Predictive Analytics: So gelingt der Blick in die Daten-Glaskugel

Stellen Sie sich vor, Sie könnten in eine Glaskugel blicken, Ereignisse vorhersehen und sich und Ihr Unternehmen darauf vorbereiten. Zwar kann niemand tatsächlich in die Zukunft blicken, dennoch lassen sich mit Predictive Analytics mittlerweile systematisch datengesteuerte Vorhersagen machen, etwa über Verkaufszahlen, Kundenverhalten, Finanzplanung und Budgetierung, Betriebsabläufe, Personalauswahl oder auch potenzielle Risiken.

Dennoch gelingt es nur wenigen Unternehmen, dies sinnvoll für sich zu nutzen. Viele Kunden berichten uns, dass sie der Technologie nicht zutrauen, den versprochenen Mehrwert zu schaffen. Aus der jahrelangen Erfahrung in der Unternehmensberatung wissen wir: Im Bereich Big Data bleibt viel Potenzial ungenutzt. Denn wird Predictive Analytics sinnvoll eingesetzt, kann die Technologie entscheidend zum Unternehmenserfolg beitragen.

Allerdings ist auch die Technologie immer nur so gut, wie die Voraussetzung, die ein Unternehmen ihr bietet – und zwar vor allem bezogen auf diese fünf Aspekte:

Viele Unternehmen setzen bevorzugt auf Plug&Play-Lösungen. Oft liefern populäre Business Intelligence Tools diese als Standardlösung gleich mit. Das scheint auf den ersten Blick günstig und ressourcenschonend. Diese Strategie führt eventuell zu Quick Wins, fördert jedoch nicht die nachhaltige Nutzung von Predictive-Analytics-Lösungen. Wie es besser geht: Unserer Erfahrung nach ist es sinnvoller, im Unternehmen Lösungen fach- und unternehmensspezifisch aufzubauen, indem Business-Wissen in Daten übersetzt wird und die Lösungen an gegebene oder neue Prozesse angepasst werden.

Damit Predictive Analytics ihr Potenzial entfalten kann, sollten Unternehmen bereit sein, anfangs erst einmal Zeit und Ressourcen zu investieren. Vor allem einen sinnvollen Use Case zu identifizieren, kann dauern und macht umfassendes Wissen über das Geschäftsmodell und die Prozesse unerlässlich. Nicht zuletzt sollte klar sein: Auf dem Weg zum Erfolg können Fehler und Rückschläge vorkommen – und sie bedeuten nicht gleich das Scheitern des Analytics-Projekts. Eine gewisse Trial-und-Error-Bereitschaft ist daher wichtig – und lohnt sich. Hier bedarf es bei vielen Unternehmen eines entsprechenden Kulturwandels.

Predictive Analytics kann immer nur so gut sein, wie die Informationen, die im Unternehmen zu Verfügung stehen. Das heißt, es kommt auf ein geeignetes Datenmanagement an, das Inkonsistenz und Redundanz vermeidet. Allerdings fällt uns vor allem in Proof-of-Concept-Testphasen oft auf, dass zu viele Unternehmen noch auf Datensilos setzen, die Daten einzeln oder in unterschiedlichen Systemen speichern. Von Vorteil sind also ein solides Data-Governance-Konzept und klar definierte Verantwortlichkeiten.

Eine weitere Voraussetzung für Predictive Analytics ist ein gewisser Digitalisierungs- und Automatisierungsgrad. Daran mangelt es jedoch oft in Unternehmen – und der manuelle Aufwand ist noch sehr hoch. Prozesse sind unflexibel und eingefahren. Es fehlt oft auch an prozessbezogenem Denken. All dies erschwert es, einen sinnvollen Use Case zu finden. Soll Predictive Analytics zeigen, was es kann, bedarf es zunächst einer effektiven und digitalisierten Prozessstruktur.

Erfolgreiche Predictive Analytics fußen auch auf dem Know-how und der Einstellung der Mitarbeitenden. Diese sollten Sinn und Bedeutung der Digitalisierung verstehen und nachvollziehen können. Auch ein Grundverständnis für Algorithmen, Skripte, Modellierungen und Systemspezifika ist sinnvoll. Unternehmen sollten sich also bewusst sein, dass auch hier zunächst Investitionen erforderlich sind – zum Beispiel in Schulungen, um Kompetenz in der Datenanalyse aufzubauen, die Motivation zu steigern und potenzielle Vorbehalte auszuräumen.

Kurzum: Predictive Analytics ist ein machtvolles Instrument – bedarf aber einer stabilen Basis. Steht diese bereits, ermöglicht die Technologie in hohem Maße vorausschauende Analyse und Planung.

Außerdem empfehlen wir unser Whitepaper Unternehmenssteuerung in volatilen Zeiten, das die Herausforderungen und Lösungen von Predictive Analytics noch einmal im Detail erläutert.