Kurz gefasst: Predictive Analytics in 3 Minuten

Next Big Think Mai 27, 2020

Der Blick in die Zukunft hat die Menschen seit jeher fasziniert.

Das bekannteste, historische Beispiel ist das Orakel von Delphi. Die Menschen im antiken Griechenland pilgerten zu dieser heiligen Stätte, um sich die Zukunft im Tempel voraussagen zu lassen.

Doch was war das Geheimnis hinter den hellseherischen Fähigkeiten des Orakels? Aus heutiger Sicht lässt sich das einfach erklären: Könige, Feldherren und andere einflussreiche Personen suchten den Rat der Priester im Tempel und sprachen dabei über ihre Staatsgeheimnisse und Zukunftspläne. Die Priester erhielten somit umfassenden Einblick in wichtige strategische Informationen und konnten diese nutzen, um daraus logische Schlussfolgerungen über zukünftige Entwicklungen abzuleiten.

Wenn Menschen heutzutage in die Zukunft blicken möchten, können sie das Orakel von Delphi leider nicht mehr befragen. Allerdings eröffnen uns die moderne Informationstechnologie und Methoden wie Predictive Analytics neue Möglichkeiten, um mithilfe von Datenmodellen fundierte Vorhersagen über Ereignisse in der Zukunft zu treffen. Unternehmen und Manager nutzen Predictive Analytics unter anderem zur Einschätzung zukünftiger Marktentwicklungen oder für Absatzprognosen im Handel. Darüber hinaus wird Predictive Analytics auch in der Corona-Krise eingesetzt, um aus tagesaktuellen Daten Prognose-Modelle zum weiteren Verlauf der Pandemie zu erstellen.

Was ist Predictive Analytics?

Unter Predictive Analytics (auch Predictive Market Analytics oder Predictive Intelligence genannt) werden unterschiedliche Methoden und Verfahren zusammengefasst, die durch Auswertung historischer und aktueller Daten Vorhersagen für die Wahrscheinlichkeit zukünftiger Ereignisse treffen.

Bereits in den 1990er Jahren wurde der Begriff “Business Intelligence (BI)” für die Sammlung, Auswertung und Darstellung von Daten in elektronischer Form populär. Howard Dresner, ein Analyst der Gartner Inc., beschrieb vier Stufen der Business Intelligence und ordnete Predictive Analytics darin folgendermaßen ein:

  1. Descriptive Analytics analysiert vergangenheitsbezogene Daten und Kennzahlen, um ungenutzte Potenziale sowie unerkannte Probleme zu erkennen.

  2. Diagnostic Analytics gibt Antwort auf die Fragen der Descriptive Analytics (warum oder wie etwas passiert ist).

  3. Predictive Analytics erlaubt einen Blick in die Zukunft und analysiert was wahrscheinlich passieren wird.

  4. Prescriptive Analytics identifiziert die notwendigen Handlungen, um ein bestimmtes Ziel zu erreichen.

Für Predictive Analytics werden mathematische Verfahren, insbesondere Algorithmen verwendet, um Muster in Daten zu erkennen und Trends zu identifizieren. Typische Verfahren sind Regressionen oder Klassifikationsmethoden. Darüber hinaus werden auch häufig Elemente der Spieltheorie und Simulationsverfahren eingesetzt.

Durch den Einsatz von Big Data und künstlicher Intelligenz haben sich die Anwendungsmöglichkeiten von Predictive Analytics inzwischen stark erweitert. Auf Basis von maschinellen Lernverfahren kann Predictice Analytics-Software riesige Mengen strukturierter und unstrukturierter Daten innerhalb kürzester Zeit analysieren. Die Machine Learning-Algorithmen werden auf Grundlage der vorhandenen Daten trainiert und lernen dadurch, selbstständig Datenmodelle zu erzeugen, die sie für Entscheidungen und Vorhersagen nutzen.

Typischerweise müssen vier Schritte durchgeführt werden, um mit Predictive Analytics konkrete Problemstellungen zu lösen und zukünftige Entwicklungen und Ereignisse einzuschätzen:

  1. Rohdaten sammeln: Predictive Analytics erfordert große Datenmengen. Im besten Fall können diese Daten aus Datenbanken oder sonstigen Dateien in das Predictive Analytics-System importiert werden. Die Rohdaten dienen in erster Linie als Trainingsdaten und helfen dabei, das System in den nächsten Schritten richtig zu kalibrieren.

  2. Daten aufbereiten und Informationen extrahieren: In diesem Schritt erfolgt die Verarbeitung der Daten. Dabei müssen häufig unterschiedliche Datenquellen aggregiert, die Daten bereinigt und überflüssige Daten gelöscht werden. Bei Bedarf müssen fehlende Daten manuell ergänzt werden. Beispielsweise ist dies bei Klassifikationsproblemen erforderlich. Hier müssen Trainings-Datenbestände oftmals händisch klassifiziert werden.

  3. Prädiktives Modell entwickeln: Zunächst werden Annahmen über die Struktur und Zusammenhänge der Daten entwickelt. Mithilfe der getroffenen Annahmen werden geeignete Verfahren für das passende Predictive Analytics-Modell ausgewählt. Dabei unterscheidet man zwischen zwei grundlegenden Arten von Modellen:

    • Klassifikationsmodelle: Mit diesen Modellen können bestimmte Klassifizierungen von Daten erlernt und vorausgesagt werden.

    • Regressionsmodelle: Damit können Beziehungen zwischen einer abhängigen und einer oder mehreren unabhängigen Variablen modelliert und bestimmte Parameter prognostiziert werden.

    Darüber hinaus können weitere Analysemethoden und Machine Learning-Algorithmen zur Verfeinerung von Predictive Analytics-Systemen genutzt werden. Es empfiehlt sich in einem iterativen Prozess ein erstes Modell zu entwickeln und zu testen.

  4. Anwendung des Modells auf zukünftige Daten: Wenn das Modell effektiv funktioniert und stabil arbeitet, kann das Predictive Analytics-System eingesetzt werden, um Analysen und Prognosen für spezifische Anwendungen zu erstellen.

Anwendungsgebiete von Predictive Analytics

Generell nutzen Entscheider in Unternehmen Predictive Analytics, um aus den Prognosen strategische Empfehlungen und Entscheidungen abzuleiten. Dadurch können Unternehmen komplexe wirtschaftliche Zusammenhänge vorhersagen, um bessere Entscheidungen zu treffen und sich einen Wettbewerbsvorteil zu verschaffen.

Darüber hinaus setzen Unternehmen Predictive Analytics in ihren Geschäftsprozessen ein, um sich einen direkten Vorteil bei ihren Kunden zu verschaffen. Auf Grundlage von Kundenpräferenzen werden automatisch Vorhersagen generiert, welche Wünsche die Kunden als nächstes haben werden. Dadurch können Produkte, Dienstleistungen oder Werbemaßnahmen konkret an die Kundenbedürfnisse angepasst und diese gezielt vom Anbieter erfüllt werden. Rund ein Drittel der Waren, die Kunden auf Amazon kaufen, basieren auf einem Vorschlag, der von selbstlernenden Empfehlungssystemen erstellt wird.

Finanzdienstleister identifizieren mithilfe von Predictive Analytics spezifische Kundengruppen innerhalb der Kundendaten und entwickeln darauf basierend zum Beispiel Kreditrisikomodelle. Dementsprechend können sie individuelle Konditionen für Neukunden oder Kreditrahmen bestimmen. Bei Versicherungen kann die Höhe des Versicherungsbetrags je nach prognostizierter Schadensfall-Häufigkeit individuell angepasst werden.

In der Industrie und der Automation können Instandhaltung und Wartung vorausschauend geplant und sogar Maschinenausfälle vorhergesagt werden. Man spricht hier von “Predictive Maintenance” (vorausschauende Wartung). Sensoren messen und übermitteln Daten zum Status einer Maschine wie Leistung, Temperatur und Auslastung an ein System. Dieses analysiert die Daten bezüglich Nutzung, Verschleiß und Zustand und schlägt Alarm, sobald es ein Fehlermuster erkennt. Der Service-Mitarbeiter kann rechtzeitig reagieren und einen Ausfall der Maschine proaktiv verhindern, indem er beispielsweise ein neues Ersatzteil einbaut oder die erforderlichen Wartungsarbeiten vorzieht.

Neben den Anwendungen im Unternehmensbereich wird Predictive Analytics auch in vielen anderen Bereichen eingesetzt, wie zum Beispiel beim Predictive Policing. Darunter versteht man die Vorhersage von Straftaten. Hierbei wird anhand von Tatmustern in der Vergangenheit (zum Beispiel Ort, Tatzeit, Art und Weise) die Wahrscheinlichkeit berechnet, mit der in einer bestimmten Region ein Einbruch geschehen wird. Die Polizei kann ihre Präsenz vor Ort rechtzeitig verstärken und ihre Aktivitäten in der gefährdeten Gegend konzentrieren, um so weitere Straftaten verhindern.

In der Corona-Pandemie leistet Predictive Analytics einen entscheidenden Beitrag zur Bewältigung der Krise: So hat ein Team aus Wissenschaftlern die Anwendung “HealthMap” entwickelt, um zu prognostizieren, wie sich das Corona-Virus ausbreitet. Anders als das kanadische  Start-up BlueDot, welches vor allem Medienberichte, offizielle Meldungen und Flugdaten auswertet, um Ausbrüche von Krankheiten und deren Verbreitung zu prognostizieren, nutzt die Anwendung aus Boston Daten aus Google-Suchen,  Social Media-Posts, Blogs und Foren für ihre Analysen. Mithilfe dieser Daten lassen sich auch die Reaktionen der Öffentlichkeit auf das Virus auffangen und abbilden.

WeBank, eine private chinesische Digital-Bank, hat wiederum eine Software entwickelt, welche die Auswirkungen des Corona-Virus auf die Wirtschaft analysiert. Die Anwendung vergleicht Satelliten-Aufnahmen, GPS-Daten von Pendlern und Social-Media-Daten vor, während und nach der Epidemie. Beispielsweise wurde die Auslastung von Stahlwerken über Infrarot-Bilder ausgewertet oder die Autos vor Firmenparkplätzen auf Satellitenbilder ausgezählt. Die Anwendung zeigte, dass sich die chinesische Wirtschaft bereits Anfang März auf 75 Prozent der ursprünglichen Kapazität erholt hatte und konnte darauf basierend Prognosen über den weiteren Verlauf der Wirtschaftsentwicklung erstellen. Des Weiteren konnte die Software analysieren, dass die Krise Anlass für Innovationen im Bereich eLearning, Gaming und Streaming war.

Ausblick

Die Ergebnisse von Predictive Analytics können immer nur so gut sein wie die zugrunde liegende Datenbasis und die daraus gewonnenen Muster. Prognosen, die mithilfe von vorausschauenden Analysen erstellt wurden, sind nur aussagekräftig, solange eine Konstanz in der zukünftigen Weiterentwicklung der Datengrundlage sichergestellt ist. Sobald Ereignisse und damit Datenausprägungen auftreten, die einen Strukturbruch und keine Weiterentwicklung des vorherigen Datenmusters darstellen, sind die Vorhersagen aus dem ursprünglichen Datensatz nicht mehr zutreffend. Eine erneute Prognose von Parametern funktioniert nur auf Basis eines fortgeschriebenen Datensatzes, der die neuesten, nicht-konsistenten Entwicklungen mitberücksichtigt.

Kein Predictive Analytics-System konnte den Strukturbruch der Corona-Krise vorhersehen. Aus diesem Grund müssen die Systeme jetzt eine neue Parameterschätzung vornehmen, welche die aktuellen Entwicklungen und Prognosen zur Ausbreitung des Coronavirus enthalten.

Amazon hatte Predictive Analytics bereits vor der Corona-Krise in seine Prozesse und Organisationsabläufe integriert, um das Potential der Analyse voll auszuschöpfen.  Dadurch konnte der Konzern innerhalb kürzester Zeit reagieren und 100.000 neue Mitarbeiter einstellen, als Millionen von Menschen aufgrund des Coronavirus zu Hause bleiben mussten und die Anzahl der Online-Bestellungen dadurch massiv anstieg.

Dieses Beispiel zeigt eindrucksvoll, dass Unternehmen flexibler und zukunftsgerichteter agieren können, wenn sie Predictive Analytics-Verfahren in ihre Geschäftsprozesse integrieren. Darüber hinaus lassen sich weitere Wettbewerbsvorteile realisieren, unter anderem durch die

  • Optimierung von Marketingkampagnen
  • Effiziente Verwendung von Ressourcen
  • Reduzierung des Zeitaufwands für bestimmte Prozesse
  • Kostenersparnis
  • Minimierung von Risiken

Fazit: Predictive Analytics ermöglicht einen Blick in die Zukunft und vereinfacht dadurch die Arbeit von Unternehmen und Institutionen. Voraussetzung dafür sind die Verfügbarkeit geeigneter Daten aus unterschiedlichen Quellen und Systeme, die eine hohe und stabile Performance aufweisen. Grundsätzlich gilt: Predictive Analytics ist ein kontinuierlicher, iterativer Prozess. Durch den fortschreitenden Einsatz werden die Analyse-Modelle immer besser und die Prognosen immer präziser.

Beim Newsletter anmelden und keinen Artikel mehr verpassen

Die spannendsten Artikel der Woche jeden Freitag direkt in Ihr Postfach

* Pflichtfeld

Gregor Puchalla

Gregor Puchalla ist Gründer und Geschäftsführer von fintechcube. Zukunftstrends sind seine Leidenschaft. Gregor hat 15 Jahre Erfahrung auf operativer und strategischer Ebene im Bereich Digitalisierung