Schrittweise von der deskriptiven zu präskriptiven Analytik

von DI Dr. Michael Bögl

Die Digitalisierung und Themen wie Industrie 4.0 und Internet of Things haben dazu geführt, dass viele Unternehmen ihre Daten in großem Umfang strukturiert sammeln. Diese gesammelten Daten werden dann auf unterschiedliche Weise verwertet. Sind in diesen Daten Zusammenhänge vorhanden und lässt sich ein Prognosemodell ableiten, dann lässt sich dieses Modell auch in der Planung und Steuerung berücksichtigen. Dies garantiert einen signifikanten Mehrwert, wie die Verringerung von Kosten und Zeitaufwand, eine effizientere Ressourcennutzung etc. Wie so etwas konkret aussieht, was vorausgesetzt wird und welche Möglichkeiten entstehen, zeigt dieser Beitrag.

Von der Datensammlung zu Prescriptive Analytics

Die Digitalisierung der vergangenen Jahre hat die Basis für Unternehmen geschaffen, um laufend Daten zu ihren Prozessen und Abläufen zu sammeln und strukturiert zu speichern. Um einen Mehrwert zu schaffen, müssen Unternehmen diese Daten bestmöglich nutzen. Dabei werden aus den gesammelten Daten Prognosemodelle erstellt, um damit zukünftige Entwicklungen, Ereignisse oder Zustände abschätzen zu können. Das können bspw. Modelle für Absatzprognosen, Abnutzungen von Werkzeugen in der Produktion, Kundenbedarfe, Lagerstände, verkehrsabhängige Fahrzeiten, etc. sein.

Durch die Kombination der Prognosemodelle mit Optimierungsmodellen (zur Berechnung von optimalen Entscheidungen) können unterschiedliche Szenarien automatisch berechnet und gegenübergestellt werden. Dadurch steht den Verantwortlichen eine solide Grundlage zur Verfügung, um optimale Entscheidungen treffen zu können. Die transparente Entscheidungsgrundlage garantiert, dass die getroffenen Entscheidungen stets nachvollziehbar und argumentierbar sind.

Business men in a dark room standing in front of a large data display

Abhängig davon, wie die Daten genutzt werden, spricht man von unterschiedlichen Anwendungsgebieten, bzw. von Phasen oder Stufen, wobei der Nutzen steigt, je höher die Stufe ist (siehe auch Abbildung 1 und nachfolgende Tabelle):

  1. Werden die gesammelten Daten genutzt, um auszuwerten, was passiert ist, so spricht man von deskriptiver Analytik (Descriptive Analytics). Zusammenhänge in den Daten werden dabei noch nicht erkannt. Ein Ergebnis könnte bspw. sein, dass man erkennt, dass die Produktqualität sowohl im Tagesverlauf als auch saisonal schwankt.
  2. In der diagnostischen Analytik (Diagnostic Analytics) werden die Ursachen für Zusammenhänge ermittelt. Die Voraussetzung, um gezielt Verbesserungsmaßnahmen zu setzen ist, die Ursachen zu kennen. Für das Beispiel aus Punkt 1 bedeutet das: Die Produktqualität schwankt saisonal und im Tagesverlauf, weil die Qualität ab einer Temperatur von 30 °C sinkt; oder nach den ersten Aufträgen nach einem Werkzeugwechsel sind die Maschinen neu zu kalibrieren (verlängert gegebenenfalls die nicht-produktive Zeit, führt allerdings zu höherer Qualität).
  3. Sind alle relevanten Zusammenhänge und Einflussgrößen ermittelt, dann können Modelle erstellt werden, die diese Zusammenhänge abbilden. Mit diesen Modellen können Aussagen über das zukünftige Verhalten getroffen werden. Man spricht dabei von prädiktiver Analytik (Predictive Analytics). Prognostiziert werden z.B. zukünftige Absätze, der Ausschuss in der Produktion oder die Qualität des Produktes.
  4. In der präskriptiven Analytik (Prescriptive Analytics) werden zunächst zukünftige Ereignisse prognostiziert, gegebenenfalls verschiedene Entscheidungsmöglichkeiten simuliert und bewertet und dann die beste Handlungsalternative berechnet. Für diese Berechnung können Unternehmen auf bestehendes Know-how und vorhandene Planungsalgorithmen zurückgreifen. Gegebenenfalls können die Planungsalgorithmen auch erweitert oder zusätzliche Methoden integriert werden.

Die beschriebenen Anwendungsgebiete sind in Abbildung 1 entsprechend ihres Fokus und ihres Nutzen dargestellt. Während die deskriptive und diagnostische Analytik in Richtung Vergangenheit gerichtet sind und ein tieferes Verständnis für die Daten und Zusammenhängen in diesen schaffen können, sind prädiktive und präskriptive Analytik in Richtung Zukunft orientiert. Dort werden die erkannten Zusammenhänge in den Daten genutzt, um daraus Nutzen für die Zukunft zu schaffen.

Abbildung 1: Anwendungsgebiete

Abbildung 1: Anwendungsgebiete

Stufe Bezeichnung Anwendungsebene Beispiele
1 Descriptive Analytics Auswerten der gesammelten Daten und Reporting
  • Die Produktqualität schwankt sowohl im Tagesverlauf als auch saisonal
  • Die Fahrzeit von LKW schwankt im Tages- und Wochenverlauf
  • Montag und Dienstag sind mehr Kundenbestellungen abzuarbeiten als an den anderen Wochentagen
2 Diagnostic Analytics Ursachen für Zusammenhänge
  • Die Produktqualität schwankt saisonal und im Tagesverlauf, weil die Qualität ab einer Temperatur von 30 °C sinkt
  • Die Fahrzeit der LKW schwankt aufgrund des höheren Verkehrsaufkommens morgens und abends und ggf. Montag und Freitag
  • Die Bestellungen sind höher, da die Kunden vermehrt am Wochenende bestellen
3 Predictive Analytics Modelle für zukünftiges Verhalten
  • Der erwartete Ausschuss in der Produktion
  • Die voraussichtliche Fahrzeit auf einer bestimmten Strecke an einem bestimmten Tag zu einer bestimmten Zeit
  • Die erwarteten Bestellmengen für die nächsten Wochen pro Wochentag
4 Prescriptive Analytics Zukünftige Entscheidungsmöglichkeiten werden simuliert und die beste Handlungsalternative gewählt
  • Wann sollte eine Wartung der Produktionsmaschinen durchgeführt werden, damit die Produktqualität die gegebenen Anforderungen erfüllt
  • Wann muss der LKW losfahren, um alle Ziele pünktlich zu erreichen
  • Wie viele Produkte müssen vorgehalten werden um out-of-stock Situationen zu vermeiden und wie viele Ressourcen werden benötigt um die Bestellungen möglichst schnell abarbeiten zu können

Präskriptive Analytik in der Entscheidungsunterstützung

Abbildung 2 zeigt die wesentlichen Komponenten eines präskriptiven Systems. Die Basis wird durch die gesammelten Daten aus unterschiedlichen Datenquellen gebildet. Aus den Daten sowie dem vorhandenen Expertenwissen werden die notwendigen Modelle (Prognosemodell und Entscheidungsmodell) erstellt. Anhand dieser Modelle können dann unterschiedliche Szenarien bewertet werden und die Entscheidungsträger die beste Entscheidung treffen.

Hier ist ein System zur Entscheidungsunterstützung dargestellt, d.h. das System bewertet unterschiedliche Szenarien, letztlich wird die Entscheidung allerdings vom Verantwortlichen getroffen. Wird die Entscheidung vom System getroffen, dann spricht man von einer Entscheidungsautomatisierung.

Abbildung 2: Komponenten eines präskriptiven Systems

Welche Methoden stehen zur Verfügung

Für die Umsetzung von präskriptiven Modellen stehen Methoden aus unterschiedlichen Disziplinen zur Verfügung. Das Konzept der präskriptiven Analytik schreibt dabei keine bestimmten Methoden vor. Überwiegend werden Methoden aus der Künstlichen Intelligenz eingesetzt. Dabei liegt der Schwerpunkt auf Machine Learning und Data Miningstatistischen Analysemethodenmathematischer Programmierung und Simulation. Die Auswahl geeigneter Methoden hängt sehr stark von den verfügbaren Daten, den Rahmenbedingungen und vor allem auch von den Zielen ab (white-box vs. black-box Modelle, Integration von Expertenwissen, usw). Das verfügbare Methodenportfolio ist dabei so umfangreich, dass für viele Use-Cases geeignete Methoden eingesetzt werden können.

Fragestellungen und Anwendungsfälle

Neben den oben angeführten Beispielen gibt es zahlreiche unterschiedliche Anwendungsgebiete für präskriptive Analytik, wie beispielsweise die folgenden:

Ermittlung der Restkapazität

Wie viele Aufträge können noch produziert werden und wann werden diese Aufträge fertiggestellt?

Integrierte Produktions- und Tourenplanung

Wann sollen welche Aufträge produziert werden, damit die Kunden transportoptimal beliefert werden können?

Zusammensetzung der Rezeptur

Wie soll die Rezeptur (Mengenverhältnisse, Umgebungsbedingungen) aussehen, damit das Produkt bestimmte Kriterien erfüllt?

Digitaler Zwilling zur Entwicklung von Produktionsmaschinen

Wie soll die Produktionsmaschine genau ausgestaltet sein, damit der Betrieb möglichst effizient ist?

Preisfindung

Wie hoch soll der Preis für ein Produkt sein, damit eine breite Käuferschicht angesprochen wird und dabei der Deckungsbeitrag hoch bleibt?

Gesundheitsmanagement

Wie sind Platzierung, Durchmesser, Dauer und Intensität des Strahls bei der Strahlentherapie (optimal) zu wählen, damit die Schäden am umliegenden Gewerbe so gering wie möglich sind?

Der Weg zur präskriptiven Analytik

Für Unternehmen, die bereits eine große Datenbasis haben, bietet präskriptive Analytik die Chance, aus den bereits verfügbaren Daten zusätzlichen Wert zu generieren, indem die aus den Daten gewonnenen Erkenntnisse in die Planung einfließen. Unternehmen, die bis jetzt noch keine durchgängige Datenerfassung haben oder ihre Daten noch nicht für solche Aufgaben nutzen, haben die Möglichkeit, den Wert, den sie aus ihren Daten ziehen, schrittweise zu steigern. Die Stufen von der deskriptiven bis zur präskriptiven Analytik bauen aufeinander auf und bereits in der diagnostischen Analytik können (gemeinsam mit den Unternehmensexperten) wertvolle Erkenntnisse gewonnen werden. Dann können die nächsten Schritte geplant werden, um den Weg hin zur präskriptiven Analytik erfolgreich gestalten zu können.

Die RISC Software GmbH unterstützt Sie auf jeder Stufe des Prozesses, größtmöglichen Wert aus Ihren Daten zu generieren.

Weiterführende Informationen und Artikel:

Autor

Michael Bögl

DI Dr. Michael Bögl ist Mathematical Optimization Specialist in der Unit Logistics Informatics.

Diesen Beitrag mit Ihrem Netzwerk teilen: