Blick in die Zukunft - Predictive Analytics
Die eben genannten Werkzeuge sind die Basis für die Speicherung und Verwaltung von Informationen in Big-Data-Szenarien. Für die Analyse und insbesondere die Echtzeitanalyse der Daten hat sich der Begriff Analytics oder Predictive Analytics etabliert.
Predictive Analytics umfasst vor allem Methoden, die in die Zukunft schauen können und dabei Echtzeitinformationen liefern. Diese analytischen Lösungen helfen nicht nur, schnell und akkurat ein Bild der Gegenwart zu zeichnen, sondern auch Vorhersagen zu treffen und damit Prognosen über künftige Entwicklungen. Dies geschieht auf Basis von statistischen Methoden, Datenmodellen und Simulationen mit Best-Case- und Worst-Case-Szenarien.
Werden die Systeme mit entsprechenden Daten gefüttert, können sie fundierte Vorhersagen geben und bei der Ressourcenplanung und Risikobewertung wichtige Dienste leisten. So können Nutzer nicht nur herausfinden, was im Business quasi "im Rückspiegel" passiert ist, sondern, warum es passiert ist und was weiter passieren könnte.
Für die Analyse der Daten bedient man sich oft der Methoden und Werkzeuge des Data Mining. Klassische Data-Mining-Methoden umfassen beispielsweise die Klassifizierung (Clustering), die Entscheidungsbaum-Analyse, neuronale Netze sowie Assoziationsanalysen. Banken verwenden etwa die Entscheidungsbaum-Analyse zur Erkennung von Kreditkartenbetrug und für die Profilerstellung von Kunden, die mit gewisser Wahrscheinlichkeit ihre Kreditverbindlichkeiten nicht erfüllen können.
Im Marketing werden Assoziationsanalysen und Clustering genutzt, um Absatzprognosen, Kundensegmentierungen, Warenkorbanalysen und Missbrauchserkennungen durchzuführen. Mit Clusteranalyse und Regressionsverfahren können bestehende Kunden in immer neue Gruppen aufgeteilt werden. Die Clusteranalyse ermöglicht es beispielsweise, profitable und weniger profitable Kunden zu unterscheiden.
Predictive Analytics ist jedoch nicht nur Data Mining. Darüber hinaus spielen auch Methoden des Operations Research wie Optimierungsrechnung und Simulation eine Rolle, ferner modelltheoretische Ansätze wie die mathematische Spieltheorie. Softwareseitig bilden In-Memory-Datenbanken wie SAP HANA und Hadoop meist eine tragende Rolle bei Predictive Analytics-Lösungen.
Foto: Bitkom
Warum Big Data? - Der praktische Nutzen
Natürlich haben all diese neuen Konzepte und Werkzeuge einen praktischen Nutzen. Besonders in Marketing und Vertrieb ist die Analyse großer Datenmengen für Unternehmen von unschätzbarem Wert. Denn in den Kunden-Datenbergen stecken Schätze, die man nur heben muss.
So versetzt Big Data Unternehmen in die Lage, feinkörnige Bevölkerungs- und Kundensegmente zu erstellen und ihre Waren und Dienstleistungen auf deren Bedarf zuzuschneiden. Eine detaillierte Segmentierung von Zielgruppen erleichtert deren Ansprache, vermindert die Streuverluste und somit auch die Kosten für Marketingkampagnen.
Je mehr man etwa über seine Kunden weiß, desto besser kann man Services und Produkte auf diese zuschneiden. Beispielsweise wollen Unternehmen Stimmungen oder Produkt- und Firmennamen in Social Networks aufspüren. Oder durch Auswertung von Kundenkommentaren Vorschläge für die Verbesserung von Produkten gewinnen. Oder einfach ihr Business verbessern.
Dem Handel eröffnen sich Cross-Selling-Potenziale, indem Einzelhändler beispielsweise typische Muster für Kaufentscheidungen identifizieren. Online-Händler erhöhen mit solchen Analysen den Umsatz pro Kaufvorgang. Im Rahmen von Cross-Selling-Maßnahmen könnten aber auch über einen Kunden bekannte Daten wie Transaktionen oder aktuelle Standortdaten verwendet und mit weiteren - beispielsweise demographischen - Daten in Echtzeit in Beziehung gesetzt werden. Händler sind so in der Lage, einem Kunden zu einem bestimmten Zeitpunkt an einem Ort spezifische Angebote zu unterbreiten.
Foto: Bitkom
Besonders lukrativ ist heute die Auswertung von Social-Media-Kanälen. Sie liefert frühe Signale für gesellschaftliche Trends und eröffnet die Chance, Märkte mit genau darauf abgestimmten Produkten zu erschließen. Erfolgreiche Unternehmen wie Apple oder Google nutzen diese Möglichkeiten virtuos.
- Big Data: Neue Berufsbilder
In den teilweise euphorischen Einschätzungen von Markforschern und IT-Unternehmen ist immer wieder die Rede von neuen Berufsbildern, die Big Data mit sich bringen soll. Dazu zählen unter anderem folgende Tätigkeiten: - Data Scientist
Er legt fest, welche Analyseformen sich am besten dazu eignen, um die gewünschten Erkenntnisse zu erzielen und welche Rohdaten dafür erforderlich sind. Solche Fachleute benötigen solide Kenntnisse in Bereichen wie Statistik und Mathematik. Hinzu kommen Fachkenntnisse über die Branche, in der ein Unternehmen beziehungsweise tätig ist und über IT-Technologien wie Datenbanken, Netzwerktechniken, Programmierung und Business Intelligence-Applikationen. Ebenso gefordert sind Verhandlungsgeschick und emotionale Kompetenz, wenn es um die Zusammenarbeit mit anderen Abteilungen geht. - Data Artist oder Data Visualizer
Sie sind die "Künstler" unter den Big-Data-Experten. Ihre Hauptaufgabe besteht darin, die Auswertungen so zu präsentieren, dass sie für Business-Verantwortliche verständlich sind. Die Fachleute setzen zu diesem Zweck Daten in Grafiken und Diagramme um. - Data Architect
Sie erstellen Datenmodelle und legen fest, wann welche Analyse-Tools Verwendung finden und welche Datenquellen genutzt werden sollen. Auch sie benötigen ein umfassendes Know-how auf Gebieten wie Datenbanken, Datenanalyse und Business Intelligence. - Daten-Ingenieur
Diese Aufgabe ist stark auf die IT-Infrastruktur ausgerichtet. Der Dateningenieur ist das Big-Data-Analysesystem zuständig, also die Hard- und Software sowie Netzwerkkomponenten, die für das Sammeln und Auswerten von Daten benötigt werden. Eine vergleichbare Funktion haben System- und Netzwerkverwalter im IT-Bereich. - Information Broker
Er kann mehrere Rollen spielen, etwa die eines Datenhändlers, der Kunden Informationen zur Verfügung stellt, oder die eines Inhouse-Experten, der Datenbestände von unterschiedlichen Quellen innerhalb und außerhalb des Unternehmens beschafft. Außerdem soll er Ideen entwickeln, wie sich diese Daten nutzbringend verwenden lassen. - Data Change Agents
Diese Fachleute haben eine eher "politische" Funktion. Sie sollen bestehende Prozesse im Unternehmen analysieren und anpassen, sodass sie mit Big-Data-Initiativen kompatibel sind. Nur dann lässt sich aus solchen Projekten der größtmögliche Nutzen ziehen. Wichtig sind daher ausgeprägte Kommunikationsfähigkeiten, Verständnis für Unternehmensprozesse sowie Kenntnisse im Bereich Qualitätssicherung und Qualitätsmanagement (Six Sigma, ISO 9000).