Predictive Analytics: Definition, Grundlagen und Anwendung

Der Wunsch, die Zukunft vorhersagen zu können, hat uns wohl alle schonmal gepackt. Während viele nur davon träumen, nutzen Unternehmen Predictive Analytics, um verlässliche Aussagen über die Zukunft treffen zu können.

Da diese Methode faktenbasiert und datengesteuert ist, führt sie oft zum Ziel und ermöglicht es Entscheidungsträgern und Entscheidungsträgerinnen, fundierte und sinnvolle Weichenstellungen für ihr Unternehmen vorzunehmen.

Was ist Predictive Analytics?

Predictive Analytics (prädiktive Analyse) ist eine Analysemethode aus dem Bereich Statistik und ein Unterbereich von Advanced Analytics. Aktuelle sowie frühere Kennzahlen und Unternehmensdaten werden bei diesem Verfahren genutzt, um Prognosen für die zukünftige Entwicklung eines Betriebs abzugeben.

Anhand von Vorhersagemodellen lässt sich so einschätzen, mit welcher Wahrscheinlichkeit ein bestimmtes Ereignis eintritt. Im Unterschied zu Descriptive Analytics werden vergangene Ereignisse und deren Ursachen nicht nur beschrieben, sondern für Prognosen für zukünftige Ereignisse genutzt.

Business Intelligence und Business Analytics: Gemeinsamkeiten und Unterschiede in Bezug auf Predictive Analytics

Business Intelligence (BI) und Business Analytics sind Verfahren zur Datenerhebung und -auswertung, die für Predictive Analytics genutzt werden können.

BI ist ein Prozess, bei dem Sie Daten aus Ihrem Unternehmen erheben und so aufbereiten, dass Sie diese im Anschluss auswerten können. Dieses Verfahren nutzt Descriptive Analytics. Das bedeutet, dass lediglich untersucht wird, was in einem Unternehmen an Daten zur Verfügung steht und wie diese verwendet werden. Auf diese Weise fällt es leicht, den Ist-Zustand mit den Soll-Werten zu vergleichen und zu prüfen, ob ein Optimierungsbedarf besteht.

Hinweis: BI und Business Analytics setzen verschiedene Methoden und Modelle zur Datengewinnung und -aufbereitung ein. Die Funktionsweise ist somit stark von den eigenen Zielsetzungen abhängig.

Business Analytics analysiert und bewertet die von BI gesammelten Daten und leitet daraus Prognosen für die Zukunft ab. Es geht um die Frage, warum Prozesse in einem Unternehmen ablaufen, welche Auswirkungen sich hieraus ergeben und ob sie sogar zu einer Disruption führen. So können Sie die Funktionsweise Ihres Unternehmens besser verstehen und aktiv darauf Einfluss nehmen. Wichtige Techniken bei Business Analytics sind Data Mining, Machine Learning und Modellierungen.

Anwendungsgebiete von Predictive Analytics

Die Auswertung von Daten zur Vorhersage zukünftiger Ereignisse wird in unzähligen Bereichen genutzt. Beispielsweise können Kundendaten in Marketing und Vertrieb ausgewertet werden, um Werbekampagnen zu optimieren und den Verkauf zu fördern. Gerade im E-Commerce können vielfältige Daten gesammelt und ausgewertet werden. Einige davon geben Nutzer und Nutzerinnen beispielsweise im Rahmen von Befragungen selbst ab, andere bekommen Sie durch deren Nutzerverhalten auf Ihrer Website zugespielt.

Ein typisches Beispiel für die Nutzung von Predictive Analytics ist die Wettervorhersage. Hier werden frühere Wetterdaten genutzt, um die Wahrscheinlichkeit für Regen, Sonne, Schnee oder andere Wetterereignisse zu bestimmen.

Auch im Gesundheitswesen kommen Daten zum Einsatz, um beispielsweise die Belastung von Krankenhäusern innerhalb bestimmter Zeiträume zu bewerten. Beispielsweise ist das Aufkommen rund um Silvester besonders hoch.

Des Weiteren werden für die Erstellung von Wahlprognosen vergangene Daten im Rahmen der Predictive Analytics ausgewertet und eingesetzt.

Im Unternehmensbereich ist es vor allem das Personalwesen, das von Predictive Analytics und Machine Learning profitiert. Hier können Sie Aussagen über zukünftige Personalengpässe treffen und geeignete Gegenmaßnahmen ergreifen.

Nicht zuletzt kommen Predictive Analytics in der Logistik zum Einsatz, um Lieferketten und den Warentransport zu optimieren.

Big Data und Predictive Analytics

Dank der Digitalisierung können Data Scientists in Unternehmen mittels Data Mining und Predictive Analytics Kundendaten sammeln und auswerten. Hierbei hilft ihnen das Machine Learning. Künstliche Intelligenz ist in der Lage, Daten nicht nur zu finden und zu sammeln, sondern auch zu untersuchen und bestimmten Mustern zuzuordnen. Hierüber ist es dann möglich, recht verlässliche Aussagen über das Eintreten zukünftiger Ereignisse zu treffen.

Im Laufe der Jahre sammeln sich in einem Unternehmen immer größere Datenmengen an. Das liegt nicht zuletzt daran, dass sich digitale Technologien immer weiterentwickeln und die Möglichkeit bieten, neue Datensätze zu bekommen. All diese Informationen könnten manuell von Menschen gar nicht ausgewertet werden. Deswegen greift die Data Science auf Predictive Analytics zurück, um so von den Datensätzen zu profitieren.

Wichtige Voraussetzungen für Predictive Analytics

Wie funktioniert Predictive Analytics im Einzelnen? Diese drei zentralen Voraussetzungen sollten bei der prädiktiven Analyse auf jeden Fall gegeben sein:

1. Daten

Um die Vorteile der Predictive Analytics nutzen zu können, müssen Sie die hierfür notwendigen Voraussetzungen schaffen. Hierzu gehört, möglichst viele relevante Daten zu sammeln. Der Begriff „relevant“ ist entscheidend, da im Rahmen von Unternehmensprozessen zahlreiche Datenpakete anfallen, die Ihre Analyse nicht voranbringen oder für die von Ihnen gewählten Predictive-Analytics-Methoden irrelevant sind.

Zudem ist es wichtig, ein professionelles Datenmanagementsystem zu implementieren. Über dieses haben Sie Zugriff auf alle Unternehmensdaten und können diese gezielt aufbereiten. Jeden Datensatz können Sie mit Algorithmen bewerten und den zuständigen Stellen zukommen lassen.

2. Unternehmenskultur und Infrastruktur

Außerdem müssen Sie sich bei Predictive Analytics entscheiden, welche Unternehmenskultur Sie pflegen und welche Infrastruktur Sie nutzen möchten. Grundsätzlich besteht die Wahl zwischen großen Data Warehouses und kleinen Datenbanken. Je nach Größe und Arbeitsweise Ihres Unternehmens bieten sich jeweils andere Lösungen an.

Des Weiteren stellt sich die Frage, ob Sie die Technologien für die prädiktive Analyse selbstständig entwickeln und programmieren oder ob Sie die fertige Lösung eines externen Anbieters nutzen.

3. Belegschaft

Es genügt nicht, wenn die Daten vorhanden und verfügbar sind. Ebenso wichtig ist es, dass Fachleute bereitstehen, die sie analysieren und die richtigen Schlüsse daraus ziehen.

Setzen Sie daher unbedingt auf Experten und Expertinnen wie Data Engineers und Data Scientists. Diese beherrschen Advanced Analytics sowie Predictive Analytics und erarbeiten Vorhersagen, die Ihnen und Ihrem Unternehmen einen echten Mehrwert bieten und für die Anwender und Anwenderinnen von Vorteil sind.

In 7 Schritten Predictive Analytics im Unternehmen umsetzen

Predictive Analytics leistet bei vielen Unternehmensaufgaben kostbare Dienste. In der Marktforschung veranschaulicht es Trends und Produktpotenziale, im Finanzbereich spart es Kosten ein und ermittelt zusätzliche Einnahmequellen. Zudem optimieren Sie in den einzelnen Abteilungen mithilfe der prädiktiven Analyse die Prozesse und erreichen so eine höhere Automation.

Mit der folgenden Schritt-für-Schritt Anleitung funktioniert die Umsetzung von Predictive Analytics in Ihrem Unternehmen:

Schritt 1: Daten aus allen verfügbaren Quellen zusammentragen

Zunächst sammeln Sie Daten aus Webarchiven, Datenbanken und anderen Quellen. Ebenso ist es Ihnen möglich, Kundendaten auf Ihrer Webseite zusammenzutragen. Je mehr Informationen Ihnen zur Verfügung stehen, desto verlässlicher sind Ihre Analyse und Auswertung.

Schritt 2: Daten in eine Predictive-Analytics-Software einfügen

Die in der Erhebungen gesammelten Daten übertragen Sie in eine Predictive-Analytics-Software. Hier können sie dann analysiert und ausgewertet werden.

Schritt 3: Daten aufbereiten

Bei der Aufbereitung der Informationen löschen Sie alle Datensätze, die für das, was Sie mittels Adcvanced Analytics und BI erreichen wollen, nicht zielführend sind.

Schritt 4: Ein Predictive-Analytics-Modell erstellen

Aus dem Pool an Daten erstellen Sie dann ein Predictive-Analytics-Modell, anhand dessen Sie Vorhersagen für die Zukunft entwickeln. Zumeist wählen Entscheider oder Entscheiderinnen Klassifikationsmodelle (zur Bildung von Klassen) und Regressionsmodelle (zur Bestimmung von Zahlenwerten).

Schritt 5: Gegebenenfalls Machine Learning nutzen

Es bietet sich die Nutzung von Machine-Learning-Technologien an, um geeignete prädiktive Modelle für Vorhersagen über die Zukunft entwickeln zu können. Machine Learning erlaubt den Data Scientists eine besonders schnelle, effiziente und passgenaue Datenanalyse.

Schritt 6: Das Modell ins Unternehmenssystem einbinden

Sobald Sie ein funktionales Modell erstellt und getestet haben, fügen Sie dieses in Ihr Unternehmenssystem ein. Nun können Sie es für die Auswertung der Ihnen vorliegenden Daten nutzen.

Schritt 7: Zukunftsprognosen entwickeln und anwenden

Wenden Sie das Modell nun an, um Prognosen zu erstellen und sich optimal auf die Zukunft vorzubereiten.

Diese Predictive-Analytics-Methoden sind in der Praxis bewährt

Es gibt eine Vielzahl von Methoden für die prädiktive Analyse, auf die Sie bei der Erstellung eines eigenen Modells zurückgreifen können. Drei davon stellen wir Ihnen im Folgenden genauer vor:

1. Entscheidungsbäume und Regressionsanalysen

Entscheidungsbäume beziehungsweise Decision Trees werden in der Datenanalyse verwendet, um Informationen zu visualisieren und sinnvolle Entscheidungen zu treffen. Decision Trees setzen sich aus Wurzelknoten, Entscheidungsknoten und Blattknoten zusammen. Die Wurzelknoten zeigen den aktuellen Ist-Zustand auf, die Entscheidungsknoten die möglichen Entscheidungen und die Blattknoten die wahrscheinlichen Ergebnisse, die sich hierüber erzielen lassen.

Bei der Regressionsanalyse wird die Beziehung zwischen abhängigen und unabhängigen Variablen bei einer Entscheidungsfindung untersucht. Hierdurch soll aufgezeigt werden, welche Auswirkungen unabhängige Variablen auf die abhängigen Variablen haben. In der Landwirtschaft ist beispielsweise die Temperatur eine abhängige Variable, die von Luftfeuchtigkeit und Sonnenstand abhängt. Eine unabhängige Variable ist demgegenüber der verwendete Dünger, weil dieser von den Landwirten und Landwirtinnen gezielt eingesetzt werden kann.

2. Neuronale Netzwerke

Neuronale Netzwerke sind dem menschlichen Gehirn nachempfunden. Hierbei wird ein Netzwerk künstlicher Neuronen hergestellt. Mittels KI und Machine Learning ist es solchen Netzwerken dann möglich, kleine und große Datensätze zu analysieren und Muster zu erkennen. Jedes einzelne Neuron empfängt hierbei Daten, wertet diese aus und gibt die Ergebnisse an andere Neuronen weiter.

3. Deskriptive Modelle

Deskriptive Modelle untersuchen bisherige Daten und Entwicklungen. So können Sie beispielsweise die bisherigen Verkaufszahlen Ihres Unternehmens analysieren. Somit gewinnen Sie einen Überblick über den Ist-Zustand. Beispielsweise sehen sie, welche Produkte sich in welchen Regionen und Filialen besonders gut machen. Diese Erkenntnisse aus der Vergangenheit nutzen Sie dann, um sinnvolle Entscheidungen für die Zukunft zu treffen.

Diese verschiedenen Predictive-Analytics-Methoden können kombiniert werden, sodass sich ein individuelles, auf verschiedene Aufgaben zugeschnittenes Predictive-Analytics-Modell ergibt. Welche Anwendung für Sie am besten ist, hängt davon ab, für welche Bereiche Sie Zukunftsprognosen abgeben möchten.

Vorteile von Predictive Analytics

• Bessere Vorhersagen und Planung
• Prozesse verbessern
• Kleineres Risiko
• Optimierte Marketingkampagnen
• Betrug frühzeitig aufdecken
• Trends erkennen und darauf reagieren
• Größerer Mehrwert für die Zielgruppe
• Optimiertes Personalmanagement

Predictive-Analytics-Tools werden immer beliebter

Es gibt eine Vielzahl von Predictive Analytics Tools, mit denen immer mehr Unternehmen arbeiten. Mittlerweile haben sich viele Software-Hersteller in Richtung solcher Lösungen orientiert und bieten kleinen und großen Betrieben jeweils passende Tools an. Je nach Wunsch können Sie sich für Open Source Lösungen entscheiden oder ein kostenpflichtiges Angebot in Anspruch nehmen. Auch Anwendungen in Scala und Python stehen zur Verfügung, sodass die gewählten Predictive Analytics Tools optimal zu Ihren Bedürfnissen passen.

Fazit: Predictive Analytics macht Ihr Unternehmen zukunftsfähig

Zu oft werden richtungsweisende Entscheidungen eines Unternehmens aus dem Bauch heraus getroffen. Das birgt große Unsicherheiten und setzt den Betrieb einem unnötig hohen Risiko aus. Mittels Predictive Analytics treffen Sie Entscheidungen stets auf Grundlage vorhandener Daten, wodurch Ihre Vorhersagen für die Zukunft verlässlicher werden.

Predictive Analytics bringt Ihnen und Ihren Data Scientists zahlreiche Vorteile. Sie können anhand konkreter Modelle bestehende Daten auswerten und analysieren, um so zu verlässlichen Prognosen zu kommen. Das ist für alle Unternehmensbereiche und -prozesse vom Marketing über den Vertrieb bis hin zum Personalmanagement sinnvoll.

Wählen Sie die Predictive-Analytics-Methoden und -Modelle sowie die Predictive Analytics Tools gezielt und Ihrem individuellen Bedarf entsprechend aus. Auf diese Weise holen Sie das Beste aus Ihrer Business Intelligence heraus.

Titelbild: GRIN / Unsplash