Evaluierung von Nutzen und Einsatzmöglichkeiten von Predictive Analytics in ausgewählten Industrien am Beispiel der IBM Software SPSS E-Book

Jana Maué

• Herausgeber: GRIN Verlag
• Sprache: Deutsch

Veröffentlichungsjahr: 2013

Beschreibung

Bachelorarbeit aus dem Jahr 2012 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 2,3, Duale Hochschule Baden-Württemberg Mannheim, früher: Berufsakademie Mannheim, Sprache: Deutsch, Abstract: 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.

Leseprobe

Impressum:

Copyright (c) 2013 GRIN Verlag GmbH, alle Inhalte urheberrechtlich geschützt. Kopieren und verbreiten nur mit Genehmigung des Verlags.

Bei GRIN macht sich Ihr Wissen bezahlt! Wir veröffentlichen kostenlos Ihre Haus-, Bachelor- und Masterarbeiten.

Jetzt bei www.grin.com

Kurzfassung

Abstract

The combination of an increasingly complex world, the vast proliferation of data, and the pressing need to stay one step ahead of the competition has sharpened focus on using analytics within organizations. But knowing what happened and why it happened are no longer adequate. Organizations need to know what is happening now, what is likely to happen next and, what actions should be taken to get the optimal results. This shift in the focus of Business Analytics is called Predictive Analytics and is enjoying increasing popularity within business. This Bachelor Thesis therefore deals with this future-oriented discipline and evaluates its benefits and application areas in selected industries by making use of the example of the IBM SPSS Predictive Analytics software portfolio. In doing so, it first considers the changing market conditions and new business requirements and then illustrates how these are addressed by Predictive Analytics. After illustrating the possibilities of quantifying the benefits of a Predictive Analytics solution, the benefit potentials are depicted classified by application area and industry. Within the framework of a use case analysis of the IBM SPSS customer portfolio the benefit potentials found in theory are then also identified in practical applications and assigned to the respective industries. The resulting categorization of use cases by benefit and industry finally allows to compare the results with the trends identified in literature and shows that the topic of Predictive Analytics is becoming increasingly important both in theory and practice.

Inhaltsverzeichnis

Kurzfassung

Abstract

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

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

Quellenverzeichnis

Literaturverzeichnis

Internetquellen

Anhang

Anhang A: Grafiken

A1: Nutzenart je Geschäftsprozess

A2: Rahmen des Nutzens von Predictive Analytics

A3: Enge Kundenzufriedenheit als höchste Priorität

Anhang B: Anwendungsfall-Analyse

B1: Prozentuale Verteilung der Anwendungskategorien innerhalb der Industrien

B2: Prozentuale Verteilung der Anwendungsfälle auf die Industrien

B3: Verteilung von Predictive Maintenance auf die Industrien

B4: Detailergebnisse der Anwendungsfall-Analyse

Verteilung der Industrien innerhalb des Bereichs Customer Lifecycle Management

Verteilung der Industrien innerhalb des Bereichs Operational Excellence

Verteilung der Industrien innerhalb des Bereichs Operational Excellence

Verteilung der Nutzenpotenziale innerhalb des Bankwesens

Verteilung der Nutzenpotenziale innerhalb der Versicherungsbranche

Verteilung der Nutzenpotenziale im Einzelhandel und Vertrieb

Verteilung der Nutzenpotenziale in der Automobilindustrie

Verteilung der Nutzenpotenziale im industriellen Sektor

Verteilung der Nutzenpotenziale in der Pharma-Industrie

Verteilung der Nutzenpotenziale in der Reise- und Verkehrsbranche

Verteilung der Nutzenpotenziale im Energie- und Versorgungssektor

Verteilung der Nutzenpotenziale in der Medienbranche

Verteilung der Nutzenpotenziale in der Telekommunikationsbranche

Verteilung der Nutzenpotenziale in der Beratung und Systemintegration

Verteilung der Nutzenpotenziale im Bildungswesen

Verteilung der Nutzenpotenziale in der Regierung

Verteilung der Nutzenpotenziale im Gesundheitswesen

Verteilung der Nutzenpotenziale im Bereich Kriminalität & Verteidigung

Verteilung der Nutzenpotenziale in der Marktforschung

Ehrenwörtliche Erklärung

Abbildungsverzeichnis

Abbildung 1: Forschungsdesign (Quelle: eigene Darstellung, 2012)

Abbildung 2: Business Analytics als Teildisziplin von Business Intelligence (Quelle: eigene Darstellung nach Davenport und Harris 2007, S.8)

Abbildung 3: Adressierung neuer Geschäftsanforderungen mit Predictive Analytics (Quelle: Eigene Darstellung in Anlehnung an Morelli et al. 2010, S.7)

Abbildung 4: Vier Säulen Analytischen Wettbewerbs (Quelle: eigene Darstellung in Anlehnung an Davenport und Harris 2007, S.34)

Abbildung 5: Konzeptionelle Architektur einer Predictive Analytics-Lösung (Quelle: eigene Darstellung)

Abbildung 6: Hurwitz Victory Index Predictive Analytics (Quelle: eigene Darstellung in Anlehnung an Halper 2011, S.10)

Abbildung 7: Zuordnung des IBM SPSS Produktportfolio zum Drei-Phasen-Modell (Quelle: eigene Darstellung in Anlehnung an IBM Corporation 2011b)

Abbildung 8: Übersicht von Studium zum Thema Business Analytics (Quelle: eigene Darstellung in Anlehnung an Morris et al. 2002, S.5-10; IBM Corporation 2011a, S.1-3; Nucleus Research, Inc. 2005, S.1-4; Morris 2003, S.1)

Abbildung 9: Kategorisierung der Anwendungsgebiete von Predictive Analytics (Quelle: eigene Darstellung)

Abbildung 10: Anwendungsgebiete von Predictive Analytics und Literaturnachweise (Quelle: eigene Darstellung)

Abbildung 11: Der Einsatz von Predictive Analytics im Bereich Customer Lifecycle Management (Quelle: eigene Darstellung)

Abbildung 12: Gains-Chart zur Darstellung des Nutzens eines prädiktiven Responsemodells im Bereich Cross- und Up-Selling (Quelle: Linoff und Berry 2011, S.48)

Abbildung 13: Segmentierungsmatrix im Bereich Kundenbindung (Quelle: Eigene Darstellung in Anlehnung an Siegel 2010b)

Abbildung 14: Anwendungsgebiete von Predictive Analytics entlang des Produktlebenszyklus (Quelle: eigene Darstellung)

Abbildung 15: Betrugserkennung in der Versicherungsbranche (Quelle: eigene Darstellung)

Abbildung 16: Integrierte Predictive Analytics-Lösung für das Bankwesen (Quelle: eigene Darstellung in Anlehnung an Morelli et al. 2010, S.10)

Abbildung 17: Kundenbindungsstrategie mit Predictive Analytics (Quelle: eigene Darstellung in Anlehnung an Morelli et al. 2010, S.15)

Abbildung 18: Sortimentsplanung im Handel mit Predictive Analytics (Quelle: eigene Darstellung in Anlehnung an Morelli et al. 2010, S.17)

Abbildung 19: Verbrechensbekämpfung mit Predictive Analytics (Quelle: eigene Darstellung in Anlehnung an Morelli et al. 2010, S.19)

Abbildung 20: Nutzenpotenziale je Anwendungsgebiet (Quelle: eigene Darstellung)

Abbildung 21: Liste der analysierten Industrien (Quelle: eigene Darstellung)

Abbildung 22: Kategorisierungsmatrix der Predictive Analytics - Anwendungsfälle (Quelle: eigene Darstellung)

Abbildung 23: Verteilung zwischen den drei Anwendungskategorien (Quelle: eigene Darstellung)

Abbildung 24: Verteilung innerhalb des Bereichs Customer Lifecycle Management (Quelle: eigene Darstellung)

Abbildung 25: Verteilung innerhalb des Bereichs Operational Excellence (Quelle: eigene Darstellung)

Abbildung 26: Verteilung innerhalb des Bereichs Risiko & Betrug (Quelle: eigene Darstellung)

Abbildung 27: Verteilung innerhalb der Industrien (Quelle: eigene Darstellung)

Abbildung 28: Verteilung der Anwendungskategorien in den Industrien (Quelle: eigene Darstellung)

Abkürzungsverzeichnis

1 Das analytische Zeitalter – Predictive Analytics als Wettbewerbsvorteil

"We are entering the analytical age, a window in time where competitive advantages will be gained from companies making increasingly more advanced use of information."(Tonchia und Quagini 2010, S.xxi)

In Zeiten, in denen die Geschwindigkeit und Reife des technischen Fortschritts die rasante Produktion und Vervielfachung von Daten aller Art ermöglichen, gewinnt diese Aussage zunehmend an Bedeutung. Unternehmen finden sich in immer stärker umkämpften und wettbewerbsintensiveren Märkten wieder und müssen nach neuen Wegen suchen, sich von ihrer Konkurrenz abzuheben. Eine Möglichkeit dieser Differenzierung besteht für sie darin, sich der „Informationsrevolution“ im analytischen Zeitalter zu stellen und ihre Position im Wettbewerb durch die Transformation der vorhandenen Daten in entscheidungsrelevante Informationen zu stärken.

Aktuell werden jeden Tag etwa 15 Petabyte an neuen Daten kreiert – eine Zahl, die der achtfachen Menge an Büchern in allen US-amerikanischen Bibliotheken zusammen entspricht (vgl. IBM Corporation 2010a). Darüber hinaus steigt nicht nur die Menge der oftmals unstrukturiert auftretenden Datenflut, sondern auch die Leistungsfähigkeit und Rechenkapazität moderner Informationssysteme, mit Hilfe derer die riesigen Datenmengen verarbeitet werden können. Etwa vierzig Jahre nach der ersten menschlichen Mondlandung überragt die Rechenleistung der meisten Mobiltelefone die des damals für die Raumfahrtmission verantwortlichen Kontrollzentrums um ein Vielfaches (vgl. May 2009, S.xii).

Im Zuge dieser Entwicklung eröffnen sich für Unternehmen nun neue Chancen und Möglichkeiten, aus diesen unstrukturierten Rohdaten wertvolle Informationen zu generieren, die als Grundlage strategischer und operativer Entscheidung dienen und letztendlich das mitunter wertvollste Kapital eines Unternehmens darstellen – sein erfolgskritisches Wissen um Kunden, Märkte und interne Prozesse. Dieser Wandel vom alleinigen Vertrauen auf die Intuition und Expertise einzelner Entscheidungsträger hin zur softwareunterstützten und faktenbasierten Entscheidungsfindung wird unter dem Sammelbegriff Business Intelligence (BI) zusammengefasst und von einer steigenden Anzahl an Unternehmen adaptiert (vgl. Ayres 2008, S.11). Für Unternehmen ist es schlichtweg eine Frage der Konkurrenzfähigkeit geworden, Entscheidungen auf Basis verlässlicher Kennzahlen zu treffen. Dies belegen auch Analysten des Würzburger Business Application Research Centers, die für das Jahr 2011 erstmalig eine Durchbrechung der 1-Mrd.-Euro-Umsatz-Grenze im hiesigen BI-Markt prognostizierten (vgl. Born 2012, S.90).

„Many organizations don’t even know what they know.“

(May 2009, S.2)