Man stelle sich vor, ein Modeh\u00e4ndler wei\u00df im Voraus, welche Farben, Schnitte oder Gr\u00f6\u00dfen seine Kunden in der n\u00e4chsten Saison nachfragen werden. Man stelle sich vor, Arbeiter in der Fertigung wissen wann und warum eine Maschine in der Zukunft ausfallen wird \u2013 bevor dies passiert und bevor die Produktion deswegen angehalten werden muss. Man stelle sich vor, ein Versicherungsunternehmen kann pr\u00e4zise die Wahrscheinlichkeit vorhersagen, mit der ein neuer Kunde einen Verkehrsunfall verursachen wird \u2013 und was dieser die Versicherung kostet.<\/p>\n
All dieses Wissen \u00fcber die Zukunft w\u00fcrde es den betreffenden Unternehmen erlauben, bereits heute bessere Entscheidungen zu treffen und erfolgreicher zu sein. Aber wie l\u00e4sst sich die Zukunft vorhersagen?<\/p>\n
In der Vergangenheit haben einzelne Manager mit ihrer Branchenerfahrung und ihrem individuellen Gesp\u00fcr f\u00fcr Trends und Entwicklungen den Unterschied ausgemacht. Heutzutage \u00fcbernehmen dies moderne Verfahren der Datengewinnung und Datenanalyse. Indem Vergangenheitsdaten und statistische Verfahren, wie beispielsweise die Regressionsanalyse, eingesetzt werden, k\u00f6nnen Unternehmen zuk\u00fcnftige Entwicklungen besser prognostizieren. Diese wahrscheinlichen Szenarien k\u00f6nnen genutzt werden, um bessere Entscheidungen zu treffen \u2013 sei es in der Entwicklung von Produkten, der Festlegung von Preisen, der vorausschauenden Instandhaltung von Maschinen oder der Gewinnung neuer Kunden. In dem Kinofilm Moneyball, der auf einer realen Handlung basiert, gelingt es einem amerikanischen Baseball Team mit begrenztem Budget und einem damals unkonventionellen Ansatz f\u00fcr Furore zu sorgen. Das Management des Vereins setzte dabei auf kosteng\u00fcnstige Spieler, welche nach traditionellen Scouting-Verfahren eher schlecht abschnitten. Aufgrund einer Betrachtung komplexerer statistischer Kennzahlen gelang es dem Management jedoch, unterbewertete Spieler kosteng\u00fcnstig zu verpflichten und mit diesem Team sportlich sehr erfolgreich zu sein.<\/p>\n
Einige neuere Entwicklungen in den letzten Jahren, wie die zunehmende Digitalisierung von Gesch\u00e4ftsprozessen, haben daf\u00fcr gesorgt, dass Unternehmen die M\u00f6glichkeiten von Predictive Business Analytics besser nutzen k\u00f6nnen als in der Vergangenheit:<\/p>\n
Allerdings bergen diese neuen Ans\u00e4tze \u2013 wie jede andere Methode auch \u2013 einige Risiken in sich. Sie funktionieren nur, wenn Vergangenheitsdaten tats\u00e4chlich auch in entsprechender, analysierbarer Qualit\u00e4t vorliegen und das Potential haben, zuk\u00fcnftige Entwicklungen hinreichend zu beschreiben. Dies ist gl\u00fccklicherweise f\u00fcr viele Entscheidungen des t\u00e4glichen Managements der Fall. Bei grundlegenden Umw\u00e4lzungen in bestimmten Branchen oder neuartigen Gesch\u00e4ftsmodellen ist dies schwieriger. In manchen F\u00e4llen k\u00f6nnen Analysen basierend auf Vergangenheitsdaten sogar irref\u00fchrend sein. Dies gilt vor allem dann, wenn Kunden oder Wettbewerber ihre Angewohnheiten oder Verhaltensweisen schlagartig \u00e4ndern. Der Erfolg von Henri Fords Model T oder der \u201eCoffee-to-go\u201c Trend, der das Wachstum von Starbucks stark beeinflusst hat, w\u00e4re mit historischen Daten nicht prognostiziert worden. In einem derartigen Umfeld sind unternehmerische Intuition und eine vorausschauende Analyse des Marktes weiterhin von gro\u00dfer Wichtigkeit und Relevanz.<\/p>\n