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

1. 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.
BigDataundPredictive
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.

2. 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 ervier Hauptkategorien,
indenenvon Computerngesammelte 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,
weilsienichtinihrtechnologischesKonzept
passen. Wir empfehlen einen Perspektiv-
wechsel:KonzentrierenSiesichaufdenKern
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.
DasgesamteUnternehmenoderdiegesamte
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
EnterpriseApplications. 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.

3. 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.

4. 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-
derakzeptierendie„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 Dataeinem
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.