Advanced Analytics – werden Menschen überflüssig?

von Sven Bosinger (Kommentare: 0)

Autor: Sven Bosinger, Senior Professional DWH & BI, its-people GmbH

Klassifizierung

Der Begriff Advanced Analytics ist sehr eng mit dem Thema BigData verknüpft. Stellt man dem das klassische Business Intelligence gegenüber, so kann man zu folgender Aufteilung der einzelnen Bereiche gelangen.

Abbildung 1: Analytics Klassifikation

Mit unterschiedlichen Analytics Arten werden unterschiedliche Fragestellungen beantwortet. Dabei werden für die jeweiligen Fragestellungen unterschiedliche Analyse Methoden benötigt:

  • Descriptive Analytics (Was ist passiert?)
    Hierbei wird vornehmlich mit klassischen Listen und Chart-Diagrammen gearbeitet

  • Diagnostic Analytics (Warum ist es passiert?)
    Dies ist das Feld der OLAP Auswertungen und AdHoc Reporte

  • Predictive Analytics (Was könnte passieren?)
    Zur Beantwortung dieser Fragestellung werden Machine Learning Algorithmen und Deep Learning eingesetzt

  • Prescriptive Analytics (Was sollten wir tun?)
    Hierbei handelt es sich um einen vollautomatischen Prozess, der z.B. für einen potentiellen Kunden Kaufanreize in Echtzeit generieren soll. Er basiert auf den Informationen, die durch Diagnostic und Predictive Analytics ermittelt wurden

Keine dieser Analytics Methoden steht dabei für sich alleine, sondern diese ergänzen sich additiv. Für ein Unternehmen, das eine ganzheitliche Business Intelligence Strategie verfolgt, zeichnet sich dabei folgender Entwicklungspfad ab.

Abbildung 2: Entwicklungspfad

Machine Learning

Machine Learning ist die entscheidende Analysetechnik im Predictive Analytics. Hierbei werden 2 Phasen durchlaufen:

  • In der 1. Phase, Training Phase genannt, wird das System „angelernt“, d.h. es wird ein passender Lernalgorithmus gewählt und anhand von Vergangenheitsdaten ein sogenanntes Predictive Modell. Dabei wird in der Regel nach CRISP-DM (Cross Industry Standard Process for Data Mining) verfahren

  • In der 2. Phase, Predictive Phase genannt, wird das Predictive Modell permanent auf den eingehenden Datenstrom in Echtzeit angewandt. Die daraus ermittelten Erkenntnisse, die sogenannten Insights, werden als Alerts in die bestehenden Geschäfts- und Prozess-Modelle eingesteuert. So erfolgt eine unmittelbare Beeinflussung der ablaufenden Transaktionen Just-In-Time

Predictive Machine Health

Besonderen Einsatz erfährt das Predictive Analytics aktuell in der Vorhersage für Wartungsintervalle bei technischen Einrichtungen. So werden z.B. bei großen Pumpsystemen in Wasserwerken und Industrieanlagen über einen längeren Zeitraum große Mengen an technischen Zustandsdaten gespeichert. Diese reichen von Daten aus Temperaturfühlern, Vibrationsmessungen, Durchflussraten bis hin zu akustischen Aufzeichnungen der Pumpengeräusche. Diese Daten werden mittels BigData-Verfahren gespeichert und zu Auswertungszwecken zur Verfügung gestellt. Wendet man auf diesen Daten einen Lernalgorithmus, z.B. den ID3-Algorithmus zur Erstellung eines Decision Tree an, so erhält man ein Predictive Modell, das in der Lage ist, anhand der oben genannten technischen Daten, in Real Time zu entscheiden, wie der aktuelle Zustand des Pumpsystems ist und mit welcher Wahrscheinlichkeit in einem definierten Zeitraum mit technischen Problemen zu rechnen ist.

Anhand dieser Informationen kann dann ein optimaler Wartungsplan für die einzelnen Pumpen und anderen technischen Einrichtungen erstellt werden. Ziel ist es, Systemausfälle zu vermeiden, dabei aber die Wartungskosten zu minimieren. Dies erreicht man dadurch, dass die technischen Einrichtungen nur noch dann gewartet werden, wenn ein Ausfall droht und nicht mehr nach einem festen Wartungsplan, der gegebenenfalls überflüssige Wartungstätigkeiten nach sich ziehen würde.

Unterschiede zur klassischen Business Intelligence

Der Unterschied zwischen Advanced Analytics und des klassischen Business Intelligence liegt in mehreren Punkten:

  • Im Advanced Analytics wird ebenfalls wie in der klassischen Business Intelligence der Ansatz verfolgt: „Betrachte die Vergangenheit und versuche daraus die Zukunft abzuleiten“. Allerdings unterscheiden sich die eingesetzten Methoden und Werkzeuge fundamental. Das wirksamste Werkzeug des klassischen Business Intelligence ist der Mensch, der mittels seiner analytischen Fähigkeiten auf Basis der präsentierten Daten Entscheidungen trifft. Im Advanced Analytics wird dieser Entscheidungsprozess an Algorithmen übertragen und Benutzerfrei gestaltet. Dies ist aufgrund der Entscheidungs-Geschwindigkeit und -häufigkeit unumgänglich. Da Entscheidungen im Sekundentakt (oder noch kürzer) getroffen werden müssen und das bei Millionen Einzelvorfällen, wäre der Mensch hoffnungslos überfordert oder das Heer der notwendigen Entscheider nicht finanzierbar.

  • Im klassischen Business Intelligence wird eine „Heckwasserbetrachtung“ durchgeführt. Es werden also Vergangenheitsdaten betrachtet. Im Advanced Analytics geht es um Real-/Near-Time Daten. Die Dauer von der Erzeugung der Daten bis hin zu ihrer analytischen Auswertung beträgt höchstens wenige Sekunden.

  • Individualisierung versus Generalisierung. Während das klassische Business Intelligence aufgrund seiner „beschränkten“ Analysefähigkeiten darauf angewiesen ist, Daten zu kategorisieren und zu gruppieren, können im Advanced Analytics individuelle einzelne Datensätze auf granularer Ebene betrachtet werden.

Einsatz in Unternehmen

Bereits etabliert hat sich Advanced Analytics verstärkt im Bereich des Marketings (z.B. Vorschlagsgenerierung bei Online-Einkäufen) und bei der Überwachung von technischen Einrichtungen (z.B. Predictive Machine Health).

Zukünftig wird man Implementierungen in einer weit größeren Anzahl von Anwendungsbereichen sehen. So ist das Thema Industrie 4.0 sehr eng mit BigData und Advanced Analytics verknüpft. Hier liegen immense Effizienz-Potentiale.

Laut der Studie „Advanced & Predictive Analytics 2016“ der BARC, gilt:

  • 94% Prozent schätzen Advanced Analytics als zukünftig wichtig für ihr Unternehmen ein

  • 54% der befragten Unternehmen erhoffen sich eine Kostenreduktion und Steigerung der Prozesseffizienz

  • 32% der Unternehmen benutzen bereits Predictive Analytics

  • weitere 24% planen den Einsatz von Predictive Analytics innerhalb der nächsten 12 Monate

Man kann also erkennen, dass dieses Thema in den nächsten Monaten/Jahren eine sehr starke Bedeutung gewinnen wird. Darüber hinaus ist es ein Enabler für zukünftige innovative Geschäftsmodelle.

Gesellschaftspolitische Konsequenzen

Viele Analysten, die sich mit diesem Thema beschäftigen, sehen Advanced Analytics als eine disruptive Technologie. Dies bedeutet, dass ihr Einsatz fundamentale Umwälzungen im privaten, öffentlichen und geschäftlichen Bereich nach sich ziehen wird. Diese werden gerne mit der Phase der Industriellen Revolution verglichen.

Bisherige Effizienzansätze in Unternehmen haben vor allem Beschäftigungsfelder von ungelernten oder schlecht ausgebildeten Mitarbeitern betroffen. Als Beispiel wird hier gerne der Hilfsarbeiter am Fließband in der Automobilproduktion genommen, der aus der modernen Produktion vollständig verschwunden ist. Zukünftige Veränderungen werden aber auch hochqualifizierte Berufsbereiche, wie zum Beispiel Ärzte, spezialisierte Facharbeiter usw. betreffen. Es gibt Studien, die davon ausgehen, dass bis zu 90% der heutigen BackOffice Tätigkeiten in Unternehmen durch lernfähige Algorithmen ersetz werden könnten!

Wir reden hier von Tätigkeiten wie Kreditantragsbearbeitung, Abschluss von Versicherungspolicen, Online-Krankheitsdiagnosen, Aktienhandel, Kaufberatung, autonomes Transportwesen, automatisiertes Bestell- und Lieferwesen, Militär, Ausbildungswesen, etc.

Der mögliche Produktivitätszuwachs durch autonome Prozesse ist für Unternehmen immens. Dies hat allerdings zur Folge, dass immer weniger Personen zur Erzeugung eines Produktes und/oder zur Bereitstellung einer Dienstleistung notwendig sind.

Zurück

Einen Kommentar schreiben