, Analysefunktionen zu entwickeln, um Trends und zukünftige Ereignisse zu antizipieren und so ihre Agilität zu verbessern. Predictive Analytics wendet Methoden wie statistische Modellierung, Forecasting und maschinelles Lernen auf die Ergebnisse der deskriptiven und diagnostischen Analytik an, um Vorhersagen über zukünftige Ergebnisse zu treffen.
Prädiktive Analysen kommen zunehmend zum Einsatz, um Dienstleistungen effizienter zu gestalten, Produkte zu entwickeln, potenzielle Bedrohungen zu finden, die Maschinenwartung zu optimieren und sogar Leben zu retten. Die folgenden vier Beispiele zeigen, wie Unternehmen Predictive Analytics heute erfolgreich einsetzen.
Rolls-Royce
Rolls-Royce, einer der größten Hersteller von Flugzeugtriebwerken weltweit, setzt Predictive Analytics ein, um den CO²-Ausstoß seiner Triebwerke drastisch zu reduzieren und gleichzeitig die Wartung zu optimieren, damit Kunden ihre Flugzeuge länger in der Luft halten können.
Die „Intelligent Engine Plattform“ des Unternehmens überwacht, wie die Triebwerke performen, unter welchen Bedingungen sie fliegen und wie die Piloten sie nutzen. Das Unternehmen wendet Machine Learning auf diese an, um die Wartungspläne für einzelne Triebwerke anzupassen.
„Wir passen unsere Wartungspläne an, um die tatsächliche Lebensdauer eines Triebwerks zu optimieren, nicht die, die es laut Handbuch haben sollte. Es ist ein wirklich variabler Service, der jeden Motor individuell betrachtet“, erklärt Stuart Hughes, Chief Information and Digital Officer bei Rolls-Royce.
Hughes‘ Rat: Konzentrieren Sie sich darauf, Ihren Kunden zu helfen. Analysen helfen Rolls-Royce dabei, die angebotenen Wartungsdienste zu optimieren, aber der eigentliche Vorteil ist, dass die Kunden weniger Serviceunterbrechungen erleben, weil das Unternehmen besser vorhersagen kann, wann eine Wartung erforderlich ist und sie bei der Planung unterstützt.
DC Water
Die District of Columbia Water and Sewer Authority (DC Water) hat ein Tool namens „Pipe Sleuth“ entwickelt, das mithilfe von KI und Aufnahmen von Überwachungskameras Abwasserrohre überprüft, um Defekte zu klassifizieren. „Es handelt sich um ein fortschrittliches neuronales Netzwerkmodell, um Bildanalysen von Abwasserrohren mit kleinem Durchmesser durchzuführen, sie zu klassifizieren und dann einen Zustandsbericht zu erstellen“, erzählt Thomas Kuczynski, CIO und Vice President of bei DC Water.
Vor „Pipe Sleuth“ mussten die Angestellten die CCTV-Aufnahmen manuell überprüfen und erkannte Defekte markieren. Das markierte Bildmaterial wurde dann zertifizierten Ingenieuren zur Klassifizierung zur Verfügung gestellt – ein zeitaufwändiger und ineffizienter Prozess.
Kuczynskis Rat: Konzentrieren Sie sich auf Umsatz und Effizienz. „Pipe Sleuth“ bildet nur einen Teil der Bemühungen von DC Water ab, Predictive und Realtime Analytics gewinnbringend zu nutzen. Das oberste Ziel: die Wasserverluste um etwa zwei bis fünf Prozent zu senken. Jedes Prozent des „gefundenen Wassers“, das zuvor nicht erfasst wurde, ist für DC Water circa vier Millionen Dollar wert.
„Sie sollten sich den Problemen widmen, die für Ihr Unternehmen eine dauerhafte Herausforderung darstellen und idealerweise eine Ertrags- oder Effizienzkomponente haben“, meint Kuczynski. „Es ist immer einfacher, etwas mit Sparpotenzial zu verkaufen, egal ob es sich dabei um echtes Geld oder Prozessverbesserungen handelt.“
Ellie Mae
Der US-Finanzdienstleister Ellie Mae hat sich mit der Entwicklung von „Autonomous Threat Hunting“ proaktiv gegenüber Ransomware positioniert. Die kombiniert Threat Intelligence, Predictive Analytics, KI und zuvor identifizierte „Indicators of Compromise“, um neue Kompromittierungs-Anzeichen, -Methoden oder -Techniken zu identifizieren, bevor sie eingesetzt werden können.
„Threat Hunting funktioniert nur proaktiv. Man wartet nicht, bis ein Angriff stattgefunden hat, sondern erkundet, priorisiert und untersucht Bedrohungen, bevor ein Angriff stattfindet oder sogar bevor eine Malware bekannt ist“, sagt Selim Aissi, Senior Vice President und Chief Officer bei Ellie Mae. Laut Aissi habe das Projekt die operative Sicherheitseffizienz um etwa 35 Prozent erhöht hat und zu einer Verbesserung bei der Früherkennung von Bedrohungen um den Faktor Zehn geführt hat. Auch die Geschwindigkeit bei der Abschwächung neuer Bedrohungen sei um etwa 60 Prozent gestiegen.
Aissi’s Ratschlag: „Machen Sie Change Management von Anfang an zum Bestandteil Ihres Planungsprozesses. Die Auswirkungen des Projekts waren vor allem bei meinen Sicherheits- und Ingenieurteams zu spüren. Viele dieser Funktionen waren traditionell manuell ausgelegt. Die Sicherheitsanalysten mussten die Bedrohungsinformationen sammeln und diese manuell in die Tools eingeben. Eine Schulung zu dieser neuen, autonomen Arbeitsweise war unumgänglich.“
Kaiser Permanente
US-Gesundheitsdienstleister Kaiser Permanente hat ein Krankenhaus-Workflow-Tool entwickelt, das prädiktive Analyse nutzt, um Patienten zu identifizieren, die nicht auf der Intensivstation liegen, bei denen jedoch das einer schnellen Verschlechterung besteht.
Patienten, die unerwartet auf die Intensivstation verlegt werden müssen, machen nur zwei bis vier Prozent der gesamten Krankenhausbelegung aus, sind aber für 20 Prozent aller Todesfälle in Kliniken verantwortlich, weiß Dr. Gabriel Escobar, Wissenschaftler und Regional Director, Hospital Operations Research, bei Kaiser Permanente Northern California. Sein Unternehmen hat das „Advanced Alert Monitor“ (AAM)-System entwickelt, das drei prädiktive Analysemodelle einsetzt, um mehr als 70 Faktoren in der elektronischen Gesundheitsakte eines Patienten zu analysieren und einen zusammengesetzten Risiko-Score zu erstellen.
„Das AAM-System synthetisiert und analysiert Vitalstatistiken, Laborergebnisse und andere Variablen, um stündliche Risiko-Scores für die Verschlechterung des Zustands erwachsener Krankenhauspatienten in den medizinisch-chirurgischen Abteilungen und in der Übergangspflege zu erstellen“, erklärt Dick Daniels, Executive Vice President und von Kaiser Permanente. „Remote Teams werten die Risiko-Scores stündlich aus und benachrichtigen Rapid-Response-Teams in der Einrichtung, wenn eine mögliche Verschlechterung festgestellt wird. Das Rapid-Response-Team führt dann eine Vort-Ort-Bewertung des Patienten durch und stimmt den Behandlungsverlauf mit dem Krankenhausarzt ab.“
Daniels‘ Rat: Konzentrieren Sie sich auf den Prozess. Predictive Analytics Tools sind nur so gut wie die Prozesse, die sicherstellen, dass die Informationen auch genutzt werden. Neben der Zeit, die für die Entwicklung des Tools aufgewendet wurde, verbrachte das AAM-Team viel Zeit damit, Workflows zu entwickeln und zu implementieren, damit die Gesundheitsteams so effizient wie möglich auf die Warnmeldungen reagieren können.
„Wir haben etwa fünf Jahre gebraucht, um das Mapping des Backends der elektronischen Patientenakte zu bewältigen und die Vorhersagemodelle zu entwickeln“, sagt CIO Daniels. „Danach haben wir weitere zwei bis drei Jahre gebraucht, um diese Modelle in eine funktionierende Webservice-Anwendung zu überführen, die operativ genutzt werden konnte.“
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.
*Thor Olavsrud ist Senior Writer bei CIO.com und beschäftigt sich mit IT-Security, Big Data, Open-Source-Technologie sowie Microsoft-Tools und -Servers. Er lebt in New York.
Be the first to comment