big data und predictive analytics

4
Competence Book - Business Intelligence ANWENDUNGEN - ANALYTICS / PREDICTIVE III 90 AUTOR: Jan Karstens (Blue Yonder GmbH) Worauf sollten Unternehmen achten, wenn sie eine Big-Data-Strategie aufsetzen? Jan Karstens, CTO von Blue Yonder, ist dieser Frage nachgegangen. Big Data in aller Munde oder doch nicht? Gemeinsam mit TOMORROW FOCUS Media ha- ben wir bei den FOCUS-Online-Lesern nachgefragt: Rund 1.100 Personen haben sich im Juni 2013 online beteiligt. Knapp 400 (393) konnten sich im Detail zu Big Data äußern. Immerhin mehr als 35 Prozent [1]. Die Studie hat allerdings auch ergeben, dass Unternehmen bei der Realisierung von Predictive-Analytics-Projekten an ihre Grenzen stoßen: Fachkräfte fehlen, es fällt schwer, Ziele klar fest- zulegen, innerhalb der Unternehmen kann die Qualität der Prog- nosen nicht sichergestellt werden. Hier sind die Lösungsanbieter gefragt. Unternehmen müssen sich auf die softwarebasierten Vorhersagen verlassen können. Die externen Analysten müssen die individuellen Erfordernisse des Unternehmens und den Ein- satz der Algorithmen aufeinander abstimmen. Und sie sind ge- fordert, ihr Know-how in die Firmen hineinzutragen und dafür zu sorgen, dass es richtig eingesetzt wird. Big Data und Predictive Analytics für alle? Über den Ursprung von Big Data und den Nutzen von Predictive Analytics Woher kommen die Daten? Die riesigen anfallenden Daten- mengen stammen aus unterschiedlichsten Quellen. Aus dem Unternehmen selbst, von Sensoren in Maschinen, Anlagen oder Fahrzeugen, aus Social Media oder aus Datenbanken wie etwa Wettervorhersagen oder statistischen Zahlen zur Wirtschafts- lage. Zudem gelangen sie in rasender Geschwindigkeit ins Unter- nehmen und müssen ebenso schnell ausgewertet werden – idea- lerweise in Echtzeit, um nützlich für Unternehmen zu sein.

Upload: competence-books

Post on 18-Dec-2014

463 views

Category:

Data & Analytics


9 download

DESCRIPTION

Big Data und Predictive Analytics für alle? Worauf sollten Unternehmen achten, wenn sie eine Big-Data-Strategie aufsetzen? Jan Karstens, CTO von Blue Yonder, ist dieser Frage nachgegangen. Dies ist ein Auszug aus dem Competence Book "Business Intelligence Kompakt": http://www.competence-site.de/Business-Intelligence-Kompakt

TRANSCRIPT

Page 1: Big Data und Predictive Analytics

Competence Book - Business Intelligence

ANWENDUNGEN - ANALYTICS / PREDICTIVE III

90

AUTOR: Jan Karstens (Blue Yonder GmbH)

Worauf sollten Unternehmen achten, wenn sie eine Big-Data-Strategie aufsetzen? Jan Karstens, CTO von Blue Yonder, ist dieser Frage nachgegangen.

Big Data in aller Munde oder doch nicht?

Gemeinsam mit TOMORROW FOCUS Media ha-ben wir bei den FOCUS-Online-Lesern nachgefragt: Rund 1.100 Personen haben sich im Juni 2013 online beteiligt. Knapp 400 (393) konnten sich im Detail zu Big Data äußern. Immerhin mehr als 35 Prozent [1].

Die Studie hat allerdings auch ergeben, dass Unternehmen bei der Realisierung von Predictive-Analytics-Projekten an ihre Grenzen stoßen: Fachkräfte fehlen, es fällt schwer, Ziele klar fest-zulegen, innerhalb der Unternehmen kann die Qualität der Prog-nosen nicht sichergestellt werden. Hier sind die Lösungsanbieter gefragt. Unternehmen müssen sich auf die softwarebasierten Vorhersagen verlassen können. Die externen Analysten müssen die individuellen Erfordernisse des Unternehmens und den Ein-satz der Algorithmen aufeinander abstimmen. Und sie sind ge-fordert, ihr Know-how in die Firmen hineinzutragen und dafür zu sorgen, dass es richtig eingesetzt wird.

Big Data und Predictive Analytics für alle?

Über den Ursprung von Big Data und den Nutzen von Predictive Analytics

Woher kommen die Daten? Die riesigen anfallenden Daten-mengen stammen aus unterschiedlichsten Quellen. Aus dem Unternehmen selbst, von Sensoren in Maschinen, Anlagen oder Fahrzeugen, aus Social Media oder aus Datenbanken wie etwa Wettervorhersagen oder statistischen Zahlen zur Wirtschafts- lage. Zudem gelangen sie in rasender Geschwindigkeit ins Unter-nehmen und müssen ebenso schnell ausgewertet werden – idea-lerweise in Echtzeit, um nützlich für Unternehmen zu sein.

Page 2: Big Data und Predictive Analytics

Competence Book - Business Intelligence

ANWENDUNGEN - ANALYTICS / PREDICTIVE III

91

Hal Varian, Chefökonom bei Google, stell-te im Jahr 2005 fest, dass heutzutage „die meisten wirtschaftlichen Transaktionen mit dem Computer zu tun haben.“ Mit diesem Ansatz entwickelte er vier Hauptkategorien, in denen von Computern gesammelte Daten auch anderen Zwecken dienen können:

• gesteuerte Experimente• neue Vertragsformen• Datengewinnung und Analyse• Personalisierung und Customization

Die meisten von Hal Varian definierten Kategorien sind ein sehr guter Ausgangs-punkt, um sinnvolle Fragen zu Big Data und Predictive Analytics im unternehme-rischen Kontext zu entwickeln. In einem ersten Schritt gilt es herauszufinden, wel-che „computer- mediated transactions” im Mittelpunkt der Geschäftsprozesse stehen. Enthalten sie das Potenzial für kontrollierte Experimente, neue Vertragsformen, Daten-analysen oder Personalisierung/Customiz-ation?

Wenn Sie sich diese Frage stellen, werden Sie schnell feststellen, dass nicht die tech-nologischen Aspekte entscheidend für Sie sind. Erkennen Sie beispielsweise eine Mög-lichkeit, Nutzen aus kleinen, strukturierten Daten zu ziehen, bietet sich Hadoop für Ihr Unternehmen eher weniger an. Liegt das Potenzial eher in einer großen Menge von Inhalten, die von Menschen gelesen werden können, (unstrukturierte Daten), könnte es sinnvoll sein, eine MapReduce-basierte Technologie zu wählen.

Oft stellen wir fest, dass Unternehmen riesige, über Jahre gesammelte Daten- schätze allein deshalb brachliegen lassen, weil sie nicht in ihr technologisches Konzept passen. Wir empfehlen einen Perspektiv-wechsel: Konzentrieren Sie sich auf den Kern Ihrer „computer-mediated transactions”! Das können Interaktionen mit den Kunden sein, das Managen und Steuern von Mitar-beitern, das Verkaufen von Waren (online), die Lieferkettenlogistik, die Produktion von Waren oder die Effizienz von Maschinen und/oder Anlagen. Da nur Sie und Ihre Mit-arbeiter auf diese Daten zugreifen können, haben Sie dem Wettbewerb einen entschei-denden Schritt voraus.

Das gesamte Unternehmen oder die gesamte Produktion können heute mit Predictive Analytics umfassend auf die Zukunft ausge-richtet werden. Da sämtliche Entscheidun-gen auf fundierten Analysen der vorhan-denen Daten basieren, ergeben sich daraus über sämtliche Prozesse hinweg enorme Wettbewerbsvorteile.

Predictive: Die Zukunft im Blick statt in den Rückspiegel zu schauen

Transaktionsdaten erlauben „klassisches“ Business Intellligence, wie es in Unterneh-men seit Jahrzehnten durchgeführt wird. Zwar ist auch in diesem Bereich noch viel zu tun, doch selbst mit ausgefeilten Methoden geraten Unternehmen im heu-tigen Geschäftsumfeld mit diesen „histo-rischen“ bzw. rückblickenden Ansätzen an ihre Grenzen. Der Blick auf Daten aus der Vergangenheit ruft schnell die Fra-ge hervor, was in Zukunft geschieht. Wie würden wir entscheiden, wenn wir das heute bereits wüssten? Das genau ermög-licht Predictive Analytics. Damit generie-ren Sie den entscheidenden Nutzen aus (Big) Data. Eine Personalisierung etwa ist undenkbar, ohne das zu erwartende Ver-halten der Kundin zu antizipieren. Jede Empfehlung in einem Onlineshop basiert auf Annahmen über die Präferenzen eines Besuchers.

Zum Autor Jan Karstens:

Jan Karstens ist der technische Innovator und Querdenker bei Blue Yonder. Er verantwortet die Produkt- und Technologieentwicklung von Real-Time Adaptive Enterprise Applications. Er hat über 15 Jahre Erfahrung in der IT-Branche, unter anderem mit industriespezifischen Lösungen und modernen Datenbanktech-nologien. Zuvor arbeitete er in zentralen Positionen bei SAP und Lufthansa.

Page 3: Big Data und Predictive Analytics

Competence Book - Business Intelligence

ANWENDUNGEN - ANALYTICS / PREDICTIVE III

92

Und jedes Suchresultat, das durch eine Suchmaschine geliefert wird, ist sorgfältig an den User angepasst. Diesen Prinzipien sollten auch Transaktionen im Unterneh-men gehorchen:

• Empfehlungen für den Vertrieb, be-stimmte Kunden zu besuchen oder ausgewählte Produkte anzubieten

• Replenishment basierend auf ei-ner feingranular prognostizierten Nachfrage

• Vorschläge für Call-Center-Aktivitä-ten abhängig vom Interesse der Kun-den an einem bestimmten Angebot

• Energy Hedging in energieintensiven Branchen basierend auf dem prog-nostizierten Bedarf

• Ersatzteilbeschaffung orientiert am vorhergesagten Bedarf

• personalisierte Versicherungsverträ-ge basierend auf den prognostizier-ten persönlichen Risiken

Die Liste kann Branche für Branche ver-längert werden und alle Szenarien haben etwas gemeinsam:

• Sie betreffen operative Prozesse mit tausenden, Millionen oder gar Milli-arden Transaktionen pro Tag

• Sie haben das Potenzial, operative Entscheidungen (teilweise) zu auto-matisieren

Wenn man jede einzelne Entscheidung optimiert, wirkt sich das direkt auf das Unternehmensergebnis aus – Umsätze steigen, Kosten sinken. Zudem hängen all diese Szenarien vom Wissen um die Zu-kunft ab. Denn darauf basieren verbesser-te oder automatisierte Entscheidungen.

Predictive Analytics ist das Schlüsselkonzept, um Ent-scheidungen begründet zu treffen oder zu automati-sieren. Abhängig vom Um-fang der Entscheidungen gibt es zur Automatisie-rung keine Alternative. Das wird rasch klar, wenn man sich vorstellt, ein Such-maschinenunternehmen würde Menschen einstel-len, um Suchergebnisse zu ermitteln. Genauso be-fremdlich wäre es, wenn ein Online-Händler seine Pro-duktempfehlungen manuell zusammenstellt.

Von Daten zu Diensten

“It’s not that they can’t see the solution. They can’t see the problem.” – G.K. Chesterton

Um eigene Szenarien umzusetzen, benö-tigen Sie ein Team, das Data Science, Soft-wareentwicklung und operative Erfahrung vereint. Es sollte eng und gerne zusam-menarbeiten und sich rasch in Feedback-schleifen austauschen. Besonders kom-plex wird die Softwareentwicklung, wenn datengetriebene Dienstleistungen aufzu-bauen sind. Das kann nur funktionieren, wenn die Teammitglieder eng zusammen-arbeiten. Bei Predictive-Analytics-Projek-ten geht es nicht nur darum, eine Software zu programmieren, die den geschäftlichen Anforderungen entspricht. Vielmehr soll-te die Software ihr eigenes „Verhalten“ aus den Datenströmen ableiten, die sie verar-beitet. Mit der Zeit verändern sich nicht nur die Basis der Software-Codes, sondern auch die zugeführten Daten. Die Software

wird quasi um einen selbstkonfigurie-renden Teil ergänzt. Für derart komplexe Softwareumgebungen ist Know-how in Data Science gefragt.

Die Datenbasis, mit der Sie beginnen, wächst im Laufe der Zeit und entwickelt sich. In fast allen Fällen zeigt sich, dass der ursprüngliche Datenbestand unzu-reichend ist. Möglicherweise war die Da-tenqualität mangelhaft, sodass historische Daten erneut extrahiert oder bearbeitet werden müssen. Oder die Datenmenge reicht nicht aus, weshalb zusätzliche Da-tenquellen in Betracht gezogen werden müssen. All diese Umstände erfordern ei-nen iterativen Ansatz.

Page 4: Big Data und Predictive Analytics

Competence Book - Business Intelligence

ANWENDUNGEN - ANALYTICS / PREDICTIVE III

93

Typische Hürden für die Entwick-lung datengetriebener Services sind fehlendes Wissen darüber, wo die internen Datenquellen zu fin-den sind, und mangelhafte interne Unterstützung. Eine noch größere Herausforderung ist es, externe Da-tenquellen zu integrieren. APIs und Datendienstleistungen sind zwar reichlich vorhanden, doch Ihr Team muss prüfen und testen, ob die Da-ten mit den internen Daten abgegli-chen werden können. Möglicherwei-se müssen dazu auch Verträge mit externen Lieferanten ausgehandelt werden.

Wenn ein Vorhersagemodell etab-liert ist, muss es für den produktiven Einsatz vorbereitet werden. Dabei deckt eine Demonstration oder ein Prototyp nur etwa zehn Prozent der erforderlichen Vorbereitung ab.

Typische Hindernisse für den Pro-duktivbetrieb sind:

• Unzureichende Stabilität – die Lösung funktioniert in den Labs, kann aber nicht im Pro-duktivbetrieb eingesetzt werden

• Mangel an Skalierbarkeit – die Lö-sung eignet sich gut für eine Teilmen-ge der Daten, skaliert aber nicht auf die realen Datenbestände

• Mangel an Präzision – die Vorhersa-gen sind nicht exakt genug

• Mangel an Vertrauen – die Endanwen-der akzeptieren die „Datenmagie” nicht

Blue Yonder hat eine Lösung gefunden, um all diese Unwägbarkeiten im Bereich datengetriebener Services zu umgehen.

Von den Daten zur Prognoseanwendung

Predictive Analytics macht Big Data einem größeren Kreis von Anwendern zugäng-lich. Unternehmen sollten genau prüfen was sie mit Predictive Analytics erreichen möchten. Big Data liefert dazu lediglich die Grundlage.

Blue Yonder entwickelt Prognosean-wendungen mit einem Team aus erst-klassigen Data Scientists, Fachleuten für IT-Infrastruktur mit Saas (Software as a Service)-Kenntnissen, versierten Designern für Benutzeroberflächen so-wie erfahrenen Softwareentwicklern. Zusammen entwerfen und betreiben sie Lösungen, die als SaaS angeboten werden. Wir konzipieren Software für Endanwender, indem wir uns auf das fachliche Umfeld sowie die Bedürfnisse und Ziele der User konzentrieren. Wir übersetzen unsere Branchenerfahrun-gen in Prognoseanwendungen, die leicht zu bedienen sind, und machen diese Anwendungen einem breiten Markt zu-gänglich. Dabei bietet sich SaaS als Lie-fermodell an. Kunden profitieren schnell von Verbesserungen in unseren Vorher-sagemodellen.

Zudem können sie externe Datenquellen leicht hinzufügen, um ihre Prognosean-wendungen zu erweitern und zu opti-mieren. Wir betreiben die Software im Rahmen einer zuverlässigen Scale-out-Ar-chitektur für unsere Kunden. So müssen sie diese nicht selbst aufbauen und unter-halten.

Als Services macht Blue Yonder Unter-nehmen weltweit Big Data und Predictive Analytics zugänglich. Mit Forward De-mand haben wir gerade den ersten Bau-stein eines wachsenden Spektrums von Prognoseanwendungen auf den Markt gebracht. Weitere vorkonfigurierte Lösun-gen von Blue Yonder werden folgen.