Predictive Analytics Tools

Datenanbindung

Die erste Frage im Alltag lautet: Kommt das Tool an deine Daten heran? Predictive Analytics ist wertlos ohne Datenzufluss. Prüfe, welche Schnittstellen es mitbringt, ob es deine Warenwirtschaft, dein CRM oder deine Datenbank anzapfen kann und ob das über eine fertige Anbindung läuft oder über manuellen Export. Ein Tool, bei dem du jede Woche CSV-Dateien von Hand hochlädst, wird nach vier Wochen nicht mehr benutzt.

Modellierung ohne Doktortitel

Es gibt zwei Welten. Die eine erwartet, dass du Data Scientist bist und Modelle selbst baust. Die andere bringt fertige Modelle mit, die du nur noch mit deinen Daten fütterst. Für die meisten Betriebe ohne eigenes Analyseteam ist die zweite Welt die richtige. Achte darauf, ob das Tool erklärt, wie es zu einer Vorhersage kommt, oder ob es eine Blackbox ist. Wenn du dem Ergebnis nicht vertrauen kannst, triffst du keine Entscheidung damit.

Nachvollziehbarkeit der Prognose

Ein gutes Tool zeigt dir nicht nur einen Wert, sondern auch eine Spanne und eine Angabe, wie sicher es sich ist. "Nächste Woche 400 bis 480 Stück, mittlere Sicherheit" ist brauchbar. Eine einzelne Zahl ohne Kontext verleitet zu Fehlentscheidungen, weil sie eine Genauigkeit vortäuscht, die es nicht gibt.

Ausgabe und Weiterverarbeitung

Die Prognose muss dahin, wo gearbeitet wird. Kann das Tool Ergebnisse in deine bestehende Umgebung zurückspielen, etwa als Bestellvorschlag in die Warenwirtschaft? Oder bleibt alles in einem eigenen Dashboard, das niemand öffnet? Der Alltag entscheidet sich daran, ob die Vorhersage im Arbeitsablauf auftaucht oder ob man sie extra suchen muss.

Alarme und Schwellen

Hilfreich ist die Möglichkeit, Schwellen zu setzen. Wenn die vorhergesagte Nachfrage stark von der Planung abweicht, soll das Tool eine Meldung schicken. So musst du nicht täglich reinschauen, sondern wirst nur bei relevanten Abweichungen aktiv.

Die wichtigste Frage stellst du dir vor jeder Demo: Welche eine Entscheidung soll das Tool verbessern? Nicht "wir wollen datengetriebener werden", sondern konkret "wir wollen die Nachbestellmenge für Artikelgruppe X treffsicherer machen". Ohne diese konkrete Frage vergleichst du Tools nach Funktionslisten, und die sagen dir nichts über den Nutzen.

Lass die Software in der Demo von der Person bedienen, die später damit arbeitet, nicht vom Chef und nicht vom Vertriebsmitarbeiter des Anbieters. Wenn deine Disponentin nach zwanzig Minuten nicht versteht, wo sie die Prognose abliest, ist das ein Ergebnis, kein Detail.

Bringe eigene Daten in die Testphase mit. Jede Software sieht mit den aufbereiteten Beispieldaten des Anbieters gut aus. Interessant wird es mit deinen echten Daten, die Lücken haben, uneinheitlich benannt sind und Sonderfälle enthalten. Bitte darum, einen echten Ausschnitt deiner Historie durchrechnen zu lassen, und vergleiche die Prognose mit dem, was tatsächlich passiert ist.

Wer betreut das intern

Kläre vor dem Kauf, wer im Betrieb verantwortlich ist. Ein Predictive-Analytics-Tool braucht Pflege: Daten müssen aktuell bleiben, Modelle müssen bei veränderten Bedingungen angepasst werden. Wenn du niemanden benennen kannst, der sich darum kümmert, ist der Zeitpunkt für die Anschaffung noch nicht gekommen.

Datenqualität ehrlich einschätzen

Schau dir vorher an, wie deine Daten wirklich aussehen. Fehlende Werte, doppelte Einträge, Zeiträume ohne Erfassung: All das schwächt jede Vorhersage. Ein Tool kann fehlende Datenqualität nicht heilen, es rechnet nur mit dem, was da ist.

Der Lizenzpreis ist selten der größte Kostenblock, deshalb solltest du ihn nicht isoliert betrachten. Übliche Modelle in dieser Kategorie sind: Abrechnung pro Nutzer und Monat, Abrechnung nach verarbeitetem Datenvolumen oder Rechenaufwand, und Paketpreise mit einer festen Grundgebühr plus Zusatzkosten je nach Nutzung. Gerade das Modell nach Datenvolumen kann unangenehm werden, wenn deine Datenmenge wächst, denn die Kosten steigen mit.

Was oft vergessen wird

Die Einführung kostet Zeit und meistens Geld. Datenanbindung, erste Modellkonfiguration und Schulung sind Aufwand, der einmalig anfällt, aber real ist. Rechne auch die interne Zeit ein: Jemand aus deinem Betrieb sitzt in Workshops, bereitet Daten auf und testet. Diese Stunden tauchen auf keiner Rechnung des Anbieters auf, sind aber echte Kosten.

Laufend kommen dazu: Support, der bei manchen Anbietern extra kostet, Updates, die je nach Vertrag inklusive sind oder nicht, und die Pflege durch deine eigene Person. Frage konkret, was im Preis enthalten ist und was zusätzlich berechnet wird. Besonders bei Support und Schulung lohnt sich das Nachhaken.

Frag nach dem zweiten und dritten Jahr

Manche Angebote sind im ersten Jahr günstig und ziehen danach an. Lass dir die Konditionen für die Folgejahre schriftlich geben und kläre, wie sich der Preis bei wachsendem Datenvolumen oder mehr Nutzern verhält. Rechne dir die Gesamtkosten über drei Jahre aus, nicht nur den Einstiegspreis.

Das Tool vor der Frage kaufen

Der häufigste Fehler: Ein Betrieb kauft das Tool, weil ein Wettbewerber angeblich sowas nutzt, und sucht danach nach einem Anwendungsfall. Das läuft fast immer ins Leere. Die Software steht ungenutzt herum, weil niemand weiß, welche Entscheidung damit verbessert werden soll.

Der Prognose blind vertrauen

Ein anderer Klassiker: Die erste Vorhersage kommt, sieht plausibel aus, und ab da wird sie wie ein Naturgesetz behandelt. Predictive Analytics rechnet mit Mustern der Vergangenheit. Ändert sich etwas grundlegend (ein neuer Wettbewerber, eine Gesetzesänderung, eine Pandemie), liegt das Modell daneben, ohne es zu merken. Du brauchst immer einen Menschen, der die Ergebnisse gegen die Realität hält.

Daten aus vielen Quellen ohne Abgleich

Ein Betrieb speist Verkaufsdaten aus dem Onlineshop und aus dem Ladenkassensystem ein, aber die Artikelnummern stimmen nicht überein. Das Tool rechnet fleißig, das Ergebnis ist Mist, und niemand merkt es sofort. Bevor du Daten zusammenführst, muss klar sein, dass sie zueinander passen.

Niemand ist zuständig

Das Projekt wird eingeführt, der Berater geht, und danach kümmert sich niemand. Modelle veralten, Daten laufen aus dem Ruder, und nach einem halben Jahr traut niemand mehr den Zahlen. Ohne feste Zuständigkeit stirbt das Tool einen leisen Tod.

Zu groß anfangen

Manche wollen gleich den ganzen Betrieb durchdringen. Besser ist ein einzelner, klar umrissener Anwendungsfall, an dem du lernst, ob das Tool und der Anbieter halten, was sie versprechen. Erst wenn der erste Fall läuft, weitest du aus.

Sobald personenbezogene Daten ins Spiel kommen, gilt die DSGVO. Das betrifft dich zum Beispiel, wenn du Kundenverhalten vorhersagst oder Mitarbeiterdaten auswertest. Du brauchst eine Rechtsgrundlage für die Verarbeitung, du musst den Zweck festlegen und darfst nicht mehr Daten verwenden, als für diesen Zweck nötig ist. Prüfe, ob sich der Anwendungsfall auch mit anonymisierten oder aggregierten Daten umsetzen lässt, das entschärft viele Fragen.

Auftragsverarbeitung

Wenn der Anbieter deine Daten in seiner Cloud verarbeitet, brauchst du einen Vertrag zur Auftragsverarbeitung. Kläre, wo die Daten gespeichert werden. Server innerhalb der EU sind einfacher zu handhaben als solche in Drittländern, für die zusätzliche Garantien nötig sind. Lass dir das schriftlich geben, nicht mündlich zusichern.

Automatisierte Entscheidungen

Die DSGVO setzt Grenzen bei Entscheidungen, die ausschließlich automatisiert getroffen werden und eine Person rechtlich oder erheblich beeinträchtigen. Wenn ein Modell etwa über Kreditwürdigkeit oder ähnlich Wichtiges mitentscheidet, gelten besondere Anforderungen. Für viele betriebliche Prognosen (Nachfrage, Lagerbestand) ist das kein Thema, sobald es aber um Menschen geht, solltest du rechtlichen Rat einholen.

Mitbestimmung

Setzt du Predictive Analytics auf Daten ein, die Mitarbeiter betreffen (etwa Leistungs- oder Anwesenheitsdaten), hat in Deutschland der Betriebsrat mitzureden. Hol ihn früh dazu, nicht erst nachdem der Vertrag unterschrieben ist. In Österreich und der Schweiz gelten eigene Regeln, die du im Einzelfall prüfen musst.

Dieser Abschnitt ersetzt keine Rechtsberatung. Bei personenbezogenen Daten und automatisierten Entscheidungen solltest du deinen Datenschutzbeauftragten oder einen Fachanwalt einbeziehen.

Schritt 1: Anwendungsfall festlegen

Schreibe in einem Satz auf, welche Entscheidung du verbessern willst und wer sie heute trifft. Wenn du das nicht in einem Satz kannst, ist der Fall noch nicht scharf genug.

Schritt 2: Datenlage prüfen

Schau nach, ob du für diesen Fall überhaupt genug Historie hast und ob die Daten sauber sind. Ein Blick in die Rohdaten sagt dir mehr als jede Anbieterpräsentation.

Schritt 3: Verantwortliche Person benennen

Lege fest, wer das Tool intern betreut, testet und die Ergebnisse liest. Ohne Namen kein Projekt.

Schritt 4: Zwei bis drei Tools mit eigenen Daten testen

Wähle eine kleine Auswahl aus dem Vergleich oben und lass jeden Kandidaten mit einem echten Ausschnitt deiner Daten rechnen. Vergleiche die Prognose mit dem, was tatsächlich eingetreten ist.

Schritt 5: Bedienung von der richtigen Person prüfen lassen

Die spätere Anwenderin bedient das Tool in der Demo selbst. Notiere, wo sie hängt und was sie nicht versteht.

Schritt 6: Gesamtkosten über drei Jahre rechnen

Addiere Lizenz, Einführung, Support, Schulung und interne Zeit. Frag nach den Konditionen für die Folgejahre und nach dem Verhalten bei wachsendem Volumen.

Schritt 7: Compliance klären

Prüfe, ob personenbezogene Daten betroffen sind, hol bei Bedarf Datenschutz und Betriebsrat dazu und lass dir den Vertrag zur Auftragsverarbeitung geben.

Schritt 8: Klein starten, dann ausweiten

Setze den ersten Anwendungsfall um, lass ihn ein paar Wochen laufen und bewerte ehrlich, ob er hält. Erst danach denkst du über den nächsten Fall nach.

Wenn du diese acht Schritte durchgehst, kaufst du kein Tool auf gut Glück, sondern triffst eine Entscheidung, die du hinterher begründen kannst. Genau darum geht es.