Analyseverfahren Künstliche Intelligenz

Advanced Analytics II: Wie Künst­liche In­tel­li­genz Ver­sicher­ungs­unter­neh­men bei Ent­schei­dun­gen hilft

Teil 1: Kunden, Märkte und Digitalisierung als Treiber für Big Data und Advanced Analytics
Teil 2: Definition, Schritte und Tools von Advanced Analytics

[hier geht’s zur Summary]

Eingrenzung von Advanced Analytics

Wie im ersten Teil erläutert wurde, ist Advanced Analytics ein Thema, das durch die veränderten Kundenansprüche, den erhöhten Digitalisierungsgrad und den Wandel in den Märkten entstanden und für den Bestand im globalen Markt für viele Unternehmen unausweichlich ist. Aber was genau ist unter diesem Begriff zu verstehen?

Advanced Analytics ist eine multidisziplinäre Methode, die sinnvolle Muster in Daten erkennt, interpretiert und verarbeitet. Sie verbindet und verwendet Werkzeuge aus den Bereichen Statistik, Computer-Programmierung, künstliche Intelligenz und Operations Research, um wertvolle Informationen aus der Datenanalyse zu gewinnen. Besonders effizient: Unternehmen können Advanced Analytics in unterschiedlichen Geschäftsdomänen anwenden. Daraus ergibt sich eine neue Handhabung der Unternehmensdaten, mit dem Ziel, das Geschäft sowie den Kunden besser zu verstehen. Hier neu abgeleitete und verwendete Erkenntnisse können beispielsweise dazu führen, dass die Unternehmensteuerung effizienter gestaltet wird oder dass konkrete und vielversprechende Wachstumspfade aufgezeigt werden.

Die Stufen von Advanced Analytics nach Gartner

Um die Aufgabenstellung zu verstehen, die Advanced Analytics im Unternehmen zu bewältigen hat, lohnt ein Blick auf das Analytics-Reifegradmodell von Gartner. Dieses bietet eine übersichtliche Aufteilung in einzelne Stufen:

1. Stufe: Descriptive Analytics

In der ersten Stufe – Descriptive Analytics (auch Business Intelligence, BI) – geht es zunächst darum Vergangenheitsdaten zu sammeln, um gegenwärtige Situationen zu verstehen: Was ist passiert?

2. Stufe: Diagnostic Analytics

Diagnostic Analytics (Business Analytics) setzt sich mit den Gründen, Auswirkungen, Zusammenhängen oder Folgen von Ereignissen auseinander: Warum ist es passiert?

3. Stufe: Predictive Analytics

Mit der zukünftigen Entwicklung setzt sich Predictive Analytics auseinander. Auf dieser Ebene wird versucht, mit Hilfe von modernen Algorithmen und statistischen Methoden, die Wahrscheinlichkeit von zukünftigen Entwicklungen möglichst genau zu prognostizieren. Solche Prognosemodelle bewerten Unsicherheiten und andere Faktoren in einer zeit-dynamischen Wahrscheinlichkeitsverteilung. Das wesentliche Merkmal ist ihre Adaptierbarkeit, also ein sich stetig verbessernder Algorithmus, der sich im Laufe der Zeit zu optimieren versucht.

Besonders gut kann das gelingen, wenn es zahlreiche unabhängige Messungen gibt, und in großen Mengen relevante Daten für jeweilige Einzelfälle vorliegen. Gartner spricht hier treffend vom “Shift from measurement to analysis, forecasting and optimization”.
Dass der Bereich Predictive Analytics noch am Anfang bei den Versicherungsunternehmen steht, zeigt eine Studie der Versicherungsforen 2016. Bisher nutzen lediglich 13% diese Methode, aber immerhin planen schon weitere 33% einen Einsatz dieser Technik, um sich besser auf die drei Digitalisierungstrends einzustellen.
In dieser Stufe geht es um die Fragestellung: Was könnte bzw. wird passieren?

4. Stufe: Prescriptive Analytics

Ein letzter Schritt führt zu Prescriptive Analytics. Diese Stufe nutzt die Prognosen, um Entscheidungen zu treffen. Sie liefert die Handlungsempfehlungen, wie man bestimmte Entwicklungen beeinflussen, verhindern oder hervorrufen kann.

Das Reifegradmodell bei Advanced Analytics
Die Stufen von Advanced Analytics nach Gartner

Während die Datenmenge abnimmt, sind Komplexität und Wert solcher analytischen Modelle wesentlich höher als bei den erstgenannten Schritten. Häufig werden Techniken, wie Monte-Carlo-Simulationen, mit einer Vielzahl von bekannten und zufälligen Variablen ausgeführt, um unterschiedliche Szenarien zu bewerten und einen Lösungsraum darzustellen.
Hier geht es folglich um die Entscheidungsfindung, nach der Beantwortung der Frage: Wie können wir es beeinflussen?

Abgrenzung zu Big Data und Business Intelli­gence

In vielen Quellen findet sich Advanced Analytics als Subthema von Big Data, in manchen werden beide Themen gesondert betrachtet. Als Synonym von Advanced Analytics wird häufig Business Intelligence verwendet. Advanced Analytics, teils auch als Business Analytics bezeichnet, ist jedoch eher eine Erweiterung des Business Intelligence und daher nicht gleichwertig.

Bei Business Intelligence werden erfasste und erfassbare teils unstrukturierte Daten gesammelt und den einzelnen Fachbereichen zur Verfügung gestellt. In der Regel werden vom Data Warehouse (für Analysezwecke optimierte zentrale Datenbank) strukturierte Daten bereitgestellt. Zusätzlich können unstrukturierte Daten, beispielsweise aus eingescannten Dokumenten, von den Fachbereichen angefordert werden. So sollen aus eigenen und fremden Datenquellen möglichst viele Informationen über möglichst zahlreiche Einzelfälle gewonnen werden. Diese werden in den einzelnen Fachbereichen unabhängig voneinander genutzt, um mittels Analyse wesentliche Problem oder neue Geschäftsideen anzugehen.

Als derzeit akutes Problem gilt die Lücke zwischen Entdeckung und Handlung. Klassisches Business Intelligence ist demnach zwar in der Lage, temporäre Business-Chancen aufzudecken, Gelegenheiten dazu verstreichen aber, weil Tools zur schnellen Analyse von Gründen, Zusammenhängen und Handlungsprämissen systematisch fehlen.
Business Intelligence geht oft nicht weit genug. Während es den Fokus auf aktuelle oder vergangene Probleme legt, verfolgt man mit Advanced Analytics das Ziel, Entwicklungen zu prognostizieren. Für eine bessere Abgrenzung von Advanced Analytics vom traditionellen Business Intelligence, wird darüber hinaus, neben der höheren Komplexität der Werkzeuge, häufig ein stärkerer Automatisierungsgrad der Datenauswertung oder Informationsinterpretation gesehen. Dies ermöglicht beispielsweise auch eine just-in-time Auswertung und Nutzung.

Abgrenzung des Reifegradmodells von der klassischen Analyse
Abgrenzung von Advanced Analytics zu Business Intelligence

All diese Erweiterungen zu Business Intelligence führen dazu, dass Advanced Analytics zunehmend unverzichtbar wird und alte Methoden ersetzt.
Lediglich die Vergangenheit zu verstehen, bringt die Unternehmen nicht signifikant voran. Es wird zunehmend entscheidender, mittels neuer Analysemethoden in die Zukunft zu schauen und die Aktionen darauf auszurichten. Um passende Informationen zugeschnitten und unverzüglich bereitzustellen und anhand konkreter Handlungsoptionen Chancen zu erkennen, bietet Advanced Analytics mehrere Tools an.

Die Tools von Advanced Analytics

Die Auswahl der konkreten Tools im Bereich Analytics orientiert sich hauptsächlich an der Umsetzungsstrategie. Hier unterscheidet man zum einen zwischen Lösungen, die sich stark an einem konkreten Anwendungsfall orientieren bzw. Lösungen die als generische Systeme vielseitig einsetzbar sind.

Strukturierung der Analyse-Tools anhand der Verwendbarkeit

Out-of-the-box-Funktionen können als Analysekomponente für einen konkreten Fall als vordefinierte Programme ohne weitere Anpassungen zur Verfügung stehen, beispielsweise Visualisierungs- oder Prognosemodelle. Von Vorteil ist, dass diese Modelle kostengünstig sowie schnell integrierbar sind.

Business Intelligence Werkzeuge mit Advance Analytics Funktionen erlauben einen weiteren Grad an Flexibilisierung in Bezug auf die Modellanpassung. Dazu zählen vorgefertigte Algorithmen-Bibliotheken, beispielsweise aus den Bereichen multivariate Verfahren, Graphen Analyse oder Simulation. Die Anpassung erfolgt hier durch Anweisungen im Formeleditor und die Verwendung von Statistik-Programmen wie R oder SAS.

Ist eine Umsetzung nicht direkt für einen konkreten Anwendungsfall möglich, bedarf es in der Regel einer Prototyping Phase. Hier können auch komplizierte analytische Modelle schnell und unkompliziert in einer Entwicklungsumgebung generiert werden. Ein meist interdisziplinäres Team aus IT-Mitarbeitern und Fachanwendern etc. erstellt ein modulares System, welches mit Hilfe von Datenquellen und analytischen Tools (wie z.B. Data Mining Tools, Machine Learning Algorithmen), Informationen zusammenträgt und sinnvoll auswertet. Dieses Vorgehen bietet den Vorteil, dass eine Lösung innerhalb kürzester Zeit anwendbar und hinsichtlich des Nutzens bewertbar ist. Hat es sich bewährt, kann durch robuste und skalierbare Produkte ersetzt werden.

Eine recht generische Umsetzung erlauben Programme wie beispielsweise RStudio oder Matlab. Hier werden Modelle in eigenen Sprachen kodiert und können beliebig komplex ausfallen. Sie werden häufig im Bereich der Künstlichen Intelligenz verwendet. Hierbei beschränkt sich Advanced Analytics nicht nur auf die Extraktion der wesentlichen Information, sondern integriert in einen halb- oder voll automatischen Prozess Hypothesen zur Prognose und Entscheidungsunterstützung.

Weiterführende Links

 

Summary

Definition

Advanced Analytics (oder Business Analytics) erkennt, interpretiert und verarbeitet sinnvolle Muster in Daten. Diese Methode verwendet Werkzeuge aus den Bereichen Statistik, Computer-Programmierung, Künstlicher Intelligenz und Operations-Research. In Unternehmen kann Advanced Analytics abteilungsübergreifend eingesetzt werden, mit dem Ziel, das Geschäft sowie den Kunden besser zu verstehen, aber auch um die Unternehmensteuerung effizienter zu gestalten.

Analytics-Reifegradmodell von Gartner

Anhand des Analytics-Reifegradmodells von Gartner lassen sich die einzelnen aufeinander aufbauenden Analyse-Stufen verdeutlichen:

  1. Stufe: Descriptive Analytics: Was ist passiert?
  2. Stufe: Diagnostic Analytics: Warum ist es passiert?
  3. Stufe: Predictive Analytics: Was könnte bzw. wird passieren
  4. Stufe: Prescriptive Analytics: Wie können wir es beeinflussen?

 

Abgrenzung zu Business In­telli­gen­ce

Diese Stufen unterscheiden sich in den Fragestellungen von denen der Business-Intelligence-Methode. Während sich bei der Analyse lediglich auf vergangenheitsorientierte Fragestellungen beschränkt, versteht sich Advanced Analytics als Weiterentwicklung und betrachtet zusätzlich Gründe, Prognosen und zukunftsorientierte Handlungen. Darüber hinaus grenzt es sich ab durch einen höheren Grad an Komplexität und Automatisierung.

Tools von Advanced Analytics

Um passende Informationen zugeschnitten und unverzüglich bereitzustellen und um anhand konkreter Handlungsoptionen Chancen zu erkennen, bietet Advanced Analytics zahlreiche Tools an. Diese unterscheiden sich insbesondere durch ihre Flexibilität: Eher unflexibel sind auf der einen Seite Out-of-the-box-Funktionen als vordefinierte Modelle. Sie stehen kostengünstig und schnell integrierbar für konkrete Anwendungsfälle wie Visualisierungs- oder Prognosemodelle zur Verfügung. Eine generische Lösung erlauben auf der anderen Seite Programme wie beispielsweise RStudio oder Matlab. Neben dem Extrahieren von Informationen ermöglichen sie mit Hilfe von Künstlicher Intelligenz zudem die automatisierte Erstellung von Hypothesen und Prognosen. In der Grauzone dazwischen befinden sich Business Intelligence Werkzeuge mit Advance Analytics Funktionen. In der Regel handelt es sich um vorgefertigte Algorithmen-Bibliotheken, beispielsweise aus den Bereichen multivariate Verfahren, Graphen-Analyse oder Simulation. Die Anpassung erfolgt hier durch Anweisungen im Formeleditor und die Verwendung von Statistik-Programmen wie R oder SAS.

Katy Spalek

Katy Spalek

Manager Corporate Publishing bei BROCKHAUS AG
Katy Spalek ist bei der BROCKHAUS AG als Redakteurin für die Bereiche Marketing und Vertrieb zuständig und verantwortet Recherche, Verfassen und Layout von Texten zur Kundenkommunikation. Für das blogHAUS verfasst sie Beiträge über aktuelle Trendthemen aus IT, Marketing und Wirtschaft.
Katy Spalek
<< Vorheriger Beitrag
Nächster Beitrag >>

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.