Um Planungsprozesse innerhalb eines Unternehmens zu verbessern, stärker fundierte Unternehmensentscheidungen herbeizuführen sowie ein effektiveres Controlling zu ermöglichen, wird immer öfter die Analyse großer Datenmengen als probate Lösung gesehen. Unter dem Schlagwort „Big Data“ wird dabei typischerweise die Verarbeitung mehrdimensionaler Datenmengen verstanden, um Informationen über Zusammenhänge und Prognosewerte zu erhalten. Ziel ist es also, basierend auf Vergangenheitsdaten Planwerte automatisiert zu prognostizieren, wobei Techniken wie z.B. lineare Regression, Trendfortschreibung, maschinelles Lernen oder fortgeschrittene Data-Mining-Algorithmen zum Einsatz kommen. Technisch ausgedrückt sollen Beziehungen zwischen (mehreren) Einflussfaktoren und Zielgrößen ermittelt werden, um bisher nicht bekannte Ursache-Wirkungs-Zusammenhänge zu entdecken. Big Data lebt dabei von Daten, welche aus unterschiedlichen Kanälen gewonnen werden – wie etwa durch Internet, Social Media, mobile IT-Anwendungen oder durch den Einsatz von Sensortechnologien in den verschiedenen Lebensbereichen. Der Begriff Big Data ist zumindest durch vier mit dem Buchstaben V beginnende Merkmale gekennzeichnet.

• Volume steht für das zunehmende Datenvolumen,
• Velocity steht für die mitunter in Echtzeit ausgeführte Analyse der Daten,
• Variety bezeichnet die Datenvielfalt im Sinne von strukturierten bis zu unstrukturierten Daten und
• Veracity, das für die Glaubwürdigkeit der Daten steht.

Der Einsatz von Big Data sollte im Endeffekt zu besseren Ergebnissen führen

Nicht zuletzt für die Vorbereitung der Entscheidungsfindung kommt gerade der Controlling-Abteilung die Aufgabe zu, die zweifelsohne im Unternehmen vorhandenen Datenmengen zu analysieren und hilfreiche Prognosewerte abzuleiten. Zumindest zu Beginn stellen sich dabei oftmals Fragen danach, welche Daten überhaupt sinnvoll genutzt werden können und ob die (in vielen Fällen vorliegende) Datenflut mit den bestehenden Analysewerkzeugen bewältigt werden kann. Einen Schritt weiter gedacht könnten durch die richtige Nutzung von Big Data die Wertschöpfungskette im Unternehmen und schließlich seine Wettbewerbsfähigkeit verbessert werden.

Dabei werden oftmals bessere Ergebnisse dann erzielt, wenn Methoden und Techniken verwendet werden, die unter den Fachbegriff „Advanced and Predictive Analytics“ fallen. Man versteht darunter Mittel und Wege im Sinne von Methoden und Techniken, um Vorhersagen von zukünftigen Ereignissen aus großen Datenmengen möglich zu machen. Zukünftige Ergebnisse sollen besser und präziser vorhersehbar sein, wodurch auch eine gezieltere Steuerung der strategischen Risikoposition des Unternehmens machbar wird. Für Advanced and Predictive Analytics können typischerweise eine Vielzahl unterschiedlicher Werkzeuge herangezogen werden und schließlich in die operative Steuerung des Unternehmens einfließen. Idealerweise müssen durch die Werkzeuge folgende Aufgaben abgedeckt werden, um das Optimum aus Big Data herausholen zu können.

• Zwecks Segmentierung werden basierend auf Ähnlichkeiten innerhalb der Datenmenge Gruppen gebildet.
• Mittels Assoziation können gemeinsam auftretende Ereignisse der Häufigkeit nach identifiziert werden.
• Noch keinen Klassen zugehörige Elemente werden Klassen zugeordnet.
• Mittels Regressionsanalyse können Beziehungen zwischen Elementeigenschaften identifiziert werden, um schließlich
• im Sinne einer Prognose zukünftige Werte ableiten zu können.

Praktisch betrachtet können durch den Einsatz von Advanced and Predictive Analytics – beispielsweise gegenüber Kunden – diverse Ziele erreicht werden wie z.B. die Segmentierung und Bewertung von Kunden nach unterschiedlichen Kriterien, die Prognose des Wertes eines Kunden über einen Zeitraum oder Aussagen über das Verhalten von Kunden in Folge von Marketing-Maßnahmen (sogenanntes Uplift-Modeling).

Der unreflektierte Einsatz von Predictive Analytics Methoden birgt jedoch Risiken, welche sich beispielsweise durch die Anwendung ungeeigneter Algorithmen oder durch Fehlinterpretation der Ergebnisse zeigen. Praktische Probleme können sich allerdings bereits dann ergeben, wenn durch Predictive Analytics mehrere Ergebnisse mit variierenden Wahrscheinlichkeiten vorausgesagt werden und sich dann z.B. die Frage stellt, ob besser der Mittelwert oder eine Bandbreite von Ergebnissen zur Interpretation herangezogen werden soll. Ein Grundproblem liegt auch darin, dass die Analyse von Einzeldatensätzen möglicherweise zu besseren Ergebnissen aufgrund der Datenqualität führt, dies allerdings nicht die offensichtlichste Stärke von Big Data im Sinne von aggregierten Informationen darstellt. Generell als herausfordernd zeigt sich die schwierige Implementierung von Advanced Analytics Programmen wie auch das Fehlen von spezifischen Kenntnissen und Fähigkeiten.

Rahmenbedingungen müssen geschaffen werden

Wesentliche Voraussetzungen für den Erfolg von Advanced and Predictive Analytics sind das Verständnis der dahinterliegenden Ideen und Konzepte – es kann dabei nicht schaden, wenn die verantwortlichen Personen über Wissen in den Bereichen Informatik, Mathematik und Statistik für betriebliche Anwendungen verfügen. Neben vorausschauenden Überlegungen dahingehend, welche Anwendungsbereiche es im Unternehmen überhaupt gibt, ist die Unterstützung durch das Top Management bei der Umsetzung unabdingbar.

Bild: © fox17 - Fotolia