Vorhersage einer Sterne-Wertung aus Bewertungstexten mobiler Apps

Full text

Einführung in die
Wirtschaftsinformatik
Claudia Lemke
Walter Brenner
Kathrin Kirchner
Band 2: Gestalten des digitalen Zeitalters

Einführung in die Wirtschaftsinformatik

Claudia Lemke • Walter Brenner •
Kathrin Kirchner
Einführung in die
Wirtschaftsinformatik
Band 2: Gestalten des digitalen Zeitalters

ISBN 978-3-662-53655-1 ISBN 978-3-662-53656-8 (eBook)
DOI 10.1007/978-3-662-53656-8
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte
bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
Springer Gabler
© Springer-Verlag GmbH Deutschland 2017
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht ausdrücklich
vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags. Das gilt ins besondere
für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikro verfilmungen und die Einspeicherung und Verar-
beitung in elektronischen Systemen.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt
auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Waren zeichen-
und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in diesem
Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag noch die Autoren oder
die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des Werkes, etwaige Fehler
oder Äußerungen.
Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier
Springer Gabler ist Teil von Springer Nature
Die eingetragene Gesellschaft ist Springer-Verlag GmbH Deutschland
Die Anschrift der Gesellschaft ist: Heidelberger Platz 3, 14197 Berlin, Germany
Claudia Lemke
Hochschule für Wirtschaft und Recht
(HWR Berlin)
Berlin, Deutschland
Walter Brenner
Institute of Information Management
University of St. Gallen
St. Gallen, Schweiz
Kathrin Kirchner
Hochschule für Wirtschaft und Recht
(HWR Berlin)
Berlin, Deutschland

Die Integration in den Kundenservice, wie im Beispiel beschrieben, liefert bereits heute
nützliche Ergebnisse. Gerade der Kundenservice, in dem die Themen der eingehenden
Post nicht sehr divers sind und so ein recht genaues Training erlauben, ist prädestiniert für
VROFKH.ODVVL¿NDWLRQVDOJRULWKPHQ
6.5 Anwendungsbereich3: Vorhersage einer Sterne-Wertung
aus Bewertungstexten mobiler Apps
Hermann Stolte und Dagmar Monett, Fachrichtung Informatik, Hochschule für
Wirtschaft und Recht Berlin, Berlin, Juli 2016
In diesem Abschnitt werden Vorhersagealgorithmen an einem Beispiel vorgestellt. Diese
versuchen auf Basis von Daten vorherzusagen, zu welcher Klasse ein Datensatz gehört,
für den diese Klasseninformation noch nicht bekannt ist. Das Modell, das zur Vorhersage
verwendet wird, kann zum Beispiel mit einem in Abschn. 6.4YRUJHVWHOOWHQ.ODVVL¿NDWL-
onsalgorithmus gelernt worden sein.
1. Problemstellung und Daten-Aufbereitung
6HLWGHU9HU|൵HQWOLFKXQJGHVL3KRQHVXQGGHU9RUVWHOOXQJGHV$SSOH$SS6WRUHV
LPGDUDX൵ROJHQGHQ-DKUKDEHQVLFKPRELOH$SSV]XHLQHUGHUZLFKWLJVWHQ3ODWWIRUPHQIU
digitale Consumer-Produkte etabliert. Ein Beispiel dafür ist eine Kennzahl27 des sozialen
Netzwerks Facebook vom Januar 2016, nach der 51,7 % (und damit mehr als die Hälfte)
GHU1XW]HU)DFHERRNDXVVFKOLHOLFKEHUPRELOH$SSVYHUZHQGHQREZRKOGDV1HW]ZHUN
ursprünglich nur als Website für PCs angeboten wurde.
(LQ0HUNPDOGDVKHXW]XWDJHKlX¿JPLWPRELOHQ$SSVLQ9HUELQGXQJJHEUDFKWZLUGLVW
die hohe Konkurrenz auf dem Markt. Sie rührt daher, dass es vergleichsweise einfach ist,
VHOEVWHLQHPRELOH$SS]XHQWZLFNHOQXQGYHU|൵HQWOLFKHQ
Deshalb ist es umso wichtiger für Unternehmen, die Erfolg mit ihren Apps haben möch-
ten, diese auch wirkungsvoll zu vermarkten. Eine der wichtigsten Kanäle dazu ist der zum
Betriebssystem gehörende Store (z. B. der Apple App Store oder der Google Play Store).
Dort kann der Nutzer neue Apps entdecken und diese auch direkt installieren. Eine App
wird dem Nutzer in einer Vorschauseite präsentiert, die neben Titel, Name des Entwick-
lers, Beschreibungstext und zugehörigen Medien wie Fotos und Videos auch die grobe
Anzahl der bisherigen Downloads, einen Aktualisierungsverlauf insbesondere mit dem
Datum der letzten Aktualisierung und eine Zusammenfassung der Nutzerbewertungen
(siehe Abb. 6.10) enthält.
27 Protalinski (2016).
. Anwendungsbereich: Vorhersage einer Sterne-Wertung aus Bewertungstexten 

Abb. 6.10 Screenshot des Bereichs „Bewertungen“ der Evernote App im Google Play Store.
(Google Play Store 2016)
Eine wichtige Grunderkenntnis für ein erfolgreiches Marketing einer App ist das Wissen,
welche der Informationen auf der Vorschauseite sich wie auf die Entscheidung des Nut-
zers auswirken, eine App auf seinem Gerät zu installieren. Eine umfangreiche Studie von
Apptentive28 stellte interessante Statistiken über Eigenschaften von Nutzerbewertungen
in diesem Kontext vor:
Laut der Studie lesen drei von vier Personen mindestens eine Bewertung, bevor sie eine
App installieren, und nur 12 % der Personen würden eine App installieren, die mit zwei
Sternen bewertet ist. Zudem ist es laut der Studie acht Mal wahrscheinlicher, dass eine gut
bewertete App einer unbekannten Marke installiert wird, als eine schlecht bewertete App
einer bekannten Marke. Ebenfalls würde jeder siebte zustimmen, dass eine Bewertung von
vier oder mehr Sternen zu einem positiven – und jeder zweite, dass eine negative Bewer-
tung zu einem negativen Eindruck der zugehörigen Marke führt.
Aus den Ergebnissen der Studie lässt sich schlussfolgern, dass die Anzahl und Polarität
(d. h. ob eine Bewertung eher positiv oder negativ ist) der Bewertungen einen nennenswerten
(LQÀXVVDXIGLH(QWVFKHLGXQJHLQHVSRWHQWLHOOQHXHQ1XW]HUVKDWHLQH$SSDXV]XSURELHUHQ
Viele positive Bewertungen führen dazu, dass mehr Nutzer dazu tendieren, die App selbst
]XLQVWDOOLHUHQ'LHVHU(൵HNWZLUGQRFKGDGXUFKYHUVWlUNWGDVV5DQNLQJ$OJRULWKPHQLQGHQ
28 6H൵HUPDQ2016).
 Algorithmen im Alltag von Managern

Stores Apps mit vielen guten Bewertungen üblicherweise höher einstufen als andere Apps.
Als Folge daraus werden solche Apps z. B. in Suchergebnissen vor anderen Apps gelistet.
Vor diesem Hintergrund wird in diesem Unterkapitel das folgende Fallbeispiel betrachtet:
Die Marketingabteilung eines Unternehmens, das eine mobile App anbietet, möchte die
Bewertungen seiner App im Store verbessern. Um dieses Ziel zu erreichen sollen aktive
und zufriedene Nutzer motiviert werden, eine (voraussichtlich positive) Bewertung zu
KLQWHUODVVHQ$XHUGHPVROOGHU%HZHUWXQJVSUR]HVVLP9RUDXVZHLWHUYHUHLQIDFKWZHUGHQ
indem automatisch aus dem Bewertungstext eine passende Sternbewertung vorgeschlagen
ZLUG:HQQHLQHJURH$Q]DKOYRQ%HZHUWXQJVWH[WHQPLWHLQHU6WHUQHEHZHUWXQJYRUOLHJW
kann ein Algorithmus lernen, welche Formulierungen zu einer Bewertung mit fünf, vier
oder nur einem Stern geführt haben. Gibt ein Benutzer einen neuen Bewertungstext für
eine App ein, dann kann dieser Algorithmus auf Grund des gelernten Modells vorhersagen,
welche Sternebewertung zu diesem neuen Text passt. Dadurch kann verhindert werden,
dass ein Benutzer einen sehr positiven Bewertungstext schreibt, aber dann zum Beispiel
QXU6WHUQHYHUJLEW'LHVFKOHFKWHUH%HZHUWXQJEHHLQÀXVVWGLHGXUFKVFKQLWWOLFKH6WHUQHEH-
wertung der App und führt damit dazu, dass neue Benutzer sich diese App dann auf Grund
der schlechteren Bewertung nicht herunterladen. Daraus ergibt sich konkret die folgende
Problemstellung:
Fragestellung: Entwickle einen Algorithmus zur Vorhersage einer passenden
numerischen Stern-Bewertung (1–5) zu einem neuen Bewertungstext!
Die Grundidee bei der Vorhersage einer Stern-Bewertung aus einem Text ist es, zunächst
HLQHQJURHQ'DWHQVDW]YRQ%HZHUWXQJHQPLW]XJHRUGQHWHU6WHUQ%HZHUWXQJ]XEHVFKDI-
fen. Optional können die einzelnen Texte auch noch vorverarbeitet werden, um den Text
DQVFKOLHHQGEHVVHUPLW$OJRULWKPHQDXWRPDWLVLHUWYHUDUEHLWHQ]XN|QQHQ,QHLQHU$QDO\-
sephase wird dann nach Attributen des Textes gesucht, anhand deren sich die Stern-Bewer-
tung möglichst gut vorhersagen lässt. Werden solche Attribute gefunden, können sie auch
bei einem neuen Text ohne Stern-Bewertung verwendet werden, um diese vorherzusagen.
Abb. 6.11 Auszug aus dem Datensatz von Bewertungen
. Anwendungsbereich: Vorhersage einer Sterne-Wertung aus Bewertungstexten 

Im ersten Schritt muss das Unternehmen also einen Datensatz aus Bewertungstexten und
]XJHK|ULJHQ6WHUQEHZHUWXQJHQEHVFKD൵HQ%HLP7H[W0LQLQJZLUGHLQVROFKHU'DWHQVDW]
auch Korpus genannt. Ein Korpus kann beispielsweise über eine Schnittstelle zu einem App
Store zusammengetragen werden. Grundsätzlich ist es sinnvoll, auch Bewertungen anderer
Apps (z. B. der gleichen Kategorie) mit in den Korpus aufzunehmen, da es im Allgemeinen
mit mehr Daten möglich ist, bessere Ergebnisse mit fortgeschrittenen Vorhersagealgorith-
men zu erhalten. Das Unternehmen entscheidet sich dafür, die Open-Source -Schnittstelle
„android-market-api“29 für die Erstellung des Korpus zu verwenden. Mit Hilfe einer
Crawler-Software, die über einen längeren Zeitraum automatisiert Bewertungen über
die Schnittstelle herunterlädt, erhält das Unternehmen einen Korpus als CSV-Datei (engl.
Comma Separated Values) mit der (vereinfachten) Struktur aus Abb. 6.11.
Mit diesem Korpus kann noch nicht direkt in die Analysephase übergegangen werden, da
aus dem reinen Text nicht einfach mathematische Attribute abgeleitet werden können, die
Rückschlüsse auf die Stern-Bewertung zulassen. Stattdessen muss der Korpus vorverarbeitet
ZHUGHQVRGDVV SRVLWLYH QHXWUDOHXQGQHJDWLYHbXHUXQJHQGHU%HZHUWXQJVWH[WHHLQ]HOQ
vorliegen. Dazu müssen auch subjektivebXHUXQJHQTXDOLWDWLYH%HZHUWXQJHQYRQobjek-
tivenbXHUXQJHQEHUAspekte, wie konkrete Funktionalitäten der App, Design, Stabilität
usw.) getrennt werden. Ein solcher Verarbeitungsschritt wird auch als (Text-)Annotation
bezeichnet. Für die Umsetzung nutzt das Unternehmen entsprechende Verfahren30 aus dem
Gebiet der maschinellen Sprachverarbeitung. Das Ergebnis des Annotationsprozesses ist ein
den Korpus ergänzender Datensatz mit der Struktur (vereinfacht) aus Abb. 6.12.
Abb. 6.12 Auszug aus dem Datensatz von annotierten Bewertungen
29 Google Code (2016).
30 Grundsätzlich wird oft so vorgegangen, dass ein kleiner Teil des Korpus manuell annotiert wird
und der Rest mit Hilfe maschinellen Lernens vorhergesagt wird.
 Algorithmen im Alltag von Managern

Mit diesen Daten kann das Unternehmen nun den Zusammenhang von Sternbewertungen
und subjektiven Phrasen untersuchen.
2. Datenanalyse
Der Datensatz unseres Fallbeispiels enthält 1661 Bewertungen zu 129 Apps aus verschiede-
nen Kategorien. In einem realen Projekt ist es allerdings durchaus denkbar, dass ein Korpus
mit mehreren Millionen Bewertungen verwendet wird.
Insgesamt gibt es 6398 Phrasen, von denen 3927 bei der Annotation als subjektive
Phrasen kategorisiert wurden. Die Tabelle aus Abb. 6.13 zeigt die allgemeine Verteilung
der Stern-Bewertungen im Datensatz.
Abb. 6.13 Verteilung der Stern-Bewertungen im Korpus
Betrachtet man Bewertungen mit 4–5 Sternen als positive und Bewertungen mit 1–2 Sternen
als negative Bewertungen, dann sind über zwei Drittel der Bewertungen im Korpus positiv
(69,4 %) und nur etwa ein Viertel negativ (23,3 %). Im Vergleich dazu ist der Anteil positiver
VXEMHNWLYHU3KUDVHQHWZDVNOHLQHU'DUDXVOlVVWVLFKVFKOLHHQGDVV%HZHUWXQJHQ
im Allgemeinen etwas positiver ausfallen, wenn sie als numerische Stern-Wertung gegeben
werden, als wenn sie (bezogen auf bestimmte Aspekte) als Text formuliert werden.
Für die Vorhersage müssen ein oder mehrere numerische Attribute aus dem Korpus
abgeleitet werden, sodass aus diesen mittels eines Vorhersagealgorithmus die numerische
Stern-Wertung ermittelt werden kann. Eine solche Menge von einem oder mehreren Attri-
buten wird auch als (Vorhersage-)Modell bezeichnet.
Ein mögliches Modell ergibt sich aus der Idee, jeder subjektiven Phrase anhand ihrer Pola-
rität eine Stern-Wertung zuzuordnen. Im Beispiel der Bewertung 105 (siehe Abb. 6.12) wür-
den die positiven Phrasen „Gute“ und „super“ den Wert 5 und die negative Phrase „könnte ein
paar neue“ den Wert 1 zugeordnet bekommen. Der Durchschnitt der Werte für alle Phrasen,
die zur Bewertung gehören, ist dann das Attribut. Dieses Modell wird als Polaritäten-Durch-
schnitt bezeichnet. Für die Bewertung 105 ergibt sich damit der Polaritäten-Durchschnitt
von 3,66, was aufgerundet zu 4 der tatsächlichen Stern-Wertung entspricht.
Ein anderes Modell wäre es, die Anzahl positiver und die Anzahl negativer Phrasen
als je ein Attribut für die Vorhersage zu verwenden. Dieses Modell ist im Folgenden als
Polaritäten-Anzahl bezeichnet.
. Anwendungsbereich: Vorhersage einer Sterne-Wertung aus Bewertungstexten 

Indem der 3HDUVRQ.RUUHODWLRQVNRH൶]HQW p zwischen dem Polaritäten-Durchschnitt
und den tatsächlichen Stern-Wertungen für den gesamten Datensatz berechnet wird, kann
statistisch der lineare Zusammenhang zwischen diesen Kennzahlen abgeschätzt werden.31
,P)DOOEHLVSLHOOLHJWGDV0DEHLFLUFDS ZDVIUHLQHQVWDUNHQOLQHDUHQ=XVDPPHQ-
hang zwischen den beiden Variablen spricht. Darauf basierend ist die lineare Regression
32
,
die von einem solchen linearen Zusammenhang zwischen Variablen ausgeht, ein geeigneter
Vorhersagealgorithmus für das Fallbeispiel. Die Vorgehensweise bei der linearen Regres-
sion lässt sich im Allgemeinen in vier Schritte unterteilen:
 =XIlOOLJHV$XIWHLOHQGHV'DWHQVDW]HVLQ]ZHL7HLOH]%LP9HUKlOWQLV'HUJU|HUH
Teil wird benutzt, um den Algorithmus zu trainieren (Traininingsdatensatz) und der
kleinere Teil, um den trainierten Algorithmus zu testen (Testdatensatz).
2. Den Algorithmus darin trainieren, das Label y (hier die Stern-Wertung) aus dem/den
Attribut(en) x mit der Hypothese
h‚.
x
/.
j
/
vorherzusagen. D. h., die Hypothese be-
rechnet die Vorhersage der Stern-Wertung aus einem Zusammenhang zwischen den
Polaritäten der subjektiven Phrasen. Bei einem linearen Zusammenhang hat das Re
-
gressionsmodell folgende typische, allgemeine Struktur:
a. h‚.
x
/=‚0x0+‚1x1+:::+‚nxn;
wobei als Konvention
x0
=
1
gilt und n die Anzahl der Attribute ist. Beim Modell Pola-
ritäten-Anzahl und der Bewertung 105 würde die Hypothesenfunktion dann beispiels-
weise wie folgt aussehen:
b.
h
‚.
x
/.105/
=
‚0
+
‚1
2+
‚2

1,
mit
x1
=
2
Anzahl von Phrasen mit positiver Polarität und
x2
=
1
Anzahl von Phrasen
mit negativer Polarität, die für die Bewertung 105 annotiert wurden (siehe Abb. 6.12).
Um die Parameter
‚0
,
‚1
und
‚2
zu ermitteln, wird die sogenannte Kostenfunktion
c.‚/
PLQLPLHUW6LHLVWHLQ0DIUGHQ)HKOHULQGHU9RUKHUVDJH
c.
c.‚/ =1
2m
m
X
j=1
h‚.x/.j/− y.j/2
,
31 'HU3HDUVRQ.RUUHODWLRQVNRH൶]LHQWLVWHLQ0DIUGHQ*UDGGHVOLQHDUHQ=XVDPPHQKDQJV]ZL-
schen zwei mindestens intervallskalierten Variablen. Er kann Werte zwischen +1 (starker positiver
=XVDPPHQKDQJELV íVWDUNHUQHJDWLYHU=XVDPPHQKDQJ KDEHQ+DWHUGHQ :HUWEHVWHKWJDU
kein Zusammenhang zwischen den beiden Variablen.
32
Für tiefergehende Informationen zu linearer Regression und ähnlichen Algorithmen wird der
Online-Kurs „Machine Learning“ der Stanford University auf der Plattform Coursera empfohlen.
Mehr Informationen zum genannten Kurs sind unter https://www.coursera.org/learn/machine-learning
abrufbar.
 Algorithmen im Alltag von Managern

wobei m die Anzahl der Elemente im Trainingsdatensatz und
y.j/
die tatsächliche Stern-
Wertung für die Bewertung j ist. Je mehr die Vorhersage von der tatsächlichen Wertung
abweicht, desto höher ist also der Fehler und sind somit die Kosten. Durch die Minimie-
rung der Kostenfunktion soll also erreicht werden, dass der Fehler bei der Vorhersage
möglichst gering ist.
3. Mit dem trainierten Algorithmus für den kleineren Testdatensatz die (für den Algorith-
mus unbekannten) Labels y anhand der Attribute x vorhersagen und zwischenspeichern.
4. Das Lernergebnis des Algorithmus mit einer Fehlermetrik bewerten (und ggf. das Ex-
SHULPHQWPLWHLQHPPRGL¿]LHUWHQ$OJRULWKPXVZLHGHUKROHQ
Als Fehlermetrik für die lineare Regression wird die mittlere quadratische Abweichung
verwendet:
ms
e = 1
m
m
X
j=1
h‚.x/.j/− y.j/2
;
wobei m = 1661 die Anzahl von Bewertungen im Korpus ist, mit
h‚.
x
/.
j
/
und
y.j/
, wie
REHQGH¿QLHUW
Für alle Modelle wird nun die lineare Regression durchgeführt. Damit die Modelle
untereinander vergleichbar sind, muss aber noch das Problem behoben werden, dass bei
jedem Durchlauf der Regression andere Fehlerwerte herauskommen. Der Grund dafür
liegt in der zufälligen Auswahl der Elemente für den Trainings- und Testdatensatz. Eine
Lösung ist es für jedes Modell die lineare Regression z. B. 10.000-mal durchzuführen und
den Durchschnittsfehler als Kennzahl zu verwenden.
3. Ergebnisauswertung
6FKOLHOLFKHUJLEWVLFKHLQH(UJHEQLVWDEHOOHYJO$EE6.14), mit der die zwei verschiedenen
Vorhersagemodelle verglichen werden können.
Abb. 6.14 Vergleich der Vorhersagemodelle
'DVEHVVHUH0RGHOOLVWGHU3RODULWlWHQ'XUFKVFKQLWWGDHVGLHNOHLQHUHPLWWOHUHTXDGUDWLVFKH
Abweichung zwischen der vorhergesagten und der tatsächlichen Stern-Wertung produziert.
Dieses Modell kann nun für die Vorhersage im Bewertungsprozess eingesetzt werden.
Zusammenfassend ergibt sich für die Problemstellung des Unternehmens ein in meh-
rere Teilschritte gegliederter Algorithmus. Für einen unbekannten Bewertungstext wird
DOVHUVWHVHLQ$QQRWDWLRQVSUR]HVVGXUFKJHIKUWXPVXEMHNWLYH3KUDVHQKHUDXV]X¿OWHUQ
. Anwendungsbereich: Vorhersage einer Sterne-Wertung aus Bewertungstexten 

Im Anschluss wird der Polaritäten-Durchschnitt berechnet und letztlich mittels linearer
Regression daraus die Stern-Wertung vorhergesagt.
Zum Beispiel würde beim Modell Polaritäten-Durchschnitt und dem Bewertungstext
105 die Hypothesenfunktion der linearen Regression wie folgt aussehen:
h‚.
x
/.105/
=
‚0
+
‚1

3;66;
mit 3,66 als Durschnitt zwischen zwei 5-Sterne-Wertungen und einer 1-Stern-Wertung.
Angenommen, die optimalen Werte der Parameter
‚0
und
‚1
nach dem Training wären
‚0
=
1;0814
und
‚1
=
0;73538
, dann ist
h‚.
x
/.105/
=
3;7729
, was aufgerundet zur 4
die tatsächliche Stern-Wertung für den Bewertungstext 105 vorhersagt. Die Marketingab-
WHLOXQJGHV8QWHUQHKPHQVNDQQQXQGHQ%HZHUWXQJVSUR]HVVVHLQHU$SSEHHLQÀXVVHQXQG
automatisch aus Bewertungstexten eine passende Sternbewertung vorschlagen.
Ein weiteres Beispiel für die Anwendung von Vorhersagealgorithmen ist in der In-
GXVWULH]X¿QGHQ%HQ|WLJWH0DVFKLQHQXQG :HUN]HXJHVROOHQ QLFKW DXVIDOOHQ IUHLQH
durchgehende Fertigung. Gleichzeitig sollen Kosten und Materialverbrauch für Wartungen
und Reparaturen minimiert werden. Bei der vorausschauenden Instandhaltung (predictive
maintenance) können Algorithmen auf Basis gesammelter Daten ein Problem an Ma-
schinen oder Fahrzeugen weit vor seinem Auftreten vorhersagen. Somit kann rechtzeitig
reagiert werden. Das folgende Fallbeispiel beschreibt ein solches Projekt bei der Firma
Linde MH.
7Fallbeispiel – Predictive Analytics im industriellen Servicegeschäft von
Linde MH
Falk Übernickel, Manuel Holler, Matthias Herterich, Universität St.Gallen,
Competence Center Industrial Services & Enterprise Systems, St. Gallen,
Schweiz, Juli2016
Einleitung
Produzierende Unternehmen stehen den dramatischsten Veränderungen seit
Jahrzehnten gegenüber. Zum einen gewinnen vor dem Hintergrund sinkender
Margen im Produktgeschäft industrielle Dienstleistungen an Bedeutung („Ser-
vitization“). Zum anderen werden traditionelle, physische Produkte im Rahmen
von Initiativen wie Industrie4.0 „digital“, also mit Sensoren, Konnektivität und
Aktuatoren, ausgestattet („Digitalization“).
Auch Linde Material Handling, ein Unternehmen der KION Group und einer der
weltweit führenden Hersteller von Gabelstaplern und Lagertechnikgeräten, setzt
sich intensiv mit diesen Entwicklungen auseinander. Im kompetitiven Logistik-
bereich stellen eine hohe Fahrzeugverfügbarkeit beim Kunden sowie geringe
Wartungs- und Reparaturkosten bei Full-Service-Fahrzeugen strategische Ziele
dar. Die zunehmende Ausstattung von Gabelstaplern mit digitalen Komponen-
 Algorithmen im Alltag von Managern