Schneller sein als der neue Feind

Teil 1 des Interviews mit Gernot Molin: Obwohl die pmOne Analytics GmbH gerade erst ihren ersten Geburtstag gefeiert hat, gibt es schon viel zu berichten aus der noch jungen Firmengeschichte.

40 spannende Projekte, unter anderem bei Eurowings, ThyssenKrupp oder der TUIfly; mit Wundermailing das erste Produkt auf den Markt gebracht; Präsenz auf einschlägigen Fachkonferenzen wie der dmexco sowie diverse Nominierungen und auch Platzierungen bei innovativen Awards. Das ist der Anlass für ein Interview mit Geschäftsführer Gernot Molin, der im ersten Teil berichtet, mit welchen Wünschen  Kunden an die pmOne Analytics GmbH herantreten, weshalb die Erfolgsaussichten in den Projekten heute viel besser sind als noch vor einigen Jahren und warum es in diesem Geschäft einer besonderen Vertrauensbasis zwischen Kunden und Dienstleister bedarf.

 

Predictive Analytics beschäftigt sich mit der Vorhersage künftiger, noch unbekannter Ereignisse auf Basis von historischen Daten. Worin besteht der Unterschied zu Data Mining? Ist es am Ende nur ‚alter Wein in neuen Schläuchen‘?

Gernot Molin

Gernot Molin

Es ist insofern ein neuer Schlauch mit altem Wein, als dass es immer noch um Statistik geht. Der zentrale Unterschied liegt für mich im technischen Unterbau, der für die Verarbeitung großer Datenmengen, Skalierbarkeit und Komplexitätsreduktion sorgt. Auf 100 Terabyte an Daten kann ich aus zeittechnischen Gründen nicht die gleichen Algorithmen fahren wie auf 20 Datenpunkten. Insofern ist es in dieser Forschungsdisziplin wichtig, die Informatik zu integrieren, ebenso wie die neueren Erkenntnisse aus der Mathematik. So viel zur technischen Seite.

 

Wie sieht es auf der Anwendungsseite aus?

Hier steht heute eine nutzenbezogene, iterative Herangehensweise im Vordergrund: Mit dem Proof-Of-Concept-Ansatz kommt man viel schneller zu Ergebnissen. Bei den riesengroßen Projekten in den 90ern und im letzten Jahrzehnt wurde Software für viele 100.000 Euro erworben, und es sind zum Teil Millionenbeträge in Projekte geflossen, um nach fünf Jahren Laufzeit festzustellen, dass es gar nicht funktioniert. Heute errechnet man mit wenig Aufwand einen Business Case und weiß relativ schnell, ob es funktioniert. Ist das erst mal erwiesen, wird zudem errechnet, ab wann es sich lohnt und wie viel Einsatz erforderlich ist.

 

Es hat sich also einiges getan auf der prozessualen Ebene. Natürlich hat man auch viel mehr Erfahrung gewonnen und die Tools haben sich weiterentwickelt. Die Kunden haben viel bessere Systeme im Einsatz, was zu einer besseren Datenqualität geführt hat. Und nicht zuletzt ist dank Cloud die nötige Rechenpower problemlos verfügbar.

 

Wer hat den größten Nutzen beim Einsatz von Predictive Analytics?

Den größten Nutzen von Predictive Analytics haben Unternehmen, die es schaffen, über den Tellerrand hinauszuschauen und sich als Firma weiterzuentwickeln, indem sie neue Geschäftsmodelle etablieren.

 

Womit sind Sie konkret beim Kunden konfrontiert?

Die Themen, die unsere Kunden interessieren, lassen sich in zwei große Blöcke einteilen: Zum einen geht es bei Customer Analytics darum, die Endkunden besser zu verstehen. Weg von der Einzelbetrachtung wird die gesamte Kundenbasis in Segmente unterteilt, aggregiert und nach typischen Verhaltensmustern analysiert. Auf diese Weise ist es möglich, die Bedürfnisse von Kunden oder auch Abwanderungssignale zu identifizieren und bestmöglich darauf zu reagieren – letztendlich also das, was man im klassischen Marketing schon lange anstrebt. Mit den neuen Methoden hat man allerdings die Möglichkeit, das Ganze aus den Daten heraus anzugehen.

 

Der zweite Themenblock, der gerade auch in Deutschland als Standort vieler produzierender Unternehmen relevant ist, ist Machine Analytics. Hier geht es darum, zum Beispiel mittels Auswertungen von Sensoren oder Fehlermeldungen den Zustand von Maschinen zu ermitteln, Prozesse zu optimieren, Ausfallzeiten zu minimieren und wartungskostenoptimiert zu agieren.

 

Was haben Unternehmen davon, wenn sie solche Verfahren einsetzen?

Unternehmen, die solche Analyse-Methoden einsetzen, profitieren ganz allgemein gesprochen von einer dynamischen Personalisierung sowie höheren Digitalisierungs- und Automatisierungsgraden. Damit lässt sich binnen kurzer Zeit ein Mehrwert generieren.

 

Wer nimmt Kontakt zu Ihnen auf und holt Sie ins Unternehmen?

Der Einstieg erfolgt in der Regel über das mittlere bis höhere Management, manchmal auch über den Firmenchef selber. C-Level oder Abteilungsleiter interessieren sich dafür, was sie datengetrieben tun können, um ihre Zahlen besser aufzubereiten. Natürlich müssen wir unter Beweis stellen, was technisch möglich ist. Viel wichtiger ist gerade diesen Entscheidern jedoch eine Renditerechnung, um später darlegen zu können, mit dem investierten Betrag x habe ich Betrag y, der viel höher ist, wieder reingeholt.

 

Welchen Abteilungen nehmen Ihre Dienste in Anspruch?

Eine bestimmte Abteilung lässt sich dabei nicht ausmachen, es ist eher wertschöpfungsgetrieben. Im Prinzip gibt es drei Schwerpunkte: Zum einen das Management, dann die verschiedenen Fachbereiche. Hier ist der Vertrieb, der meist eine sehr mächtige Stellung im Unternehmen hat, zu erwähnen, aber auch das Marketing. Diesen Fachbereichen geht es vorrangig um Kundengruppierung. Die dritte Gruppe, mit der wir häufig zu tun haben, sind die Business Development Manager, die wissen wollen, wie sie die vorliegenden Daten bestmöglich nutzen können.

 

Gibt es "Klassiker", die immer wieder verlangt werden?

Gernot Molin

Gernot Molin

Ja natürlich. Innerhalb der Säule der Customer Analytics gibt es einen großen Bedarf bei der Kundenabwanderungserkennung, also Customer Churn, Customer Lifetime Value oder Customer Segmentation. Diese Dinge haben sich in der Industrie inzwischen auch namentlich etabliert. Weg von der Einzelentwicklung versuchen wir das als Software-as-a-Service (SaaS) zu entwickeln.

 

Das gleiche gilt für den maschinenanalytischen Teil, wo es dann darum geht, Maschinengesundheit zu erkennen und Maschinenausfälle vorherzusagen, also Predictive Maintenance. Ein großes Thema ist auch Faulty Part Detection, also zu identifizieren, welche Teile fehlerhaft produziert werden oder welche nicht. Im Rahmen von Industrie 4.0 und der Digitalisierungswelle kann man gerade damit den Produktionsunternehmen riesengroße Gefallen erweisen.

 

Ist Predictive Analytics generell für alle Branchen interessant?

Gegenfrage: Welche Branche hat keine Kunden? Und wer hat keine Maschinen im Einsatz oder produziert sogar selber welche? Da dürften nur noch wenige Unternehmen übrig bleiben…

 

Warum sträuben sich viele Unternehmen hierzulande noch gegen Predictive Analytics?

Auch wenn das Investitionsvolumen gesunken ist, gibt es viele Unternehmen, die das Geld nicht ausgeben wollen. Gerade in Deutschland herrscht noch immer eine konservative Denkweise vor – man wartet lieber ab, bis sich das Neue etabliert hat. Allerdings ist auch ein gewisser Branchendruck spürbar: Nehmen wir den eher konservativen klassischen Mittelstand im Manufacturing-Bereich, der von allen Seiten eingetrichtert bekommt, dass er auch digitalisieren muss. Oder das Beispiel Versicherungen, die jetzt einfach gnadenlos von agilen, neuen Playern rechts und links überholt werden. Ähnlich läuft es im Finanzsektor. Da hilft eben nur schneller zu sein als der neue Feind.

 

Welche Bedenken haben diejenigen Unternehmen, die jetzt noch zögerlich sind?

Meine persönliche Einschätzung ist, dass es nicht an den Werkzeugen hapert. Ich denke eher, dass es die Angst vor Kosten ist, aber vor allem auch davor, einen zentralen Teil des eigenen Geschäfts offenlegen zu müssen. Denn der Dienstleister erfährt extrem viel über die Wertschöpfung seines Kunden. Wir arbeiten direkt an den Kernprozessen und sehen, wo es gut läuft und wo nicht. Dazu muss der Kunde bereit sein und uns das entsprechende Vertrauen entgegenbringen.

 

In Teil 2 des Interviews mit Gernot Molin, der in Kürze in diesem Blog veröffentlicht wird, geht es um den Einfluss von Cloud-Technologie auf Predictive Analytics, um die Bedeutung von Hadoop sowie Spark, wieviel Statistik-Kenntnisse ein Controller eigentlich haben muss und wie es um Gernot Molins persönliche Bereitschaft bestellt ist, Daten preiszugeben, um im Gegenzug Dienste nutzen zu können.

 

Alle Webinare zum Advanced Analytics finden Sie in der Gesamtliste der Webinare unter diesem Link.

 

 

Gernot Molin

Head of Advanced Analytics

pmOne Analytics GmbH

Gernot Molin ist Head of Advanced Analytics bei der pmOne AG sowie Geschäftsführer der pmOne Analytics GmbH. Vor mehr als 15 Jahren im Business-Intelligence-Markt gestartet, fokussiert er sich seit einiger Zeit auf Advanced Analytics und Big Data. Gefragt ist seine Fachkompetenz insbesondere bei Unternehmen, die eine konzernweite Big Data-Strategie entwickeln wollen sowie bei der Konzeption und Einführung von Lösungen im Umfeld Advanced Analytics und Data Science. Erfolgreiche Projekte hat Gernot Molin unter anderem bei runtastic, Roche, Novartis und Henkel realisiert.

https://www.pmone.com •  Blog-Beiträge von diesem Autor