Webinfosession

Besser Planen mit Predictive Analytics

Christiane Pütter ist Journalistin aus München.
Wie funktionieren Predictive Analytics und maschinelles Lernen in der Unternehmenspraxis – das erläutert eine Computerwoche-Webinfosession.
Predictive Analytics unterstützen bei der Zukunftsplanung.
Predictive Analytics unterstützen bei der Zukunftsplanung.
Foto: Sergey Nivens - shutterstock.com

Jede Diskussion um das Internet der Dinge und Industrie 4.0 kommt früher oder später bei Predictive Analytics an. Denn ohne diese Technologie können Entscheider die vielen gesammelten Daten nicht sinnvoll nutzen. Eine Computerwoche-Webinfosession führt aus, welche Methodologie dahintersteckt.

These von Kai Wähner, Technology Evangelist bei Tibco Software: "Unternehmen können heute wegen der immensen Datenmengen nicht mehr mit klassischer BI-Lösung auf historische Daten schauen und Reportings erstellen." Mit Detlef Korus von der Computerwoche spricht er darüber, warum es ohne Machine Learning nicht mehr gehen wird.

Korus will aber zunächst einmal wissen, wie man sich maschinelles Lernen konkret vorstellen kann. Wähner erklärt: "Ich kann dem Computer heute sagen, dass er alleine lernen soll. Der Mensch muss nicht mehr alles selbst programmieren." Dabei lernt die Maschine zunächst aufgrund von Regeln, di eProgrammierer ihr vorgeben. Im nächsten Schritt lernt der Computer dann sogar selbst die Regeln.

Diese Grundidee ist ja nicht neu, betont der Technology Evangelist: "Seit 20 Jahren kennen wir die Spam-Erkennung bei E-Mails. Der Computer selbst lernt, was Spam ist, wenn das auch mit einer gewissen Wahrscheinlichkeit verbunden ist." Heute erreicht Machine Learning ganz andere Möglichkeiten: Künstliche Intelligenz hat erst kürzlich den besten professionellen AlphaGo-Spieler besiegt.

Im Unternehmensalltag kann die Technologie zum Beispiel dabei helfen, Betrug zu verhindern. "Computer identifiziert aus Unmengen an Daten Muster, die der Mensch gar nicht mehr erkennen könnte", erklärt Wähner. Die große Herausforderung sieht er darin, dass der Business Anwender das Ganze ebenso verstehen muss wie der Data Scientist. Er sagt: "Hier helfen Visual Analytics, die die Daten grafisch aufbereiten."

Der Computer bittet den Kunden in die Business-Lounge

Der Tibco-Manager nennt als Praxis-Beispiel das Cross-Selling bei Airlines. Ziel ist Querverkauf von vergänglichen Waren. "Dafür muss ich in Echtzeit viele Daten analysieren," erklärt Wähner, "wo bewegt sich der Kunde am Flughafen gerade, darf er mit seiner Familie in die Lounge oder eigentlich nur allein, weil er bloß Silver-Member ist und nicht Gold-Member." In einer solchen Situation kann die Airline feststellen, dass die Lounge gerade nur zu einem Drittel gefüllt ist und der Kunde sich gerade 100 Meter davor aufhält. "Dann kann ich ihm eine SMS schicken mit der Nachricht, er dürfe heute für 5000 Meilen extra mit Familie in die Lounge", so Wähner weiter.

Das intelligente System weiß aber auch, dass andere Kunden statt eines Lounge-Besuches vielleicht lieber einen Kaffee oder eine Zeitschrift möchten. Wähner: "Ich kann jedem Kunden den Mehrwert bieten, den er will." Diese kontext- und kundenspezifische Datennutzung in Echtzeit funktioniert nur mit Machine Learning im Hintergrund.

Der Data Scientist will etwas anderes als der Entwickler

Moderator Korus kommt noch einmal auf die Technologie zurück. "Das setzt eine Fast Data Referenz Architektur voraus", sagt er, "dazu zählen Sensor Daten, Transaktionen, Message Bus und Machine Data ebenso wie Social Data, das muss ja alles integriert und verarbeitet werden. Sind Unternehmen heute in der Lage, diese Architektur selbst aufzubauen?"

"Man kann alles selbst programmieren" sagt Wähner, "aber die meisten Unternehmen wollen sich auf ihre Business-Probleme konzentrieren." Daher wollten sie den Mehrwert einer Plattform nutzen, die diese Lösung für sie anbietet. Wichtig sei dabei Flexibilität. "Jeder muss das auf seinen Use Case anwenden können", so der Tibco-Manager.

Fazit aus seiner Sicht: Der Anwender muss überlegen, wie sein Use Case aussieht und über welche Architektur er verfügt. Er muss sich fragen, was für Systeme er benötigt und welche Machine Learning-Modelle er will einsetzen will. "Dabei hat der Data Scientist möglicherweise andere Vorstellungen als der Entwickler", seufzt Wähner, "und der Business-Nutzer wiederum will einfach nur, dass alles funktioniert. Das ist schon eine Herausforderung!"

Und wie sieht der Technology Evangelist den Markt für Predictive Analytics und Maschinelles Lernen im deutschsprachigen Raum? "Für die meisten ist das noch ein Randbereich, sie fangen gerade erst an", so Wähner, "aber ohne wird man nicht konkurrenzfähig bleiben!"

Hier die Webinfosession ansehen

Zur Startseite