Laut der aktuellen KYOCERA-Studie besteht in den meisten Unternehmen dringender Handlungsbedarf, um das Informationsmanagement zu verbessern. In seinem Gastbeitrag widmet sich der Autor und Analyst Tim Cole daher der Frage, welche Rolle vernetzte Daten, Informationen und Dokumente spielen (können).

Wer sich den Anforderungen der digitalen Transformation stellen will, muss in der Lage sein, in die Zukunft zu blicken. Nein, nicht mit Hilfe einer Kristallkugel oder mit Tarot-Karten, sondern mit intelligentem Informationsmanagement. Damit verbundene Themen wie Big Data lassen sich aber nur mit leistungsfähigen Analysesystemen beherrschen. Wobei hier eine Art „digitaler Dreisprung“ zu erkennen ist: von der beschreibenden über die vorausschauende Analyse bis hin zu Empfehlungssystemen. Oder, um die englischen Termini zu verwenden: „Descriptive Analytics“, „Predictive Analytics“ und „Prescriptive Analytics“.

Informationsmanagement = Rüstzeug fürs Controlling

Deskriptive oder beschreibende Analyse entspricht dem klassischen Reporting, wie es von alters her betrieben wird. Sie beschreibt den Status quo, also die historische Entwicklung des Unternehmens, zum Beispiel anhand von Zielabweichungen. Die darauf aufbauende „diagnostische Analyse“ versucht, anhand dieser Ergebnisse Ursachen aufzuspüren, zum Beispiel: Warum liegen die Kosten über Plan oder warum stockt der Abverkauf? Diese so genannten Plan-Ist-Vergleiche sind heute das Rüstzeug jedes Controllers, und sie werden es auch in Zukunft bleiben. Allerdings lassen sich gerade solche Aufgaben heute weitgehend automatisieren.

Die durch die Automation gewonnene Zeit können Unternehmen in Zukunft für die vorausschauende Analyse, also für „Predictive Analytics“ nutzen. Und: Sie werden sie nutzen müssen, wenn sie mithalten wollen! Es gibt eine Fülle von Software-Tools, die in der Lage sind, in den Unmengen von Daten Muster zu erkennen. Diese helfen ferner, Verbindungen zwischen scheinbar nicht verwandten Daten zu ziehen. Diese Software muss das Unternehmen nutzen und beherrschen, um mit Hilfe der entsprechenden Algorithmen nicht nur Prognosen zu wagen: Auch die Berechnung der Wahrscheinlichkeit bestimmter Ereignisse sowie die Ermittlung der Risikoverteilung sind hier zentrale Punkte.

Predictive Analytics bringt erstaunliche Erkenntnisse

Vorausschauende Analysen können zu höchst überraschenden Ergebnissen führen. In seinem Buch „Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die” gibt der US-Autor Eric Siegel eine Reihe von Beispielen für erstaunliche Ergebnisse, die eine vorausschauende Analyse heute liefern kann.

Computer können relativ genau vorhersagen, wer sein Zeitungs- oder Zeitschriftenabo kündigen oder wann er seinen Versicherer wechseln wird. Die Supermarktkette Target analysiert das Surfverhalten weiblicher Kunden, um herauszufinden, ob sie schwanger sind. So können sie sie gegebenenfalls besser mit Dingen wie Windeln oder Babynahrung versorgen. Lebensversicherungen wollen herausgefunden haben, dass Menschen, die in Frührente gehen, in der Regel auch früher sterben. Fluggesellschaften wissen längst, dass Veganer seltener ihre Maschine verpassen. Im Personalwesen wird Predictive Analytics eingesetzt, um festzustellen, ob sich Mitarbeiter mit Kündigungsgedanken tragen.

Ein Paradebeispiel für das Funktionieren – und den Nutzen – von prädiktiven Analysesystemen lieferten im Sommer 2016 Forscher in Kalifornien, die mit Microsoft zusammengearbeitet haben, um die Früherkennung von Bauchspeicheldrüsenkrebs zu verbessern. Sie haben das Suchverhalten von Patienten in der Microsoft-Suchmaschine Bing über mehrere Monate vor der Entdeckung der Erkrankung zurückverfolgt. Dabei haben sie festgestellt, dass die späteren Krebspatienten ein typisches Verhaltensmuster erzeugten. Wird ein solches Muster bei einem Nicht-Patienten erkannt, kann man ihn auffordern, vorsichtshalber zum Arzt zu gehen und sich untersuchen zu lassen. Die Chance, dass der Krebs im Frühstadium erkannt wird, wächst sprunghaft und damit die Überlebenschance; von den geringeren Kosten für die Krankenversicherung ganz zu schweigen.

Auf die Datenqualität kommt es an

Die Kunst, in die Zukunft zu schauen, ist also gar keine, sondern das Ergebnis sorgfältiger Auswertung und richtiger Interpretation von riesigen Datenmengen. Aber um Prognosen über zukünftige Entwicklungen im Unternehmen machen zu können, braucht das Unternehmen belastbare Daten über Eintrittswahrscheinlichkeiten und Risikoverteilung. Nur so können verlässliche Szenarienberechnungen erstellt und Entscheidungen auf eine stabile Datenbasis gestellt werden. Merke: Auf die Datenqualität kommt es an!

Leider erfolgen Finanzplanung (GuV, Bilanz und Cashflow) und operative Planung (Absatz, Produktion, Personal) in den meisten Unternehmen getrennt. Sie haben deshalb oft keinen echten Bezug zu den Treibern des operativen Geschäfts. Mangelnde Berücksichtigung strategischer Ziele kann aber zu unterschiedlichen Erwartungshaltungen auf verschiedenen Ebenen innerhalb des Unternehmens und damit zu erheblichem Abstimmungsaufwand führen.

Schneller und effizienter ist es, die auf das Geschäftsmodell abgestimmte Werttreiberplanung, wie sie in vielen Unternehmen heute eingesetzt wird, direkt mit Predictive Analytics zu verknüpfen. So lassen sich wesentlich bessere Voraussagen machen, die Auswirkungen auf das operative Geschäft werden klarer dargestellt.

Rezepte für den Unternehmenserfolg

Wie sieht es  aber in der Praxis aus? Tatsächlich gibt es bereits zahlreiche Anwendungsfälle von Predictive Analytics. Für mittelständische Unternehmen lassen sich  bestimmte Anwendungsfälle unabhängig von der Branche identifizieren:

  • Gezieltes Marketing: Individualisierte, kundenspezifische Ansprache von Zielgruppen mit Inhalten, die sie auch wirklich interessieren und betreffen.
  • Churn Prevention: Erkennen von abwanderungsgefährdeten Kunden auf Basis ihres Verhaltens; typischerweise ist Vorsicht geboten, wenn der Kunde früher regelmäßig gekauft hat. In letzter Zeit aber nur noch unregelmäßig oder gar nicht mehr.
  • Bedarfsprognosen: Kurz- und mittelfristige Vorhersage der Kundennachfrage für bestimmte Produkte. Diese erfolgen auf Basis unterschiedlicher Einflussgrößen wie zum Beispiel konjunkturelle Veränderungen, Urlaubs- und Feiertage, Wetter oder auch Google Trends.

Fest steht aber auch: Gerade kleinere Unternehmen sind bei der Umsetzung von solchen Big-Data-Analytics-Anwendungen mit vielen Herausforderungen konfrontiert: Für diese und andere Anwendungen gibt es heute meist ausgereifte und praxiserprobte Werkzeuge und Systeme, die mit der eigenen IT zusammengeführt werden müssen und die oft schon von Tag ein an erstaunliche Ergebnisse liefern können. Diese Systeme gilt es im zweiten Schritt organisatorisch in die entsprechenden operative Prozesse und Strukturen wie CRM oder Vertrieb einzubinden. Einmal eingeführt, müssen solche prädiktiven Systeme durch regelmäßige Analysen und stärkere Integration in Prozesse und Systeme laufend verbessert werden.

Tim Cole ist Autor, Analyst und Vortragsredner. Sein aktuelles Buch, „Digitale Transformation“, beschreibt den notwendigen Wandel in Wirtschaft und Gesellschaft unter dem Druck der Digitalisierung und Vernetzung.