18.02.2021
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.
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.
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):
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 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.
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 Mining, statistischen Analysemethoden, mathematischer 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.
Neben den oben angeführten Beispielen gibt es zahlreiche unterschiedliche Anwendungsgebiete für präskriptive Analytik, wie beispielsweise die folgenden:
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.
DI Dr. Michael Bögl ist Mathematical Optimization Specialist in der Unit Logistics Informatics der RISC Software GmbH.
RISC Software GmbH
Softwarepark 35
4232 Hagenberg
www.risc-software.at
Das könnte Sie auch interessieren: