Mit Prognosemodellen näher am Geschehen

Businessfragen zu Vergangenheit und Gegenwart lassen sich mithilfe von BI-Anwendungen beantworten. Mit einem Blick in die Zukunft und detaillierten Prognosen sah es lange Zeit anders aus. Damit befassten sich lediglich die Statistikspezialisten in den Unternehmen und berechneten Wahrscheinlichkeiten zum Eintreten bestimmter Ereignisse, etwa in der Medizin, der Risikobewertung von Kreditverträgen oder bei der Einschätzung von Schadensfällen einzelner Versicherungsarten. Primär ging es um eine reaktive Vermeidung von Schäden und weniger um eine aktive Gestaltung der Zukunft. Prognostische Analytik (Predictive Analytics) und Modellierung (Predictive Modeling) waren das Metier von Spezialisten, die über mathematisches und statistisches Know-how verfügen mussten. Heute findet, dank ausgereifter Verfahren, prognostische Analytik immer häufiger Eingang in das Tagesgeschäft.

Eine Lösung für die prognostische Analyse muss in der Lage sein, klar nachvollziehbare und aussagekräftige Muster und Beziehungen in Datenbeständen zu identifizieren. Darauf aufbauend ist es möglich, künftige Ereignisse vorherzusagen und unterschiedliche Handlungsalternativen zu bewerten. Die Mustererkennung wiederum ist eines der Tätigkeitsfelder von Data Mining. Das Softwarehaus Information Builders beispielsweise stellt dazu das Predictive-Analytics-Tool „Webfocus RStat“ bereit.

Die Einsatzgebiete sind vielfältig, eines davon ist die Überlebensanalyse (Survival Analysis). Deren Verfahren und die dazugehörenden Bewertungsroutinen werden beispielsweise in der medizinischen Forschung zur Prognose der Wirkungsweise neuer Produkte eingesetzt. In der Fertigungsindustrie etwa erfolgt damit die Modellierung der Eintrittswahrscheinlichkeit möglicher Fehler und Ausfälle von Maschinen.

Weitere Einsatzgebiete liegen im Einzelhandel. Eine Supermarktkette kann die Umsatzströme mehrerer Jahre analysieren, um zu ermitteln, wann welche Filiale wie viel Personal benötigt. Zudem lassen sich mit prognostischer Analyse und verfeinerten statistischen Methoden Kassenbons auswerten, um das Kundenverhalten zu ergründen.

Ein wichtiger Anwendungsfall für die prognostische Analyse im Retail-Sektor ist die Preis-Absatz-Funktion (PAF). Aus Vergangenheitsdaten ergibt sich die PAF für einzelne Produkte und der optimale Preis jedes Produktes in der Zukunft kann bestimmt werden, abhängig von Wetter, Uhrzeit, Wochentag oder Jahreszeit.

Ein wichtiger Erfolgsfaktor ist dabei die Performance bei der Verarbeitung der zum Teil sehr umfangreichen Datenmengen. In-Memory-Verfahren sowie Komprimierungsfunktionen sorgen für eine deutlich höhere Performance von BI- und Predictive-Analytics-Applikationen. Davon profitieren insbesondere Anwendungen, bei denen eine hohe Zahl von Ad-hoc-Anfragen oder sehr große Datenmengen zu verarbeiten sind.

Bildquelle: Thinkstock/Stockbyte