Predictive Analytics ist ein komplexer Themenbereich. Dies spiegelt sich auch in der Vielzahl von verwendeten Methoden wieder. Im Rahmen der TDWI Studie haben die Befragten geantwortet, welche mathematischen und statistischen Methoden in Unternehmen derzeit verwendet werden und welche anderen Verfahren derzeit noch in Planung sind. Die am häufigsten verwendeten Methoden sind auch die mathematisch Einfachsten. Darunter fallen diverse Arten von Regressionen sowie Entscheidungsbäume und Cluster-Analysen. Seltener werden komplexere Verfahren wie zum Beispiel Neuronale Netzwerke oder Naive Bayes verwendet. Das liegt unter anderem darin begründet, dass diesen Hilfsmitteln ein tiefergehendes Verständnis statistischer und heuristischer Verfahren zugrunde liegt und somit zusätzliches, gesondert geschultes Personal benötigt wird, um diese Verfahren einsetzen zu können.
Um Predictive Analytics, bzw. die zugehörigen Verfahren, einsetzen zu können, müssen im Vorfeld Daten erfasst werden. Dabei hängt die Datenmenge stark von den geplanten Methoden und dem gewünschten Ziel ab. Da die Verfahren zumeist nach dem gewünschten Nutzen/Aufwand ausgewählt werden, ist es schwierig bereits im Vorfeld zu sagen, welche Daten benötigt werden.
Ein einleuchtendes Verfahren ist, bereits im Vorfeld alle anfallenden Daten zu sammeln, die zur Verfügung stehen. Diese Datenbeschaffung dauert in der Regel über einen längeren Zeitraum an, bevor aus den gewonnen Daten Erkenntnisse gezogen werden können. Je größer die vorliegende Datenbasis für die einzelnen Verfahren ist, desto genauer können die entsprechenden Modelle zukünftige Entwicklungen abbilden. Zu beachten ist allerdings, dass Daten, die zu alt sind und die aktuelle Situation nicht ausreichend genau wiederspiegeln, zu einem ungenauen oder sogar falschen Ergebnis führen können.
Einordnung unterschiedlicher Analytics Ausprägungen in Anlehnung an: (Baars und Baars, 2016, S. 175)
Predictive Analytics Methoden
Baars, H. und Baars, H. (2016) „Predictive Analytics in der IT-basierten Entscheidungsunterstützung – methodische, architektonische und organisatorische Konsequenzen“, Controlling, 28(3), S. 174–180. doi: 10.15358/0935-0381-2016-3-174.
IBM (2009) Predictive Analytics: Defined. Verfügbar unter:
95
http://www.spss.com.hk/corpinfo/predictive.htm (Zugegriffen: 9. Februar 2018).
Nagel, Matthias; Wernecke, Klaus-Dieter; Fleischer, W. (1994) Computergestütze Datenanalyse. Berlin: Verlag Technik Berlin-München.
Walter, A. und Wolf, J. (2006) Methodik der empirischen Forschung. 2. Aufl. Wiesbaden: Deutscher Universitäts-Verlag.
Klinke, S. (2012) „Data-Mining – Aufspüren von Mustern mit Hilfe von Entscheidungsbäumen“. Verfügbar unter: http://mars.wiwi.hu-berlin.de/www-data/dat-ss12/SeminararbeitEntscheidungsbaeume.pdf (Zugegriffen: 24. Februar 2018).
Everitt, B. S. u. a. (2011) Cluster Analysis, Quality and Quantity. doi: 10.1007/BF00154794.
Beck, F. und Rey, D. G. (2006b) Neuronale Netze – Eine Einführung – Einleitung, neuronalesnetz.de.
Beck, F. und Rey, D. G. (2006c) Neuronale Netze – Eine Einführung – Input, neuronalesnetz.de.
Lackes, R. und Mack, D. (2000) Neuronale Netze in der Unternehmensplanung. Vahlen: Verlag Vahlen.
Joyes, J. (2003) Bayes Theorem. Stanford University. doi: 10.1111/1467-9973.00225.
Greensted, C. S., Jardine, A. K. und Macfarlane, J. D. (1978) Essentials of Statistics in Marketing. Second. London: Heinemann.
Panek, J., Viebrock, H., Wolf, K. (2018): Predictive Analytics (im Supply Chain Management). Heinz Nixdorf Institut, Universität Paderborn.
“Predictive analytics connects data to effective action by drawing reliable conclusions about current conditions and future events.” IBM, 2009
