Foto: G-Stock Studio - shutterstock.com
Predictive Analytics ist aus dem Unternehmensumfeld nicht mehr wegzudenken: Bis zum Jahr 2022 soll das Marktvolumen in diesem Bereich laut Zion Market Research auf knapp elf Milliarden Dollar anwachsen, was einer jährlichen Wachstumsrate von zirka 21 Prozent entspräche.
Predictive Analytics - Definition
Predictive Analytics ist eine Unterkategorie von Data Analytics und hat zum Ziel, auf der Basis historischer Daten und Analysetechniken Vorhersagen über künftige Ereignisse oder Ergebnisse zu treffen. Mit der Hilfe diverser Predictive-Analytics-Tools und -Modelle kann heute jedes Unternehmen seine Daten dazu nutzen, Trends und Entwicklungen der Zukunft vorherzusehen. Dabei geht es beispielsweise um die Erkennung von Mustern in Datensätzen oder darum, Beziehungsgeflechte zwischen einzelnen Metriken sichtbar zu machen.
Bei prädiktiven Datenanalysen kommt eine Vielzahl von Technologien und Methoden zum Einsatz - etwa Big Data, Data Mining, statistische Modelle, Machine Learning und mathematische Prozesse.
Prädiktive Datenanalysen - Beispiele
Predictive Analytics ermöglicht wesentlich präzisere Einblicke in künftige Entwicklungen als frühere Tools für solche Zwecke. Unternehmen, die vorausschauende Analysen richtig einsetzen, können damit Geld und Zeit sparen. In der Praxis setzen Firmen diverser Branchen Predictive Analytics für ganz unterschiedliche Zwecke ein. Einige Beispiele:
In der Luftfahrt-Branche ermöglichen vorausschauende Analysen unter anderem, die Auswirkungen bestimmter Wartungsarbeiten auf die künftige Zuverlässigkeit und den zu erwartenden Kerosinverbrauch von Flugzeugen zu berechnen.
Die Automobilindustrie bringt Predictive Analytics zum Einsatz, um die Haltbarkeit und Fehlerquote einzelner Komponenten in den Produktionsprozessen berücksichtigen zu können. Prädiktive Analysen stützen sich hier auch auf Daten zum Verhalten von Fahrern, um so bessere Fahrassistenzsysteme zu entwickeln die letztlich in autonomer Mobilität gipfeln.
Um langfristige Vorhersagen von Kosten und Nachfrage geht es beim Einsatz von Predictive Analytics im Energiesektor. Darüber hinaus lassen sich auch Vorhersagen über Equipment-Fehlerraten, die Auswirkungen von Regulatorik und andere Servicekosten-Variablen treffen.
Das Gesundheitswesen hat Predictive Analytics schon seit längerem für sich entdeckt - in erster Linie, weil die Technologie dabei hilft, Kosten einzusparen. Unternehmen dieser Branche setzen prädiktive Analysen beispielsweise dazu ein, um Ressourcen zu managen, Schichtpläne zu optimieren oder Patienten zu identifizieren, bei denen das Risiko einer kostspieligen Folgebehandlung besteht.
Predictive Analytics im Bankenwesen hilft dabei, Modelle für Kreditrisiken zu entwickeln, Trends an den Finanzmärkten vorherzusagen oder die Auswirkungen neuer Regularien abzuschätzen.
Die produzierende Industrie nutzt vorausschauende Datenanalysen, um Fehler bei Maschinen vorherzusagen oder die Zulieferung von Rohstoffen anhand der künftigen Nachfrage zu steuern.
Im Online-Handel ist es möglich, Kundenverhalten mit Hilfe von Predictive Analytics abzuschätzen. So können geeigneten Personen vielversprechende Zusatzangebote in Echtzeit gemacht werden, was die Wahrscheinlichkeit eines erfolgreichen Abschlusses erhöhtn.
Strafverfolgungsbehörden können mit prädiktiven Analysen ermitteln, wo und zu welcher Zeit die Wahrscheinlichkeit für kriminelle Aktivitäten steigt und entsprechend gegensteuern.
Predictive Analytics - Tools
Predictive-Analytics-Tools geben ihren Nutzern tiefe Echtzeit-Einblicke in so gut wie jede geschäftliche Aktivität. Die Tools können dazu genutzt werden, verschiedenste Verhaltensweise und Muster vorherzusagen.
Nahezu jedes Unternehmen, das auf prädiktive Datenanalysen setzt, nutzt dazu ein (oder mehrere) Tools von externen Anbietern, wobei die Palette der Angebote keineswegs homogen ist. Zu den hierzulande bekannteren Anbietern von Predictive-Analytics-Tools gehören:
Vorausschauende Datenanalysen - Modelle
Modelle liefern die Grundlage für Predictive Analytics. Dabei handelt es sich um Templates, die historische und aktuelle Daten zusammenführen und in Insights verwandeln, die wiederum als Entscheidungsgrundlage für Geschäftsentscheidungen dienen und im Idealfall langfristig zum Erfolg des Unternehmens beitragen. Zu den gängigen Predictive-Analytics-Modellen gehören:
Customer Lifetime Value Model: Analyse des Kundenwerts über einen bestimmten Zeitraum und Festellung, bei wem die Wahrscheinlichkeit am höchsten ist, dass er in Produkte oder Services investieren;
Customer Segmentation Model: Kunden werden anhand verschiedener Merkmale gruppiert, etwa Alter, Geschlecht, oder bisheriges Kaufverhalten. Mit diesem Wissen können beispielsweise künftige Marken- und Marketing-Strategien besser ausgestaltet oder Verkaufskanäle optimiert werden;
Predictive Maintenance Model: Hier geht es darum, möglichst präzise Vorhersagen zum Wartungsbedarf von Maschinen und Anlagen zu treffen;
Quality Assurance Model: Fehler erkennen und im besten Fall verhindern, um Enttäuschungen auf Kundenseite und zusätzliche Kosten zu vermeiden;
Predictive-Modelle - Techniken
Den Benutzern von Predictive-Analytics-Modellen stehen zahllose Möglichkeiten offen, diese aus zu definieren. Dabei gibt es spezifische Methoden für verschiedene Produkte und Services. Inzwischen wird ein Set von grundlegenden Techniken wie Decision Trees, Regressionsanalysen oder auch neuronalen Netzen von vielen Predictive-Analytics-Plattformen unterstützt.
Decision Trees gehören zu den populärsten Techniken und funktionieren auf Grundlage von schematischen Baumdiagrammen, die einen Ereignisverlauf vorhersagen oder eine statistische Wahrscheinlichkeit bestimmen sollen. Diese Methode kann auch alle in Betracht kommenden Ergebnisse einer bestimmten Entscheidung aufzeigen.
Regressionsanalysen kommen häufig im Banken- und Finanzsektor zum Einsatz. Sie helfen dabei, die Wertentwicklung von Assets vorherzusehen und den Einfluss unterschiedlicher Variablen sowie deren Beziehung untereinander zu verstehen.
Neurale Netze funktionieren auf Basis von Algorithmen, die die Entscheidungsprozesse des menschlichen Gehirns imitieren und so Relationen innerhalb von Datensets aufdecken.
Predictive Analytics - Algorithmen
Den Anwendern prädiktiver Analysetechniken stehen diverse speziell für Predictive-Modelle designte Data-Mining- und Machine-Learning-Algorithmen zur Verfügung.
Clustering-Algorithmen eignen sich beispielsweise hervorragend für Customer Segmentation, Community Detection und andere Tasks in diesen Bereichen.
Um die Kundenbindung zu stärken oder ein Recommendation-System aufzubauen, werden für gewöhnlich Klassifizierungs-Algorithmen eingesetzt.
Regressions-Algorithmen hingegen kommen beispielsweise für Credit-Scoring-Systeme zum Einsatz.
Prädiktive Analysen - Healthcare Boom
Unternehmen im Bereich Gesundheitswesen und Healthcare haben Predictive Analytics längst für sich entdeckt - in erster Linie um mit der Technologie Kosten einzusparen. Dabei bringen Healthcare-Firmen vorausschauende Analysen in verschiedenen Bereichen zum Einsatz - zum Beispiel um die Ressourcenverteilung auf Grundlage historischer Daten oder die Schichtpläne der Mitarbeiter zu optimieren oder auch um zu ermitteln, bei welchen Patienten das Risiko für kosteninstensive Folgebehandlungen besonders ausgeprägt ist. Darüber hinaus nutzen sie Predictive Analytics unter anderem auch für Materialbeschaffung und -management.
Laut einer Studie der "Society of Actuaries" aus dem Jahr 2017 glauben mehr als die Hälfte der befragten Healthcare-Unternehmen daran, dass der Einsatz von Predictive Analytics in den nächsten fünf Jahren dafür sorgen wird, dass sie 15 Prozent oder mehr ihres Gesamtbudgets einsparen. Ein Viertel der Unternehmen geht diesbezüglich sogar von einem Wert von 25 Prozent oder mehr aus. 93 Prozent der Führungskräfte dieser Unternehmen sind zudem davon überzeugt, dass die Technologie wichtig für die Zukunft ihrer Firmen ist.
Predictive Analytics - erste Schritte
Predictive Analytics im Unternehmen einzuführen ist zwar alles andere als ein Kinderspiel, aber doch eine Aufgabe, bei der jede Firma Fortschritte machen kann. Vorausgesetzt, die dafür nötige Zeit und das notwendige Budget werden auch investiert.
Ein guter Startpunkt wäre beispielsweise ein kleineres Pilotprojekt in einem geschäftskritischen Bereich. So bleiben die Kosten im Rahmen und der Zeitraum, bis erste Erfolge sichtbar werden, ist überschaubar. Kommt ein Predictive-Analytics-Modell erst einmal in Gang, kann es dem Unternehmen nachhaltige Insights über viele Jahre hinweg liefern. (fm)
Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.