Realtime Business Intelligence

Echtzeit-BI bringt Firmen Vorteile im Wettbewerb

19.03.2013
Von 
Dr. Ilias Ortega arbeitet als Lead Manager bei der ELCA Informatik AG in Zürich. Er ist promovierter Betriebswirtschafter der Universität St. Gallen und diplomierter Ingenieur der ETH Zürich.

Das Prognosemodul

Für die Vorhersage von einzelnen Indizes, zum Beispiel für Umsatzprognosen, setzt man meist auf statistische Verfahren. Andere Fragen lassen sich beispielsweise durch neuronale Netze oder Cluster-Analysen beantworten. Das Prognosemodul wird so konfiguriert, dass bei Überschreitung definierter Schwellwerte automatische Warnmeldungen ausgelöst werden. Damit kann das Management ohne Zeitverlust wichtige Entscheidungen treffen.

Da eine einzelne Prognosemethode für ein gegebenes Problem oft nicht ausreicht, wählt man in der Praxis meist ein kombiniertes Vorgehen: Anstelle eines einzigen Prognosemodells werden mehrere parallel eingesetzt. Dieses hybride Prognosemodell löst Abweichungen und Widersprüche zwischen den Einzelergebnissen. Dabei kommen folgende Methoden zum Einsatz:

  • Stimmenmehrheit bei einer Abstimmung,

  • gewichtete Mittelwerte.

Die Abbildung zeigt den Entscheid zwischen mehreren Prognosemodellen auf der Basis von Abstimmungen beziehungsweise gewichteten Mittelwerten.

Unter hohem Zeitdruck ist es jedoch nicht immer möglich, mehrere Prognosemodelle parallel zu berechnen und zu konsolidieren. In solchen Fällen helfen definierte Regeln, nach denen automatisch ein geeignetes Modell ausgewählt und eine Prognose berechnet wird. Die Abbildung auf der nächsten Seite zeigt ein solches regelbasiertes, hybrides Prognosemodell.

Das Anpassungsmodul

Anpassungsfähige Systeme sind in der Lage, sich automatisch an veränderte Umstände anzupassen. Dazu zählen beispielsweise:

  • Ein Sessel mit flexibler Form, der sich dem individuellen Sitzverhalten anpasst.

  • Eine Internet-Verkaufsplattform, die Shopping-Vorschläge nach dem bisherigen Kauf- und Suchverhalten ihrer Kunden unterbreitet.

Den Unterschied zwischen prognostizierten und aktuellen Daten bezeichnet man als Fehler. Effiziente Prognosemodelle weisen nur geringe Fehler auf. Dafür sorgt das Anpassungsmodul, das Prognosefehler durch Anpassung verschiedener Parameter innerhalb der Prognosemodelle auf ein Minimum reduziert. Die Parameter können in regelmäßigen Zeitabständen (zum Beispiel monatlich oder quartalsweise) von Hand modifiziert werden. Effizienter ist es jedoch, die verschiedenen Parameter automatisch (zum Beispiel täglich) über ein dediziertes Anpassungsmodul zu aktualisieren.