Digitaler Forecast auf Basis prädiktiver Analytics als m ... / 3.2 Praktische Anforderungen an den Erfolg prädiktiver Analytics

Werfen wir nun einen Blick auf die praktischen Anforderungen, die direkt vom Unternehmen beeinflusst werden können. Hierzu zählen vor allem folgende Bedingungen:

• Verfügbarkeit der Einflussfaktoren: Die benötigten Inputdaten zur Erstellung des algorithmischen Forecasts sollten mit geringem Aufwand verfügbar sein und automatisiert abgerufen werden können. Insbesondere kann ein zu hoher manueller Aufwand bei der Bereitstellung der Inputs oder zu hohe Kosten beim Einkauf von Daten die eigentlichen Effizienzvorteile des Algorithmus konterkarieren.

• Ausreichende Datenhistorie: Um den Algorithmus "zu trainieren" und die Parameter des Algorithmus auf den gegebenen Sachverhalt anzupassen, werden ausreichend historische Daten benötigt. Ausreichend Datenhistorie benötigt man außerdem zum Testen des Algorithmus – denn insbesondere durch ein plausibles, quantifizierbares Testen lässt sich innerhalb der Organisation leicht Vertrauen in den Algorithmus erzeugen, welches wichtig für die Akzeptanz des Algorithmus ist.

• Konzept zur Einbindung in den Unternehmenssteuerungsprozess: Ein Forecast mittels prädiktiver Analytics sollte als objektive Prognose der Zukunft betrachtet werden. Folglich braucht es ein Konzept, um basierend auf dieser Prognose Maßnahmen abzuleiten, Ziele zu verabschieden und eine Konzernplanung/Budgetierung herzuleiten. Nur durch diese Verzahnung kann der Forecast seine volle Wirkung entfalten. Die nähere Verzahnung in die Unternehmenssteuerung wollen wir in Sektion 5 näher beleuchten.

• Fachliches/Technisches Know-How: Schließlich benötigt man entsprechende Kompetenzen, welche die nötigen Algorithmen implementieren und warten können. Zwar kann die Kern-Implementierung an externe Dienstleister ausgelagert werden. Beim Roll-out, bei späteren Modelländerungen (z. B. durch geänderte Rahmenbedingungen) und beim Betrieb ist aber eine interne Expertise von Nöten.