Um Pla­nungs­pro­zes­se inner­halb eines Unter­neh­mens zu ver­bes­sern, stärker fun­dier­te Unter­neh­mens­ent­schei­dun­gen her­bei­zu­füh­ren sowie ein effek­ti­ve­res Con­trol­ling zu ermög­li­chen, wird immer öfter die Analyse großer Daten­men­gen als probate Lösung gesehen. Unter dem Schlag­wort „Big Data“ wird dabei typi­scher­wei­se die Ver­ar­bei­tung mehr­di­men­sio­na­ler Daten­men­gen ver­stan­den, um Infor­ma­tio­nen über Zusam­men­hän­ge und Pro­gno­se­wer­te zu erhalten. Ziel ist es also, basie­rend auf Ver­gan­gen­heits­da­ten Plan­wer­te auto­ma­ti­siert zu pro­gnos­ti­zie­ren, wobei Tech­ni­ken wie z.B. lineare Regres­si­on, Trend­fort­schrei­bung, maschi­nel­les Lernen oder fort­ge­schrit­te­ne Data-Mining-Algo­rith­men zum Einsatz kommen. Tech­nisch aus­ge­drückt sollen Bezie­hun­gen zwischen (mehreren) Ein­fluss­fak­to­ren und Ziel­grö­ßen ermit­telt werden, um bisher nicht bekannte Ursache-Wirkungs-Zusam­men­hän­ge zu ent­de­cken. Big Data lebt dabei von Daten, welche aus unter­schied­li­chen Kanälen gewonnen werden – wie etwa durch Internet, Social Media, mobile IT-Anwen­dun­gen oder durch den Einsatz von Sen­sor­tech­no­lo­gien in den ver­schie­de­nen Lebens­be­rei­chen. Der Begriff Big Data ist zumin­dest durch vier mit dem Buch­sta­ben V begin­nen­de Merkmale gekennzeichnet.

• Volume steht für das zuneh­men­de Datenvolumen,
• Velocity steht für die mitunter in Echtzeit aus­ge­führ­te Analyse der Daten,
• Variety bezeich­net die Daten­viel­falt im Sinne von struk­tu­rier­ten bis zu unstruk­tu­rier­ten Daten und
• Veracity, das für die Glaub­wür­dig­keit der Daten steht.

Der Einsatz von Big Data sollte im End­ef­fekt zu besseren Ergeb­nis­sen führen

Nicht zuletzt für die Vor­be­rei­tung der Ent­schei­dungs­fin­dung kommt gerade der Con­trol­ling-Abtei­lung die Aufgabe zu, die zwei­fels­oh­ne im Unter­neh­men vor­han­de­nen Daten­men­gen zu ana­ly­sie­ren und hilf­rei­che Pro­gno­se­wer­te abzu­lei­ten. Zumin­dest zu Beginn stellen sich dabei oftmals Fragen danach, welche Daten über­haupt sinnvoll genutzt werden können und ob die (in vielen Fällen vor­lie­gen­de) Daten­flut mit den bestehen­den Ana­ly­se­werk­zeu­gen bewäl­tigt werden kann. Einen Schritt weiter gedacht könnten durch die richtige Nutzung von Big Data die Wert­schöp­fungs­ket­te im Unter­neh­men und schließ­lich seine Wett­be­werbs­fä­hig­keit ver­bes­sert werden.

Dabei werden oftmals bessere Ergeb­nis­se dann erzielt, wenn Methoden und Tech­ni­ken ver­wen­det werden, die unter den Fach­be­griff „Advanced and Pre­dic­ti­ve Ana­ly­tics“ fallen. Man versteht darunter Mittel und Wege im Sinne von Methoden und Tech­ni­ken, um Vor­her­sa­gen von zukünf­ti­gen Ereig­nis­sen aus großen Daten­men­gen möglich zu machen. Zukünf­ti­ge Ergeb­nis­se sollen besser und präziser vor­her­seh­bar sein, wodurch auch eine geziel­te­re Steue­rung der stra­te­gi­schen Risi­ko­po­si­ti­on des Unter­neh­mens machbar wird. Für Advanced and Pre­dic­ti­ve Ana­ly­tics können typi­scher­wei­se eine Vielzahl unter­schied­li­cher Werk­zeu­ge her­an­ge­zo­gen werden und schließ­lich in die ope­ra­ti­ve Steue­rung des Unter­neh­mens ein­flie­ßen. Idea­ler­wei­se müssen durch die Werk­zeu­ge folgende Aufgaben abge­deckt werden, um das Optimum aus Big Data her­aus­ho­len zu können.

• Zwecks Seg­men­tie­rung werden basie­rend auf Ähn­lich­kei­ten inner­halb der Daten­men­ge Gruppen gebildet.
• Mittels Asso­zia­ti­on können gemein­sam auf­tre­ten­de Ereig­nis­se der Häu­fig­keit nach iden­ti­fi­ziert werden.
• Noch keinen Klassen zuge­hö­ri­ge Elemente werden Klassen zugeordnet.
• Mittels Regres­si­ons­ana­ly­se können Bezie­hun­gen zwischen Ele­ment­ei­gen­schaf­ten iden­ti­fi­ziert werden, um schließlich
• im Sinne einer Prognose zukünf­ti­ge Werte ableiten zu können.

Prak­tisch betrach­tet können durch den Einsatz von Advanced and Pre­dic­ti­ve Ana­ly­tics – bei­spiels­wei­se gegen­über Kunden – diverse Ziele erreicht werden wie z.B. die Seg­men­tie­rung und Bewer­tung von Kunden nach unter­schied­li­chen Kri­te­ri­en, die Prognose des Wertes eines Kunden über einen Zeitraum oder Aussagen über das Ver­hal­ten von Kunden in Folge von Mar­ke­ting-Maß­nah­men (soge­nann­tes Uplift-Modeling).

Der unre­flek­tier­te Einsatz von Pre­dic­ti­ve Ana­ly­tics Methoden birgt jedoch Risiken, welche sich bei­spiels­wei­se durch die Anwen­dung unge­eig­ne­ter Algo­rith­men oder durch Fehl­in­ter­pre­ta­ti­on der Ergeb­nis­se zeigen. Prak­ti­sche Probleme können sich aller­dings bereits dann ergeben, wenn durch Pre­dic­ti­ve Ana­ly­tics mehrere Ergeb­nis­se mit vari­ie­ren­den Wahr­schein­lich­kei­ten vor­aus­ge­sagt werden und sich dann z.B. die Frage stellt, ob besser der Mit­tel­wert oder eine Band­brei­te von Ergeb­nis­sen zur Inter­pre­ta­ti­on her­an­ge­zo­gen werden soll. Ein Grund­pro­blem liegt auch darin, dass die Analyse von Ein­zel­da­ten­sät­zen mög­li­cher­wei­se zu besseren Ergeb­nis­sen aufgrund der Daten­qua­li­tät führt, dies aller­dings nicht die offen­sicht­lichs­te Stärke von Big Data im Sinne von agg­re­gier­ten Infor­ma­tio­nen dar­stellt. Generell als her­aus­for­dernd zeigt sich die schwie­ri­ge Imple­men­tie­rung von Advanced Ana­ly­tics Pro­gram­men wie auch das Fehlen von spe­zi­fi­schen Kennt­nis­sen und Fähigkeiten.

Rah­men­be­din­gun­gen müssen geschaf­fen werden

Wesent­li­che Vor­aus­set­zun­gen für den Erfolg von Advanced and Pre­dic­ti­ve Ana­ly­tics sind das Ver­ständ­nis der dahin­ter­lie­gen­den Ideen und Konzepte – es kann dabei nicht schaden, wenn die ver­ant­wort­li­chen Personen über Wissen in den Berei­chen Infor­ma­tik, Mathe­ma­tik und Sta­tis­tik für betrieb­li­che Anwen­dun­gen verfügen. Neben vor­aus­schau­en­den Über­le­gun­gen dahin­ge­hend, welche Anwen­dungs­be­rei­che es im Unter­neh­men über­haupt gibt, ist die Unter­stüt­zung durch das Top Manage­ment bei der Umset­zung unabdingbar.

Bild: © Anna Blau — BMF