Predictive analytics is used to get insights about future events on the basis of historical and current data with the help of statistical methods. In some industries or companies such use cases are still hardly available. In this article an agile model is presented that supports the introduction of predictive analytics in companies to minimize prediction uncertainty. This closes a gap of established process models, which only start once the decision to perform a data analysis on a specific problem has already been made. The development of the model is based on the experience gained at Gruner + Jahr GmbH in a business unit that is part of the Digital Marketing & Advertising industry. The application to other domains is considered.
Predictive Analytics (PA) bietet die Möglichkeit, historische und aktuelle Daten zur
Vorhersage zukünftiger Ereignisse zu nutzen. Obwohl PA bereits seit vielen Jahren als
relevante Disziplin für Unternehmen allgemein akzeptiert ist, ist dies in einigen
domänenspezifischen Anwendungen nicht immer der Fall. Im Gartner Hype Cycle für das
Themengebiet „Business Intelligence & Analytics“ ist PA seit 2011 vertreten und hat
den Gipfel der überzogenen Erwartungen bereits passiert [
In dieser Arbeit wird ein Vorgehensmodell vorgestellt, das Firmen bei der Einführung von PA unterstützt und die Unsicherheit in dieser Anfangsphase minimiert. Dem Modell liegen dabei Erfahrungen zugrunde, die in einem Geschäftsbereich der Gruner + Jahr GmbH, der dem DMA-Bereich zuzuordnen ist und zu Beginn der Untersuchung noch keine Anwendung für PA besaß, gesammelt wurden. Damit besteht ein spezieller Branchenfokus; eine Übertragbarkeit des erarbeiteten Modells auf weitere Branchen und Unternehmen, die den Einsatz von PA prüfen, wurde jedoch berücksichtigt.
Es wurden möglichst viele Verfahren gewählt, um für den Einsatz von PA relevante Einsatzszenarien im betrachteten Unternehmen zu identifizieren: Nach einer Betrachtung theoretischer Grundlagen wird aufbauend auf einer strukturierten Literaturanalyse eine empirische Untersuchung in Form qualitativer Befragungen mit ausgewählten Personen aus der Vermarktung, sowohl innerhalb der Gruner + Jahr GmbH, als auch mit unternehmensfremden Vermarktungsakteuren, beschrieben. Diese Interviews zielten darauf ab, (Teil-) Automatisierungspotenziale und Ineffizienzen in den Tätigkeiten der Befragten zu identifizieren. Basierend auf den erzielten Ergebnissen konnten Anwendungsfälle für PA-Vorhaben erarbeitet werden, die im Kontext der Vermarktungsorganisation Einsatz finden können. Für diese Use Cases wurden Faktoren erhoben, die Anhaltspunkte zum Aufwand einer Implementierung darstellen. Ergänzt wurde die empirische Untersuchung durch eine Gruppendiskussion mit den Führungskräften aus der Gruner + Jahr GmbH, die darauf abzielte, ein im Sinne des Unternehmens übergeordnetes Verständnis zu den aus den qualitativen Befragungen hervorgehenden Problemen zu gewinnen, sowie die Relevanz der Use Cases einzuordnen und ihren Nutzen zu bewerten.
Aus den gewonnenen Erkenntnissen wurde anschließend ein generelles Vorgehensmodell für die Einführung von PA in Unternehmen abgeleitet, das in Abschnitt 4 vorgestellt und abstrakt beschrieben wird. Danach werden Erfahrungen bei der Umsetzung dargestellt und diskutiert. Die Arbeit schließt mit einer Bewertung der Ergebnisse und einem Ausblick ab.
Die Aufbereitung und Verwendung von Daten zur Entscheidungsunterstützung ist bis in die 1970er Jahre zurückzuführen [4]. Durch immer weiter zunehmende Datenmengen und die Verbesserung der zugrundeliegenden Technologien hat die Datenanalyse im letzten Jahrzehnt einen deutlich höheren Stellenwert erhalten als dies zuvor der Fall war [5]. In der Folge entstanden bzw. verbreiteten sich zahlreiche Methoden und Disziplinen, zu denen auch Predictive Analytics zählt.
Der PA-Begriff ist nicht einheitlich definiert. Da diese Herausforderung jedoch nicht den Fokus der vorliegenden Arbeit darstellt, wird an dieser Stelle auf die Literatur verwiesen (vgl. dazu z. B. [5–11]). In Anlehnung an bestehende Definitionen soll in der vorliegenden Arbeit unter Predictive Analytics eine Form der Datenanalyse verstanden werden, mit der unter Zuhilfenahme statistischer Verfahren auf Basis historischer und aktueller Daten Vorhersagen zu zukünftigen Ereignissen getroffen werden können.
PA basiert auf unterschiedlichen Methoden zur Aufdeckung von Ursache-WirkungsBeziehungen, deren Ursprung im Data Mining zu verorten ist [11]. In Abbildung 1 sind Methodengruppen und deren Eigenschaften dargestellt, in die ein Großteil der verwendeten Analyseverfahren eingeordnet werden können. Charakterisierende Merkmale einzelner Methoden, wie beispielsweise Einfachheit und Nachvollziehbarkeit, werden in der Matrix bewusst nicht als Kriterien erfasst. Die Ursache hierfür liegt in der Vielfalt statistischer Methoden, die je Gruppierung angewendet werden können und eine übergreifende Bewertung unmöglich macht.
I2
O überwacht
unüberwacht
Abbildung 1. Predictive-Analytics-Methodengruppen, in Anlehnung an [8, 11, 12] In der wissenschaftlichen Literatur existieren Veröffentlichungen zu PA unter anderem in den Bereichen Luftfahrt, Gesundheitswesen, Einzelhandel, bei der Produkteinführung und Preisgestaltung [5, 12–15]. Darüber hinaus sind Ansätze zur Nutzung für marketingtreibende Unternehmen vorhanden [6]. Einsatzpotenziale speziell für die Medienbranche / Vermarktung sind in der wissenschaftlichen Diskussion dagegen bisher kaum thematisiert. Die Herausforderungen durch Unsicherheiten in der Entscheidung für oder gegen den PA-Einsatz sind für Unternehmen aus diesem Bereich daher besonders hoch, weshalb sich der Bereich gut für eine beispielhafte Betrachtung eignet. 2.2
Vorgehensmodelle zur Anwendung von Predictive Analytics Predictive Analytics basiert in großen Teilen auf Techniken des Data Minings [7], weshalb sich in diesen beiden Bereichen verwendete Vorgehensmodelle nicht unterscheiden. Genannt werden können hier, bezogen auf die weite Verbreitung, vor allem das Modell Knowledge Discovery in Databases (KDD) [16], der Cross Industry Standard Process for Data Mining (CRISP-DM) [17] und der Prozess des Sampling, Exploring, Modifying und Assessing (SEMMA) [18]. All diese Vorgehensmodelle sind bewusst einfach gestaltet, sodass sie nicht nur von PA-Spezialisten, sondern auch von Domänenexperten verstanden werden und so ein Bearbeiten von Problemstellungen über unterschiedliche Interessengruppen und verschiedene Phasen, wie etwa der Datenaufbereitung und -analyse, hinweg ermöglichen.
Im Gegensatz zu KDD und SEMMA beinhaltet das CRISP-DM (vgl. Abbildung 2) mit dem Business Understanding eine Phase, die dazu dient, das Ziel und die Anforderungen eines Vorhabens aus Geschäftsperspektive zu verstehen, in eine für die Analyse geeignete Fragestellung zu übersetzen und einen Projektplan zur Umsetzung abzuleiten [17]. Ein umfangreiches Geschäftsverständnis ist essenziell, um eine Datenanalyse erfolgreich durchführen zu können [19]. Ebenfalls wird im CRISP-DM die Agilität der Datenanalyse deutlicher hervorgehoben, als dies in den anderen beiden genannten Vorgehensmodellen der Fall ist.
Abbildung 2. CRISP-DM Vorgehensmodell, aus [17]
Auch wenn alle genannten Vorgehensmodelle und vor allem das CRISP-DM viele relevante Aspekte eines PA-Projektes adressieren, setzen sie doch erst dort an, wo die Entscheidung für den Einsatz einer Datenanalyse auf eine spezifische Problemstellung bereits getroffen wurde. In dieser Arbeit soll ein Modell entwickelt werden, das früher, nämlich bei der Auswahl der am besten geeigneten Fragestellung für PA, ansetzt. Dabei sollen die wichtigsten Eigenschaften des CRISP-DM, wie Einfachheit, Agilität und die Möglichkeit des Einbezugs sämtlicher Interessengruppen, als Vorbild für die Entwicklung dienen. Dadurch wird auch eine kombinierte Anwendung dieser beiden Modelle möglich. 3
Das Vorgehensmodell wurde iterativ bei der Gruner + Jahr GmbH entwickelt, da eine einfache Übertragbarkeit aus anderen Unternehmen nicht möglich ist und deshalb die Expertise der Mitarbeiterinnen und Mitarbeiter des spezifischen Unternehmens besonders berücksichtigt werden muss. Dabei wurden ein umfangreiches Literatur-Review, eine qualitative Befragung sowie eine abschließende Gruppendiskussion mit Experten genutzt (vgl. Abbildung 3). Dieses Vorgehen ermöglicht die umfangreiche Berücksichtigung verschiedener Perspektiven auf die Tauglichkeit von PA im spezifischen Fall und sichert durch die Einbeziehung von Interessengruppen zusätzlich die Akzeptanz von Entscheidungen.
Identifizierung • Predictive-Analytics
Anwendungsfälle • Adressierte Probleme • Hervorgerufener Nutzen
Identifizierung • Übertragbarkeit auf Vermarktungsorganisationen
• Einordnung erarbeiteter
Use Cases • Identifizierung
wirtschaftlicher Nutzen
Abbildung 3. Forschungsvorgehen
Mit einem Literatur-Review wurden über die Datenbanken ScienceDirect, Beluga (Katalog der Hamburger Bibliothek), Springer-Link, EBSCO und ACM Digital Library Use Cases mithilfe der in Abbildung 4 dargestellten, aus jeweils drei Elementen bestehenden Suchbegriffe identifiziert.
Im ersten Prozessschritt konnten 30 Use Cases aus unterschiedlichen Branchen erkannt und auf ihren Ursprung und hervorgerufenen Nutzen durch eine PA-Anwendung hin untersucht werden. Eine komprimierte Übersicht der Use Cases befindet sich im Anhang dieses Artikels. Die identifizierten Effekte konnten zu den Kategorien Prozessoptimierung, Verkaufsunterstützung, Wissen, Sicherheit und Kundenerlebnis gruppiert werden, die verschiedene Tätigkeiten eines Jobprofils ansprechen können.
Die anschließende qualitative Befragung wurde unter sechs Vermarktungsmitarbeitern durchgeführt, welche basierend auf den zuvor gebildeten Kategorien den Anteil der manuellen Arbeit und des Bauchgefühls für ihren Aufgabenbereich bewerteten. Als Resultat konnten fünf potenzielle PA-Use Cases für die Vermarktung ermittelt werden: Die Erstellung von Umsatzprognosen für verschiedene Vermarktungsblickwinkel, die optimale Bestimmung von Konditionen, die Identifikation von (Neu-)Kundenpotenzialen, die Identifikation von Cross-Selling-Potenzialen sowie die Unterstützung einer gezielten Kundenansprache.
Eine abschließende Gruppendiskussion unter Führungskräften der Vermarktung ordnete die erarbeiteten Use Cases übergreifend ein. Mithilfe einer Nutzwertanalyse wurden Aufwandstreiber (Anzahl Datenquellen, Art und Unabhängigkeit der Daten, Reifegrad, notwendige Kombination analytisches und fachliches Know-how) und Nutzenindikatoren (Effizienzsteigerung, Kostenreduktion, Erlössteigerung, Wettbewerbsvorteil, Risikominimierung, Entscheidungsrelevanz, Zukunftsrelevanz und Investitionsbereitschaft) für die Use Cases gegenübergestellt und diese vergleichbar gemacht. Für die erste Umsetzung von PA in DMA-Unternehmen wurden daraus resultierend die Use Cases Umsatzprognosen, Cross-Selling-Potenziale und eine Anwendung zur optimalen Bestimmung von Konditionen empfohlen.
Im Anschluss erfolgte für das Unternehmen Gruner + Jahr GmbH die Umsetzung zweier PA-Use Cases. Konform der Empfehlung der vorausgehenden Erarbeitung wurden zum einen Umsatzforecasts für verschiedene Vermarktungsblickwinkel erstellt. Zum anderen wurde die Identifizierung von Neukundenpotenzialen angewandt, die in der Gesamtbewertung aus Aufwand und Nutzen zwar nicht das höchste Ranking erhielt, jedoch mit einer zentralen Datenquelle auskommen kann und daher für die schnelle Ergebniserzielung besonders geeignet erschien. Auf Basis der realen Datengrundlage des Unternehmens konnten innerhalb eines Entwicklungszyklus aus wenigen Tagen schnelle Ergebnisse erzielt werden, die eine Evaluation der Machbarkeit der Use Cases zuließen. Es zeigte sich, dass für beide Use Cases zwar Ergebnisse erzielt werden konnten, das Vorhandensein von Daten in ausreichender Menge jedoch nicht für alle betrachteten Vermarktungsblickwinkel gegeben war. Dies wird als ein allgemeines Hindernis von PA-Vorhaben gesehen [5].
Nach einer kritischen Prüfung der Ergebnisse wurde über den weiteren Umgang entschieden. Use Cases können verworfen, in einem weiteren Zyklus angepasst, oder erweitert oder sofort in den Betrieb überführt werden. Für das Unternehmen Gruner + Jahr GmbH wurde entschieden, die Use Cases zunächst anzupassen und zu erweitern. Dafür wurden zum einen eine weitere Datenquellen angebunden, welche die Fehlermetriken der Prognose verringern konnte, sowie zum anderen das Prognoseergebnis um zusätzliche Informationen verfeinert. Das Ziel bestand darin, die Akzeptanz der Predictive-Analytics-Lösung durch inhaltliche Verbesserungen für eine nachfolgende Überführung in den Betrieb zu gewährleisten. Diese Überführung ist als Folgeaktivität geplant, jedoch zu diesem Zeitpunkt noch ausstehend. Vor der Weiterentwicklung der Use Cases wurde diese Überführung gegen die Umsetzung weiterer PA-Use Cases in Hinblick auf den zu erzielenden Nutzen und Aufwand erneut bewertet und gegeneinander abgewogen. 4
Aus den Erfahrungen des Einsatzes im Unternehmen wurde ein allgemeines Vorgehensmodell zur Einführung von Predictive Analytics in Unternehmen abstrahiert, das in Abbildung 5 dargestellt ist. Es ist nicht nur iterativ-inkrementell, sondern auch agil, da aus Erfahrungen aus der Nutzung gelernt werden und das Modell flexibel angepasst werden kann. Das Modell besteht aus sieben Schritten, die in zwei Zyklen angelegt sind. Anfangs werden die Schritte eins bis sieben durchlaufen. Abhängig von der Evaluierung im siebten Schritt wird der vollständige Zyklus erneut durchlaufen oder die vorhandenen Use Cases werden neu bewertet, was den Zyklus um zwei Schritte kürzt.
Schritt 1: Identifizierung Zielstellung und Effekte
Predictive Analytics sollte erst dann eingesetzt werden, wenn sinnvolle Einsatzpotenziale für das Unternehmen bzw. die Branche vorliegen. Um diese Beurteilung zu erreichen, sollten Verantwortliche zunächst die direkten Effekte und Zielstellungen von PA betrachten.
Schritt 2: Identifizierung Potenziale und Prüfung der Übertragbarkeit
Im zweiten Schritt sollte eine Prüfung der Übertragbarkeit der Zielstellungen auf das eigene Unternehmen bzw. die Branche hin erfolgen. Sofern es im Unternehmen Aufgaben und Prozessschritte gibt, welche die Effekte der PA optimieren können, sollten die Effekte mit Hilfe der folgenden Leitfragen konkretisiert werden. Das Potenzial des PA-Einsatzes kann dann, aufgeteilt auf zwei Dimensionen, ermittelt werden. Die erste Dimension betrifft die manuelle Arbeit: Ist die Aufgabe wiederkehrend, erfordert aber trotzdem viele manuelle Prozessschritte? Fehlen Informationen (= Wissen / Daten), welche die Prozesse beschleunigen könnten? Die zweite Dimension der Potenzialermittlung betrachtet das Bauchgefühl: Erfordern die Aufgaben viel Bauchgefühl, da Informationen (Wissen oder Daten) den Mitarbeitern nicht vorliegen? Ist die subjektive Einschätzung ein elementarer Bestandteil der Tätigkeit?
Die identifizierten Effekte können als Orientierungshilfe zur Ableitung von Handlungsempfehlungen in eine Matrix eingeordnet werden. Ein Beispiel, das bei Gruner + Jahr GmbH Anwendung findet und keinen Anspruch auf Übertragbarkeit besitzt, zeigt Abbildung 6.
Abbildung 6. Einordnung Predictive-Analytics-Potenziale
In der Matrix spannen das Maß an Bauchgefühl und der Anteil an manueller Arbeit die Dimensionen auf. Wenn beides hoch ist, kann der Einsatz von PA besonders großen Nutzen schaffen (Beispiel Preisverhandlung). Für diesen Bereich sollten als erstes Use Cases erstellt werden. Wenn beides gering ist, kann auf PA verzichtet werden. Wenn nur der Anteil manueller Arbeit hoch ist, kann PA zur Effizienzsteigerung verwendet werden (Beispiel Prozessbeschleunigung); wenn nur das Bauchgefühl hoch ist, kann mit PA die Erfolgswahrscheinlichkeit erhöht werden (Beispiel Identifikation neuer Kunden). Die letzten beiden Bereiche sollten in Betracht gezogen werden, wenn Kapazität und Unternehmensfokus es zulassen.
Schritt 3: Bewertung von Use Cases
Die entstandenen Use Cases sind im Anschluss zu bewerten. Die Kriterien zur Bewertung von Nutzen und Aufwandstreibern sollten unternehmensindividuell identifiziert und gewichtet werden. Mögliche Nutzentreiber sind z. B. Erzielung von Effizienzsteigerung, Ermöglichung von Kostenreduktionen oder Minimierung von Risiken. Mögliche Aufwandstreiber sind z. B. die Anzahl Datenquellen, die Unabhängigkeit der
Schritt 5: Auswahl der Use Cases
Im fünften Schritt werden die Use Cases ausgewählt, die umgesetzt werden sollen. Da Abhängigkeiten zwischen den Use Cases bestehen können, müssen das nicht die am besten bewerteten Use Cases sein. Eine wichtige Abhängigkeit besteht beispielsweise im Personalbedarf zur Umsetzung.
Je nach Aufwand der einzelnen Use Cases muss auch geplant werden, wie viele Use Cases in diesem Zyklus umgesetzt werden sollen. Das kann insbesondere dann schwierig sein, wenn das Unternehmen noch nicht über ausreichende Erfahrungen mit der Implementierung von Use Cases verfügt.
Schritt 6: Umsetzung der Use Cases
Die ausgewählten Use Cases werden umgesetzt. Für Details sei hier auf etablierte Vorgehensmodelle wie das CRISP-DM verwiesen.
Schritt 7: Evaluierung der Use Cases
Im letzten Schritt werden die Use Cases unter Berücksichtigung der ursprünglich erstellten Bewertung kritisch evaluiert. Dabei sollten nicht nur alle Use Cases einzeln betrachtet werden; auch ein Vergleich verschiedener Use Cases ist notwendig, um daraus Schlüsse für das weitere Vorgehen zu ziehen.
Wenn die Umsetzung vom Unternehmen als erfolgreich angesehen wird und noch nicht alle identifizierten Potenziale genutzt wurden, erfolgt ein Übergang zu Schritt 3, bei dem die verbleibenden Use Cases im Licht der gesammelten Erfahrungen neu bewertet werden. Es ist auch möglich, schon (teilweise) implementierte Use Cases erneut aufzugreifen und zu verbessern.
Ansonsten beginnt die Bearbeitung wieder bei Schritt 1 mit der Identifizierung weiterer Zielstellungen und Effekte. Die Bearbeitung endet, wenn keine neuen Zielstellungen identifiziert werden können.
Durch den Einsatz des Vorgehensmodells bei der Gruner + Jahr GmbH konnten fünf nutzenstiftende Use Cases identifiziert werden. Der mehrstufige Prozess und das Einbeziehen verschiedener Expertengruppen aus externer Literatur, internen Mitarbeitern und internen Führungskräften erhöhte dabei die Relevanz und Akzeptanz der entstandenen Use Cases deutlich und vermied so eine PA-Umsetzung, die hohen Aufwand bei geringem Nutzen bedeutet hätte. In Kombination mit der prototypischen Umsetzung wird diese Gefahr auf ein Minimum reduziert.
Die Anwendung des Modells im Unternehmenskontext zeigte, dass sich für Schritt 6 (Umsetzung der Use Cases) die Erstellung eines Prototyps anbietet, wenn die Unsicherheit hoch ist, ob die Daten ausreichend und in geeigneter Form vorhanden sind. In diesem Fall erlaubt eine prototypische Umsetzung auf Basis der Echt-Daten eine Einschätzung darüber. Im Anschluss kann eine finale Umsetzung, die höheren Aufwand bedeutet, mit einer Integration in das Business-Intelligence-System sowie einer regelmäßigen und automatischen Neu-Berechnung des Modells erfolgen.
Bereits bei der Umsetzung sowie Bewertung der Prototypen konnte die Relevanz einer Kombination aus analytischem und Domänenwissen deutlich erkannt werden, welche als eine der größten Herausforderungen von PA-Vorhaben gilt [20]. Ebenso zeigte sich, dass typische PA-Probleme, wie zu geringe Datenmengen oder siloartige Daten, die bisher keine Verknüpfung zulassen [5, 20, 21], frühzeitig identifiziert werden konnten.
Des Weiteren führt die praktische Umsetzung des Modells bei der Gruner + Jahr GmbH zu der Empfehlung, die verwendeten Datenquellen für den PA-Prototypen iterativ zu steigern, um schneller Zwischenergebnisse zu generieren. Nach Einbeziehen erster Datenquellen sollte ein weiterer Zyklus durchlaufen und eine Erweiterung um zusätzliche Datenquellen gegen die Umsetzung anderer Use Cases erwogen werden. In jedem Zyklus werden die Zwischenergebnisse zusammen mit Fachexperten ausgewertet, um ganz im agilen Sinne direktes Feedback zu sammeln und aus den Erfahrungen zu lernen.
Ein weiterer Vorteil, den die praktischen Erfahrungen aufdecken konnten, sind die verschiedenen Berührungspunkte, welche die relevanten Führungskräfte vor einer Durchführungsentscheidung mit PA haben. Die für die Unternehmensvertreter neuartige Thematik wurde so greifbarer – Unsicherheiten konnten reduziert und die Investitionsbereitschaft erhöht werden.
Gleichzeitig sollte ein besonderer Fokus darauf gelegt werden, eine Überführung in den Betrieb zeitnah zu realisieren – ebenfalls den agilen Prinzipien entsprechend. Andernfalls besteht die Gefahr vieler gute Prototypen ohne eines nutzbaren PA-Produktes. Für die Überführung in den Betrieb muss insbesondere dem Prozess und Change Management eine besondere Bedeutung zugeschrieben werden, da die praktische Umsetzung zeigt, dass einer PA-Lösung, die mit Datenwissen ein Bauchgefühl ersetzen oder ergänzen soll, Skepsis entgegengebracht wird.
Die erste Erfahrung mit dem praktischen Einsatz des Modells zeigt, dass es geeignet ist, um mit den Herausforderungen eines Prozesses zur Einführung von Predictive Analytics in geeigneter Form umzugehen. Die Lücke etablierter Vorgehensmodelle wie KDD, SEMMA und CRISP-DM, die erst ansetzen, wenn die Entscheidung einer Datenanalyse auf eine spezifische Problemstellung bereits getroffen wurde, kann somit geschlossen werden. Zukünftig sollten weitere Umsetzungen auch in anderen Unternehmen bzw. mit anderen Analyseproblemstellungen erfolgen, um das Modell zu überprüfen und weiterzuentwickeln.
Das Modell gibt keine Aussage darüber, ob bzw. nach wie vielen Jahren der Nutzen der ermittelten PA-Use Cases für DMA-Unternehmen den Aufwand übersteigen wird. Diese Aussage ist nur unternehmensindividuell zu treffen, da organisatorische und technische Gegebenheiten Basisfaktoren für den Aufwand darstellen.
Für zukünftige Forschungen bietet es sich daher an, auf Basis einer Implementierung den tatsächlichen Nutzen messbar zu machen sowie einen Vergleich zum erwarteten Nutzen herzustellen. Darauf aufbauend kann schließlich eine valide Aussage zur Wirtschaftlichkeit getroffen werden, da der Aufwand konkret beziffert werden kann. Auch können Risikofaktoren, wie beispielsweise die Akzeptanz unter potenziellen Anwendern, differenzierter bewertet werden.
Das Vorgehen zur Einführung von PA, das in dieser Arbeit praktisch für die Gruner + Jahr GmbH angewendet wurde, enthält ein Abstraktionsniveau, das es zulässt, dieses Vorgehen auch auf andere Branchenbetrachtungen zu übertragen. Ebenso kann das Vorgehen als Orientierungshilfe für die Prüfung der Einsatzpotenziale weiterer Disziplinen neben Predictive Analytics dienen. Ein denkbares Szenario ist die Prüfung der Einsetzbarkeit von Künstlicher Intelligenz, da dies aktuell für immer mehr Unternehmen relevant wird.
Insbesondere für DMA-Unternehmen wird PA voraussichtlich in Zukunft ein entscheidender Baustein werden, um langfristig wettbewerbsfähig zu bleiben. Die gezielte Anwendung eines Vorgehensmodells zur erfolgreichen Einführung von PA wird daher in Zukunft essenziell sein, um die relevanten Use Cases zu identifizieren und zu bewerten sowie die Entscheidung für aber auch gegen den Einsatz von PA zu unterstützen. Nach erfolgreicher Durchführung erster Analysevorhaben muss das Vorgehensmodell allerdings auch um eine projektübergreifende, strategische Struktur ergänzt werden, die eine dauerhafte Etablierung der Disziplin in die Organisation ermöglicht. 4. Gluchowski, P.: Business Analytics – Grundlagen, Methoden und Einsatzpotenziale. HMD 53, 273–286 (2016) 5. Attaran, M., Attaran, S.: Opportunities and Challenges of Implementing Predictive Analytics for Competitive Advantage. International Journal of Business Intelligence Research 9, 1–26 (2018) 6. Leventhal, B.: Predictive analytics for marketers. Using data mining for business advantage. KoganPage, London, New York, NY, New Delhi (2018) 7. Kridel, D., Dolk, D.: Automated self-service modeling: predictive analytics as a service. Inf Syst E-Bus Manage 11, 119–140 (2013) 8. Halper, F.: Predictive Analytics for Business Advantage. Best Practices Report (2014) 9. Gandomi, A., Haider, M.: Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management 35, 137–144 (2015) 10. Eckerson, W.: Predictive Analytics, https://tdwi.org/Articles/2007/05/10/Predictive-Analytics.aspx 11. Chamoni, P.: Advanced Analytics: Eine Annäherung. BI Spektrum 12., 8–10 (2017) 12. Siegel, E.: Predictive analytics. The power to predict who will click, buy, lie, or die. John Wiley & Sons, Hoboken, New Jersey (2016) 13. Janke, A.T., Overbeek, D.L., Kocher, K.E., Levy, P.D.: Exploring the Potential of Predictive Analytics and Big Data in Emergency Care. Annals of emergency medicine 67, 227–236 (2016) 14. Granovsky, L., Kamienchick, R., Yacovzada, N., Viswanathan, P., Cao, S., Alevras, D., Tamir, R., Grossman, I., Ferro, T., Chary, D., et al.: Using Predictive Analytics to Identify Risk of Clinical Asthma Exacerbations. Journal of Allergy and Clinical Immunology 141, AB222 (2018) 15. Bradlow, E.T., Gangwar, M., Kopalle, P., Voleti, S.: The Role of Big Data and
Predictive Analytics in Retailing. Journal of Retailing 93, 79–95 (2017) 16. Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.: From data mining to knowledge discovery in databases. AI magazine, 17(3), 37-37, 37 (1996) 17. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. and
Wirth, R.: CRISP-DM 1.0, https://www.the-modeling-agency.com/crisp-dm.pdf 18. SAS: Introduction to SEMMA, https://documentation.sas.com/?docsetId=emref&docsetTarget=n061bzurmej4j3n1jnj8bbjjm1a2.htm&docsetVersion=14.3&locale=en 19. Shearer, C.: The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 13–22 (2000) 20. Iffert, L., Bange, C., Mack, M., Vitsenko, J.: Advanced & Predictive Analytics.
Schlüssel zur zukünftigen Wettbewerbsfähigkeit (2016) 21. TDWI (ed.): Ten Mistakes to Avoid in Predictive Analytics Efforts (2015) D M K
K Anhang 1: Auswertung Literatur-Review n o i t a k i if s s a l g n u z t ü t s r e t e i m i t p n i z i d e a n r u 2 A A A A A A A A A a ndu f.22 nud .f22 und .f22 und .f22 und .f22 und .f22 und .f22 und .f22 und .f22 l. t Q n e edm tso s e d
K e s y l a n a g n in e r h e i t e
r s t u i l e C Z d I u o J e s y l a n a n e h i e r it e Z m i t g n u r e i p o s s e z o r n e i d e a n r l e n a it e tr r k e e t r ie e z d m
a u g s d n k e u ir r h g ö w g e it rä s e t s k in e g e rveb irüd ien logB re ung lnu rhE rebe rrcduhgnu itrrdedeKw itttrsaeggn lirdneeep lenndeAw tttrszüenu irssupeeba iiitrczegeh itsdomW tzsgnue ie gn rke ssu lyao sgn eW lieg nu irse im u a u s u - a r s x e g i n o n d s o M v o r zuU lsbw i-ade r isse tken vgn inee se l e
M fü g re du nu iko d e N t n P o n s g d i s e lu r e i n s -oM be de ren iep sed lsp rkE itR reu ilde g n g t e t b itsn ittäe run Idn ssu ugn adn iitge enm lceh itse ca itv ie un ae ss lhe ze tn ch kh reo tka itpm itrn rbe apn izn rhü itea rse rna
F In O P W A E F P V K s i n o J it e k g i d r ü w it d e r K r e d n
e e d g n a u s K r e s rh e o in V e it e h r e h c i e i m i n i m o k i s i n e s e w z n a n i F a n r u n l e t t i r m e n r d e e d u n n z n e u e t u o R r n e n n r e e g s g n e
u in r e ie t n e lt a te ng n i e u
h m w c g h li c t e i n s s r e t n u a k r e g n n u g im g ru tz nu tp o n g g ig n ite un lin te ito e r e s w ie s tz h s a ic itm s s n e p ro m e re g n n e u d o ng dnu ingu iteg e nen irbn sgn du ib ue sz tre rc ite lu iifsn dnen lch izen iizen ssou rbae fpeh
u se iff ff e it m P
R
g em hun n s n en m rrsnupg ftrrrrrkzkczoenhouenduühuK iittIt,rrsssegeeeneeedem jiliftrrrcvscsaoneeonouanhm lilliItfft-rrvcnenhanenoöeenV knenenu ttt-rrrkskndaundenuuuK iiit,trrsxskeeneoduedeP ftrskeagnueaudeenwmm ittt..r(skzeeaoenFBmmW iliffsssksvuneneedanuaeE liltsszuheaoungngueugFA tt,rrrrssenbeehohew ilitrrrrrkzcksendnouuneneA rrrrrkzkcoenhouenddueK ltrrrczvhnehaöheenadeeR inbedndnuugn iffrrrrrzvzeeögeeungenhüenu iiitrkcgeheneundw ttfftrkskunegeeeen litrrshageeugneenueew iiiiitttrrrssceebaehegwm iiiittrrrzeebboandeneun iiiiittttrr-veebaoaonndubudnm litrrzszkaeoneeneenedNww trrszznnoeueneeneVm lrcsheagoegn ilitrrsvegabeeondeennaKV iitrrnudüdegeunnedKw ilttfrscznehäheunguohhen rrcvnedaheho illiltssueandoaonae ilkcssnaunhengbeebgoNww liitrrvsscuneehändh iilittrrvsnoeebeebenedndaW ilitfrrscsschguöaendeeheEm liiirrrrvscegupenpeübeedehZ iltrzsueägnaegnenoenK iittrrrskseeeodueebendPmm iliiiitftttrrssbäoeneeoaS itrrcvsegnbeeahungonhAÜw iiitttt/ssknneunadoäpeneeem iiliiftttkvcnoneondeuhena ltrrccssehheeunegned iiltrkssehnbade U H g P O z M E z B b H e K H B K L S V A M M M In P v T k F S V S b Z m e K P P G P Id V K
O
M
M E
M l l e e d d n n a a n lh lh lh ie e e e d z z z a f t e in in in f a t r h u M E E E L l l l a a a n n n r r r u u u o o o J J J n n a a 8 r r 1 ta ta 0 t t n a r a t t n a r a t t
a n n k u ru i
n en lte e u z i i B e k u k in ch s L n te c
A s ru
o d üB ran an e
T r u o a i
e
W ls h a ftf 0 2 l e g e ff S ff K
n fä e u e u e B d G K g d n n te b e n d e r g e en de irn i d l p ,
e ü e ü s k d K ly g e
S , s K e s n in nd
e u
n a sw lte te p
e s s g i a z ff ff l po it n s e n a e k r g o n r V a E d W A m In e t p s r e v r e W it
S ,
o d n snp vgn eun itou
k g d A u e r i
t v e i
e e rn d n tz e it k i a h
h ts g h un it rc n
e h h cS cE lt r
a n u in h e r t e l a h u r t n a e e sy kü it sop ite
h s r e e z h k e l 9 2
S ,
o ü a K h P fr M n e ko be ge ten b a a e a h s i
d g F c r
u e k tu r Ind reE S d A o in g
n s i s il a n a 1 0 2 n i
n n e e
r u sm te rc
K
E K E R O E R O
P
S r t u r o A J O rn n is
e r ; en it t
M it m - e a e aB re - r w la E h fe t h h c
am he sa dn lio ig r d e e n ch ith r u ic e d n p e n l e lr o g ne ve kön den w nu r
d tz n n en idg i
n u m u e r an sou m s u e g i r r e tr b e
n g n re e nu re e n b te rc r e rc ru ss it e m i z i f e p f n g e n in
e n u ce re n b k che den is r
e e n h u l
e ca r n
n b e A k A w In K B A k U A F