zur Blogübersicht

Was bedeutet Predictive Analytics?

Published: · Last updated: · 10 min Lesezeit

Predictive Analytics bedeutet zu deutsch prädiktive bzw. vorhersagende Analyse. Dazu werden Daten aus der Vergangenheit verwendet, um zukünftige Entwicklungen vorherzusagen. Daraus wird ein mathematisches Modelle entwickelt, welches die wichtigsten Trends beinhaltet. In folgenden Bereichen werden vorhersagende Analysen unter anderem eingesetzt:

  • Finanzen
  • Meteorologie
  • Sicherheit
  • Wirtschaft
  • Versicherungen
  • Logistik
  • Mobilität
  • Marketing

Durch die Predictive Analytics sollen wirtschaftliche Zusammenhänge die Entscheidungen, die das Management für die Zukunft treffen muss, erleichtern. Die vorhersagende Analyse basiert auf Business Analytics, auf die im nächsten Abschnitt eingegangen wird.

Die Predictive Analytics Technik bedient sich für Ihre Vorhersagemodelle Daten aus dem Data Mining. Auch Bewertungen und Erfahrungswerte aus der Vergangenheit fließen in die Analyse mit ein. Die Informationen, derer man sich bedient, werden mit Hilfe von ETL-Prozessen extrahiert. Daraus werden anschließend Vorhersagemuster berechnet. ETL-Prozesse sind Datenflussprozesse in einem Data Warehouse oder ähnlichem System. Bei einem ETL-Prozess werden Daten aus verschiedenen Quellen gezogen, konvertiert und in ein Zielsystem importiert. Die vorhersagende Analyse bedient sich aber noch weiterer Methoden, wie dem maschinellen Lernen, Elementen aus der Spieltheorie oder verschiedenen Simulationsverfahren.

In die Daten der Vorhersagemodelle fließen Variablen von vergangenen Ereignissen und wie diese sich ausgewirkt haben sowie weitere Abhängigkeiten aus Datenbeständen mit ein, welche such auf zukünftige Ereignisse auswirken. Wie aussagekräftig diese Vorhersagen sind, hängt davon ab, wie die Qualität der Annahmen ist, die getroffen wurden. Von entscheidender Bedeutung für die Pedictive Analytics ist die Klassifizierung. Bei der Klassifizierung werden verschiedene Objekte mit ihren jeweiligen Merkmalen zu Klassen zusammengefasst. Durch die Klassifizierung ist es möglich, ein Ordnungssystem zu schaffen, welches in verschiedenen Bereichen angewandt wird, wie etwa in der Wissenschaft und der Informationstechnik. Die Klassifizierung bewirkt im Zusammenhang mit der vorhersagenden Analyse, dass Daten nach vorher festgelegten Regeln extrahiert werden. Anschließend werden Suchwörter für die Dokumentenrecherche festgelegt. Mit Hilfe einer semantischen Analyse kann die Dokumentensuche noch genauer durchgeführt werden.

Mit der vorhersagenden Analyse ist es möglich, beispielsweise Marketing-Kampagnen genau abzustimmen. So kann das Verhalten von Website-Besuchern bezüglich Klickrate und Konversionsrate optimiert werden. Die Klickrate (CTR = Click Through Rate) gibt das Verhältnis in Prozent an, wie viele Besucher auf eine ihnen angezeigte Werbeanzeige geklickt haben. Die Konversionsrate gibt dagegen in Prozent an, wie viele Besucher einer Website eine Aktion, beispielsweise einen Kaufprozess in einem Onlineshop, komplett durchführen im Gegensatz zu den Besuchern, die diesen Prozess abbrechen.

In den vergangenen Jahren hat die vorhersagende Analyse reichlich an Bedeutung gewonnen, da die Technologien, die dies unterstützen, große Fortschritte gemacht haben. Dies betrifft vor allem die beiden Bereiche Big Data sowie das Machine Learning. Für große Datenbestände, aus denen Analysen und Schlussfolgerungen für zukünftige Ereignisse gezogen werden sollen, ist die Methode der vorhersagenden
Analyse bestens geeignet.

Welche Fragen werden durch die vorhersagende Analyse beantwortet?

  • Fragen zum Geschehenen: Was ist wann passiert?
  • Fragen zur Menge eines Ereignisses.
  • Fragen zur Häufigkeit eines Ereignisses.
  • Fragen zu den Ursachen eines Ereignisses.

Um diese Fragen zu beantworten, bedient man sich verschiedener Werkzeuge, wie beispielsweise Reportings (KPIs und Metriken), automatisierter Überwachung (es
wird ein Alarm beim Über- bzw. Unterschreiten eines bestimmten Wertes ausgelöst), Dashboards, Ad-hoc-Anfragen sowie Online Analytical Processing (auch OLAP
genannt). Beim Online Analytical Processing werden Hypothesen aufgestellt und Informationen abgefragt, die die vorherige Annahme entweder bestätigen oder sie
verwerfen.

Wie kann Business Analytics genutzt werden?

Business Analytics setzt im Bezug auf den Blick auf zukünftige Ereignisse auf statistische Analysen von Unternehmensdaten. Dabei beantwortet Business Analytics folgende Fragen:

  • Gründe von Ereignissen.
  • Auswirkungen von Ereignissen.
  • Wechselwirkungen von Ereignissen.
  • Folgen von Ereignissen.

Auch werden Szenarien durchgespielt und Alternativen aufgezeigt, wie man anders handeln kann. Welche Stellschrauben müssen gedreht werden, um dieses oder jenes Ergebnis bzw. Ereignis zu bekommen?

Welche Analyse-Tools benutzt Business Analytics?

Damit der Planungsprozess verbessert wird, setzt Business Analytics auf verschiedene Analysewerkzeuge:

A/B-Test: Es werden verschiedene Varianten mit unterschiedlichen Variablen getestet, um Entscheidungen zu überprüfen.

Es wird statistisch oder quantitativ analysiert, um die Frage zu beantworten, warum ein gewisses Ereignis eingetroffen ist oder nicht.

Neue Muster und Zusammenhänge in Daten werden durch Data Mining entdeckt.

Zukünftige Ereignisse werden durch die Predictive Analytics vorhergesagt. Die Preditive Alaytics ist somit eine Teildisziplin von Business Analytics.

Welche Verfahren gibt es bei der vorhersagenden Analyse?

Definieren des Projekts: Die Ergebnisse eines Projekts müssen festgelegt werden, wie groß der Aufwand ist, Unternehmensziele und welche Daten verwendet werden sollen.

Erfassen der Daten: Das Data Mining stellt Daten aus unterschiedlichen Quellen für die Analyse der vorhersagenden Analyse zur Verfügung. Dadurch ist ein Überblick über die Interaktionen von Kunden möglich.

Analyse der Daten: Die Analyse der Daten ermöglicht es, Daten zu überprüfen, zu bereinigen und zu modellieren. So werden die brauchbaren Informationen herausgefiltert, die dann für die weitere Verarbeitung nötig sind.

Statistische Analyse: Mit ihr ist es möglich, die vorher getroffenen Annahmen und Hypothesen zu untermauern bzw. zu bestätigen. Zudem wird dies durch Standardmodelle überprüft.

Modellieren: Um Vorhersagemodelle für zukünftige Ereignisse zu erstellen, wird die vorhersagende Modellierung angewandt.

Vorhersagendes Bereitstellen: Damit Analyseergebnisse täglich in den Entscheidungsprozess mit einfließen können, wird die vorhersagende Modellbereitstellung
verwendet.

Überwachung der Modelle: Um zu überprüfen, ob letztendlich auch die erwarteten Ergebnisse erzielt wurden, verwaltet und überwacht man die Modelle.

Welche Arten von Modellen gibt es?

Es gibt verschiedene Modelle, die in der vorhersagenden Analyse angewandt können:

  • Vorhersagemodelle: Diese Modelle bedienen sich Verfahren aus der Mathematik und der Informatik, damit Ergebnisse oder Ereignisse vorhergesagt werden können. Durch Ändern der Modelleingaben wird ein Ergebnis eines zukünftigen Zustands vorhergesagt. In einem fortwährenden Prozess wird das Modell mit Trainings-Datenmengen gefüttert und getestet. Dann wird überprüft, wie genau die Vorhersagen sind. Dazu verwendet man verschiedene Machine-Learning-Ansätze, um das für sich passende Modell zu ermitteln. Als Trainingsmuster bezeichnet man die zur Verfügung stehenden Mustereinheiten, deren Eigenschaften bekannt sind. Stichproben, welche zwar bekannte Eigenschaften, jedoch unbekannte Leistungen enthalten, bezeichnet man als Trainings-Stichproben.
  • Beschreibende Modelle: Durch beschreibende Modelle werden Daten zur Verfügung gestellt, mit denen Kunden und Interessenten in verschiedene Klassen gruppiert werden. Vorhersagemodelle beziehen sich immer auf die Vorhersage eines einzigen Kundenverhaltens. Beschreibende Modelle beziehen sich dagegen immer auf mehrere verschiedene Beziehungen zwischen Kunden und Produkten. Kunden werden in beschreibenden Modellen nach ihren Vorlieben und ihrer Lebensphase eingeteilt.
  • Entscheidungsmodelle: Diese Modelle zeigen die Beziehung der Gesamtheit der Elemente einer Entscheidung auf. Dazu zählen bekannte Daten (auch solche von Vorhersagemodellen) und Prognoseergebnisse der Entscheidung. Dadurch werden die Ergebnisse aus diesen Entscheidungen mit verschiedenen Variablen vorhergesagt. Mit Hilfe dieser Erkenntnisse können nun Ergebnisse optimiert werden. Man verwendet die Entscheidungsmodelle dann, wenn eine Entscheidungslogik oder Geschäftsregeln entwickelt werden sollen, die zur gewünschten Reaktion bei jedem Kunden oder jeden Umstand führen. Da reale Entscheidungsprobleme sehr komplex sind, muss das Modell in der Regel vereinfacht werden. Eine Möglichkeit, das Modell zu vereinfachen, besteht darin, nicht alle möglichen Varianten der Daten in dem Modell zu berücksichtigen

Ihre persönliche Ansprechpartnerin

Sie wollen mehr zu diesem Thema oder unseren Produkten erfahren? Gerne beantworte ich Ihnen offene Fragen zu unseren Lösungen.
Sie erreichen mich unter:

Jetzt anrufen

Olga Schmid

Customer Needs & Success Management

olga.schmid@forcam.com
Jetzt neu: Ermitteln Sie Ihren digitalen Reifegrad kostenfrei in 5 Minuten                 mehr erfahren