Predictive Analytics


Predictive Analytics, auch Predictive Intelligence genannt, stellt eine Teildisziplin der Business Analytics und des Data-Minings (systematische Auswertung großer Datenmengen, um darin Zusammenhänge und Muster zu erkennen) dar. Durch Auswertung historischer und aktueller Daten erschafft die prädiktive Analyse ein Vorhersagemodell für künftige Wahrscheinlichkeiten. Diese prädiktiven Modelle werden in zahlreichen Branchen und Unternehmensbereichen eingesetzt – beispielsweise in Banken, um den Kreditrahmen zu bestimmen oder bei Versicherungen, um die Höhe des Versicherungsbetrags zu wählen. Welche Methoden Predictive Analytics beinhaltet und wie es in Unternehmen genutzt werden kann, wird im Folgenden erläutert.

Was ist Predicitve Analytics?

Innerhalb von Predictive Analytics werden unter Verwendung von Big Data und Machine-Learning-Technologien strukturierte und unstrukturierte Daten analysiert, um zukünftige Ereignisse und Resultate vorhersagen zu können. Ebenso wie im Data-Mining werden für Predictive Analytics statistische und mathematische Verfahren sowie Algorithmen verwendet, um Muster, Zusammenhänge und Trends aufzudecken.

Darüber hinaus kommen für Predictive Analytics Text Mining, Elemente der Spieltheorie sowie Simulationsverfahren zum Einsatz, wodurch sich die Wahrscheinlichkeit für richtige Prognosen erhöht. Da einer Predictive Intelligence Software zudem Techniken des maschinellen Lernens zugrunde liegen, lernen die Algorithmen aus den vorhandenen Daten und erzeugen selbstständig Datenmodelle, die sie für Entscheidungen und Vorhersagen nutzen.

Descriptive, Diagnostic, Predictive oder Prescriptive Analytics?

Ein Analyst der Gartner Inc. beschrieb vier Stufen des Business-Intelligence-Datenanalysemodells. Predictive Analytics ist darin folgendermaßen einzuordnen:

  • Descriptive Analytics – In dieser Stufe wird analysiert, was in der Vergangenheit passiert ist, indem vorliegende Daten und Kennzahlen ausgewertet werden. Dies dient dem Auffinden von ungenutzten Potenzialen sowie unerkannten Problemen.

  • Diagnostic Analytics – Diese Methode beschäftigt sich mit der Frage, warum oder wie etwas passiert ist. Hier werden die Fragen beantwortet, die Descriptive Analytics aufwirft.

  • Predictive Analytics – Dieser Ansatz erlaubt einen Blick in die Zukunft, und beantwortet, was wahrscheinlich passieren wird, hinsichtlich der bestimmten Zielangaben und Parameter.

  • Prescriptive Analytics – identifiziert die Handlungen, die vorgenommen werden müssen, um ein bestimmtes Resultat zu erreichen.

Wofür nutzen Unternehmen Predictive Analytics?

Generell nutzen Unternehmen Predictive Analytics, um einen Wettbewerbsvorteil zu schaffen, etwa indem die Wünsche von Kunden gezielt erfüllt und Kosten gesenkt werden können. Auch um Zeit bei Prozessen zu sparen oder die Verschwendung von Ressourcen einzudämmen, lohnt sich die Analyse vorliegender Daten mithilfe dieses Modells.

Konkret kann Predictive Analytics beispielsweise zu diesen Zwecken eingesetzt werden:

  • In der Marktforschung: Für die Identifizierung spezifischer Zielgruppen innerhalb von Kundendaten sowie der Vorhersage ihrer Präferenzen und Motivationen, um Produkte, Dienstleistungen oder Werbemaßnahmen konkret an vorherrschende Bedürfnisse anzupassen.

  • Bei Finanzdienstleistern: Um Kreditrisikomodelle zu entwickeln und dementsprechend Neukundenannahmen oder Kreditrahmen zu bestimmen.

  • Im Maschinenbau und bei Automation: Indem Maschinenausfälle vorhergesagt werden können, ist Instandhaltung und Wartung vorausschauend planbar.

So funktioniert Predictive Analytics

Ist der Zweck von Predictive Analytics geklärt, könnte diese wie folgt durchgeführt werden:

Akquirierung und Erfassung der Daten

  • Für eine prädiktive Analyse werden riesige Datenmengen benötigt. Diese stammen beispielsweise aus Webarchiven, Kalkulationstabellen oder Datenbanken und müssen zunächst in die Predictive Intelligence Software importiert werden.

Aufbereitung der Daten

  • Als nächster Schritt folgt die Verarbeitung der vorliegenden Daten – überflüssige Informationen müssen gelöscht, Daten bereinigt und anomale Punkte entfernt werden. Die unterschiedlichen Datenquelle sollten dann aggregiert werden.

Entwicklung des prädiktiven Modells

  • Auf Grundlage der aggregierten Daten und mithilfe statistischer Instrumente muss in diesem Schritt das passende Predictive-Analytics-Modell entwickelt werden. Dabei gibt es zwei grundlegende Arten von prädiktiven Modellen:

    • Klassifikationsmodelle: Mit ihnen kann die Zugehörigkeit zu einer Klasse vorausgesagt werden.

    • Regressionsmodelle: Diese prognostizieren einen Zahlenwert.

    Des Weiteren gibt es eine Reihe an unterschiedlichen Analyseansätzen und Machine-Learning-Techniken, die für Predictive Analytics genutzt werden können. Es empfiehlt sich zunächst in einem iterativen Prozess mit einer Probedatenmenge ein erstes Modell zu entwickeln und zu testen.

Integration von Predictive Analytics in das jeweilige Unternehmenssystem

Erweist sich das Testmodell als effektiv, kann es in das jeweilige System integriert werden und Analysen für Softwares, Anwendungen, Server oder Endgeräte verfügbar machen.
Im Idealfall entwickeln die Verantwortlichen im Unternehmen aus den prädiktiven Analysen konkrete Handlungsempfehlungen, die in den geschäftlichen Prozessen angewendet werden.

Vorteile von Predictive Intelligence

Das Durchführen einer prädiktiven Analyse im eigenen Unternehmen bringt zahlreiche Vorteile mit sich:

  • Optimierung von Marketingkampagnen

  • Minimierung von Risiken

  • Betrugserkennung und -prävention

  • Verbesserungen im operativen Geschäft

  • Reduzierung der Ressourcen

  • Minimierung des Zeitaufwands für bestimmte Tätigkeiten

  • Kostenersparnis

Zusammengefasst ermöglicht Predictive Analytics einen Blick in die Zukunft und vereinfacht dadurch die Arbeit eines Unternehmens – von der Produktentwicklung bis hin zur Marken- oder Marktforschung.

Erfahren Sie, wie Sie Predictive Intelligence in Ihrem Unternehmen einsetzen können.