=Paper=
{{Paper
|id=Vol-2738/paper28
|storemode=property
|title=Ein agiles Vorgehensmodell zur Einführung von Predictive Analytics in Unternehmen(An agile process model for the introduction of predictive analytics in companies)
|pdfUrl=https://ceur-ws.org/Vol-2738/LWDA2020_paper_28.pdf
|volume=Vol-2738
|authors=Jule Aßmann,Joachim Sauer,Michael Schulz
|dblpUrl=https://dblp.org/rec/conf/lwa/AssmannSS20
}}
==Ein agiles Vorgehensmodell zur Einführung von Predictive Analytics in Unternehmen(An agile process model for the introduction of predictive analytics in companies)==
https://ceur-ws.org/Vol-2738/LWDA2020_paper_28.pdf
Ein agiles Vorgehensmodell zur Einführung von
Predictive Analytics in Unternehmen
Jule Aßmann, Joachim Sauer und Michael Schulz
NORDAKADEMIE Hochschule der Wirtschaft, Elmshorn, Deutschland
assmann.jule@guj.de,
{joachim.sauer, michael.schulz}@nordakademie.de
Zusammenfassung. Predictive Analytics dient dazu, unter Zuhilfenahme von
statistischen Verfahren und auf Basis historischer und aktueller Daten Vorhersa-
gen zu zukünftigen Ereignissen zu treffen. Anwendungsfälle für eine solche
Form der Analyse sind in einigen Branchen bzw. Unternehmen zurzeit noch
schwer zu finden. In diesem Artikel wird ein agiles Modell vorgestellt, das die
Einführung von Predictive Analytics unterstützt und dabei die Unsicherheit mi-
nimiert. Damit wird eine Lücke zu etablierten Vorgehensmodellen geschlossen,
die erst ansetzen, wenn die Entscheidung, eine Datenanalyse auf einer spezifi-
schen Problemstellung durchzuführen, bereits getroffen wurde.
Der Entstehung des Modells liegen Erfahrungen zugrunde, die bei der Gruner +
Jahr GmbH in einem Geschäftsbereich gesammelt wurden, der dem Bereich des
Digital Marketings & Advertisings zuzuordnen ist. Eine Übertragbarkeit auf an-
dere Branchen wird berücksichtigt.
Abstract. 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 in-
dustry. The application to other domains is considered.
Keywords: Predictive Analytics, Anwendungsfälle, Digital Marketing & Adver-
tising
Copyright ©, 2020 by the paper’s authors. Use permitted under Creative Commons License
Attribution 4.0 International (CC BY 4.0).
1 Einleitung
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 domä-
nenspezifischen 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 [1]. Im Hype Cycle für das
Themengebiet „Digital Marketing & Advertising“ (DMA) wird PA dagegen erst seit
2015 geführt und aktuell an der Spitze der Aufmerksamkeit eingeordnet; die Phasen
der Erleuchtung und anschließender Produktivität haben noch nicht stattgefunden [2].
Die Entscheidung für den Einsatz neuer Technologien wie PA erfordert von Unterneh-
men Innovationsbereitschaft. Weniger risikoaffine Firmen suchen daher vor einer
Durchführungsentscheidung häufig nach Use Cases (im Deutschen: Anwendungsfälle)
mit einem erkennbaren wirtschaftlichen Nutzen (vgl. z. B. [3]). Diese sind unter ande-
rem im Bereich des DMA jedoch noch nicht ohne größeren Aufwand zu identifizieren.
In dieser Arbeit wird ein Vorgehensmodell vorgestellt, das Firmen bei der Einfüh-
rung 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 Betrach-
tung theoretischer Grundlagen wird aufbauend auf einer strukturierten Literaturanalyse
eine empirische Untersuchung in Form qualitativer Befragungen mit ausgewählten Per-
sonen 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 Anwen-
dungsfälle für PA-Vorhaben erarbeitet werden, die im Kontext der Vermarktungsorga-
nisation Einsatz finden können. Für diese Use Cases wurden Faktoren erhoben, die An-
haltspunkte zum Aufwand einer Implementierung darstellen. Ergänzt wurde die empi-
rische Untersuchung durch eine Gruppendiskussion mit den Führungskräften aus der
Gruner + Jahr GmbH, die darauf abzielte, ein im Sinne des Unternehmens übergeord-
netes Verständnis zu den aus den qualitativen Befragungen hervorgehenden Problemen
zu gewinnen, sowie die Relevanz der Use Cases einzuordnen und ihren Nutzen zu be-
werten.
Aus den gewonnenen Erkenntnissen wurde anschließend ein generelles Vorgehensmo-
dell für die Einführung von PA in Unternehmen abgeleitet, das in Abschnitt 4 vorge-
stellt 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.
2 Theoretische Grundlagen
In diesem Abschnitt werden Grundlagen von Predictive Analytics und etablierte Vor-
gehensmodelle zu deren Anwendung erläutert.
2.1 Predictive Analytics
Die Aufbereitung und Verwendung von Daten zur Entscheidungsunterstützung ist bis
in die 1970er Jahre zurückzuführen [4]. Durch immer weiter zunehmende Datenmen-
gen 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 Dis-
ziplinen, 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 ver-
wiesen (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-Wirkungs-
Beziehungen, deren Ursprung im Data Mining zu verorten ist [11]. In Abbildung 1 sind
Methodengruppen und deren Eigenschaften dargestellt, in die ein Großteil der verwen-
deten 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 über-
greifende Bewertung unmöglich macht.
Eigenschaft Prognose Segmentierung Zeitreihen- Klassifikation Assoziation
analyse
Visualisierung
I1 A B C
O A B
I2
Art überwacht unüberwacht überwacht überwacht unüberwacht
Anwendungs- Vorhersage Unterteilung Zeitabhängigkeit Zuordnung Objekt (Unbekannte)
argument Output-Variable Objekte der Daten (z.B. zu festen Klassen Wenn-Dann-
über Ursache- notwendig, aber saisonale erforderlich Beziehungen
Wirkungs- Klassen nicht Schwankung) identifizieren
Beziehung bekannt
Schwächen Vielzahl Input- Einfluss von Nur bei Klassifikations- Offensichtliche
Variablen → Ausreißern Zeitabhängig- fehler (falsch Assoziationen
Kenntnis keiten nutzbar positiv oder falsch
erforderlich negativ)
Beispiel der Vorhersage von Marktanalysen Umsatzforecasts Identifikation Identifikation
Anwendung Angebotsannahme Kundenclustering Kunden / Nicht- Cross-Selling-
(marketing- / -ablehnung Kunden Potenziale
spezifisch)
Abbildung 1. Predictive-Analytics-Methodengruppen, in Anlehnung an [8, 11, 12]
In der wissenschaftlichen Literatur existieren Veröffentlichungen zu PA unter ande-
rem in den Bereichen Luftfahrt, Gesundheitswesen, Einzelhandel, bei der Produktein-
führung und Preisgestaltung [5, 12–15]. Darüber hinaus sind Ansätze zur Nutzung für
marketingtreibende Unternehmen vorhanden [6]. Einsatzpotenziale speziell für die Me-
dienbranche / 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 beson-
ders 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], wes-
halb sich in diesen beiden Bereichen verwendete Vorgehensmodelle nicht unterschei-
den. 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 Domä-
nenexperten verstanden werden und so ein Bearbeiten von Problemstellungen über un-
terschiedliche Interessengruppen und verschiedene Phasen, wie etwa der Datenaufbe-
reitung 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 Anforde-
rungen 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 er-
folgreich durchführen zu können [19]. Ebenfalls wird im CRISP-DM die Agilität der
Datenanalyse deutlicher hervorgehoben, als dies in den anderen beiden genannten Vor-
gehensmodellen der Fall ist.
Business Data
Understanding Understanding
Data
Preparation
Deployment
Modeling
Evaluation
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 Entwick-
lung dienen. Dadurch wird auch eine kombinierte Anwendung dieser beiden Modelle
möglich.
3 Forschungsdesign
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 be-
sonders berücksichtigt werden muss. Dabei wurden ein umfangreiches Literatur-Re-
view, eine qualitative Befragung sowie eine abschließende Gruppendiskussion mit Ex-
perten genutzt (vgl. Abbildung 3). Dieses Vorgehen ermöglicht die umfangreiche Be-
rücksichtigung verschiedener Perspektiven auf die Tauglichkeit von PA im spezifi-
schen Fall und sichert durch die Einbeziehung von Interessengruppen zusätzlich die
Akzeptanz von Entscheidungen.
Abstraktion
Ableitung Use
Cases
Gruppendiskussion
Ableitung Leitfaden
• Einordnung erarbeiteter
für Befragung
Use Cases
Qualitative
• Identifizierung
Befragung wirtschaftlicher Nutzen
Identifizierung
Strukturierte • Übertragbarkeit auf
Vermarktungsorganisa-
Literatur-Review tionen
Identifizierung
• Predictive-Analytics-
Anwendungsfälle
• Adressierte Probleme
• Hervorgerufener 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 beste-
henden Suchbegriffe identifiziert.
Abbildung 4. Muster der bei der Literaturreche verwendeten Suchbegriffe
Im ersten Prozessschritt konnten 30 Use Cases aus unterschiedlichen Branchen er-
kannt 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 Pro-
zessoptimierung, Verkaufsunterstützung, Wissen, Sicherheit und Kundenerlebnis grup-
piert werden, die verschiedene Tätigkeiten eines Jobprofils ansprechen können.
Die anschließende qualitative Befragung wurde unter sechs Vermarktungsmitarbei-
tern 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-)Kundenpotenzi-
alen, 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 Nut-
zenindikatoren (Effizienzsteigerung, Kostenreduktion, Erlössteigerung, Wettbewerbs-
vorteil, Risikominimierung, Entscheidungsrelevanz, Zukunftsrelevanz und Investiti-
onsbereitschaft) 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 opti-
malen 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 wur-
den 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 konn-
ten, das Vorhandensein von Daten in ausreichender Menge jedoch nicht für alle be-
trachteten Vermarktungsblickwinkel gegeben war. Dies wird als ein allgemeines Hin-
dernis von PA-Vorhaben gesehen [5].
Nach einer kritischen Prüfung der Ergebnisse wurde über den weiteren Umgang ent-
schieden. Use Cases können verworfen, in einem weiteren Zyklus angepasst, oder er-
weitert 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 Fehler-
metriken der Prognose verringern konnte, sowie zum anderen das Prognoseergebnis um
zusätzliche Informationen verfeinert. Das Ziel bestand darin, die Akzeptanz der Predic-
tive-Analytics-Lösung durch inhaltliche Verbesserungen für eine nachfolgende Über-
führung in den Betrieb zu gewährleisten. Diese Überführung ist als Folgeaktivität ge-
plant, 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 gegeneinan-
der abgewogen.
4 Beschreibung des agilen Modells
Aus den Erfahrungen des Einsatzes im Unternehmen wurde ein allgemeines Vorge-
hensmodell 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.
Abbildung 5. Vorgehensmodell zur Einführung von Predictive Analytics
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 sieb-
ten 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 Einsatzpo-
tenziale 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 Auf-
gaben 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 Potenzialer-
mittlung betrachtet das Bauchgefühl: Erfordern die Aufgaben viel Bauchgefühl, da In-
formationen (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 Hand-
lungsempfehlungen 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 Kapa-
zität und Unternehmensfokus es zulassen.
Schritt 3: Bewertung von Use Cases
Die entstandenen Use Cases sind im Anschluss zu bewerten. Die Kriterien zur Be-
wertung von Nutzen und Aufwandstreibern sollten unternehmensindividuell identifi-
ziert und gewichtet werden. Mögliche Nutzentreiber sind z. B. Erzielung von Effizienz-
steigerung, Ermöglichung von Kostenreduktionen oder Minimierung von Risiken.
Mögliche Aufwandstreiber sind z. B. die Anzahl Datenquellen, die Unabhängigkeit der
Daten (intern / extern) sowie der Reifegrad des Use Cases. Auch Chancen (neue Erlös-
möglichkeiten, verbesserte Planungssicherheit, Steigerung der Profitabilität u. Ä.) und
Risiken (Limitationen durch Datenschutz, Verfügbarkeit der notwendigen Fachkräfte,
Auswirkung von Fehlern u. Ä.) sollten Kriterien zur Bewertung bilden.
Schritt 4: Ranking der Use Cases
Abschließend sind die entstandenen Use Cases auf Basis dieser Bewertung mitei-
nander zu vergleichen. Dazu kann das Instrument der Nutzwertanalyse hilfreich sein,
wobei die Bewertungskriterien in diesem Fall unternehmensindividuell gewichtet wer-
den müssen. Je konkreter die Umsetzung und Rahmenbedingungen durch ein Unter-
nehmen bekannt sind, desto eher kann zudem eine Quantifizierung von Aufwand und
Nutzen erfolgen.
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 schwie-
rig sein, wenn das Unternehmen noch nicht über ausreichende Erfahrungen mit der Im-
plementierung 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 da-
raus 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 be-
wertet 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 wei-
terer Zielstellungen und Effekte. Die Bearbeitung endet, wenn keine neuen Zielstellun-
gen identifiziert werden können.
5 Erfahrungen mit der Umsetzung
Durch den Einsatz des Vorgehensmodells bei der Gruner + Jahr GmbH konnten fünf
nutzenstiftende Use Cases identifiziert werden. Der mehrstufige Prozess und das Ein-
beziehen verschiedener Expertengruppen aus externer Literatur, internen Mitarbeitern
und internen Führungskräften erhöhte dabei die Relevanz und Akzeptanz der entstan-
denen 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 Unsicher-
heit hoch ist, ob die Daten ausreichend und in geeigneter Form vorhanden sind. In die-
sem Fall erlaubt eine prototypische Umsetzung auf Basis der Echt-Daten eine Einschät-
zung darüber. Im Anschluss kann eine finale Umsetzung, die höheren Aufwand bedeu-
tet, 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 wer-
den konnten.
Des Weiteren führt die praktische Umsetzung des Modells bei der Gruner + Jahr
GmbH zu der Empfehlung, die verwendeten Datenquellen für den PA-Prototypen ite-
rativ 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 ausgewer-
tet, 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 neuar-
tige Thematik wurde so greifbarer – Unsicherheiten konnten reduziert und die Investi-
tionsbereitschaft erhöht werden.
Gleichzeitig sollte ein besonderer Fokus darauf gelegt werden, eine Überführung in
den Betrieb zeitnah zu realisieren – ebenfalls den agilen Prinzipien entsprechend. An-
dernfalls besteht die Gefahr vieler gute Prototypen ohne eines nutzbaren PA-Produktes.
Für die Überführung in den Betrieb muss insbesondere dem Prozess und Change Ma-
nagement eine besondere Bedeutung zugeschrieben werden, da die praktische Umset-
zung zeigt, dass einer PA-Lösung, die mit Datenwissen ein Bauchgefühl ersetzen oder
ergänzen soll, Skepsis entgegengebracht wird.
6 Fazit
Die erste Erfahrung mit dem praktischen Einsatz des Modells zeigt, dass es geeignet
ist, um mit den Herausforderungen eines Prozesses zur Einführung von Predictive Ana-
lytics in geeigneter Form umzugehen. Die Lücke etablierter Vorgehensmodelle wie
KDD, SEMMA und CRISP-DM, die erst ansetzen, wenn die Entscheidung einer Da-
tenanalyse auf eine spezifische Problemstellung bereits getroffen wurde, kann somit
geschlossen werden. Zukünftig sollten weitere Umsetzungen auch in anderen Unter-
nehmen bzw. mit anderen Analyseproblemstellungen erfolgen, um das Modell zu über-
prüfen 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 Wirt-
schaftlichkeit getroffen werden, da der Aufwand konkret beziffert werden kann. Auch
können Risikofaktoren, wie beispielsweise die Akzeptanz unter potenziellen Anwen-
dern, 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 Diszip-
linen neben Predictive Analytics dienen. Ein denkbares Szenario ist die Prüfung der
Einsetzbarkeit von Künstlicher Intelligenz, da dies aktuell für immer mehr Unterneh-
men relevant wird.
Insbesondere für DMA-Unternehmen wird PA voraussichtlich in Zukunft ein ent-
scheidender 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 bewer-
ten 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.
References
1. Gartner, I.: Hype Cycle for Business Intelligence, 2011, https://www.gart-
ner.com/doc/1766215/hype-cycle-business-intelligence-
2. Gartner, I.: Hype Cycle for Digital Marketing and Advertising, 2018,
https://www.gartner.com/doc/3884103/hype-cycle-digital-marketing-advertising
3. Next Generation Predictive Analytics. Using Forward-Looking Insights to Gain
Competitve Advantage (2015)
4. Gluchowski, P.: Business Analytics – Grundlagen, Methoden und Einsatzpotenzi-
ale. HMD 53, 273–286 (2016)
5. Attaran, M., Attaran, S.: Opportunities and Challenges of Implementing Predic-
tive Analytics for Competitive Advantage. International Journal of Business Intel-
ligence 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 ana-
lytics. International Journal of Information Management 35, 137–144 (2015)
10. Eckerson, W.: Predictive Analytics, https://tdwi.org/Articles/2007/05/10/Predic-
tive-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., Alev-
ras, D., Tamir, R., Grossman, I., Ferro, T., Chary, D., et al.: Using Predictive An-
alytics 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://documenta-
tion.sas.com/?docsetId=emref&docsetTarget=n061bzur-
mej4j3n1jnj8bbjjm1a2.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)
Data-Mining-
Quelle Art Branche Ursprung Effekt Cluster Use Case Nutzen Methode Details Praktisch
Hoher Konkurrenzdruck führt zu
gesteigertem Interesse, die Entscheidungsunterstützung
Performance von journalistischem Promoten von bestimmten Artikeln
Online-Inhalten vor Veröffentlichung Vorhersage der Reichweite eines Optimierung des Artikels zur Erhöhung Clustering
Abbar et al. 2018 Journal Medien zu kennen Reichweitenoptimierung Prozessoptimierung Artikels vor Veröffentlichung einer höheren Reichweite Zeitreihenanalyse x
Attaran und Attaran Angebote bedarfsgerechter steuern durch
2018, S.22f Journal Einzelhandel Markt- und Kundenstruktur unklar Optimierung Targeting Verkaufsunterstützung Markt- und Kundensegmentierung Positionierung im Markt
Attaran und Attaran Es existieren Produkte, die häufig Crossselling zur Crosssellingmöglichkeiten erkennen und
2018, S.22f Journal Einzelhandel zusammengekauft werden Umsatzsteigerung Verkaufsunterstützung Warenkorbanalyse anbieten Assoziation
Neuproduktemepfehlungen steuern
Attaran und Attaran Bestimmte Faktoren (z.B. Wetter) Trends im Einkaufsverhalten Cross- und Upsellingmöglichkeiten
2018, S.22f Journal Einzelhandel beeinflussen das Einkaufsverhalten Identifikation von Trends Wissen erkennen vorbereiten und steuern
Hohe Auslastung in Flugzeugen
Attaran und Attaran erstrebenswert, hoher Optimalen Verkaufspreis zu Erzielung des höchstmöglichsten Umsatz
2018, S.22f Journal Luftfahrt Konkrrenzdruck unter Airlines Preisfindung Verkaufsunterstützung verschiedenen Zeitpunkten ermitteln durch Auslastung und Preisgestaltung
Hoher Konkurrenzdruck der Erkennen von Bedürfnissen der Erfolgreiche Kunden-Loyalitätsprogramme
Attaran und Attaran Branche erhöht Relevanz der Kunden und effizienten Kunden- führen zu Umsatzsteigerung und
2018, S.22f Journal Luftfahrt Kundenbindung Kundenbindung Verkaufsunterstützung Loyalitäts-Angeboten Kundenbindung
Lieferverzögerungen führen zur
Attaran und Attaran Schwierigkeiten und Beschleunigung Erkenneung der optimalen Route Optimale Lieferwege reduzieren Kosten
2018, S.22f Journal Logistik Verkettungseffekten Effizienzsteigerung Prozessoptimierung und Lieferzeitpunkten und beschleunigen den Transport
Attaran und Attaran Human Auswahl geeigneter neuer Effizientere Erfolgreiche Auswahl neuer Optimale Ressourcennutzung führt zu
2018, S.22f Journal Ressources Mitarbeiter meist schwierig Ressourcennutzung Prozessoptimierung Mitarbeiter Umsatz- und Effizienzsteigerungen
Attaran und Attaran Human Mitarbeiterboni dienen zur Gezielte Ausschüttung der Boni mit dem
2018, S.22f Journal Ressources Mitarbeitermotivation und -bindung Mitarbeiterbindung Verkaufsunterstützung Mitarbeiterboni optimal steuern meisten Nutzen zu den geringsten Kosten
In sozialen Netzwerken werden Je genauer die vorgeschlagenen
Attaran und Attaran Personen zum Vernetzen Optmierung der vorgeschlagenen Personen, desto höher die Bindung des
2018, S.22f Journal Online vorgeschlagen Empfehlungsoptimierung Kundenerlebnis Personen zum Vernetzen Users mit dem sozialen Netzwerk
Teils Vergabe von Krediten an
kreditunwürdige Kunden
Attaran und Attaran Fehleinschätzung ruft hohen Vorhersage der Kreditwürdigkeit Risikominimierung durch verbesserte
2018, S.22f Journal Finanzwesen Schaden hervor Risikominimierung Sicherheit eines Kunden Einschätzung der Kreditwürdigkeit
gezielte Marketingstrategien
Volatile und saisonale gezieltes Ausspielen der Blogeinträge an
Anhang 1: Auswertung Literatur-Review
Bauckhage et al. Schwankungen bei Newsblogs Forecasting-Modell zu User- neue oder loyale Anwender
2017 Journal Medien bisher unverständlich Reichweitenoptimierung Prozessoptimierung Intaktivitäten bei Newsblogs Entscheidungsunterstützung Zeitreihenanalyse x
Ziel von Werbetreibenden ist das
möglichst umfassende Erreichen Reichweitenoptimierung Optimierung des Media-Mix aus TV, Gezieltere Werbeausspielung reduziert
einer Zielgruppe über verschiedene Effizientere Print und Internet für Kosten bei gleichzeitiger Erhöhung der
Bhaduri 2016, S. 47ff Monographie Medien Kanäle zu geringen Kosten Ressourcennutzung Prozessoptimierung Werbeausspielung Reichweite und somit Werbewirksamkeit
Preise der Produkte bestimmen Anpassung des Preises von
Bradlow et al. 2017 Journal Einzelhandel Profitibailität eines Stores Preisfindung Verkaufsunterstützung Einzelhandelsprodukten Optimale Preissetzung Klassifikation Bayes x
Geringe Überwachung von Asthma-
Patienten und somit späte/keine Frühzeitige Erkennung von Asthma-
Identifikation von deutlichen Patienten mit Risiko einer deutlichen Frühzeitige Steuerung von
Verschlechterungen des Verschlechterung des Präventionsmaßnahmen für Riskio-
Granovsky 2018 Journal Medizin Krankheitsbildes Optimierung Targeting Verkaufsunterstützung Krankheitsbildes Patienten Klassifikation x
Data-Mining-
Quelle Art Branche Ursprung Effekt Cluster Use Case Nutzen Methode Details Praktisch
Geringe Erfolgsquote von neu Gezielte und schnelle Reaktion möglich:
eingeführten Produkten trotz hohen Schnelles Erkennen der Ursache für Veränderung des Produkts oder der Social-Media- Text-
Jain 2016 Journal Handel Umsatzpotenzials Verständnisgewinn Wissen geringe Nachfrage neuer Produkte Kommunikation Analyse Analyse x
Lange Wartezeiten in Bibliotheken
bei Ausleihe von Büchern und Automatische Erkennung zukünftiger Bestand wird frühzeitig auf Bedürfnisse
Litsey 2017 Journal Bibliothek viele Interlibrary-Transkationen Beschleunigung Prozessoptimierung Bedarfe angepasst Clustering k-means x
Viele Stakeholder an Luftfahrt Effizientere
beteiligt; ungenaue Ankunftszeiten Ressourcennutzung Prozessoptimierung Live-System zur Schätzung von Reduzierung Sicherheitsrisikien
Munoz 2018 Journal Luftfahrt führen zu hohen Kosten Sicherheitserhöhung Sicherheit Flugankünften in Echtzeit Bessere Ressourcennutzung Regression x
Hoher Konkurrenzdruck bei Online- Online Kaufverhalten durch Neuronale
Nikalus et al. 2017 Journal Handel Shops Erhöhung Verkaufschance Verkaufsunterstützung Kundenverhalten ableiten Proaktive Ansprache von Online-Kunden Prognose Netze x
Effizientere Verhinderung von Downtimes durch
Maschinenausfälle kostenintensiv Ressourcennutzung Prozessoptimierung Erkennen von zu wartenden rechtzeitige und gezielte Wartung führt zu
Prill et al. 2017 Journal Industrie und risikoreich Risikominimierung Sicherheit Komponenten vor Ausfall Kostenreduktion Klassifikation x
Polizein oft zu spät an Tatorten; Sicherheitserhöhung
Öffentlicher Polizei kann nicht alle Orte mit Effizientere Sicherheit Potenziell nächste Orte für
Siegel 2016, S.296ff Monographie Dienst Streifewagen absichern Ressourcennutzung Preozessoptimierung Kriminaldelikte erkennen Streifewagen gezielt gesteuert
Nicht alle Transaktionen können Betrugsminimierung
Verischerung durch Banken und Versicherungen Effizientere Prozessoptimierung Betrugserkennung von Gezielte Überprüfung der Transaktionen
Siegel 2016, S.296ff Monographie Finanzwesen gleichermaßen überprüft werden Ressourcennutzung Sicherheit Transaktionen / Anwendungen mit höchter Betrugswahrscheinlichkeit
Spam-E-Mails stellen
Sicherheitsrisiko für den Anwender Sicherheitserhöhung Verschieben der potenziellen Spam-E-
Siegel 2016, S.296ff Monographie Online da Betrugsminimierung Sicherheit Erkennung von Spam-E-Mails Mails in einen separaten Ordner
Firmen wollen (überraschende)
Human Kündigungen von guten Mitarbeitern Mitarbeiterbindung Wissen Erkennung der Mitarbeiter, die Berücksichtigung der potenzielle Kündiger
Siegel 2016, S.296ff Monographie Ressources verhindern Identifikation von Trends Verkaufsunterstützung potenzielle Kündiger darstellen durch Manager
Umsatzverluste durch kündigende Churn-Analyse: Vorhersage der Gezielte Aussteurerung von Marketing-/
Übergreifend / Kunden können nicht immer durch Kunden, die kündigen / abspringen Kundenbindungsmaßnahmen für die
Siegel 2016, S.296ff Monographie Vertrieb Neukunden kompensiert werden Kundenbindung Verkaufsunterstützung werden gefährdeten Kunden
Bestimmte Plattformen bieten Empfehlungsoptimierung Vorschlag von Filmen auf Basis der Hoher Trefferquote in den
Siegel 2016, S.296ff Monographie Online Filmvorschläge für Nutzer an Kundenbindung Verkaufsunterstützung angeschauten und bewerteten Filme Vorschlagswerten erhöht Kundenbindung
Effizientere Erkennen der Marketingkontakte mit Das gezielte Kontaktieren der Kontakte mit
Übergreifend / Ansprache vieler Marketingkontakte Ressourcennutzung Prozessoptimierung der höchsten Response- der höchsten Wahrscheinlcihkeit einer
Siegel 2016, S.296ff Monographie Marketing kosten- und ressourcenintensiv Optimierung Targeting Verkaufsunterstützung Wahrscheinlcihkeit Reaktion spart Kosten und Ressourcen
Ausspielung von Werbung Effizientere Ausspielung von Online-Werbung
wirkungsloser, wenn keine Ressourcennutzung Prozessoptimierung mit der höchsten Hohe Interaktion mit Werbung verspricht
Siegel 2016, S.296ff Monographie Medien Interaktion erfolgt Optimierung Targeting Verkaufsunterstützung Interaktionswahrscheinlichkeit Marketingerfolg
Kunden haben individuelle
Bedürfnisse, die über generische
Wedel und Kannan Angebote nicht befreidigt werden Individuelle Angebote für Kunden Kundenindividuelle Angebote versprechen
2016 Journal Online können Personalisierung Kundenerlebnis erstellen
Erkennen der Faktoren, die einen höhere Abschlussraten
Universitäten wollen hohe Studeneabbruch bedingen und Potenziele Abbruchskandidaten können
Öffentlicher Abbruchquote, insbesondere bei darüber Vorhersage von potenziellen frühzeitig erkannt werden und mit
Yasmin 2013 Journal Dienst Fernstudiengängen, vermeiden Studentenbindung Verkaufsunterstützung Abbruchskandidaten Maßnahmen unterstützt werden Klassifikation x