Was ist Predictive Analytics

Was ist Predictive Analytics ?

In der heutigen Zeit nimmt die Notwendigkeit, die täglich generierten Daten zu nutzen, immer weiter zu. Unternehmen erkennen, dass durch die Nutzung und Analyse von Big Data enorme Optimierungen und Wettbewerbsvorteile erzielt werden können. Um dies zu erreichen, bedienen sie sich der Big Data Analytics. Ein wichtiges Teilgebiet der Big Data Analyticsist Predictive Analytics. Bei Predictive Analytics werden Daten aus der Vergangenheit mittels statistischer Methoden und Algorithmen analysiert. Zusätzlich bedient sich Predictive Analytics Techniken wie Data Mining, Modellierung oder auch maschinellem Lernen.

In Folge dessen können Trends und Wahrscheinlichkeiten, mit denen die Trends eintreffen, erkannt werden. Mithilfe dieser Ergebnisse können Unternehmen aktiv und vorausschauend handeln und wichtige Geschäftsentscheidungen treffen.[1]

 

Der Prozess der Predictive Analytics ?

Der Prozess der Predictive Analytics ist ein sich ständig wiederholender Prozess, welcher in folgende 5 Schritte unterteilt werden kann:

  1. Projekt definieren: In vielen Fällen werden hierbei zu lösende Probleme aus der Vergangenheit betrachtet. Ziel dabei ist es, jene Probleme in der Zukunft zu schwächen oder gar zu beseitigen. Die Definition des Projekts stellt die Grundlage der Predictive Analytics dar und legt die zu analysierenden Daten fest.
  2. Datensammlung- und Analyse: Mithilfe des Data Mining werden relevante Daten aus unterschiedlichsten Quellen extrahiert und für die Analyse vorbereitet. Vor der Analyse der Daten müssen sie jedoch auf Relevanz für das Problem geprüft und bereinigt werden, um falsche Ergebnisse zu vermeiden. Mithilfe der Analyse können nun bereits erste Informationen und Muster erkannt werden. Hieraus lassen sich bereits erste Schlussfolgerungen ziehen.
  3. Statistische Analyse: Durch die Nutzung von statistischen Analysen können erste Annahmen und Hypothesen getroffen werden. Diese können nun mithilfe von statistischen Standardmodellen auf ihre Richtigkeit überprüft werden.
  4. Predictive Modeling: Predictive Modeling sorgt nur dafür, dass Prognosen für die Zukunft erstellt werden. Zusätzlich werden kommt der Anwender zur Erkenntnis, mit welcher Wahrscheinlichkeit jene Prognosen eintreten. Hierbei können unterschiedliche Modelle angewandt werden.
  5. Einsatz und Überwachung: Bei dem letzten Schritt, werden die Analyseergebnisse angewendet und wichtige Entscheidungen, basierend auf den Prognosen und Berichten getroffen. Als Sicherheit dazu werden die Modelle und Ergebnisse der Geschäftsentscheidungen überwacht. Dies führt dazu, dass Probleme rechtzeitig erkannt werden können und der Nutzer schnell darauf reagieren kann. Treten Probleme auf, so vollzieht sich der Prozess der Predictive Analytics erneut. [2]

Arten der prediktiven Vorhersagemodelle

Klassifizierungsmodelle: Bei den Klassifizierungsmodellen, werden Daten aufgrund unterschiedlicher Eigenschaften in Klassen/ Kategorien unterteilt. Ein Beispiel für ein Klassifizierungsmodell sind Entscheidungsbäume. Jeder Zweig des Baumes kann hierbei zwischen unterschiedlichen Alternativen entscheiden. Ein Blatt stellt hingegen eine Klassifizierung dar. Aufgrund dieses Modells können Variablen gefunden werden, welche Daten in logische Gruppen unterteilt. Aufgrund der geringen Komplexität können diese Bäume leicht verstanden und interpretiert werden. Sie eigenen sich jedoch nur für vorläufige Analysen.

 

Regressionsmodell: Regressionsmodelle können verwendet werden um Trends in Daten zu erkennen. Hierbei werden im Gegensatz zum Klassifizierungsmodell alle Daten, ohne Betrachtung von Kategorien verwendet. Ziel dabei ist es kontinuierliche Muster der Vergangenheit zu erkennen und daraus folgend die Wahrscheinlichkeit jener Ereignisse in der Zukunft zu bestimmen. Regressionsmodelle werden für kontinuierliche Daten, welche normalverteilt sind, angewendet. Mithilfe der Regressionsmodelle lassen sich Muster bestimmen und beschreiben, welche Faktoren für jene Muster verantwortlich sind.

 

Neuronale Netzwerke: Neuronale Netzwerke modellieren komplexe Beziehungen von Daten. Besonderer Vorteil an neuronalen Netzwerken ist die Möglichkeit aus nichtlinearen Beziehungen Erkenntnisse zu gewinnen. Ähnlich wie Regressionsmodelle erkennen neuronale Netzwerke Muster. Ziel der neuronalen Netzwerk sind Prognosen und viel weniger die Erklärung jener Verbindungen. Der Einsatz dieses Vorhersagemodells ist besonders effizient, wenn keine vorherigen Verbindungen zwischen den Daten bestehen.

 

Zusätzlich zu diesen Vorhersagemodellen gibt es viele weitere wie Ensemble-Modelle, Hauptkomponentenanalyse oder Zeitreihen-Data-Mining. Durch die Verwendung und Kombination unterschiedlicher Vorhersagemodelle können besonders gute Ergebnisse erzielt werden. Beispielsweise werden neuronale Netzwerke verwendet um die Ergebnisse aus simpleren Vorhersagemodellen wie Regressionsmodellen oder Klassifizierungsmodellen zu bestätigen. [1]

Vorteile von Predictive Analytics

Betrugserkennung: Durch die Verwendung mehrerer Analyseanwendungen kann die Erkennung von Muster erhöht werden. Dies sorgt dafür, dass die kriminelles Verhalten eher erkannt wird. Durch Echtzeitanalysen lassen sich alle Verhaltensmuster erkennen, die auf Betrug oder sonstige Schwachstellen hinweisen. Durch die Optimierung der Sicherheit fühlen sich nicht nur die Unternehmen sicherer, sondern auch die Kunden mit den Produkten und Dienstleistungen der Unternehmen.[1]

Direktes Marketing: Durch die Ergebnisse der Predictive Analytics können Unternehmen Marketingkampagnen starten, welche direkt auf die Kunden ausgerichtet sind. Dabei helfen sie optimale Kombination aus Faktoren wie Produktversionen, Marketingmaterial oder auch Kommunikationskanälen zu erzielen. Durch die Verwendung aus Daten der Vergangenheit können Kaufmuster und Trends für die Zukunft erkannt werden.[3]

Effizienzsteigerung: Aufgrund der Prognose von Trends und Wahrscheinlichkeiten für die Zukunft können Unternehmen interne Prozesse optimieren. Beispielweise können Bestände gesenkt werden, wenn die Prognose für Kundenaufträge in den nächsten Wochen konstante Verluste an Aufträgen prognostiziert. Aufgrund der Optimierung von Prozessen können jede Menge Kosten gespart werden.

Risikoreduktion: Durch die Prognose von Wahrscheinlichkeiten, mit welchen Aktionen in der Zukunft erscheinen, lässt sich das Risiko in einigen Bereichen enorm reduzieren. Beispielsweise können Personen auf ihre Kreditwürdigkeit geprüft werden, um die Wahrscheinlichkeit zu bestimmen mit welcher sie den Kredit zurückbezahlen können. Um dies zu prognostizieren werden Daten aus der Vergangenheit der Kunde verwendet. Ist die Wahrscheinlichkeit gering, so wird die Bank keinen Kredit gestatten und das Risiko Verluste zu machen verringert sich.[1]

Predictive Analytics in der Praxis

Generell in jeder Branche können Predictive Analytics eingesetzt werden. Es gibt jedoch einige Branchen, welche erkannt haben, dass Predictive Analytics große Vorteile mit sich bringen. Einiger dieser Branchen sind:

Finanzdienstleistung: Für die Finanzbranche haben Predictive Analytics unterschiedliche Vorteile parat. Einerseits wird besonders das Risiko, dass Kunden nicht zahlen können enorm gesenkt. Des Weiteren lassen sich betrügerische Handlungen so gut wie in Echtzeit erkennen. Durch die Analyse von Ausgaben, Nutzung und Verhalten der Kunden können Cross-Sales-Chancen maximiert werden.

Verkauf: Der Vorteil von Predictive Analytics im Verkauf ist vor allem die Möglichkeit die Daten der Kunden zu messen und analysieren. Dadurch können die Unternehmen bestimmen, welche Produkte gerade vorrätig sind und welche in Zukunft besonders oft gekauft werden. Des Weiteren lassen sich Verbindungen zwischen Produkten herstellen. Zum Beispiel, dass Käufer von Chips meist auch Sekt kaufen. Aufgrund solcher Daten können Marketingkampagnen gestartet, Lager und Sortiment angepasst und die Regale optimiert werden.

Gesundheitssystem: Durch Analyseanwendungen lassen sich Patienten bestimmen bei deinen ein besonders hohes Risiko besteht, bestimmten Krankheiten zu erleiden. Dadurch können präventive Maßnahmen eingeleitet werden. Zusätzlich hierzu können Vorhersagesysteme helfen schwierige und nicht eindeutige, medizinische Entscheidungen zu treffen.

Produktion: Eine sehr große Rolle spielen Predictive Analytics auch in der Produktion. Hierbei können Unternehmen erkennen, welche Faktoren besonders stark zu einer Verringerung der Qualität führen. Somit können Produktionsfehler ausgemerzt werden und Prozesse, welche uneffizient sind optimiert werden. Beispielsweise können durch die Analyse von Maschinendaten Prognosen erhalten werden, wann die Maschine Produktionsfehler macht oder ausfällt. Aufgrund dieser Ergebnisse können die Abstände von Instandhaltungen verändert werden und dafür sorgen, dass die Maschine kurz vor ihrem Ausfall instandgesetzt wird.[1]

Zusammenfassung

Als Teil der Big Data Analytics können Predictive Analytics helfen, Unternehmen zu optimieren. Aufgrund der Prognosen kann Betrug erkannt, das Marketing optimiert, Prozesse effizienter gestaltet oder Risiken reduziert werden. Für Predictive Analytics gibt es eine Vielzahl an Anwendungen, welche die Kunden nutzen können. Einige Branchen wie Banken, Produktionsunternehmen oder auch Einzelhändler nutzen Predictive Analytics-Anwendungen, um ihr Unternehmen zu optimieren. Predictive Analytics Consulting Firmen helfen dabei die richtigen Daten zu sammeln und analysieren, gut geeignete Vorhersagemodelle zu wählen und aufschlussreiche Prognosen zu erstellen und daraus folgend wichtige Entscheidungen zu treffen.

Quellenangaben

[1] Chan, Sean (30.03.2017): „The Applicants of Predictive Analytics Consulting for Large Businesses”, unter: https://expert360.com/blog/applications-predictive-analytics-consulting-large-businesses/ (16.11.2018).

[2] imanuel: „What is Predictive Analytics?“, unter: https://www.predictiveanalyticstoday.com/what-is-predictive-analytics/ (16.11.2018).

[3] imanuel: „What is Predictive Analytics?“, unter: https://www.predictiveanalyticstoday.com/what-is-predictive-analytics/ (16.11.2018).