Aufrufe
vor 2 Jahren

Netzwoche 5/2019

42 Technology Focus KMUs

42 Technology Focus KMUs nutzen die Chancen von Analytics Die Datenanalyse spielt für Unternehmen eine immer wichtigere Rolle. Im Vorteil sind Firmen, die wissen, wie sie diese Daten in relevante Informationen umwandeln und geschickt für operative und strategische Entscheide nutzen können. DER AUTOR Matthias Mohler Leiter Analytics Consulting, Swisscom Immer mehr Firmen entwickeln sich zu sogenannten Data Driven Companys. Das bedeutet, dass Daten zur Unterstützung herangezogen werden, wenn es um die Entwicklung neuer Produkte, um strategische Entscheidungen oder Prognosen geht. Data Analytics und Predictive Analytics heissen die Zauberwörter. Zahlreiche Studien halten fest, dass Firmen, die sich konsequent auf ihre Ziele ausrichten und verstehen, was zu ihrem Erfolg beiträgt, erfolgreicher sind. Wenn sie zudem künftige Ereignisse antizipieren können, sichern sie sich einen wichtigen Wettbewerbsvorteil. Datenanalyse erreicht KMUs Data Analytics ist längst nicht mehr Giganten wie Google oder Amazon vorbehalten. Heute nutzen selbst KMUs die Vorteile von Datenanalysen. Sie wissen um den Wert von KPIs und Dashboards. Die Berichte werden allerdings meist sehr aufwändig in Excel gemacht oder man behilft sich mit Workarounds in Vorsystemen. Die Erstellung der Reports erfordert nicht nur einen hohen manuellen Aufwand, sie sind oft schwer nachvollziehbar und fehleranfällig. Deshalb wünschen sich die Unternehmen häufig ein modernes Selfservice-Reporting, das benutzerfreundlich und performant ist. Moderne Tools unterstützen bei der Analyse, beim Reporting und der Datenintegration. KMUs können etwa Mit Predictive Analytics kann eine Firma Kundenbedürfnisse noch besser vorhersagen, Angebote personalisieren und das Risiko von Umsatzeinbussen durch Nichtzahlung reduzieren. Daten automatisch in eine Datenbank importieren und daraus betriebswirtschaftliche Auswertungen erstellen. Mit dem richtigen Tool steht das Reporting auf Knopfdruck bereit – auf Wunsch sogar komplett automatisiert. Das ist besonders hilfreich, wenn es darum geht, die Produktion oder den Service effizienter zu gestalten. Aber auch in Bereichen mit Kundenkontakt sind solche Analysen wertvoll: Welche Produkte erhalten positives, welche negatives Feedback? Wie können Produkte oder Services benutzerfreundlicher gestaltet werden? Mit Predictive Analytics kann eine Firma Kundenbedürfnisse noch besser vorhersagen, Angebote personalisieren und das Risiko von Umsatzeinbussen durch Nichtzahlung reduzieren. Um die ansonsten unbekannten Eigenschaften von Kunden zu bestimmen, untersucht Predictive Analytics historische Daten. In diesem Bereich sind Schweizer KMUs noch nicht sehr weit fortgeschritten, zweifelsohne ist das aber ein nächster Schritt. Standardlösung vs. individuelles Tool Egal ob Data Analytics oder Predictive Analytics, wichtig ist eine KMU-gerechte Umsetzung der Tools. Die Softwares für Datenanalysen werden mehr und mehr aus der Cloud angeboten. Das ist gerade für KMUs eine positive Entwicklung, denn die Lösungen haben geringere Einstiegskosten und lassen sich zudem einfach skalieren und warten. Die Tools wachsen mit dem Bedarf und dem Erfolg des Unternehmens mit. Bei der Wahl der Software empfiehlt es sich deshalb, darauf zu achten, dass es sich um eine KMU-gerechte Lösung handelt. Da es sich für KMUs meist nicht lohnt, für alle Tätigkeiten selbst Spezialisten aufzubauen, ist ein entsprechender Support ebenfalls wichtig. Die Kunden zählen darauf, sich bei Bedarf Hilfe holen zu können. Eine wesentliche Rolle des Supports ist, den Kunden über die optimale Nutzung der Lösung zu beraten und ihnen laufend Erweiterungsmöglichkeiten aufzuzeigen. 05 / 2019 www.netzwoche.ch © netzmedien ag

Technology Focus 43 Predictive Analytics – vom Gesundheitswesen bis zu einer gesunden Logistik Die Einsatzmöglichkeiten von Predictive Analytics sind gross. Klassische Anwendungsgebiete finden sich speziell in Banken- und Versicherungsunternehmen, der Telekommunikationsbranche und im Handel. Vermehrt entdecken aber auch andere Industrien das Potenzial. Zwei Praxisbeispiele aus dem Gesundheitswesen und der Logistikbranche zeigen, welche weiteren Vorteile Predictive Analytics für Organisationen und Kunden – anders gesagt, Patienten – bietet. Predictive Analytics nutzt statistische Methoden oder maschinelles Lernen, um datenbasierte Voraussagen zu machen. Mit einer stetig wachsenden Datenmenge und -qualität wird Predictive Analytics immer wichtiger. Zwei Bereiche, in denen standardisierte Datensätze vermehrt erfasst und genutzt werden, sind Predictive Healthcare und Logistik. Dank Predictive Analytics zur personalisierten MS-Therapie Die Behandlung von komplexen und heterogen verlaufenden Krankheiten stellt für Ärzte eine grosse Herausforderung dar. Nicht alle Patienten sprechen gleich gut auf ein Medikament an. Oft müssen erst mehrere Medikamente getestet werden, bis eine optimale Behandlung gefunden wird. Dabei steigt das Risiko für irreversible Schäden durch den fortschreitenden Krankheitsverlauf. Mittels Predictive Analytics können massgeschneiderte Therapievorschläge für einen spezifischen Patienten vorgenommen werden (personalisierte Medizin). Eine Software erlaubt es dem Arzt, Rückschlüsse – basierend auf den historischen, anonymisierten Daten tausender Patienten – zu machen und auf anonymisierte Weise die bestmögliche Therapie abzuleiten. Die Software «Phrend» ist ein Beispiel, wie mit künstlicher Intelligenz die Behandlung von Multipler Sklerose (MS) unterstützt wird. «Phrend» basiert auf elf Patienteneigenschaften, welche die bisherige Krankheitsgeschichte und demografische Charakteristik eines Patienten zusammenfassen. Basierend auf diesen Eigenschaften sagt das Programm den zukünftigen Krankheitsverlauf unter Einfluss verschiedener MS-Medikamente voraus. Das Modell wird trainiert, indem der Einfluss von Patienteneigenschaften und Medikament auf den Verlauf der MS (basierend auf einer Population von über 20 000 Patienten) mittels maschinellen Lernens bestimmt wird. Für jeden neuen Patienten ist es so möglich, einen auf ihn zugeschnittenen, bestmöglichen Therapievorschlag zu erhalten. Es konnte bereits nachgewiesen werden, dass Patienten bei Anwendung des empfohlenen Medikaments Mittels Predictive Analytics können massgeschneiderte Therapievorschläge für einen spezifischen Patienten vorgenommen werden. im Durchschnitt einen günstigeren Krankheitsverlauf haben. Predictive Analytics in der Logistik Durch die Skalierbarkeit unterschiedlicher Geschäftsprozesse bietet der Logistikbereich ein ideales Umfeld, um neue KI-Lösungen zu entwickeln. Bereits heute werden in der Logistik historische, kaufmännische und technische Daten gesammelt, um eine reibungslose Lieferungskette sicherzustellen. Mit Predictive Analytics und Predictive Maintenance können gewisse Komponente wie Materialverbrauch und Reparaturen vorhergesagt und besser gesteuert werden. International tätige Logistikkonzerne arbeiten aktuell daran, die Daten mehrerer tausend Transporteinheiten, Schadensarten und Einsatzmaterialien zu untersuchen und den Verbrauch, die Schadensabwicklung sowie die Verfügbarkeit von Transportvehikeln zu optimieren beziehungsweise die Kosten zu senken. Als Erstes müssen sie eine statistische Analyse der Daten durchführen, wo etwa Folgeschäden und Substitut- Materialien detektiert werden. Darauf aufbauend kann das Entwicklerteam ein Modell für den Materialbedarf sowie für die Schadensvorhersage trainieren. Die neuen Modelle können heute nicht nur Schadensfälle prognostizieren, sondern auch die benötigten Materialien kalkulieren. Predictive Analytics erlaubt es einem Logistikunternehmen, Kapazitäten bei Transport und Instandhaltung besser abzuschätzen und seine Prozesse effizient sowie ganzheitlich zu planen. Um mit Predictive Analytics nachhaltig Nutzen stiften zu können, müssen sich Unternehmen und Institutionen stärker mit ihren Daten und den Bedarf auseinandersetzen. Denn nicht alle Daten sind gewinnbringend. Für eine breite Anwendung von Predictive Analytics ist es wichtig, dass sich Organisationen stärker mit verfügbaren Daten und ihrem effektiven Bedarf auseinandersetzen. Entscheidend sind nicht nur der Umfang der Informationen, sondern auch deren Tiefe und Relevanz. DIE AUTOREN Alexander Jung Data Scientist, Data & Analytics, PwC Schweiz Philip van Hövell Health Analytics Lead, Data & Analytics, PwC Schweiz www.netzwoche.ch © netzmedien ag 05 / 2019

Archiv