Das neue Business Intelligence

BI wird schlauer, mobiler und vorausschauender

27.09.2010
Von 
Martin Bayer ist Chefredakteur von COMPUTERWOCHE, CIO und CSO. Spezialgebiet Business-Software: Business Intelligence, Big Data, CRM, ECM und ERP.

2. Predictive Analytics - Blick in die Glaskugel

Neben dem klassischen Reporting, das sich in erster Linie auf die Auswertung bereits vorliegender Daten stützt und damit primär vergangenheitsorientiert ist, legen die Verantwortlichen in den Unternehmen auch immer mehr Wert auf zukunftsorientierte Analysen. Entsprechende Tools für Predictive Analytics sollen komplexe wirtschaftliche Zusammenhänge und Entwicklungen vorhersagen können und damit das Management in den Vorstandsetagen bei Entscheidungen unterstützen. Gerade in wirtschaftlich unruhigen Zeiten suchen die Firmenlenker deshalb verstärkt nach neuen Analysewerkzeugen, um künftige Marktentwicklungen und mögliches Kundenverhalten sicherer einschätzen und beurteilen zu können.

Herkömmliche BI-Tools sind nur eingeschränkt für zukunftsorientierte Analysen einzusetzen. Zwar lassen sich auch damit in begrenztem Umfang Trendaussagen treffen. Verlässlich sind diese allerdings nur dann, wenn sich Geschäfte und Märkte über einen längeren Zeitraum relativ konstant und gleichförmig entwickeln. Ist das nicht der Fall, braucht es spezifischere Analyse-Tools, um in die Zukunft zu blicken. Dedizierte BI-Werkzeuge für Predictive Analytics nutzen neben den Informationen aus den firmeninternen Business-Systemen weitere zusätzliche Daten wie beispielsweise Informationen aus Marktforschungen und werten die so zusammengetragenen Informationen mit Hilfe spezieller Algorithmen im Hinblick auf künftige Entwicklungen aus.

Um verlässliche und belastbare Analysen zu erhalten, müssen eine Reihe verschiedener Funktionen möglichst nahtlos ineinandergreifen:

  • Data-Mining-Werkzeuge,

  • Tools für die Datenintegration,

  • Algorithmen für die Auswertung der Informationen.

Da die Vorhersagemodelle mit unterschiedlichsten Informationen gespeist werden müssen, bringt das Thema für viele Anwenderunternehmen eine hohe Komplexität mit sich. Auf Anbieterseite versucht man dem mit Hilfe von Standards zu begegnen. Bereits seit Jahren arbeiten verschiedene Hersteller im Data-Mining-Umfeld an der "Predictive Model Markup Language" (PMML). Die XML-basierte Beschreibungsmethode liegt mittlerweile in Version 4.0 vor. Produkte wie die Datenbanken von IBM und Microsoft sowie Werkzeuge von IBM/SPSS, SAS, Microstrategy und Tibco unterstützen inzwischen PMML.

Banken und Versicherungen setzen auf Predictive Analytics

Trotz aller Komplexität ist Predictive Analytics in etlichen Branchen weit verbreitet. Beispielsweise nutzen Banken und Versicherungen entsprechende Tools für ihr Risiko-Management und um Compliance-Richtlinien einzuhalten. Demnach sollen sich mittels ausgeklügelter Vorhersagemodelle die Ausfallwahrscheinlichkeit von Krediten vorhersagen beziehungsweise auf Basis von verräterischen Verhaltensmustern und Beziehungen Versicherungsbetrug aufdecken lassen. Händler analysieren das Kaufverhalten ihrer Kunden und optimieren entsprechend ihr Sortiment. Bestes Beispiel ist Amazon.com: Der Online-Händler durchleuchtet nicht nur die persönliche Kaufhistorie seiner Kunden, sondern macht den Besuchern seines Online-Shops auch Vorschläge auf Basis der Interessen anderer Kunden, die ähnliche Produkte eingekauft haben. Darüber hinaus setzen auch Telekommunikationsanbieter auf Predictive-Analytics-Werkzeuge, um zum Beispiel rechtzeitig Abwanderungstendenzen von Kunden aufzuspüren und mit Hilfe gezielter Marketing-Maßnahmen gegenzusteuern.