Predictive Analytics: Grundlagen, Projektbeispiele und L ... / 5 Lessons Learned und Ausblick

Die 3 Praxisbeispiele zeigen typische Anwendungsfälle von Predictive Analytics. Auch wenn alle Beispiele auf den gleichen Prinzipien beruhen, bei genauerem Hinschauen unterscheiden sie sich sowohl im Vorgehen als auch der Komplexität der finalen Lösung. Der "one-size-fits-all"-Ansatz ist Stand heute noch nicht gefunden, auch wenn sich insb. im Bereich des Forecasting erste Standardalgorithmen herauskristallisieren bzw. einfache Zeitreihenanalysen in modernen ERP/BI-Systemen "out-of-the-box" angeboten werden. Die meisten Predictive-Analytics-Projekte und die darin entwickelten Modelle sind und bleiben projektindividuelle Ergebnisse.

Die über die Jahre gewonnenen Lessons Learned sind deshalb ebenfalls grundlegender Natur und lassen sich in den nachfolgenden Aspekten konsolidieren:

1. Für jedes Anwendungsproblem respektive die zugrunde liegenden Algorithmen gibt es eine Grenze der Genauigkeit. Bspw. werden nur in wenigen Ausnahmefällen Forecasts mit einer Genauigkeit von über 90 % erreicht. Das operative Ziel von Predicitve-Analytics-Projekten ist es, das Maximum aus den Daten herauszuholen. Die natürliche Limitation ist hier die verbleibende Unsicherheit, die durch die gefundenen Daten nicht erklärt werden kann. Das heißt in Konsequenz nicht, dass die Algorithmen für den Praxiseinsatz untauglich sind: In den meisten Fällen liegt die Genauigkeit deutlich über den der menschlichen Prognosen, die bisher ja auch noch nie exakt die Realität vorhersehen konnten. Der Vorteil liegt deshalb nicht in einer vermeintlichen 100-%-Genauigkeit, sondern in der Prozessverbesserung hinsichtlich Schnelligkeit, Effizienz und Objektivität der Prognose.
2. Interne Daten, die in direktem Zusammenhang zur Aufgabenstellung stehen, sind i. d. R. und entgegen der Hoffnung vieler Führungskräfte um einiges we...