Sind Sie bereit für Prescriptive Analytics?
Während Ressourcen in vielen Bereichen immer knapper werden, sind es die Daten, deren Menge tagtäglich zunimmt. Richtig eingesetzt wächst zugleich ihr Wert. Eine logische Konsequenz hieraus ist die Investition in Datenmanagement vor allem in Business Analytics. Fragen Sie sich, ob es für Ihr Unternehmen an der Zeit ist, den Einsatz von Analytics voranzutreiben? Erfahren Sie mehr über den Mehrwert Ihrer Daten durch den Einsatz von Prescriptive Analytics in diesem Beitrag.
Business Analytics – für schnelle und fundierte Entscheidungen
Strukturierte und unstrukturierte Daten aus internen und externen Quellen bilden die Basis für Analysetechnologien. Daten werden aus Systemen wie ERP oder CRM, aber auch z. B. Wetterdaten zur Datenanalyse herangezogen. So entsteht ein detailliertes Gesamtbild der Prozesse im Unternehmen. Dies macht strategische Planungen einfacher und sicherer. Zudem sind Ressourcen und einzelne Prozesse besser planbar. Ein Bespiel hierfür ist die Optimierung von Lieferketten: Auf lange Sicht können so Standorte von Produktion, Zulieferern und Lagerstellen optimal geplant, sowie kurzfristig die beste Routenplanung erstellt werden. Das Ziel der Business Analyse ist es, wichtige Informationen aus vorhandenen Daten zu gewinnen und die Analyseergebnisse zur Entscheidungsfindung bzw. -optimierung zu nutzen.
Analytics-Reifegradmodell nach Gartner
Zur Differenzierung der verschiedenen Analytics-Stufen wird das Reifegradmodell von Gartner angewandt. Das Modell grenzt vier wesentliche Analysestufen voneinander ab. Sowohl die Komplexität der Analyse als auch der Wert der Analyseergebnisse nimmt mit jeder Entwicklungsstufe fortschreitend zu.
Das Reifegradmodell zur Analytik von Gartner beginnt mit Descriptive Analytics („Was ist passiert“?), gefolgt von Diagnostic Analytics („Warum ist es passiert?“). Als Prognosetechnologie setzt sich Predictive Analytics mit der Frage „Was wird passieren?“ auseinander und bildet so die Vorstufe zu Prescriptive Analytics. Diese ist – sozusagen als Königsdisziplin – auf der höchsten Stufe des Modells zu finden und beschäftigt sich mit der Frage „Wie kann das bestmögliche Ergebnis erzielt werden?“ bzw. „Welche Maßnahmen sollen ergriffen werden?“.
Mehr zum Thema Analytics erfahren Sie in unserem Beitrag Prescriptive Analytics in der Produktionsplanung.
Hier finden Sie auch das Factsheet „Business Analytics nach Gartner“ als Download.
Interessieren Sie sich für unser Factsheet?
Was bringt mathematische Optimierung?
Mit Prescriptive Analytics zu richtigen Entscheidungen
Viele Unternehmen nutzen bereits Predictive Analytics für Zukunftsprognosen. Mit Hinblick auf die Fragestellung „Was wird passieren?“ werden bei der prädiktiven Analyse aus historischen Daten Modelle abgeleitet und diese zur Vorhersage von unbekannten Ereignissen bzw. Normabweichungen in der Zukunft genutzt. So können zum Beispiel Trends auf Märkten identifiziert oder disruptive Branchenveränderungen frühzeitig erkannt werden.
Prescriptive Analytics geht aber einen Schritt weiter, indem mit Hilfe verschiedener Technologien (wie z. B. mathematischer Algorithmen, Simulation, maschinellem Lernen und künstlicher Intelligenz) eine Vielzahl von Szenarien analysiert und als Ergebnis eine optimale Handlungsempfehlung aufgezeigt wird. So ermöglicht der Einsatz von Prescriptive Analytics nicht nur eine optimierte Ressourcenplanung und damit verbundene Kosteneinsparungen. Er verschafft zudem einen strategischen Wettbewerbsvorteil – vor allem für datengetriebene Unternehmen.
Weitere interessante Beiträge
Denise Lelle und Dr. Sven Flake im Interview über den OPTANO Workshop „Optimierungspotenzial erkennen“
Wenn man sich die Geschichte des Weihnachtsmanns genauer anschaut, dann fällt auf, dass sie viel mit dem Thema Logistik zu tun hat. Deshalb möchten wir uns heute die Erzählung aus der Sichtweise eines Optimierers genauer anschauen.
Die Lieferketten für Chemikalien sind so komplex wie die Branche selbst. Durch Optimierungsverfahren können sie resilienter werden.
Von der Maschinenbelegung bis zur Energieplanung
Typische Beispiele für den Einsatz von Prescriptive Analytics sind in der Produktionsplanung sowie bei der Optimierung von Lieferketten zu finden. Hier soll sichergestellt werden, dass die richtigen Produkte zur richtigen Zeit produziert und geliefert werden können. Neben den genannten Anwendungsmöglichkeiten gibt es viele weitere Einsatzgebiete für Prescriptive Analytics: in der Preisfindung, im Bestandsmanagement, im Technikmanagement, in der Finanzplanung, in der Personalplanung…
Die Liste kann beliebig verlängert werden. Wir möchten anhand eines Beispiels die zunehmend wichtige Rolle von Prescriptive Analytics in der Planungsoptimierung verdeutlichen. Als hochaktuelles Thema bietet sich hier das Energiemanagement vor dem Hintergrund der notwendigen Energiewende an.
Exkurs:
Prescriptive Analytics für die Energiewende
Ein an Wichtigkeit stetig zunehmendes Thema ist die „Nachhaltigkeit in der Energiewirtschaft“. Somit ist es mehr als verständlich, dass Prescriptive Analytics eine große Rolle in der Energiewende spielt. Der zunehmende Einsatz erneuerbarer Energien führt zu einer steigenden Komplexität des Energiemanagements sowie zu volatilen Energieflüssen. Denn wo in der Vergangenheit „nur“ die Logistik für Kohle, Gas und Öl geplant werden musste, kommen heute tagtäglich neue Standorte für Wind-, Wasser- und Solarenergie hinzu. Zudem können die erneuerbaren Energien witterungs- bzw. jahres- und tageszeitlich bedingt zum Teil eine gleichmäßige Energieversorgung nicht gewährleisten, sodass die gewonnene Energie zwischengespeichert werden muss. Dies zwingt Energieversorger immer häufiger zu strategischen Entscheidungen, um künftig die Systemstabilität sicherzustellen und Versorgungsengpässe zu vermeiden. (Mehr zum Thema Systemstabilität in der Stromversorgung finden Sie in unserem Artikel: Optimale Pläne für jeden Ausfall)
In der gesamten Energie-Wertschöpfungskette entsteht eine Vielfalt von Informationen. So fließen u. a. Wetter- und Klimadaten sowie Verbrauchsparameter in die Berechnungen von Energieversorgern ein, auf deren Grundlage dann fundierte Empfehlungen für das Energiemanagement getroffen werden können. Zum Beispiel kann der Energiebedarf auf Basis von Verhaltensmustern der Verbraucher vorausgesagt werden. Auf diese Informationen gründend wird die benötigte Einspeisung von Wind-, Wasser- und Solarenergie dann exakt reguliert. Zudem können Risiken – wie beispielsweise Stromengpässe – vermieden und die damit verbundenen Folgekosten gesenkt werden. Verbunden mit den weltweit ehrgeizigen Klimazielen, wird Prescriptive Analytics zum unverzichtbaren Faktor in der Energiewende.
Passt Prescriptive Analytics zu Ihrem Unternehmen?
Die Vorteile von Prescriptive Analytics liegen auf der Hand. Ob es an der Zeit ist, Prescriptive Analytics auch in Ihrem Unternehmen zur Planungsoptimierung einzusetzen, können Sie ganz leicht feststellen. Wie? Wenn Sie eine der folgenden Fragen mit „Ja“ beantworten können, sollten Sie über den Einsatz von Prescriptive Analytics nachdenken.
- Sehen Sie sich auch oft nicht in der Lage, zu bestimmen, ob Entscheidungen die besten für Ihr Unternehmen sind?
- Lassen Ihre Entscheidungssysteme Berücksichtigungen von Einschränkungen und kurzfristigen Änderungen nicht oder nur schwer zu?
- Oder ist die Anzahl der Variablen in Ihren Planungsprozessen so hoch, dass es nicht möglich ist, sie alle zu berücksichtigen?
Kurz gesagt: Sind Ihre Planungsprozesse einfach zu komplex? Dann ist Prescriptive Analytics für Sie der richtige Weg zur Optimierung Ihrer Planungen.
Der Weg zum besten Ergebnis – 5 Schritte eines Prescriptive Analytics Projekts mit OPTANO
Obwohl jedes Projekt ein etwas anderes Vorgehen erfordert, folgt ein Optimierungsprojekt mit OPTANO prinzipiell den folgenden 5 Schritten:
Schritt 1: Beschreibung des Projekts
Grundlegend für ein Optimierungsprojekt ist es, das Verbesserungspotential in der Planung zu erkennen. Was möchten Sie mit der Verbesserung erreichen? Definieren Sie Ihre Projektziele! Wir unterstützen Sie dabei.
Schritt 2: Geschäftsprozesse definieren
Für die Erstellung der Datenmodellierung erfolgt eine ausführliche Beschreibung der Geschäftsprozesse. Diese beinhaltet unter anderem eine Definition der Ziele, der Variablen und der Einschränkungen, die bei der Analyse berücksichtigt werden müssen. Wir helfen Ihnen Ihre zu modellierenden Geschäftsprozesse zu identifizieren und zu definieren.
Schritt 3: Erstellung, Validierung und Testen des Modells
Im nächsten Schritt wird das Modell, das Ihr Problem beschreibt, von uns erstellt. Die Validierung erfolgt, um sicherzustellen, dass die Ergebnisse korrekt dargestellt werden. Zudem wird das Modell ausgiebig von uns getestet, um zu gewährleisten, dass die Optimierung fehlerfrei funktioniert.
Schritt 4: Aufbereitung und Übernahme der Daten
Strukturierte und unstrukturierte Daten aus internen und externen Quellen bilden die Basis für jede Optimierung. So sind alle Daten, die Einfluss auf die Entscheidungsprozesse haben, für die Analyse zu berücksichtigen. Ihre Daten werden auf Plausibilität geprüft ggf. aufbereitet und in die Datenbank übernommen. Gleiches gilt für Ihre Zielvorgaben, denn nur so können Sie sicher sein, dass Sie die optimale Planung für Ihr Unternehmensziel erhalten.
Schritt 5: Implementierung und mathematische Optimierung
Sobald das Prescriptive Analytics-Modell erstellt ist, lässt es sich für die datengetriebene Optimierung nutzen. Abhängig von Ihren Zielen wird die Soll-Planung in unterschiedlichen Optimierungsszenarien berechnet. Sie erhalten dadurch Handlungsanweisungen und die Möglichkeit, Ihre Entscheidungsfindung zu automatisieren.
Mit Expertise und Iteration zum besten Ergebnis
Der gesamte Prozess ist sehr iterativ und erfordert eine gute Zusammenarbeit und Kommunikation zwischen Analysten und Experten von Fachabteilungen. Wir von OPTANO bieten in diesem ganzen Prozess hervorragende Expertise in allen Bereichen: Von der Identifizierung der erforderlichen Daten, über die Erstellung und Validierung des Optimierungsmodells bis hin zur Implementierung.
Fazit
In Zeiten von steigendem Wettbewerbsdruck müssen sich Unternehmen den Fortschritt von Analytics – und speziell Precscriptive Analytics – zu Nutze machen, und so im Rahmen einer proaktiven Entscheidungsfindung von fundierten Handlungsempfehlungen profitieren. Analytics als solche werden sich stetig weiterentwickeln. Jedoch benötigen sie ihrerseits Unterstützung wie maschinelles Lernen und künstliche Intelligenz. So beeinflussen sich die verschiedenen Technologien wechselseitig positiv und treiben so die Digitalisierung von Unternehmen weiter voran.
Kennen Sie schon unser Factsheet zum Thema?
In unserem Factsheet Was bringt mathematische Optimierung? finden Sie Details zu den 5 obengenannten Fragen und können so Ihre persönlichen Anliegen und Probleme noch besser einordnen.
Um dieses Factsheet zu erhalten, müssen Sie nur Ihre Kontaktdaten in das untenstehende Formular eintragen. Es öffnet sich dann ein Pop-up-Fenster zum Downloaden des Whitepapers. Bitte beachten Sie, dass Sie mit der Angabe Ihrer E-Mail-Adresse zustimmen, dass wir Sie zu diesem Thema kontaktieren dürfen. Sie können diese Zustimmung jederzeit widerrufen, indem Sie sich an [email protected] wenden.
powered by Borlabs Cookie