Wäre es nicht hilfreich, wenn Sie voraussagen könnten, wie sich die Verkaufszahlen entwickeln werden oder welches Produkt in Zukunft gefragt sein wird? Was nach einem Wunschtraum klingt, kann durch Predictive Analytics Realität werden. Dabei entwickeln intelligente Algorithmen auf Grundlage von vergangenen Daten wahrscheinliche Hypothesen über die Zukunft. Erfahren Sie, wofür sich die Technologie einsetzen lässt, welche Modelle es gibt und wie die Einführung von Predictive Analytics gelingt.

Schön, dass Sie hier sind! Wie Ihnen vielleicht schon aufgefallen ist, verwenden wir aus Gründen der Lesbarkeit in erster Linie die männliche Form in unseren Texten. Im Sinne der Gleichbehandlung meinen wir damit selbstverständlich immer alle Geschlechter (m/w/d). Und jetzt wünschen wir Ihnen viel Spaß beim Lesen.

Definition: Was sind Predictive Analytics?

Predictive Analytics sind ein Teilgebiet der Statistik. Dabei werden vergangene Daten analysiert, um Vorhersagen über zukünftige Ereignisse wie Marktentwicklungen oder Kundenentscheidungen zu treffen. Predictive Analytics können aber auch dafür verwendet werden, um Korrelationen auszumachen, welche bereits vergangene Ereignisse betreffen. Beispielsweise lassen sich so finanzielle Betrugsversuche analysieren und die wahrscheinlichsten Täter ausmachen.

In beiden Fällen werden Beziehungen zwischen verschiedenen Variablen untersucht und auf diese Weise Muster ausgemacht. Das Ziel besteht in einer extrapolierenden Deutung: Was legen die existierenden Daten nahe, sodass wir mit hoher Wahrscheinlichkeit die richtige Antwort bestimmen können? Die Qualität dieser Extrapolationsversuche hängt wesentlich von der Qualität der Datenbasis, der Genauigkeit der Analyse und der Fähigkeit ab, ungewöhnliche Zusammenhänge auszumachen.

Für alle diese Szenarien kommen eine Vielzahl von neuen Technologien zum Einsatz, unter anderem Data-Mining, Data-Modeling, künstliche Intelligenz, Machine-Learning und Deep Learning. Das Resultat dieser Kalkulationen ist ein sogenannter „Predictive Score“, welcher die Wahrscheinlichkeit abbildet, mit der ein bestimmtes Ereignis eintreten wird.

Die steigende Bedeutung von Predictive Analytics hängt eng mit dem Siegeszug von Big Data zusammen. Weil Unternehmen immer größere Datenmengen in Form von Hadoop-Clustern, Data-Lakes und -Warehouses sammeln, kann auch immer mehr Data-Mining betrieben werden. Das bildet die Grundlage für Predictive Analytics als Tool zur Unternehmensentwicklung.

Indem die Menge der erhobenen Daten im Zuge der Digitalisierung beständig zunimmt, werden Predictive Analytics in den nächsten Jahren eine der wichtigsten Chancen für Unternehmen bilden. So lassen sich zum Beispiel Trends vorhersagen, Maschinenausfälle antizipieren oder herausfinden, welcher Manager eine bestimmte Position am besten ausfüllen wird.

Abgrenzung zu anderen Analytics-Disziplinen

Predictive Analytics gehören zur Gruppe der Data-Analytics. Dieser allgemeine Begriff bezeichnet alle quantitativen Methoden, um Daten zu interpretieren und Antworten auf Probleme zu erhalten. Data-Analytics kommen dabei in so unterschiedlichen Feldern wie der Wettervorhersage, dem Gesundheitswesen, in der wissenschaftlichen Forschung und natürlich im Business-Kontext zum Einsatz. In letzterem Fall spricht man auch von Business-Analytics.

Business-Analytics bestehen ihrerseits wieder aus drei Teilgebieten. Am weitesten verbreitet sind Descriptive Analytics. Sie befassen sich mit der Frage, was bis zu diesem Zeitpunkt in einem bestimmten Unternehmen geschah und wie diese Daten zu interpretieren sind. Der Fokus liegt also auf der Beschreibung des Status quo. Das zweite Teilgebiet sind Predictive Analytics, um die es in diesem Artikel geht. Hier steht das Erkennen von Mustern im Vordergrund, welche Aussagen über zukünftige Ereignisse erlauben. So lassen sich neue unternehmerische Chancen ausmachen und wirtschaftliche Risiken minimieren. Das dritte Teilgebiet bilden die Prescriptive Analytics. Basierend auf den Erkenntnissen der beiden vorher genannten Disziplinen „verschreibt“ dieser Ansatz einem Unternehmen eine optimale Vorgehensweise, an welcher sich das Management orientieren kann. Hierbei werden zunehmend Automatismen unter Verwendung von künstlicher Intelligenz und Deep Learning verwendet.

Je nach Bedarf wird dieses Dreigestirn noch um zwei weitere Modi ergänzt: Diagnostic Analytics, welche zu erklären versuchen, warum etwas geschah, und Real-Time-Analytics, welche Daten in Echtzeit analysieren, noch während sie gesammelt werden.

Predective Analytics im Vergleich zu anderen Analytics-Disziplinen

Die wichtigsten Vorteile

Unternehmen, welche Predictive Analytics einsetzen, profitieren von zahlreichen Vorteilen.

Reduzieren Sie Ihr Risiko

Eines der bekanntesten Einsatzgebiete für Predictive Analytics ist die Beurteilung der Kreditwürdigkeit. Der Algorithmus prüft das finanzielle Verhalten eines potenziellen Käufers in der Vergangenheit, und weist ihm einen sogenannten “Credit Score” zu. An diesem kann Ihr Unternehmen ablesen, mit welcher Wahrscheinlichkeit der Kunde seinen Zahlungsverpflichtungen nachkommen wird. Aber auch bei Versicherungsvorfällen und dem Eintreiben von offenen Zahlungen lässt sich das Risiko so minimieren.

Verbessern Sie Ihre Prozesse

Predictive Analytics können auch dafür eingesetzt werden, um Geschäftsvorgänge zu optimieren. Beispielsweise lässt sich so die Entwicklung von Warenbeständen voraussagen. Hotels verwenden die Technologie dafür, die Anzahl von Gästen vorherzubestimmen, welche abhängig von der Saison Buchungen vornehmen werden. In ähnlicher Weise legen Fluggesellschaften ihre Ticketpreise fest. Das hilft dabei, die Auslastung zu verbessern und den Gewinn zu steigern.

Optimieren Sie Marketingkampagnen

Mithilfe von Predictive Analytics lassen sich Kundenreaktionen und Kaufentscheidungen vorhersagen. Auch Cross-Selling-Chancen lassen sich so ausmachen. Das hilft Unternehmen dabei, die bestehenden Kundenbeziehungen zu verbessern und neue Kunden ausfindig zu machen.

Machen Sie Betrugsvorgänge ausfindig

Sie können Predictive Analytics dafür einsetzen, kriminelle Aktivitäten zu identifizieren. Dafür durchkämmt der Algorithmus das komplette Unternehmensnetzwerk in Echtzeit, um Anomalien auszumachen, welche auf einen Betrugsversuch hindeuten.

Die Bedeutung von Predictive Maintenance

Eines der vielversprechendsten Einsatzgebiete für Predictive Analytics ist die Predictive Maintenance. In fertigenden Betrieben wird diese dazu verwendet, Maschinenausfälle vorherzusagen. So werden Anlagen genau dann gewartet, wenn es nötig ist, statt vorbeugend in regelmäßigen Intervallen, was viel Zeit und Ressourcen verschlingt und häufig unnötig ist.

Begünstigt wird die Entwicklung von Predictive Maintenance durch die wachsende Zahl von IoT-Daten. Indem die Hersteller von Maschinen diese zunehmend mit Sensoren ausstatten, können diese fortlaufend Rückmeldung geben, wie ihr Zustand ist und wie effektiv sie mit anderen Geräten zusammenarbeiten. Solche Sensoren werden heute schon in vielen Fertigungsstraßen, aber auch in Autos oder Haushaltsgeräten verbaut.

Weitere Anwendungsfälle für Predictive Analytics sind:

  • Die Überwachung von Bohranlagen
  • Das Monitoring von Öl- und Gas-Pipelines
  • Die vorausschauende Wartung von Windkraftanlagen

Weitere Einsatzgebiete

Neben der vorausschauenden Wartung in der Fertigung kommen Predictive Analytics in einer Vielzahl von weiteren Industrien zum Einsatz.

Bankenwesen

Im Finanzsektor werden Machine-Learning und quantitative Tools genutzt, um Kreditrisiken vorherzusagen und Betrugsfälle aufzudecken.

Gesundheitswesen

Unter Verwendung von Predictive Analytics lassen sich Vitaldaten und die Anamnese eines Patienten korrelieren. Auf diese Weise können eine Vielzahl von Erkrankungen frühzeitig diagnostiziert werden.

Personalmanagement

Im HR-Bereich kann via Predictive Analytics vorausgesagt werden, welcher Bewerber eine bestimmte Position am besten ausfüllen wird. Außerdem lassen sich zukünftige Arbeitsmarktkosten bestimmen.

Marketing und Vertrieb

Besonders ergiebige Einsatzgebiete für Predictive Analytics sind das Marketing und der Vertrieb. Mit Predictive Analytics kann besser eingeschätzt werden, wie sich Kunden an unterschiedlichen Stellen des Customer-Lifecycles entscheiden werden. Auch Cross-Selling-Chancen lassen sich so identifizieren.

Konkrete Anwendungsfälle sind:

  • Lead-Qualification: Predictive Analytics helfen dabei einzuschätzen, wie ein potenzieller Kunde zum jetzigen Zeitpunkt optimal angesprochen werden muss, um ihn in einen Käufer zu verwandeln.
  • Fluktuations-Management: Mithilfe von Predictive Analytics kann verhindert oder zumindest verzögert werden, dass Kunden nach einem bestimmten Zeitraum zu einem anderen Provider „weiterwandern“.
  • Bedarfsvorhersage: Auch wie sich die Nachfrage nach einem bestimmten Produkt oder Service entwickeln wird, lässt sich via Predictive Analytics bestimmen.
  • Medien-Optimierung: Sie können mit Predictive Analytics herausfinden, welches Medienformat bei einer bestimmten Zielgruppe am besten ankommen wird.

E-Commerce

Predictive Analytics bieten eine Vielzahl von Möglichkeiten für E-Commerce. Dazu zählen passgenaue Produktempfehlungen, basierend auf vergangenen Kaufentscheidungen. Aber auch die saisonale Vorhersage von Verkaufszahlen und die Analyse von neuen Märkten werden so ermöglicht.

Logistik

Die Entwicklung der Warenbestände eines Unternehmens kann mit Predictive Analytics genauer vorhergesagt werden. So stellen Sie sicher, dass Sie Kundenanfragen zeitnah erfüllen können, ohne dass Sie überflüssige Vorräte anlegen, welche Platz kosten und gegebenenfalls entsorgt werden müssen.

Wettervorhersage

Der vielleicht bekannteste Anwendungsfall für Predictive Analytics ist die Wettervorhersage. Anhand vergangener Wetterdaten versuchen Meteorologen, Aussagen über die Wettersituation der nächsten Tage und Wochen zu treffen. Das ist unter anderem wichtig für Landwirte, die so besser entscheiden können, wann sie eine Ernte einholen.

Wahlprognosen

Wahlforscher berechnen im Vorfeld von Landtags- oder Bundestagswahlen, welche Verteilung der Sitze zwischen den Parteien wahrscheinlich eintreten wird. Dafür kommen seit jeher Predictive-Analytics-Modelle zum Einsatz.

Diese Modelle gibt es

Predictive Analytics verwenden meist eines der folgenden drei Modelle: Decision-Tree-Modelle, Regressionsmodelle oder künstliche neuronale Netze.

1. Decision-Tree-Modelle

Decision-Tree-Modelle sind, wie der Name andeutet, baumartig aufgebaut. Die Äste des Baummodells repräsentieren dabei grobe Auswahlmöglichkeiten, während die Blätter, die vom jeweiligen Ast abgehen, für eine Antwort-Option stehen. Diese Art von Modell ist sehr übersichtlich und leicht zu verstehen. Es kann sowohl dabei helfen, nachzuvollziehen, wie beispielsweise ein Kunde zu einer bestimmten Entscheidung gelangt ist; es ist aber auch nützlich, um eigene zukünftige Entscheidungen zu treffen, indem die verschiedenen Optionen visualisiert werden. So lassen sich insbesondere Fehlentscheidungen unter Zeitdruck vermeiden.

2. Regressionsmodelle

Das Regressionsmodell findet vorwiegend bei statistischen Analysen Anwendung. Dafür werden Formeln verwendet, welche das Verhältnis zwischen allen Eingabevariablen eines Daten-Sets abbilden. Das Modell kommt speziell bei großen Datenmengen zum Einsatz, um diese auf Muster zu untersuchen. Außerdem eignet sich diese Methode gut, wenn eine lineare Beziehung zwischen mehreren Input-Variablen vorliegt. Beispielsweise können Sie mit diesem Modell herauszufinden, wie der Preis die Performance einer Aktie beeinflusst.

3. Künstliche neuronale Netzwerke

Künstliche neuronale Netzwerke (KNN) sind ein Predictive-Analytics-Modell, bei dem versucht wird, die Funktionsweise des menschlichen Gehirns nachzuahmen. Dieses Modell kommt besonders gut mit komplexen Datenbeziehungen zurecht, indem es auf künstliche Intelligenz und Algorithmen zur Mustererkennung zurückgreift. KNNs eignen sich insbesondere für die folgenden drei Szenarien:

  1. Sie haben ein sehr großes Daten-Set als Ausgangsbasis, wobei Sie mehr als eine Variable gleichzeitig betrachten bzw. mehrere verwandte Aussagen über die Zukunft treffen möchten.
  2. Auch wenn zum jetzigen Zeitpunkt unklar ist, welche Formel am besten verwendet werden soll, um das Verhältnis zwischen Input und Output abzubilden, sind KNNs ein erfolgversprechendes Modell.
  3. Ist die Art Ihrer Analyse ausschließlich prädiktiver Natur, unter Verzicht auf deskriptive Elemente, sind KNNs ebenfalls gut geeignet.

Künstliche neuronale Netzwerke können auch gut dafür verwendet werden, um die Erkenntnisse eines Decision-Tree-Modells oder eines Regressionsmodells zu überprüfen.

Welche digitalen Tools eingesetzt werden

Predictive-Analytics-Tools werden mittlerweile von einer Vielzahl von Softwareherstellern angeboten, wie Microsoft, Google, AWS, IBM oder SAP. Aber auch Open-Source-Lösungen kommen regelmäßig zum Einsatz. Entwickler greifen beispielsweise auf die Open-Source-Sprache “R” zurück. Daneben werden viele Predictive-Analytics-Anwendungen in Python und Scala verfasst. Es existieren auch eigene Predictive-Analytics- und Machine-Learning-Plattformen, die open source sind, wie zum Beispiel Teile von Apache Spark.

Im Vergleich zu den Open-Source-Lösungen sind die Produkte von Microsoft und Co. teurer, dafür erhalten Ihre Data-Engineers aber auch Zugriff auf den Support des Herstellers. Bei Open-Source-Anwendungen müssen bei Problemen selbst Lösung gefunden werden bzw. eine Open-Source-Community zurate gezogen werden. Das kann zu Verzögerungen bei wichtigen Projekten führen.

Wie Sie einen Predictive-Analytics-Prozess entwickeln

Der folgende Fünf-Stufen-Prozess kann Ihnen dabei helfen, Predictive Analytics für Ihr Unternehmen zu nutzen.

1. Definieren Sie die Anforderungen

Viele Unternehmen machen den Fehler, Predictive Analytics zu implementieren, weil sie ein Trend sind, aber ohne einen konkreten Anwendungsfall vor Augen zu haben. Im ersten Schritt ist es deshalb wichtig, genau zu definieren, welches Problem Sie lösen möchten. Möchten Sie Ihre Warenbestände besser managen? Betrugsfälle ausschließen? Verkaufszahlen vorhersagen? Den richtigen Kandidaten für eine bestimmte Position finden?

Stellen Sie Ihr Problem so genau als möglich dar, am besten in schriftlicher Form. Es kann außerdem sinnvoll sein, einen Statistiker zurate zu ziehen, um quantifizierbare Erfolgskriterien zu definieren. Nur so können Sie sicher sein, wo die Reise hingeht und wann das Ziel erreicht wurde.

2. Evaluieren Sie Ihre Datengrundlage

Das Ziel dieser Phase besteht darin, die Qualität und die Aussagekraft Ihrer zur Verfügung stehenden Daten zu beurteilen. Es muss herausgefunden werden, in welchem Verhältnis die Datengrundlage zu dem im ersten Schritt definierten Problem steht, und ob sie geeignet ist, dieses zu lösen. Dafür sollten Sie unbedingt die Hilfe eines Data-Analysts hinzuziehen. Kriterien, die es zu untersuchen gilt:

  • Gültigkeit der Daten
  • Relevanz für das betrachtete Problem
  • Qualität (Reinheits- bzw. Verfälschungsgrad)

3. Entwickeln Sie ein Modell

Predictive Analytics sind keine Universallösung. Vielmehr kommen abhängig vom betrachteten Problem ganz unterschiedliche Modelle und Algorithmen zum Einsatz. Für die Aussagekraft Ihrer Vorhersagen ist es entscheidend, hier das richtige Modell auszuwählen. Das gelingt selten im ersten Wurf. Vielmehr sollten Sie mehrere Konzepte und Rechenmodelle testen, bevor Sie sich auf ein finales Verfahren festlegen. Es gilt einen guten Kompromiss zwischen Performance, Genauigkeit und Erklärbarkeit zu finden.

Hierfür sollten Sie unbedingt die Expertise eines Data-Scientists in Anspruch nehmen. Es kann Sinn machen, auf einen externen Partner zurückzugreifen, zum Beispiel in Form eines Managed-Services-Providers, der Analytics als Dienstleistung anbietet. Diese Externen bringen häufig einen frischen, unvoreingenommenen Blick auf die Dinge mit und ersparen Ihnen so Fälle von Betriebsblindheit.

4. Wenden Sie Ihr Modell an

Nachdem Ihr Data-Scientist das passende Modell ausgewählt hat, kommt Ihr Data-Engineer zum Zug. Er legt fest, wie die für das Modell benötigten Rohdaten am besten gewonnen, bereinigt und nutzbar gemacht werden und führt sie dann dem Modell zu, um dieses zu befüllen. Dabei sollte zu jedem Zeitpunkt der Anwendungsnutzen im Vordergrund stehen, zum Beispiel wie Ihr neuer Algorithmus dem Vertriebsteam dabei hilft, Kaufentscheidungen vorherzusagen.

5. Überprüfen Sie Ihre Resultate

Im Laufe der Zeit kann sich die Gültigkeit und die Performanz Ihres Modells ändern, weil zum Beispiel neue Trends das Kundenverhalten oder die Marktsituation verändern. Auch unvorhergesehene Ereignisse wie eine Pandemie oder die Disruption einer Branche durch einen marktfremden Player können eine Anpassung nötig machen. Deshalb sollten Sie in regelmäßigen Abständen validieren, dass Ihr Predictive-Analytics-Modell noch greift und gegebenenfalls Anpassungen vornehmen oder ein neues Modell auswählen.

4 Best Practices für Predictive Analytics

Zum Abschluss möchten wir Ihnen noch vier Best Practices vorstellen, um Ihnen die Arbeit mit Predictive Analytics zu erleichtern:

  1. Gute Vorhersagen basieren auf guten Daten. Unvollständige oder falsche Datensätze führen unweigerlich zu falschen Vorhersagen. Schaffen Sie deshalb im ersten Schritt eine solide Datengrundlage, indem Sie Ihre Big-Data-Analytics-Strategie optimieren.
  2. Gute Vorhersagen basieren auf adäquaten Modellen. Wie oben erwähnt gibt es eine Vielzahl von Techniken, Modellen und Strategien im Umfeld von Predictive Analytics. Es ist entscheidend, das für Ihre Zwecke passende Framework auszuwählen. Überstürzen Sie hier nichts und ziehen Sie die Hilfe eines erfahrenen Data-Scientists hinzu. Typischerweise wird dieser unter Verwendung von Machine-Learning eine Reihe von Tests durchführen, um die optimale Lösung zu identifizieren.
  3. Akzeptieren Sie mehrdeutige Ergebnisse. Predictive Analytics sind keine exakte Wissenschaft: Die Rede ist immer von Wahrscheinlichkeiten, mit denen bestimmte Ereignisse eintreten könnten; Garantien für die Zukunft gibt es nicht. Akzeptieren Sie deshalb, dass Analyse-Ergebnisse häufig nicht eindeutig sein werden und immer von Menschen interpretiert werden müssen.
  4. Behalten Sie immer die konkrete Anwendung im Blick. Wie bei vielen neuen Technologien besteht auch bei Predictive Analytics die Gefahr darin, dass die Innovation zum Selbstzweck wird. Gerade mit den an der Einführung beteiligten Data-Engineers geht hier manchmal die Begeisterung durch. Stellen Sie deshalb fortlaufend die Beziehung zu Ihrem geplanten Use-Case her. Fragen Sie sich zu jedem Zeitpunkt: Wie nützt uns das, was wir hier gerade untersuchen?

Schaffen Sie Ihre Analytics-Umgebung mit der ahd!

Um Ihre IT auf moderne Analytics-Verfahren vorzubereiten, benötigen Sie leistungsfähige Infrastruktur- und Speicherlösungen. Hier kommen die Experten der ahd ins Spiel: Wir realisieren für Sie eine Vielzahl von modernen Cloud- und On-Prem-Modellen. Dabei leisten wir nicht nur die technische Umsetzung, sondern unterstützen Sie auch strategisch sowie beim Change-Management. Kontaktieren Sie uns jetzt für eine unverbindliche Erstberatung!

Leitfaden Datenmanagement

KOSTENLOSER LEITFADEN

Datenmanagement: Die 6 Best Practices für Ihr Unternehmen

Sie möchten noch mehr über optimales Datenmanagement erfahren? Dann laden Sie sich jetzt unseren Leitfaden „Datenmanagement: Die 6 Best Practices für Ihr Unternehmen“ herunter.

Jetzt herunterladen