Vorhersagen, reagieren und gewinnen - SAP Analytics Cloud

Stellen wir uns einmal vor, dass wir die Zukunft vorhersagen können. Und nein, es soll nicht darum gehen, Prognosen auf der Ebene einer möglichen Apokalypse zu treffen, mal wieder das nahende Ende der Welt zu verkünden oder irgendwelche Horoskope eines Fernsehstars zu verbreiten. Stattdessen soll es um eine etwas einfachere, dafür aber auch wahrscheinlichere Zukunft gehen, die wissenschaftlich fundiert ist.

Zum Beispiel im Zusammenhang mit der Geschäftsentwicklung: Ein Anstieg der Nachfrage nach einem bestimmten Produkt oder einer bestimmten Produktgruppe kann die Arbeitsweise der Marketingabteilung und des Vertriebs für eine bestimmte Zielgruppe verändern. Beim Betrieb eines Ventilatorengeschäfts können wir auf Grundlage der durchschnittlichen Temperaturschwankungen im Jahr darauf schließen, wann es sich lohnt, größere Warenmengen zu beschaffen. Schlau? Und wie sieht es aus, wenn wir über globale Geschäft sprechen?

Die Art und Weise, wie sich die Analytik auf der ganzen Welt entwickelt hat, ist ganz einfach. Zunächst wurden Daten erhoben und es wurde auf ihrer Grundlage ein operatives Reporting erstellt. Der nächste Schritt war eine Analytik, mit der die Frage beantwortet werden konnte, was tatsächlich (in der Vergangenheit) geschehen ist, warum wir also ein bestimmtes Ergebnis erzielt haben. Der folgende Schritt war die multidimensionale Analyse in der Struktur der OLAP-Daten. Diese komplexen Tabellenkalkulationen ermöglichten die Verarbeitung schnell wachsender Datenmengen im Rahmen ihrer gegenseitigen Beziehungen. Anstatt zu fragen, was passiert ist, fragen wir uns heute: Warum ist genau das passiert? Darauf wird die Ära der prädiktiven Analyse folgen, also eine Vorhersage dessen, was erst geschehen wird.

Ein Blick in die Zukunft

In den folgenden Entwicklungszyklen können wir es mit der präskriptiven Analyse zu tun bekommen, die es uns ermöglicht, die Frage zu beantworten, was Unternehmen mit Blick auf die Zukunft tun sollten. Ausgestattet mit einer eigenen künstlichen Intelligenz wird sie nicht nur die besten Lösungen für eine bestimmte Situation vorhersehen, sondern auch die besten Lösungen für eben diese Situation vorschlagen. Sie gibt zum Beispiel eine Einschätzung dazu ab, welcher Kunde ein Produkt in unserem Shop kaufen wird und was wir zusätzlich zum Angebot für genau diesen Benutzer anbieten können. Wir erfahren auch, wie die Produkte miteinander verbunden sind und welche Beziehungen zwischen den Waren und den Kunden bestehen.

Dies geschieht bereits langsam

Zwar übernimmt die künstliche Intelligenz dies noch nicht für uns, aber wir können bereits jetzt eine riesige Menge an Informationen aus den von uns gesammelten Daten gewinnen. Hätte sich Nokia rechtzeitig wichtige Fragen gestellt und die verfügbaren Daten analysiert, wäre es vielleicht immer noch führend in der Produktion und im Verkauf von Mobiltelefonen. Der Anfang vom Ende für den finnischen Riesen kam 2007, als Apple sein erstes iPhone mit Touchscreen vorstellte. Bemerkenswert ist, dass die ersten weltweiten Patente für diese Lösung an Finnen ausgestellt worden sind. Nicht nur Patente, sondern sogar die ersten fertigen Produkte stammen aus finnischer Produktion! Ein weiterer Sargnagel war, dass die Skandinavier ihr Betriebssystem Symbian nicht weiterentwickelt hatten, was die Anwender zusätzlich verunsichert hat. Nokia hat jedoch noch viel mehr Fehler bei der Vorhersage von Trends gemacht: vom Vernachlässigen des Modeaspekts von Handys mit Klappfunktion bis zum Fehlen eines Angebots für immer jüngere Nutzer. Der ganze anachronistische Geschäftsansatz führte zu Börseneinbrüchen und schließlich zum Verkauf des Unternehmens an den Riesen aus Redmond, dem Unternehmen Microsoft.

Seien wir nicht wie Yahoo

Ein ähnliches Beispiel ist die Geschichte der Suchmaschinen Yahoo und AltaVista. Während wir uns manchmal noch an Yahoo erinnern, haben wir die zweite Suchmaschine eher vollständig vergessen (es ist dabei vielleicht erwähnenswert, dass sie 2013 ihren Betrieb eingestellt hat). Lassen Sie uns jedoch auf das Jahr 1998 zurückblicken. Zwei junge Studenten der Stanford University wenden sich zuerst an AltaVista und dann an Yahoo, um ihre Google-Suchmaschine zu verkaufen, die mit einem modernen Algorithmus zum Sortieren von Webseiten ausgestattet ist – dem sogenannten PageRank. Der Angebotspreis beträgt nur 1 Million USD. Beide Unternehmen lehnen dankend ab. Im Jahr 2002 wurde sich Yahoo seines Fehlers bewusst und gab ein Angebot für Google in Höhe von 3 Milliarden Dollar ab. Allerdings wies Google da bereits einen geschätzten Wert von 5 Milliarden US-Dollar auf und Yahoo lehnte einen Kauf erneut ab. Im Jahr 2008 machte Microsoft Yahoo ein Kaufangebot in Höhe von 40 Milliarden Dollar. Yahoo weigert sich. Im Jahr 2016 wird Yahoo schließlich für nur 4,6 Milliarden Dollar an Verizon verkauft. Nun stellen wir uns vor, dass wir über Daten verfügen, die uns über die Trends und den Grad der Nutzung unserer Lösung Auskunft geben können. Warum sollten wir sie nicht nutzen, um eine Wiederholung des Falls Yahoo zu vermeiden?

Die Vorhersage der Zukunft

Am Beispiel eines Mobilfunkbetreibers kann man verstehen, wie moderne Predictive Analytics und eine Optimierung auf Basis von SAP Analytics Cloud funktionieren. Stellen Sie sich vor, dass wir Kunden kontaktieren wollen, die unser Produkt oder unsere Dienstleistung kaufen. Wie wähle ich aus der Datenbank diejenigen Kunden aus, die an unseren Angeboten interessiert sind?

Wenn wir Informationen darüber haben, wer unsere Dienstleistung oder unser Produkt in der Vergangenheit genutzt hat, können wir mit einer gewissen Wahrscheinlichkeit davon ausgehen, wer sich wieder dafür interessiert. Daher sollten unsere Kunden in zwei Gruppen eingeteilt werden: diejenigen, die gekauft haben und diejenigen, die nicht gekauft haben. Auf der Grundlage dieser wertvollen Informationen können wir dann eine Klassifikationsregel erstellen und ein Vorhersagemodell erstellen. Zu diesem Zweck müssen wir aber mehr Informationen zur Verfügung haben: demografische Daten, Verhaltensdaten und alle anderen Daten, die die Qualität der Vorhersagen beeinflussen und verbessern können. Beim Testen unseres Modells auf der Grundlage von Testdaten achten wir darauf, dass wir dabei die richtigen Kunden auswählen. Sobald wir von der Richtigkeit der Ergebnisse überzeugt sind, können wir sie auf alle unsere potentiellen Kunden übertragen. Und dank dieser Informationen versenden wir an die Telemarketing-Agenten entsprechende Benachrichtigungen zu denjenigen Abonnenten, deren Kaufüberzeugung eine reine Formsache sein sollte.

Michał Bekus

SAP Analytics Expert bei Hicron

3 Prognoserichtungen

Die Wirtschaftsbereiche, für die ein Prognosebedarf besteht, sind breit gefächert. Einerseits geht es um eine bedeutende Weichenstellung für die Entwicklung von kleinen Unternehmen und Start-ups, andererseits sollten auch Börsen an der Entwicklung dieser Analysemethoden interessiert sein. Dabei unterscheiden wir drei Zielgruppen für die Analytik:

Data Scientists, also Analytiker von Big Data – sie ermöglichen es, von SAP erstellte analytische Vorhersagemodelle vor Ort zu nutzen und gleichzeitig statistisches Wissen zu berücksichtigen. Analysten nutzen auch automatische Prognosebibliotheken, um den Rechercheprozess zu beschleunigen. Beispielsweise können sie mittels SAP Analytics Cloud zunächst überprüfen, ob das dort verwendete Prognosemodell interessante Zusammenhänge aufweist, und dann ein eigenes Prognosemodell aufbauen, um dessen Qualität zu erhöhen.
Business-Anwender – je nach Erfahrung und analytischen Fähigkeiten der Anwender können sie automatische Vorhersagemodelle verwenden und Daten aus verschiedenen Systemen visualisieren. Auf ihrer Grundlage können die Anwender Schlussfolgerungen ziehen und so fundiertere Geschäftsentscheidungen treffen.
R-Programmierer – eine in Geschäftsanwendungen eingebettete Vorhersage, die es erlaubt, den Umfang der Analyse zu erweitern und erweiterte Visualisierungen zu erstellen, die bei der Analyse hilfreich sind.

Was ermöglicht SAP Analytics Cloud hinsichtlich der Vorhersagen?

Stellen wir uns einmal vor, dass wir ein Vertriebsunternehmen haben, das Kleidung und Accessoires im Angebot hat. Die Geschäftsführung möchte die Verkaufsergebnisse steigern und muss dazu eine neue Marktstrategie entwickeln. Also erhält die Analyseabteilung eine Anfrage nach einem Bericht zur Beantwortung auf die Frage, welche Faktoren den Umsatz auf Grundlage der Verkaufsdaten beeinflussen. Der Bericht muss auf einer Art von Daten basieren. Wir können sie wie folgt auf 3 verschiedene Arten liefern:

Aus flachen Dateien vom Typ Excel.
Aus einem Quellsystem wie S4HANA oder BW4HANA oder auch aus verschiedenen anderen Datenbanken.
Aus einem Datenmodell, das wir zuvor entwickelt haben.

Anhand der vom System gesammelten Daten kann man herausfinden, welche Verkaufsräume gut oder schlecht abschneiden und den Grund dafür verstehen, zum Beispiel Kundenbewertungen, geografische Lage, Größe der Filiale oder Kauffreundlichkeit. Die in das Analyseprogramm integrierte maschinelle Lerntechnologie ermöglicht es, die gesammelten Informationen mit der Analyse abzugleichen und darauf aufbauend eine Visualisierung zu generieren, die es wiederum erleichtert, die richtigen Schlussfolgerungen zu ziehen. Das System ist so intelligent, dass es Verkaufsanomalien erkennt und aus dem Bericht ausschließt. So wird der von uns angeführte Ventilatorhändler wissen, dass der Sommer 2018 von der Analyse ausgeschlossen wurde, da es ein für Mitteleuropa ungewöhnlich heißer Zeitraum war. Mit diesen Informationen haben Klein- und Großunternehmer die Chance, der Konkurrenz immer einen Schritt voraus zu sein und aktuelle Trends zu verfolgen.