Die Fragen "Wo stehen wir gerade?" und "Warum stehen wir hier?" konnten wir bereits beantworten. Im Business Analytics-Kreislauf folgt nun der Blick "in die Glaskugel" mit den sehr interessanten Fragen "Was wird als nächstes passieren?" oder "Wo werden wir in Zukunft stehen?". Die Fähigkeit, diese Fragen sicher beantworten zu können, hätte in der Wirtschaft (und höchstwahrscheinlich überall) einen immensen Vorteil und ist (noch) unmöglich.
Doch ist es das wirklich?
In einigen Bereichen und Situationen kann sehr wohl auf statistische Verfahren und Algorithmen zurückgegriffen werden und mit Hilfe von Wahrscheinlichkeiten, Einbeziehung vielzähliger Faktoren oder Machine-Learning- bzw. Data-Mining-Techniken zukünftige Trends entdeckt und Prognosen erstellt werden. Wenn man weiß, was mit hoher Wahrscheinlichkeit passieren wird, dann kann sich bereits im Vorfeld darauf vorbereitet werden, um den Schaden zu minimieren bzw. zu verhindern oder den Erfolg zu maximieren. IBM geht den Schritt in diese Richtung und bietet mit IBM SPSS ein weit verbreitetes Produkt aus genau diesem Bereich an - für Unternehmen, die zukünftige Szenarien sowie deren Auswirkungen erkennen und verstehen wollen.
Predictive Analytics mit IBM SPSS
Immer größere Datenmengen, immer mehr Datenquellen, immer schnellere Veränderungen und damit das Erfordernis, noch schneller darauf zu reagieren – gleichzeitig werden die Zusammenhänge und Abhängigkeiten noch komplexer und die Anforderungen an die Prognosequalität steigen, auch und gerade, um die Kosten weiter zu optimieren. Damit geraten herkömmliche, vornehmlich auf Erfahrungen basierende Abschätzungen, die bisher oftmals ausgereicht haben, an ihre Grenzen. Um den Datenbergen – das Stichwort ist hier „Big Data“ – Herr werden zu können, sind jetzt andere, auf Statistik, Machine Learning, Data Mining und anderen Algorithmen basierende Werkzeuge gefragt.
Ihre vorhandenen Daten nutzen, um Erkenntnisse zu gewinnen und zu prognostizieren, was wahrscheinlich als Nächstes passieren wird? Das geht mit IBM SPSS und der intuitiven Benutzeroberfläche, die es auch Anwendern ohne Programmierkenntnisse ermöglicht, aussagekräftige Vorhersagemodelle zu entwickeln.
Beispiele für die vielseitigen Nutzungsszenarien reichen von der Vermeidung einer Kundenabwanderung über Vorhersagen von Risiken bis hin zu Predictive Maintenance, also die Prognose von Maschinenausfällen und die rechtzeitige Reaktion, bevor ein Schaden überhaupt eintritt.
IBM SPSS Statistics
Der Fokus von IBM SPSS Statistics liegt auf auf der einmaligen Analyse. Es geht um einmalige oder in einer niedrigen Frequenz auftretende Daten, wie zum Beispiel das Ergebnis einer Umfrage oder ein bestimmtes Thema, das gerade akut zu klären ist. Das gewünschte Ergebnis ist eine beantwortete Fragestellung oder die datengetriebene Unterstützung bei einer Entscheidung. IBM SPSS Statistics liefert im Wesentlichen die Werkzeuge, die die erfahreneren Anwender für ihre Arbeit benötigen. Es stehen sämtliche Statistikmethoden zur Verfügung und sogar Erweiterung mit R und Python sind möglich. Über eine entsprechende grafische Benutzeroberfläche stehen die Funktionen übersichtlich bereit, lassen sich leicht mit den notwendigen Einstellungen nutzen und präsentieren die Ergebnisse in einfach zu verstehenden Formen – entweder tabellarisch oder in Form von Diagrammen oder Grafiken, wie zum Beispiel Entscheidungsbäumen.
Der Nutzen für die Anwender liegt in der optimalen Unterstützung für ihre Arbeit, die so schneller erledigt werden kann, und in der Qualität der Umsetzung der Algorithmen, auf deren Ergebnisse man sich wirklich verlassen kann.
IBM SPSS Modeler
Der Fokus von IBM SPSS Modeler liegt auf der wiederkehrenden Analyse. Die Daten werden ständig oder periodisch gesammelt, die zu klärenden Fragen müssen immer wieder aufgrund der neuesten Daten beantwortet werden. Das gewünschte Ergebnis ist wieder die beantwortete Fragestellung oder die datengetriebene Unterstützung bei einer Entscheidung. Hier kann es aber in bestimmten Fällen notwendig sein, dass die Antwort oder der Vorschlag fast sofort kommen, etwa bei eingehenden Telefonaten bei einer Hotline, bei denen dem Mitarbeiter nicht nur die Kundenstammdaten, sondern auch Handlungsempfehlungen in Echtzeit gegeben werden sollen.
Die Anwender sind typischerweise nicht besonders erfahren mit den verwendeten Verfahren und Algorithmen. Daher sind ein wesentlich höherer Automatisierungsgrad und sinnvolle Vorschläge für eine effektive Nutzung entsprechender Software-Lösungen essentiell wichtig. Statt die Analyse direkt durchzuführen, wird das zu durchlaufende Verfahren aus fertigen Bausteinen und Modulen zusammengesetzt. Ganz ähnlich wie bei der industriellen Produktion von Waren werden hier die Daten schrittweise an den einzelnen Stationen bearbeitet und transformiert und dann zur jeweils nächsten Station weiter transportiert. Die Ergebnisse werden nach der einmaligen Modellierung des Lösungswegs durch einen Spezialisten von den Anwendern einfach auf Knopfdruck aktuell berechnet. Die Anzeige der Ergebnisse erfolgt entweder in der Software selbst oder integriert in einer anderen Anwendung – im obigen Beispiel in der Beschwerdemanagement-Software der Hotline.
Der Nutzen für die Anwender liegt darin, dass sie ohne große Kenntnis der Algorithmen und Verfahren sehr schnell Antworten und Handlungsvorschläge dort bekommen, wo sie gerade arbeiten.
