Die Kombination aus einer zunehmend komplexer werdenden Welt, der enormen Ausbreitung von Daten jeder Art und der dringenden Notwendigkeit, dem Wettbewerb stets einen Schritt voraus zu sein, hat die Verwendung von Business Analytics in den Mittelpunkt der Aufmerksamkeit von Unternehmen gerückt. Doch lediglich zu wissen, was warum passierte, ist nicht mehr ausreichend. Unternehmen wollen verstehen, was aktuell passiert und gleichzeitig antizipieren, was in der Zukunft passieren wird, um durch die richtigen Entscheidungen optimale Ergebnisse zu erzielen. Dieser neue Schwerpunkt im Bereich Business Analytics wird Predictive Analytics genannt und erfreut sich steigender Beliebtheit im Geschäftsumfeld. Die vorliegende Bachelorarbeit beschäftigt sich deswegen mit dieser zukunftsorientierten Disziplin und evaluiert dabei deren Nutzen und Einsatzmöglichkeiten in ausgewählten Industrien unter Verwendung des Beispiels der IBM Predictive Analytics Software SPSS. Dabei geht sie zunächst auf veränderte Marktbedingungen und neue Geschäftsanforderungen ein und illustriert dann, wie diese durch Predictive Analytics adressiert werden. Nach dem Aufzeigen von Möglichkeiten zur Quantifizierung des Nutzens einer Predictive Analytics-Lösung werden die verschiedenen Nutzenpotenziale kategorisiert nach Anwendungsgebieten und Industrien dargestellt. Um den Bezug zur Praxis herzustellen, werden diese in der Theorie gefundenen Nutzenpotenziale anschließend im Rahmen einer Anwendungsfallanalyse des IBM SPSS Kundenportfolios auch in praktischen Anwendungen identifiziert und den jeweiligen Industrien zugeordnet. Die entstehende Kategorisierung der Anwendungen nach Nutzen und Industrie erlaubt schließlich einen Vergleich der Ergebnisse mit den in der Literatur identifizierten Trends und zeigt, dass das Thema Predictive Analytics sowohl in der Theorie als auch in der Praxis zunehmend an Bedeutung gewinnt.
Inhaltsverzeichnis
1 Das analytische Zeitalter – Predictive Analytics als Wettbewerbsvorteil
1.1 Zielsetzung und Struktur der Arbeit
1.2 Forschungsdesign und Herangehensweise
2 Predictive Analytics als nächste Stufe analytischer Entscheidungsfindung
2.1 Fokusverlagerung im Bereich Business Intelligence
2.2 Neuer analytischer Ansatz als Antwort auf veränderte Geschäftsanforderungen
2.2.1 Veränderte Marktumgebung zur Begünstigung von Predictive Analytics
2.2.2 Adressierung neuer Geschäftsanforderungen mit Predictive Analytics
2.2.3 Die vier Säulen analytischen Wettbewerbs
2.3 Konzeptionelle Architektur einer Predictive Analytics-Lösung
2.4 Die Rolle der Statistik im Bereich Predictive Analytics
2.4.1 Die drei Ausprägungen der Statistik
2.4.2 Auswahl statistischer Methoden für den Einsatz von Predictive Analytics
2.5 Bestandteile der IBM SPSS Predictive Analytics Suite
3 Nutzen und Einsatzmöglichkeiten von Predictive Analytics im Geschäftsumfeld
3.1 Möglichkeiten zur quantitativen Werterfassung einer Predictive Analytics Lösung
3.2 Typische Anwendungsszenarien in der Literatur – eine Metaanalyse
3.2.1 Der Kunde im Fokus der Strategie im Bereich Customer Life Cycle Management
3.2.2 Operational Excellence – Optimierung von Geschäftsprozessen und Organisation
3.2.3 Minimierung von unternehmerischem Risiko und Aufdeckung von Betrug
3.3 Adressierung spezifischer geschäftlicher und funktionaler Anforderungen ausgewählter Industrien durch Predictive Analytics
3.3.1 Bankwesen
3.3.2 Versicherungsbranche
3.3.3 Telekommunikationsbranche
3.3.4 Handel
3.3.5 Industrieller Sektor
3.3.6 Öffentlicher Sektor
4 Kategorisierung der IBM SPSS-Anwendungsfälle im Bereich Predictive Analytics nach Nutzenkategorien und Industrien
4.1 Datenbasis der Auswertung und Einschränkungen der wissenschaftlichen Interpretierbarkeit
4.2 Definition der Achsen der Kategorisierungsmatrix
4.3 Analyse und Verteilung der Anwendungsfälle
4.3.1 Verteilung innerhalb der Nutzenkategorien und Industrien
4.3.2 Aggregierte Betrachtung der Nutzenpotenziale und Industrien
4.4 Vergleich der Ergebnisse mit der Metaanalyse
4.5 Exemplarische Beschreibung dreier Fallstudien aus den identifizierten Fokusgebieten
5 Die Rolle der menschlichen Intuition im wachsenden Geschäft mit Informationen
Zielsetzung & Themen
Die vorliegende Bachelorarbeit hat das Ziel, Nutzenpotenziale und Einsatzmöglichkeiten von Predictive Analytics in ausgewählten Industrien zu evaluieren. Dabei wird der Wandel von rein vergangenheitsorientierten Analysemethoden hin zu zukunftsorientierten, durch mathematische Algorithmen gestützten Prognosen untersucht und anhand des IBM SPSS Softwareportfolios praxisnah illustriert.
- Wandel der Entscheidungsfindung durch Predictive Analytics
- Quantifizierung des Nutzens von Analytics-Investitionen
- Kategorisierung von Anwendungsszenarien in unterschiedlichen Industrien
- Analyse von IBM SPSS Kundenportfolios und Fallstudien
Auszug aus dem Buch
2.4.2 Auswahl statistischer Methoden für den Einsatz von Predictive Analytics
Nach Fayyad et al. gibt es fünf essentielle statistische Methoden, zwischen denen man im Bereich Predictive Analytics und Data Mining unterscheiden muss und die auch jeweils zu einem gewissen Grad als Grundlage für anspruchsvollere Methoden dienen – Klassifikation, Regression, Clustering, Assoziation und die Ausreißeranalyse (vgl. Fayyad et al. 1996, S.44).
Eine Klassifikation ordnet einzelne Elemente systematisch zwei oder mehreren zuvor definierten Klassen zu, die eine hierarchische Struktur aufweisen können (vgl. Ferber 2003, S.47). Diese Zuordnung basiert auf Vergleichen zwischen den definierten Klasseneigenschaften und den Elementmerkmalen. Mit Klassifikationsregeln werden die Datensätze anhand der vorgegebenen Kriterien überprüft und bei Übereinstimmung vom sogenannten Klassifikator den jeweiligen Klassen zugeordnet (vgl. Alpar und Niederreichholz 2000, S.9ff.). Ein Beispiel für eine Klassifikation wäre ein E-Mail-Programm, das automatisch bestimmte Mails als Spam klassifiziert.
Eine Regression gibt einen Zusammenhang zwischen zwei oder mehreren Variablen an. Dabei wird immer eine abhängige Variable betrachtet, die von einer oder mehreren unabhängigen Variablen beeinflusst wird. Eine unabhängige Variable stellt dabei die potenzielle Ursache für die Ausprägung der abhängigen Variable dar (vgl. Hatzinger und Nagel 2009, S.36). Eine Regression versucht also stets den linearen Zusammenhang zwischen der Ausprägung einer oder mehrerer unabhängiger Variablen und dem Wert, den die abhängige Variable infolgedessen annimmt, zu untersuchen. Mit Hilfe dieser Analyse kann dann eine Regressionsfunktion errechnet werden, die die Abhängigkeit der Variablen mit einer Kurve beschreibt. Diese Kurve erlaubt es, Prognosen für die abhängige Variable zu treffen, wenn ein Wert für die unabhängige Variable eingesetzt wird. Umgekehrt sind jedoch keine Rückschlüsse zulässig (vgl. Ayres 2008, S.23).
Zusammenfassung der Kapitel
1 Das analytische Zeitalter – Predictive Analytics als Wettbewerbsvorteil: Einführung in die wachsende Bedeutung von Predictive Analytics als Differenzierungsmerkmal in einem datengetriebenen Marktumfeld.
2 Predictive Analytics als nächste Stufe analytischer Entscheidungsfindung: Theoretische Herleitung des Wandelsprozesses von Business Intelligence hin zu prädiktiven Ansätzen und Vorstellung der architektonischen Grundlagen.
3 Nutzen und Einsatzmöglichkeiten von Predictive Analytics im Geschäftsumfeld: Evaluierung der quantitativen und qualitativen Vorteile sowie Untersuchung branchenspezifischer Anforderungen und typischer Anwendungsszenarien.
4 Kategorisierung der IBM SPSS-Anwendungsfälle im Bereich Predictive Analytics nach Nutzenkategorien und Industrien: Empirische Analyse von 255 Anwendungsbeispielen aus dem IBM SPSS Kundenportfolio und Vergleich mit Trends aus der Literatur.
5 Die Rolle der menschlichen Intuition im wachsenden Geschäft mit Informationen: Abschlussdiskussion über die Bedeutung des Menschen im Zusammenspiel mit analytischen Systemen und das Potenzial zukunftsorientierter Entscheidungsfindung.
Schlüsselwörter
Predictive Analytics, Business Intelligence, IBM SPSS, Datenanalyse, ROI, Kundenbindung, Prozessoptimierung, Risikomanagement, Betrugserkennung, statistische Methoden, Entscheidungsfindung, Marktanalysen, Cross-Selling, Data Mining, Kundenlebenszyklus
Häufig gestellte Fragen
Worum geht es in der Arbeit grundlegend?
Die Arbeit untersucht, wie Unternehmen durch den Einsatz von Predictive Analytics datenbasierte Prognosen für zukünftige Geschäftsentwicklungen generieren können, um sich im Wettbewerb besser zu positionieren.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die Transformation von Daten zu Wissen, die Rolle der Statistik bei Vorhersagen, der Nutzen von Predictive Analytics in der Praxis sowie spezifische Branchenanwendungen.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Evaluierung der Einsatzgebiete und Nutzenpotenziale von Predictive Analytics, basierend auf einer Analyse des IBM SPSS Softwareportfolios und einschlägiger Literatur.
Welche wissenschaftliche Methode wird verwendet?
Es werden eine Literatur-Metaanalyse sowie eine empirische Auswertung von 255 Anwendungsfällen aus dem IBM SPSS Kundenportfolio durchgeführt und kategorisiert.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in theoretische Grundlagen, die Beschreibung typischer Anwendungsszenarien in der Literatur sowie die detaillierte Klassifizierung und Analyse konkreter IBM-Kundenfälle nach Industrien.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die zentralen Schlagworte sind Predictive Analytics, Business Intelligence, ROI-Analyse, Kundenlebenszyklus-Management, Operational Excellence sowie branchenspezifische Risikooptimierung.
Wie unterstützt IBM SPSS den Drei-Phasen-Modell-Prozess?
IBM bietet spezifische Komponenten für die Erfassungsphase (Data Collection), die Vorhersagephase (Statistics, Modeler) und die Aktionsphase (Decision Management, Deployment Services) an.
Warum spielt die Statistik eine so entscheidende Rolle für Predictive Analytics?
Die Statistik bildet das Kernstück jedes prädiktiven Modells, da sie als "Lernwerkzeug" aus historischen Daten Muster extrahiert, um auf deren Basis zukünftige Wahrscheinlichkeiten verlässlich zu prognostizieren.
Was ist ein "Gains-Chart" in diesem Kontext?
Ein Gains-Chart visualisiert den Effizienzvorteil eines prädiktiven Modells gegenüber einem Zufallsauswahl-Ansatz, indem es zeigt, wie viele positive Reaktionen (z.B. Käufe) bei Kontaktierung eines bestimmten Prozentsatzes der Kundenbasis erzielt werden.
Welche Rolle spielt die menschliche Intuition beim Einsatz von Analytics?
Der Autor argumentiert, dass Predictive Analytics die menschliche Intuition nicht ersetzen sollte, sondern diese ergänzt, indem komplexe Datenverarbeitungen die Handlungsbasis für menschliche Entscheidungsträger schärfen.
- Arbeit zitieren
- Jana Maué (Autor:in), 2012, Evaluierung von Nutzen und Einsatzmöglichkeiten von Predictive Analytics in ausgewählten Industrien am Beispiel der IBM Software SPSS, München, GRIN Verlag, https://www.grin.com/document/207788
