Predictive Data Science — Daten intelligent nutzen

Trends identifizieren und Vorhersagen über mögliche Zukunftsszenarien zu treffen, zählt zum Kerngeschäft der Zukunftsforschung und des Foresights. Strategische Trendanalysen sind dabei das Werkzeug zur Umsetzung. Nun kommt seit einigen Jahren eine ganz neue Möglichkeit hinzu, gezielt Trends und Entwicklungen vorherzusagen: Auf Basis von umfangreichen Datenanalysen und Auswertungen mit Hilfe von Künstlicher Intelligenz lassen sich aus den bestehenden Daten eines Unternehmens Annahmen für die Zukunft treffen.

Predictive Data Science

Jedes Unternehmen produziert Daten. Ob es diese abgreift und gezielt nutzt, ist dabei eine zweite Frage. Auf Basis dieser Daten, die auch von Sensoren in Geräten oder von IoT Gadgets in Echtzeit kommen können, lassen sich Zukunftsprognose ableiten. So ist es möglich, das eigene Geschäft nicht nur besser zu verstehen, sondern auch für die Zukunft fit zu machen. Es geht um valide Entscheidungen, die Unternehmen auf Basis von Daten und Prediktionen treffen können.

Der erste Schritt ist dabei die Identifikation der Daten in der Organisation und der Aufbau einer Data Science Strategie. Denn nur mit großen Datenmengen lassen sich funktionierende Modelle entwickeln, die wiederum für die Auswertung und Analyse sowie später für das maschinelle Lernen und Klassifizieren erforderlich sind.

Im zweiten Schritt geht es dann darum, die richtigen Fragen zu stellen und die Technologie zu nutzen, um auch in extrem großen Datenmengen diejenigen Merkmale zu identifizieren, die für das eigene Geschäft relevant sind. Diese Daten lassen sich dann im Zeitverlauf beobachten, vergleichen, mit anderen Daten (Kennzahlen, Wetterdaten, Verkehrsdaten etc.) in Korrelation bringen und schlussendlich grafisch in einem übersichtlichen Dashboard visualisieren (z.B. mit D3JS oder Tableau).

Um auch extrem große Datenmengen auswerten zu können, werden heute unterschiedliche Technologien aus dem Data Science / Big Data Umfeld eingesetzt, u.a. Apache Spark und Hadoop. Diese Anwendungen laufen sowohl auf eigener Infrastruktur als auch in der Cloud.

Abb.: Die 6 Ebenen der Predictive Data Science: Evolutionsschritte zum Aufbau eigener DS-Kompetenz im Unternehmen

Künstliche Intelligenz

Die Datenanalyse ist ein zentraler Hebel, um den Blick in die Zukunft zu schärfen. Kür ist es jedoch, anhand der Daten Muster zu erkennen und zu lernen. Mit Künstlicher Intelligenz lassen sich genau diese Aufgabenstellungen bewerkstelligen. Unabhängig davon, ob eigene Modelle trainiert werden sollen oder man die KI aus der Cloud nutzt (z.B. IBM Watson) — auf Basis einer funktionierenden Data Science Strategie im Unternehmen ist man flexibel, was den Einsatz von KI für die Datenanalyse angeht. Mit KI wird das System dynamisch und lernt im Zeitverlauf an den neuen Daten, die in das Modell fliessen. So wird die KI intelligenter und die Fehlerrate sinkt. Und der Blick in die Zukunft wird kontinuierlich präziser.

Tools & Infrastruktur

Große Datenmengen lassen sich nicht mehr auf dem eigenen Rechner oder dem Unternehmensserver auswerten. Es geht um Echtzeitdaten, riesengroße Datenpakete und schnelle Umwandlung von Daten, um Korrelationen erstellen zu können. Hier gibt es diverse Tools und Frameworks, die helfen, mit diesen Datenmengen umzugehen. Unter den leistungsfähigsten Werkzeugen sind Open Source Tools, die sich bereits in der Praxis bewährt haben.

Anwendungsszenarien im Vertrieb und Marketing

Neben der strategischen Komponente, die man mit dem Aufbau einer Predictive Data Science für das eigene Unternehmen erreichen kann, lässt sich diese Technologie für ganz unterschiedliche Anwendungsfälle im Vertrieb und Marketing einsetzen. So lassen sich beispielsweise CallCenter-Fälle intelligent auswerten oder aber anhand von CRM-Daten mögliche Kündigungen vorhersagen. Auch Empfehlungen aufgrund von typischen Einkaufsverhalten lassen sich durch den Einsatz von Maschinellem Lernen aussprechen. Richtig mächtig wird Data Science, wenn zu den eigenen Daten aus Vertrieb und Marketing noch externe Quellen wie Wetterdaten, Verkehrsdaten, saisonale Daten (Ferien, Veranstaltungen etc.) hinzugezogen werden. Dann können aus diesem Mix ganz neue Erkenntnisse gewonnen werden. Ein Gastronom kann beispielsweise von der Maschine Empfehlungen bekommen, ob er — bezogen auf Tag, Wetter und Saison — eher belegte Brötchen oder Kuchen anbieten und damit vorhalten sollte. Auch aus der Nutzung von Geräten und Infrastrukturen lassen sich neue Erkenntnisse (=Daten) gewinnen; so werden in Zukunft nahezu alle Produkte und Geräte mit Sensoren ausgestattet sein, die wertvolle Nutzungsdaten an das jeweilige Unternehmen zurückspielen.

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store