29.02.2016 Intelligenter Blick in die Zukunft

Data Science im Komplexitäts-Management

Von: Malte Limbrock

Im Interview erläutert Benjamin Schulte, Geschäftsbereichsleiter bei der Comma Soft AG, warum klassische Business-Intelligence-Lösungen (BI) bei Predictive Analytics schnell an ihre Grenzen geraten und moderne Data-Science-Lösungen hingegen einen Schritt weitergehen. Denn mit diesen lassen sich auch komplexere Zusammenhänge in großen Datenmengen finden und daraus Prognosen für die Zukunft ableiten.

Benjamin Schulte, Comma Soft

Benjamin Schulte, Comma Soft

IT-DIRECTOR: Herr Schulte, wie lautet die Definition für den Begriff Data Science?
B. Schulte:
Data Science im engeren Sinne entsteht aus der Verbindung von statistischen Methoden und algorithmischer Datenanalyse. Data Science ist die Suche nach verwertbaren Strukturen in Daten, nach Zusammenhängen, die es erlauben, verlässliche Zuordnungen und Vorhersagen zu machen. Bekannte Beispiele sind Spam-Filter oder personalisierte Produktvorschläge im Onlineshop. Aber: Data Science generiert nicht automatisch Erklärungen aus den Daten. Menschen stellen Hypothesen auf und Data Science ist ein Werkzeug, diese zu testen.

IT-DIRECTOR: Wie unterscheiden sich moderne Data-Science-Lösungen von herkömmlichen BI-Anwendungen?
B. Schulte:
Wichtig ist die Transparenz: zu jedem Zeitpunkt alle Daten zu sehen und analysieren zu können. Häufig weiß man ja noch gar nicht, welche Dimensionen der eigenen Daten die wirklich interessanten sind. Intelligente Hilfestellungen zum schnellen Finden von Auffälligkeiten sind zwingend notwendig für Data-Science-Lösungen. Damit einher geht die Demokratisierung der Datenanalyse: Je weniger der Anwender auf komplizierte Skriptsyntax zurückgreifen muss, um Antworten zu bekommen, desto selbständiger ist er bei der Analyse.

IT-DIRECTOR: Wo werden die Verfahren heute bereits genutzt
B. Schulte:
Das häufigste Szenario ist sicherlich das Entdecken von Zusammenhängen in den vorhandenen historischen Daten und daraus resultierend der Versuch, Erkenntnisse auf die Gegenwart und Zukunft zu extrapolieren. Ein Beispiel: Zum letzten Stichtag haben fünf Prozent der Kunden den Vertrag gekündigt. Aktuell gibt es im aktiven Bestand noch drei Prozent der Kunden, die dieser Gruppe aufgrund bestimmter Attribute sehr ähneln und somit eventuell aus ähnlichen Gründen mit dem Gedanken einer Kündigung spielen. Diese Kunden rufe ich besser mal an. Themen wie Kündigungsprävention, gezieltes Produktmarketing oder Warenkorbanalysen werden heute routinemäßig bearbeitet. Hinzu kommen verstärkt Text-Mining-Anwendungen: Was sind die wesentlichen Themen, die die Kunden innerhalb von Tausenden E-Mails ansprechen?

IT-DIRECTOR: Welchen Nutzen bringen Data-Science-Lösungen für unternehmerische Kernabteilungen wie Produktion, Vertrieb oder Controlling mit sich?
B. Schulte:
Im Bereich Produktion kann Data Science zum Qualitätsmanagement beitragen: Wo tritt ein unerwarteter Fehler auf? Welche Produkte sind aufgrund identischer Komponenten noch betroffen? Aber auch im Komplexitätsmanagement spielt Data Science eine große Rolle, gerade bei individualisierten Produkten: Welche Produktvarianten habe ich eigentlich wie häufig und in welchen Konfigurationen verkauft? In welcher Relation steht der Vertriebserfolg zu den Prozessen, die ich für bestimmte Konfigurationen vorhalten muss? Im Vertrieb lassen sich z. B. Sales Opportunities algorithmisch bewerten. Kampagnen können effizienter geplant und sogar im Regelbetrieb adaptiv angepasst werden. Im Controlling hilft Data Science bei der KPI-Forensik, also bei der Suche nach der Ursache für die Veränderung wichtiger Kennzahlen.

©2016 Alle Rechte bei MEDIENHAUS Verlag GmbH