KPMG Klardenker Logo

Predictive Analytics: Aus der Zukunft lernen

Wie Unternehmen mit Predictive Analytics ihre Risiken besser steuern können

Keyfacts

  • Predictive Analytics macht ein vorausschauendes Risikomanagement möglich.
  • Risiken können so besser identifiziert und gesteuert werden.
  • Die Planungsgeschwindigkeit nimmt zu.
Lyth Al-Khazrage
  • Manager, ERP Consulting
Mehr über meine Themen Nachricht schreiben

Katastrophen absehen können, bevor sie eintreten. Was nach Science Fiction klingt, kann durchaus möglich sein. Aktuell zeigt sich dies im Falle des Coronavirus, das im chinesischen Wuhan Mitte Januar dieses Jahres ausgebrochen ist.

Denn schneller als die Weltgesundheitsorganisation WHO, die das Risikopotenzial für die kommende Epidemie erst Anfang Januar definiert hatte, soll ein kanadischer Warndienst gewesen sein. Dieser soll mithilfe von künstlicher Intelligenz (KI) bereits am 31. Dezember gewarnt haben. Die Prognoseplattform hatte fremdsprachige Nachrichtenportale, Blogs, Daten von Fluglinien sowie Berichte über Tierkrankheiten auf Anzeichen einer Epidemie untersucht.

KI hilft dabei, mögliche Wendepunkte bei Risikoverläufen zu identifizieren

Natürlich kann künstliche Intelligenz nicht mit einem Blick in die Glaskugel gleichgesetzt werden. Aber KI, konkret Machine Learning, kann durch die Auswertungen relevanter Daten (Big Data) dabei helfen, einen sogenannten Tipping Point, also den Wendepunkt, zu identifizieren und somit die Zukunft tatsächlich ein wenig greifbarer zu machen. Der Tipping Point ist der Punkt, an dem eine vorher nahezu geradlinige Entwicklung die Richtung wechselt und sich explosionsartig beschleunigt. Wer ihn kennt, kann eingreifen und mithilfe von Risikomanagement die Auswirkung eines Trends steuern. Und das womöglich früher als je zuvor.

Nicht nur für Epidemien sind aussagekräftige Zukunftsprognosen auf der Basis von Data essentiell, sondern ich denke, dass sie letztendlich für jegliche frühzeitige Risikoerkennung und insbesondere deren Auswirkung in Unternehmen im Hinblick auf Governance und Management wichtig sind.

Unternehmen setzen zu wenig auf eine vorausschauende Risikokultur

Leider mangelt es vielen Unternehmen an einer vorausschauenden Risikokultur. In vielen Unternehmen wird im Risikomanagement auf die Rückwärtsbetrachtung gesetzt. So gibt es dort bis heute Excel-Listen, die einmal pro Jahr an alle Abteilungen verschickt werden, um in unterschiedliche Spalten Informationen zu Risiken einzutragen und zu bewerten.

Echtzeit-Analysen und Risikokultur mit Predictive Analytics

Wenn dann mal mit einer Datenanalyse gearbeitet wird, wird meist nur auf historische Daten zurückgegriffen. Nur mit der Vergangenheit die Zukunft skizzieren? Nicht immer optimal.

Rückwärtsgewandte Risikobuchhaltung ist nicht zielführend. Viel wichtiger ist es, eine gelebte Risikokultur im Unternehmen zu etablieren, die insbesondere Zukunftsfaktoren in das Prognosemodell einfließen lässt.

Das gelingt beispielsweise mithilfe von Predictive-Analytics-Methoden, die auch der kanadische Warndienst im Fall des Coronavirus eingesetzt haben soll: Hier werden Machine-Learning-Verfahren wie univariante Methoden (ARIMA) oder neuronale Netzwerke verwendet, um auf Basis von Big Data Muster in Daten zu finden und Modelle zu erstellen, die die Wahrscheinlichkeit von zukünftigen Ergebnissen beziehungsweise den Tipping Point vorhersagen können.

Nicht nur im Gesundheitswesen können derartige Methoden zur Anwendung kommen. Ein weiterer Anwendungsbereich ist beispielsweise die Energiebranche, welche mit „Smart Grid“ den Stromverbrauch anhand gespeicherter Verhaltens- beziehungsweise Verbrauchsmuster der Kunden vorausgesagt, um benötigte Einspeisungen von etwa Wind- oder Wasserkraftenergie exakt zu regulieren.

Drei Vorteile von Predictive Analytics

Folgende Vorteile bieten sich somit den Unternehmen:

1. Informationsflut wird gefiltert

Predictive-Analytics-Methoden nutzen die Informationsflut, die es sonst schwer macht, effizient zu planen und Entscheidungen zu treffen, indem sie auf Basis von Big Data daraus einen Informationsvorteil generieren. Die Methoden analysieren Wirkzusammenhänge einer großen Menge an Treibern auf eine definierte Plangröße, wie beispielsweise den geplanten Absatz oder Einkaufspreise.

2. Risiken und deren Auswirkungen können besser gesteuert werden

Mit dem Wissen, wie und mit welchem zeitlichen Vorlauf welche Treiber welche Plangrößen beeinflussen, können Entwicklungen früh erkannt werden. Somit wird mehr Planungssicherheit erreicht und es ergeben sich wertvolle Handlungsspielräume. Zudem entstehen Wettbewerbsvorteile, weil Unternehmen Trends und Umbrüche und damit verbundene Chancen und Risiken früher als andere erkennen.

3. Planungsgeschwindigkeit nimmt zu

Mit Predictive Analytics lässt sich die Planungsgeschwindigkeit von zumeist mehreren Wochen auf wenige Stunden verkürzen. Dadurch werden Kapazitäten frei, um Ziele und Maßnahmen zu erarbeiten. Wesentlicher Treiber für diesen Zeitvorteil sind dabei die genutzten Daten selbst: Am besten lässt sich Predictive Analytics dann nutzen, wenn verschiedenste, möglichst umfangreiche und gereinigte Datenpakete auf Abruf zur Verfügung stehen. Werden alle diese Datenpakete daraufhin in die Analyse integriert, so fällt deren Ergebnis umso präziser aus.

Fazit

Viele Methoden zu Predictive Analytics wurden schon vor Jahrzehnten entwickelt, konnten aber nicht umgesetzt werden, weil es schlicht an Rechenleistung mangelte. Jetzt ist die Technologie dafür da: Die Infrastrukturen sind geschaffen, Datenspeicher ist günstig und die Welt ist reich an Daten. Es wäre schade, wenn Unternehmen dieses Potenzial von Big Data nicht nutzen, um Risiken zu identifizieren, abzuwenden und Chancen zu nutzen. Und im Fall des Coronavirus sogar Leben zu retten.

Lyth Al-Khazrage
  • Manager, ERP Consulting
Mehr über meine Themen Nachricht schreiben