Startseite > Office & Kommunikation > Prescriptive Analytics: Daten als Ratgeber

Big Data

Prescriptive Analytics: Daten als Ratgeber

12. Dezember 2016, 13:44 Uhr | Autor: Eva Michel / Redaktion: Diana Künstler

Fortsetzung des Artikels von Teil 2

Machine Learning schlägt manuelle Regelwerke

Grundsätzlich gibt es zwei Methoden, um Empfehlungen zu generieren. Zum einen können Unternehmen ein manuelles Regelwerk erstellen, das einen Entscheidungsbaum vorgibt – wenn A eintritt, muss B empfohlen werden und so weiter. Die Regeln basieren auf gesetzlichen Vorgaben (Beispiel: nur Über-18-Jährigen kann ein Kreditangebot gemacht werden), aber auch auf unternehmensspezifischen Business Regeln (beispielsweise wenn ein bestimmtes Angebot nur Neukunden offeriert wird). Zudem eruieren einige Unternehmen mit Hilfe von Datamining die Kaufwahrscheinlichkeit bestimmter Produkte für konkrete Segmente und pflegen diese Erkenntnisse als Regeln in den Entscheidungsbaum mit ein. Dieser rein regelbasierte Ansatz ist zwar zunächst schneller umzusetzen, wird aber schnell sehr komplex, wenn mehrere Variablen ins Spiel kommen. Zudem sind die separat eruierten Kaufwahrscheinlichkeiten im Handumdrehen veraltet, beispielsweise wenn Mitbewerber ihre Preise senken.

Die zweite und zu empfehlende Alternative ist der Einsatz von Systemen, die den sogenannten „Machine Learning“-Ansatz nutzen. Hier werden zwar auch teilweise vordefinierte „starre“ Regeln in das System eingepflegt; darüber hinaus lernt das System jedoch mit jeder neuen Interaktion automatisch dazu und erstellt auf dieser Grundlage selbstständig Prognosemodelle, die das manuelle Regelwerk ergänzen. So kann es auch dynamische Faktoren in seine Empfehlungen miteinbeziehen und wird darin immer besser, je mehr Feedback es bekommt und je länger es im Einsatz ist. Das Ergebnis sind Prognosen und Empfehlungen, die auch aktuelle Entwicklungen reflektieren. Einige Systeme sind dabei sogar in der Lage, Kontextdaten wie den aktuellen Aufenthaltsort eines Nutzers oder das Wetter miteinzubeziehen und so noch akkuratere Vorschläge zu machen.

Darauf sollten Unternehmen achten
Die Idee, Daten zu analysieren, um daraus automatisch Handlungsempfehlungen zu generieren und umzusetzen, ist nicht neu. Neu sind allerdings die enormen technologischen Fortschritte im Bereich der Datenspeicherung und -verarbeitung. Big Data-Technologien ermöglichen kostengünstige Speicherung und Nutzung von Webseitenclicks, Sensordaten, etc. und eröffnen somit neue Anwendungsszenarien. Was den Einsatz der derzeitigen Königsdisziplin Prescriptive Analytics anbelangt, stehen wir noch am Anfang der Entwicklung. Das Interesse ist groß, die Adaption nahm jedoch erst in den letzten ein bis zwei Jahren Fahrt auf. Unternehmen, die nach diesem Ansatz verfahren möchten, sollten sich zunächst einige grundlegende Fragen beantworten: Welche Daten sind tatsächlich wertbringend? Haben wir ausreichend Daten zur Verfügung, um Prognosen und Handlungsempfehlungen zu generieren, die einem Mindestanspruch an Seriosität genügen? Sind wir bereit, in eine selbstlernende Technologie zu investieren, die auch dynamische Faktoren in ihre Analysen miteinbezieht? Und sind wir gewillt, dem System Zeit zu geben zu lernen, bevor es die beste Leistung erbringt? Können sie diese Fragen mit Ja beantworten, steht dem Einsatz von Prescriptive Analytics im Prinzip nichts mehr im Wege.

Eva Michel, Business Analytics Strategist, Oracle