Predictive Analytics verbessert die Wertschöpfungskette und macht das Geschäft effizienter
Insight

Ein Blick in die Zukunft mit Predictive Analytics

von dr. elena michel

Die Welt wird immer komplexer. Verschiedene Verfahren zur statistischen Datenanalyse gibt es schon seit langem. Die erste neuronale Lernregel zum Beispiel wurde 1949 geschrieben, und Mitte der 80er Jahre folgten bedeutende Entwicklungen. Aber wie können wir Predictive Analytics einsetzen, um die Geschäftsleistung zu steigern? 

Mit Predictive Analytics zu mehr Effizienz

In den letzten Jahren haben sich nicht nur die statistische Modellierung und die Rechenkapazitäten weiterentwickelt, sondern auch die Menge der verfügbaren Daten enorm zugenommen: Jede Sekunde werden 2.768.150 E-Mails und 8.362 Tweets versendet; 77.336 YouTube-Videos, 1.485 Tumblr-Posts und 895 Instagram-Posts hochgeladen; 72.275 Google-Suchen durchgeführt; und mehr als 7 Megabyte an Daten von vernetzten Autos in die Cloud gesendet. 

 

Eine manuelle Auswertung dieser Datenmengen ist sehr zeitaufwendig und zudem ineffizient. Mit Hilfe von Predictive Analytics-Lösungen können manuelle Prozesse digitalisiert und vereinfacht werden. So kann beispielsweise die Vorhersage von Verkaufszahlen auf Basis von Excel durch automatisierte Predictive Analytics-Lösungen mit entsprechenden Tools ersetzt werden. Dieser Use Case kann Unternehmen eine deutliche Verbesserung ihres Deckungsbeitrags bringen: Durch automatisierte Prognosen können diese bis zu 70 Millionen Euro pro Jahr einsparen.  

 

Dies ist nur ein Beispiel dafür, wie Predictive Analytics die Wertschöpfungskette verbessert und Ihr Unternehmen effizienter macht. Über die gesamte Wertschöpfungskette von Forschung & Entwicklung über Supply Chain & Logistik bis hin zu Marketing & Vertrieb sowie in internen Bereichen wie Human Resources oder Finanzen & Controlling (siehe Abbildung 1) sehen wir vier wesentliche Analysemethoden, die es wert sind, näher betrachtet zu werden: 

 

Abbildung 1: Predictive Analytics entlang der Wertschöpfungskette

predictive analytics across the value chain

 

Im Folgenden werden wir vier davon näher betrachten: Beschaffungsanalytik, Qualitätsanalytik, Kundenanalytik und Personalanalytik.

 

 

Beschaffungsanalytik

Beschaffungsmanager nutzen Predictive Analytics, um unbekannte Muster und Beziehungen innerhalb komplexer Datensätze aufzudecken. Dadurch soll das Vertragsmanagement, die Lieferantenbewertung und -segmentierung oder die Bedarfsprognose optimiert werden. 

 

Lieferantenbewertung

Die zunehmende Termintreue und Lieferfähigkeit gilt als große Herausforderung bei der termingerechten Belieferung der Kunden. Unternehmen schaffen eine 360°-Sicht auf die Lieferantenleistung in Bezug auf Preis, Qualität und Zeit durch intelligentes Scoring der Lieferanten auf Basis historischer Daten aus internen und externen Quellen. Eine Bewertung der Corporate Social Responsibility und des ökologischen Bewusstseins der Lieferanten erfolgt durch Web Scraping, Social Media Analytics und die Analyse externer Daten wie Umweltzertifikate oder Lieferantendatenbanken. Predictive Analysemethoden werden eingesetzt, um das Verhalten von Lieferanten und Produkten oder die Qualität von Dienstleistungen sowie das Risiko von Underperformance oder Lieferengpässen vorherzusagen. 

 

Bedarfsprognose

Unternehmen streben das optimale Gleichgewicht zwischen der Warenversorgung am Point of Sale und einer möglichst geringen Kapitalbindung durch Lagerhaltung an. Automobilunternehmen setzen vorausschauende Analysen ein, um die kurz-, mittel- und langfristige Nachfrage nach Modellen, Motoren, Optionstarifen oder Originalersatzteilen pro Land zu prognostizieren und für die Bedarfsplanung zu nutzen. Externe Effekte und Markteinflüsse, wie etwa das Kaufverhalten in den verschiedenen Regionen sowie die Verfügbarkeit und die Kosten von Rohstoffen werden berücksichtigt, um die Produktionskapazitäten entsprechend der Marktentwicklung zu optimieren. Eine verbesserte Lagerhaltung führt zu weiteren Einsparungen. 

 

Betrugserkennung und -prävention

Unternehmen identifizieren Anomalien in der Beschaffungspraxis und im Verhalten von Lieferanten und wenden Machine Learning sowie Process Mining an, um kritische Situationen zum richtigen Zeitpunkt zu erkennen. Ein Frühwarnsystem auf der Grundlage von Web Scraping und Social Listening kann eingerichtet werden, um besser auf externe Effekte wie Regulierungen oder makroökonomische Entwicklungen zu reagieren. Die Automatisierung manueller Prozesse spart Zeit und Geld: Text Mining ermöglicht es Ihnen, Verträge oder Angebote schneller und vollständiger zu überprüfen, Klassifizierungsmodelle ermöglichen die Vorauswahl von Lieferanten und eine datengesteuerte Identifizierung kritischer Produkte sichert die Qualität Ihrer eigenen Produkte. 

 

Vertragsmanagement und Verhandlung

Die Ausgabedaten werden analysiert, um Synergien in globalen Beschaffungsprozessen zu schaffen, indem die Bündelung im Global Sourcing mit Skaleneffekten erfolgt. Die Verhandlungsposition kann durch eine Neuberechnung der Lieferantenpreise und die Verwendung von Bilanzkennzahlen von Lieferanten und ihren Wettbewerbern verbessert werden, um Margen und Verhandlungsspielräume besser zu verstehen. Unternehmen sind in der Lage, den Erfolg der Dienstleistungen ihrer Lieferanten in Marketing und Kommunikation anhand von Zuordnungsmodellen zu messen und entsprechend zu bezahlen. 

 

Qualitätsanalytik

Qualitätsmanagement ist seit Jahren ein relevantes Thema in der Fertigungsindustrie. Dies betrifft die Prozessqualität in der Fertigung sowie die Produktqualität und Servicequalität für produktbezogene und kundenorientierte Dienstleistungen. Unternehmen können Fehler oder Reklamationen frühzeitig erkennen, um negative Geschäftsauswirkungen durch den Einsatz von prädiktiven Analysen zu vermeiden. 

 

Feldanalytik

In der Automobilindustrie werden selektive und zeitaufwendige manuelle Analysen durch Feldanalytiker und die Garantieabteilung durchgeführt, um Fehler und Reklamationen zu finden und zu bündeln. Der Einsatz von prädiktiven Analysemethoden wie Klassifikation, Clustering, Forecasting, Warnungen oder Text Mining ermöglicht die schnelle und automatische Erkennung der wichtigsten Fehler und Reklamationen sowie die frühzeitige Erkennung potenziell signifikanter negativer Auswirkungen wie Garantiekosten oder Reputationsschäden.

 

Vorhersehbare Wartung

Produktionsunternehmen müssen Wartungsintervalle und damit Ausfallzeiten ihrer Produktionsmaschinen berücksichtigen. Diese Systeme müssen gewartet werden, bevor die Qualität des Produkts leidet. Durch die Erfassung und Analyse von Maschinenlaufzeiten können Unternehmen vorhersagen, wann die Wartung fällig wird und damit, wann Ausfallzeiten auftreten werden, um diese besser in die Produktionsplanung einzubeziehen. Die Maschinenwartung wird daher bedarfsgerecht durchgeführt – nicht zu früh, aber vor allem nicht zu spät. 

 

Kundenanalytik

Unternehmen sind ständig auf der Suche nach Möglichkeiten, ihre Vertriebs- und Marketingaktivitäten so effizient wie möglich einzusetzen. Anstatt E-Mails an jeden Kunden zu versenden, segmentieren sie mit Hilfe der Predictive Analytics Kunden genauer nach Zielgruppen und sprechen diese unter Berücksichtigung von Kaufwahrscheinlichkeiten und persönlichen Präferenzen an. Mit Hilfe von Zeitreihen und maschinellen Lernalgorithmen können automatisierte, granulare und genaue Prognosen erstellt werden.

 

Kundenwertanalyse

Unternehmen wenden Predictive Analytics an, um diejenigen Kunden zu finden, die für sie am vielversprechendsten für Verkaufsförderungsmaßnahmen sind. Anstatt sich ausschließlich auf bestehende Kundendaten wie Alter und Kaufhistorie zu stützen, helfen fortschrittliche Analysemethoden dabei, festzustellen, welche Kunden den Aufwand besonders wert sind, weil sie vergleichsweise höhere Verkaufsraten versprechen oder eher einem Angebot zustimmen. 

 

Abwanderungsprognose

Neben der Gewinnung von Neukunden ist auch die Pflege der Kundenbeziehungen unerlässlich. Dazu gehört auch zu verhindern, dass mögliche Kunden nicht abwandern. Unternehmen prognostizieren mit Hilfe der Predictive Analytics die Wahrscheinlichkeit, dass eine Vertragsbeziehung auf der Grundlage von Kundenverhaltensmustern beendet wird, indem sie Kundenstammdaten, Transaktionsdaten (z.B. Kauf- oder Kontakthistorie, Beschwerden und Anfragen), Händlerdaten wie Leads oder Angebote, Marktdaten oder externe Daten wie Online- und Social Media kombinieren. Die Unternehmen machen dann gezielte Angebote an Kunden, die mit hoher Wahrscheinlichkeit abwandern. 

 

Umsatzprognosen

Automobilunternehmen verwenden datengesteuerte Ansätze, die es ihnen ermöglichen, automatisierte, detaillierte und genaue Prognosen zu erstellen, die Szenarien mit volatilen Märkten und regulatorischen Rahmenbedingungen beinhalten. Basierend auf Zeitreihenmodellen wie Holt-Winters, ARIMA, ARIMAX oder VAR und Machine Learning Algorithmen wie Zufallswald oder Regressionsbaum können verschiedene Datenquellen analysiert und bewertet werden. Diese Datenquellen können historische Daten wie Registrierungs- oder Verkaufsdaten, Startdaten oder makroökonomische Daten sein. 

 

Die Stimme des Kunden

Die große Menge an Feedback und Kommentaren von Kunden über Online- und Offline-Kanäle macht es schwierig, ein klares Verständnis der Kundenbedürfnisse zu bekommen. Durch den Einsatz von Techniken der natürlichen Sprachverarbeitung, wie Klassifikation, Keyword-Extraktion oder Sentiment-Analyse, ist eine schnellere und vollautomatische Feedback-Analyse möglich. Unternehmen erhalten detaillierte Einblicke in die Schmerzpunkte und Ursachen von negativem Kundenfeedback und können schneller reagieren. 

 

HR-Analytik

Immer mehr Unternehmen nutzen Predictive Analytics im Bereich Human Resources. Das ist auch absolut sinnvoll. Denn Ziel der Personalanalyse ist es, die Zusammenhänge innerhalb der Belegschaft besser zu verstehen und das Verhalten der (zukünftigen) Mitarbeiter in Bezug auf Mitarbeitergewinnung, Mitarbeiterbindung, Mitarbeiterentwicklung, Angebot und Nutzung von Schulungen oder Personalbedarfsanalysen zu prognostizieren.  

 

Personalbeschaffung

Predictive Analytics hilft Unternehmen, die Kanäle zu identifizieren, die die besten Talente versprechen. Die automatisierte Vorauswahl von Lebensläufen durch natürliche Sprachverarbeitung und Text-Mining ist eine sinnvolle Ergänzung zu diesem Prozess und hilft, den manuellen Aufwand zu minimieren.  

 

Arbeitsmarktanalysen

Mit der prädiktiven Analyse betrachten Personalverantwortliche Angebot und Nachfrage für bestimmte Jobgruppen auf dem Markt und erhalten Benchmarks. Dies kann von unschätzbarem Wert sein für agile Unternehmen, die sich bei Versorgungsengpässen schnell in neuen Bereichen qualifizieren müssen. Wird das Angebot knapp, können sie kreative Wege gehen, um die Lücken zu schließen, z.B. indem sie mehr auf Persönlichkeitsprofile als auf Fachkompetenz achten. 

 

Vorhersehbare Bedarfsanalyse

Der Personalbedarf wird festgelegt, um festzustellen, welche und wie viele offene Stellen in Zukunft mit Führungskräften besetzt werden sollen. Unternehmen sind in der Lage, Zeitreihen geplanter Fehlzeiten vorherzusagen, um festzustellen, wie viele Führungspositionen aufgrund von Pensionierung, Elternzeit usw. frei werden und eine Planungslücke zu vermeiden, wenn die entsprechenden Kompetenzen nicht vorhanden sind. Es können Treiber für eine mögliche Kündigung prognostiziert werden, um offene Positionen frühzeitig zu identifizieren. Ein vorgegebenes Anforderungsprofil ermöglicht eine ausreichende Vorausplanung für die Besetzung vakanter Positionen mit geeigneten Kandidaten. 

 

Über die oben aufgeführten Anwendungsfälle hinaus gibt es zahlreiche weitere Anwendungsbereiche für Predictive Analytics entlang der Wertschöpfungskette. Neben den Anwendungsfällen müssen wir uns mit der erfolgreichen Gestaltung von Predictive Analytics-Projekten befassen. Mit der folgenden Beschreibung möchten wir Ihnen einen ersten Einblick geben, wie wir unsere Kunden auf dem Weg zu einem datengesteuerten Unternehmen begleiten.  

 

Wie man Predictive-Analytics-Projekte anwendet

1. Konzept und Datenaufbereitung

In der ersten Phase helfen Scoping-Workshops, relevante Datenquellen zu finden, um kundenzentrierte Anwendungsfälle für prädiktive Analysen zu spezifizieren und zu klären. Um diese Anwendungsfälle zu identifizieren und ihren Wert und ihre Machbarkeit zu bewerten, hat es sich bewährt, mit innovativen Ansätzen wie dem Design Thinking zu arbeiten. Ein Grundkonzept definiert den analytischen Zweck in dieser Phase. Die nächsten Schritte sind die Bereitstellung von (Test-)Daten, Datenqualität und Quellenprüfungen sowie eine erste Aufbereitung der Daten. 

 

2. Modelldefinition

Die zweite Phase umfasst die Ausarbeitung eines detaillierten Konzepts für die anstehende Analyse und den Aufbau von Modellen zur prädiktiven Analytik. Diese basieren auf verschiedenen modernen prädiktiven Analyse- und maschinellen Lernmethoden, wie z.B.:

- Zeitreihenanalysen (ARIMA, ARIMAX, VAR, Holt-Winter, etc.) 

- Regressionsanalysen (Logit, Probit, etc.) 

- Klassifizierungsmethoden (Entscheidungsbaum, Zufallswald, etc.) 

- Assoziationsanalysen (Warenkorbanalyse, etc.) 

- Neuronale Netze & Deep Learning 

- Anomalieerkennung 

- Markov-Kettenmodellierung 

- Lineare Optimierung 

Diese Methoden sind abhängig vom konkreten Anwendungsfall und dem Ziel des Projekts. Wir unterstützen unsere Kunden bei der Auswahl der geeigneten Analysetools und bieten herstellerunabhängige Beratung durch den Einsatz des am besten geeigneten Datenanalysetools – ob Open- oder Closed-Source-Software.

 

3. Auswahl des besten Modells

Der Zweck der nächsten Phase ist es, das beste Modell basierend auf der Vorhersagequalität, Plausibilität und Validität des Modells auszuwählen und das Modell zu finalisieren. Diese Phase beinhaltet einen iterativen Prozess: Die angewandten Modelle werden basierend auf erweiterten Experteneinträgen neu modelliert. Dazu sind mehrere Rückführkreisläufe erforderlich.  

 

4. Modellanwendung und Implementierung

Die vierte Phase beinhaltet die Anwendung der besten prädiktiven Analysemodelle. Dies bedeutet eine technische Übergabe an den Kunden sowie die Modellbereitstellung innerhalb der bestehenden IT-Landschaft. Mit unserem Learning-Champion-Ansatz bieten wir unseren Kunden ein begleitendes professionelles Datenanalyse-Training und Coaching für Business- und IT-Ressourcen. Dies garantiert, dass Unternehmen nachhaltige Ergebnisse erzielen und eine sichtbare Leistungssteigerung erzielen. 

 

Dieser Artikel ist auch auf LinkedIn verfügbar.

Ihr Ansprechpartner

Experte
Christian Feilmeier ist Geschäftsführer und CEO bei rpc - The Retail Performance Company
Christian Feilmeier
Geschäftsführer

Über

Christian Feilmeier ist bei rpc für die Märkte Deutschland, Österreich, Schweiz, China und Nordamerika verantwortlich. Bevor er 2011 zu unserem Unternehmen kam, war er zuletzt CFO der BMW Group Canada. Zuvor war er in verschiedenen Funktionen im Finanzbereich der BMW Group tätig.

Aktuelles

Automobilhandel im Umbruch – Chancen in der Disruption ?

Mehr lesen...

rpc Perspektiven- Urbane Mobilität

Mehr lesen...

Wie Kundendaten die Profitabilität steigern

Mehr lesen...
Kontakt

Wie können wir helfen?

Kontakt
Kontakt
Karriere
sphere

Wir sind bereit, Ihre kundenorientierte 
Transformation in Angriff zu nehmen

Stephan Pauli
Stephan Pauli
Head of Business Development & Marketing
info@rpc-partners.com