Predictive Analytics

Predictive Analytics, auch vorausschauende oder prädiktive Analyse genannt, ist eine Methode, bei der mathematische Modelle auf große Datenmengen angewendet werden. Ziel ist es, Muster im Verhalten der Vergangenheit zu erkennen und daraus zukünftige Ergebnisse abzuleiten.

Durch die Kombination von Data Mining, maschinellem Lernen und statistischen Algorithmen entsteht die prädiktive Komponente. Diese ermöglicht es Predictive Analytics Tools, über einfache Korrelationen hinauszugehen und fundierte Vorhersagen zu treffen.

Diese Vorhersagen werden dann in der Praxis eingesetzt, um beispielsweise:

• Kreditkartenbetrug aufzudecken
• Angebot und Nachfrage präziser vorauszusagen
• Risiken bei Versicherungen zu reduzieren

und vieles mehr. 

Immer mehr Software-Tools integrieren Predictive Analytics, wodurch diese Technologie für Nutzer in Unternehmen jeder Größe zugänglicher wird. Predictive Analytics bietet Vorteile für alle Nutzer, auch für diejenigen, die nicht über fundierte Kenntnisse in Data Science oder Advanced Analytics verfügen. Diese Entwicklung wird oft als „Datendemokratisierung“ bezeichnet, was bedeutet, dass Daten im gesamten Unternehmen verfügbar gemacht werden, so dass jeder darauf zugreifen kann, um fundiertere Entscheidungen zu treffen.

Im Folgenden werden die Vorteile von Predictive Analytics, ihre Beziehung zu anderen Technologien wie Machine Learning und Data Mining sowie Verfahren, Techniken und Anwendungsfälle vorstellen.

Was sind die Vorteile?

Die Vorteile von Predictive Analytics sind vielfältig und bieten mehr als nur einen Blick in die Zukunft. Diese Technologie nutzt langjährige Erfahrung und gesammelte Daten, um ein System zu entwickeln, das die Arbeit erleichtert, Unternehmensrisiken erkennt und die Entscheidungsfindung verbessert.

Mit Predictive Analytics kann beispielsweise das Kundenverhalten vorhergesagt werden. Fragen wie „Welche Produkte werden in welcher Menge verkauft und wie viel sind die Kunden bereit dafür zu bezahlen?

Daraus lassen sich Bedarfs– und Preisplanungen ableiten. Darüber hinaus können unzufriedene und potentiell abwanderungswillige Kunden durch einen verstärkten Einsatz von Kundenservices identifiziert werden. Der Abwanderungstendenz kann dann mit individuellen Angeboten und Rabatten entgegengewirkt werden.

Auch in der Produktion hat Predictive Analytics eine hohe Relevanz. Unter dem Begriff Predictive Maintenance kann auf Basis historischer Maschinen- und Prozessdaten der optimale Zeitpunkt für die nächste Wartung ermittelt werden.

So können sowohl ausfallbedingte als auch unnötig frühzeitige Wartungen und die damit verbundenen Kosten vermieden werden. Grundsätzlich kann Predictive Analytics in jedem Bereich, in dem ausreichend Daten zur Verfügung stehen, einen Mehrwert bieten.

Die Vorteile von Predictive Analytics im Überblick:

• Reduzierung des Ressourceneinsatzes, auch im Hinblick auf die zeitlichen Kapazitäten
• Kosteneinsparungen
• Risikominimierung
• Optimierung der Marketingkampagnen
• Verbesserung des operativen Geschäfts
• Aufdeckung und Schutz vor Betrug

Verfahren und Techniken von Predictive Analytics

Predictive Analytics erfordert ein hohes Maß an Fachwissen über statistische Methoden und die Fähigkeit, prädiktive Datenmodelle zu erstellen. Predictive Analytics ist daher typischerweise eine Domäne von Data Scientists, Statistikern und anderen qualifizierten Analysten. Unterstützt werden sie von Dateningenieuren, die relevante Daten sammeln und für die Analyse aufbereiten, sowie von Softwareentwicklern und Geschäftsanalysten, die bei der Datenvisualisierung, der Erstellung von Dashboards und Berichten helfen.

Data Scientists verwenden Vorhersagemodelle, um Korrelationen zwischen verschiedenen Datenelementen in Website-Clickstreams, Gesundheitsdaten von Patienten und anderen Datensätzen zu finden. Nach der Datenerfassung wird ein statistisches Modell formuliert, trainiert und gegebenenfalls angepasst, um genaue Ergebnisse zu erzielen. Dieses Modell wird dann mit den ausgewählten Daten verglichen, um Vorhersagen zu treffen.

In einigen Anwendungen werden vollständige Datensätze analysiert, in anderen Fällen verwenden die Analyseteams Stichproben, um den Prozess zu vereinfachen. Die Datenmodellierung wird validiert oder überarbeitet, sobald zusätzliche Informationen verfügbar sind.

Der Prozess der Predictive Analytics beginnt mit dem Verständnis des Unternehmens und der Aufbereitung der Daten. Anschließend wird ein statistisches Modell erstellt, bewertet und verwendet, um die Daten zu verarbeiten und Vorhersagen abzuleiten. Der Prozess ist nicht immer linear und oft werden Zusammenhänge entdeckt, nach denen die Data Scientists gar nicht gesucht haben.

Sobald die prädiktive Modellierung zu verwertbaren Ergebnissen geführt hat, kann das Analyseteam diese mit den Führungskräften des Unternehmens teilen. Dies geschieht in der Regel in Form von Dashboards und Berichten, in denen die Informationen dargestellt und künftige Geschäftsmöglichkeiten aufgezeigt werden.

Funktionale Modelle können auch in betriebliche Anwendungen und Datenprodukte integriert werden, um Echtzeit-Analysefunktionen bereitzustellen. Ein Beispiel hierfür ist eine Empfehlungsmaschine auf der Website eines Online-Händlers, die Kunden auf der Grundlage ihrer Surfaktivitäten und Kaufentscheidungen auf bestimmte Produkte hinweist.

Neben der Datenmodellierung können auch andere Techniken eingesetzt werden, die von Data Scientists und Experten für Predictive Analytics verwendet werden:

• Textanalysesoftware zur Analyse textbasierter Inhalte wie Word-Dokumente, E-Mails und Social-Media-Posts;
• Klassifizierungsmodelle, die Daten in vordefinierte Kategorien einordnen, um das Auffinden und Abrufen zu erleichtern; und
• Neuronale Netze, die menschliches Lernen nachahmen und vorausschauende Analysen automatisieren.

Welche Modelle werden in den Predictive Analytics am häufigsten verwendet?

Zu den am häufigsten verwendeten Modellen in der Predictive Analytics gehören die lineare Regression, die logistische Regression, die lineare Diskriminanzanalyse, Entscheidungsbäume, Naive Bayes, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest und Boosting.

Data Scientists verwenden eine Vielzahl von Vorhersagemodellen, abhängig von den gewünschten Ergebnissen. Die den einzelnen Algorithmen zugrunde liegende Mathematik ist komplex und würde den Rahmen dieses Artikels sprengen.

Anwendungsfälle von Predictive Analytics

Im Marketing

Vor allem im Customer Relationship Management (CRM) finden Predictive Analytics Methoden Anwendung. Hier dienen die gesammelten Kundendaten als Grundlage für Vorhersagen und Prognosen. Neben dem CRM-Bereich wird Predictive Analytics auch im Online-Marketing eingesetzt, um Klickverhalten vorherzusagen oder die richtige Werbung zum richtigen Zeitpunkt zu schalten.

Im Customer Relationship Management sind insbesondere die Optimierung von Marketingkampagnen, Vertriebsprozessen und Kundenservice zentrale Aufgaben. Marketingkampagnen werden zielgerichteter und individueller auf die Kundenbedürfnisse zugeschnitten, was zu einer deutlichen Steigerung der Conversions führt. Im Marketing lassen sich mit Predictive Analytics unzählige Fragen beantworten:

• Welche Produkte sind besonders gefragt?
• Gibt es Kunden mit bestimmten Vorlieben?
• Welche Kundengruppen und Kundensegmente gibt es im Kundenstamm?

Betrugserkennung

Die Aufdeckung von Betrugsfällen erfordert oft die Analyse sehr großer Datenmengen. Dies kann jedoch auch automatisiert geschehen! Mit Hilfe von Predictive Analytics Methoden kann kriminelles Verhalten in den Daten erkannt werden, da es als Anomalie in den Datenmustern erscheint.

Auf diese Weise optimiert das Unternehmen seine eigene Sicherheit und erhöht das Vertrauen seiner Kunden. Diese Methoden werden in der Regel in der Versicherungs- und Finanzbranche eingesetzt, um Veruntreuung, Korruption, Bestechung und Fälschung von Finanzdaten aufzudecken.

Beispiele von Unternehmen, die auf Predictive Analytics setzen

Netflix & Amazon

Das Sammeln von Daten ist für Unternehmen wie Netflix sehr wichtig. Netflix sammelt Daten über das Verhalten und die bisherigen Sehgewohnheiten seiner Kunden. Diese Informationen werden verwendet, um Empfehlungen zu erstellen, die auf den Vorlieben der Nutzer basieren.

Dies bildet die Grundlage für die „Weil Sie … gesehen haben“-Listen auf der Website. Andere Websites, insbesondere Amazon, nutzen ihre Daten für „Kunden, die dieses Produkt gekauft haben, kauften auch …“ Listen.

Rolls-Royce

Rolls-Royce, einer der weltweit größten Hersteller von Flugzeugtriebwerken, setzt Predictive Analytics ein, um den CO₂-Ausstoß seiner Triebwerke erheblich zu reduzieren und gleichzeitig die Wartung zu optimieren, damit seine Kunden ihre Flugzeuge länger in der Luft halten können.

Die „Intelligent Engine Platform“ des Unternehmens überwacht die Triebwerksleistung, die Flugbedingungen und die Nutzung durch die Piloten. Mithilfe maschineller Lernverfahren passt Rolls-Royce die Wartungspläne für jedes einzelne Triebwerk an.

Stuart Hughes, Chief Information and Digital Officer bei Rolls-Royce, erklärt, dass das Unternehmen die Wartungspläne so anpasst, dass die tatsächliche Lebensdauer eines Triebwerks optimiert wird, anstatt nur den Vorgaben des Handbuchs zu folgen. Dieser variable Service betrachtet jedes Triebwerk individuell

Ellie Mae

Der US-amerikanische Finanzdienstleister Ellie Mae hat sich mit der Entwicklung von „Autonomous Threat Hunting“ proaktiv gegen Ransomware positioniert. Diese Technologie kombiniert Threat Intelligence, Predictive Analytics, künstliche Intelligenz und zuvor identifizierte „Indicators of Compromise“, um neue Anzeichen, Methoden oder Techniken der Kompromittierung zu erkennen, bevor sie zum Einsatz kommen.

Selim Aissi, Senior Vice President und Chief Security Officer bei Ellie Mae, erklärt, dass Threat Hunting nur proaktiv funktioniert. Anstatt auf einen Angriff zu warten, werden Bedrohungen erforscht, priorisiert und untersucht, bevor ein Angriff stattfindet oder sogar bevor eine Malware bekannt ist. Aissi berichtet, dass das Projekt die operative Sicherheitseffizienz um etwa 35 Prozent gesteigert, die Früherkennung von Bedrohungen um das Zehnfache verbessert und die Geschwindigkeit, mit der neue Bedrohungen abgewehrt werden, um etwa 60 Prozent erhöht hat.

Herausforderungen & Kritik

Eine der größten Herausforderungen von Predictive Analytics besteht darin, die Prognosemodelle aktuell zu halten, da sie kontinuierlich an aktualisierte Datenquellen angepasst werden müssen. Dazu gehören beispielsweise aktualisierte Verkaufszahlen, Rückmeldungen aus Marketingkampagnen und Kennzahlen aus Social-Media-Datenquellen.

Neben der Aktualität der Daten muss sichergestellt werden, dass nationale und internationale Datenschutzrichtlinien, gesetzliche Vorgaben sowie moralisch-ethische Aspekte und Diskriminierungsfreiheit eingehalten werden. Unternehmen müssen spezifische Abwägungen und Entscheidungen treffen, beispielsweise beim Einsatz von Cloud-Technologien, der Wahrung der Privatsphäre oder der individuellen Personalisierung von Systemen. Jeder Baustein eines Predictive Analytics Systems muss individuell analysiert und bewertet werden, was abteilungsübergreifende Analysen erfordert. Bei der Einbindung externer Datenquellen sind Maßnahmen zu definieren, um diese auch dann verfügbar zu halten, wenn sich die zugrundeliegende Datenquelle ändert oder nicht mehr verfügbar ist.

Die geforderte Aktualität kann in der Regel nur erreicht werden, wenn ein Großteil des Gesamtprozesses automatisiert wird, so dass manuelle Eingriffe und Anpassungen nur dann erforderlich sind, wenn sich grundlegende Strukturen ändern. Dabei stellt nicht nur die Automatisierung selbst eine Herausforderung dar. Häufig sind auch Anpassungen und/oder Erweiterungen in der unternehmensinternen IT-Organisation notwendig, sei es durch interne oder externe Dienstleistungen, um den gestiegenen Systemanforderungen gerecht zu werden.

Fazit

Predictive Analytics unterstützt Unternehmen dabei, datengetriebene Entscheidungen zu treffen und ihre Geschäftsergebnisse zu verbessern. Der Wandel hin zu einer datengetriebenen Unternehmenskultur ist jedoch mit Herausforderungen verbunden. Eine klare Vision, Umsetzungsbereitschaft, realistische Ziele und die richtigen Methoden sind notwendig, um die Vorteile von Predictive Analytics voll auszuschöpfen.

Sie brauchen dabei Unterstützung? 

Mit unserem spezifischen Know-how und unserer langjährigen Erfahrung in Data Science und Predictive Analytics können wir Ihnen dabei helfen, diese Herausforderungen zu meistern.

Häufige Fragen