Als einer der wichtigsten Big-Data-Trends hilft Predictive Analytics Unternehmen dabei, aus den Daten der Vergangenheit Schlüsse für die Zukunft zu ziehen. Damit lassen sich die gesammelten Daten optimal nutzen und frühzeitig die richtigen Maßnahmen ergreifen. Was Sie mit Predictive Analytics erreichen können und wie Sie das Verfahren zu Ihrem Vorteil einsetzen, lesen Sie hier.

Es ist ein Predictive Analytics Konzept auf virtuellem Bildschirm dargestellt, von rechts geht eine Hand Richtung Bildschirm.
Predictive Analytics © WrightStudio / Adobe Stock

Was ist Predictive Analytics?

Predictive Analytics (auf Deutsch: prädiktive, also vorhersagbare Analytik) ist ein Teilbereich von Business Intelligence (BI) und Business Analytics (BA), die sich mit der Datenanalyse in Unternehmen befassen. Bei Predictive Analytics handelt es sich um ein maschinelles Analyseverfahren, das auf Basis bekannter Ergebnisse zukünftige Ereignisse vorhersagen kann. Das mathematische Modell erkennt mittels Machine Learning (ML), künstlicher Intelligenz (KI) und statistischer Algorithmen Trends oder Muster in historischen Datensätzen. Deren Wahrscheinlichkeit berechnet es dann in Form von Vorhersagen für die Zukunft voraus. Unternehmen können dadurch datenbasiert bessere Entscheidungen fällen oder potenzielle Risiken frühzeitig identifizieren.

Predictive Analytics und Big Data

Ohne Big Data kann Predictive Analytics nicht arbeiten. Deshalb sind entsprechende Technologien, Tools und Know-how zur Verarbeitung der Massendaten unerlässlich. Der Grund: Big Data umfasst ein massives Volumen an strukturierten und unstrukturierten Daten, die sich hinsichtlich ihrer Quelle, Größe und Komplexität unterscheiden. Häufig sind die gesammelten Datensätze so groß, dass eine gleichwertige manuelle Untersuchung unmöglich ist. Erst die Auswertung von Big Data durch KI und ML machen die Datenmengen zugänglich und nutzbar.

Wichtig: Je größer die Datenmenge, desto präziser die Ergebnisse in Predictive Analytics. Um bestimmte Muster und Auffälligkeiten in den Datensätzen erkennen und Ihrem Unternehmen den größtmöglichen Nutzen zu bieten, müssen die maschinellen Lernverfahren gezielt trainiert werden.

Vorteile von Predictive Analytics

Immer mehr Unternehmen reagieren auf die explodierenden Datenmengen und verwenden prädiktive Analysen, um ihre Wettbewerbsvorteile zu steigern. Wirft man einen Blick auf die potenziellen Vorteile von Predictive Analytics, wird auch klar, warum: Neben statistisch wahrscheinlichen Zukunftsprognosen erlauben die Analysen, die Arbeit von IT-Teams systematisch zu vereinfachen, potenzielle Problemen vorzubeugen und die abteilungsübergreifend bessere Entscheidungen zu treffen.

Mögliche Vorteile für Unternehmen:

  • Reduktion des Zeit- und Kostenaufwands
  • Eindämmung von Risiken
  • Optimierung des operativen Geschäfts
  • Schutz vor Betrugsversuchen
  • sinnvolle Nutzung der Datenmengen und -typen
  • Chance, sich von der Konkurrenz abzuheben

Was ist der Unterschied zu Descriptive, Diagnostic und Prescriptive Analytics?

Predictive Analytics sind nur ein Glied in einer Kette aus verschiedenen Analyseoptionen, die in Summe ein schärferes Bild der Datenlandschaft ergeben. Vor- beziehungsweise nachgelagert sind die deskriptive, diagnostische und präskriptive Analytik:

  1. Descriptive Analytics: Was ist passiert?
  2. Diagnostic Analytics: Warum ist etwas passiert?
  3. Predictive Analytics: Was wird passieren?
  4. Prescriptive Analytics: Wie lässt sich ein mögliches Ereignis beeinflussen?

Descriptive Analytics, die erste Analysestufe, blickt auf vergangene Ereignisse, um deren Auswirkungen auf die Gegenwart besser zu verstehen. Bei diesem Modell werden Informationen statistisch ausgewertet und mithilfe von Diagrammen oder Dashboards benutzerfreundlich visualisiert. Dadurch erleichtert Descriptive Analytics Ihnen die Bewertung historischer Entscheidungen.

Diagnostic Analytics ermöglicht Einblicke in die Gründe, Wechselwirkungen oder Auswirkungen vergangener Ereignisse. Descriptive und Diagnostic Analytics unterscheiden sich maßgeblich in der Komplexität und Tiefe der Analyse: Während Descriptive Analytics Ereignisse der Vergangenheit nur beschreibt, untersucht Diagnostic Analytics die Ursachen vergangener Handlungen.

Predictive Analytics beantwortet, wie zuvor erwähnt, die Frage, was in Zukunft passieren wird. Darauf aufbauend geht Prescriptive Analytics noch einen Schritt weiter: Wie ist zu handeln, um zukünftige Ereignisse positiv zu beeinflussen? Die präskriptive Analytik hat den höchsten Analytics-Reifegrad, sprich die höchste Komplexität bei gleichzeitig maximalem Mehrwert für Unternehmen. Sie liefert Ihnen konkrete Handlungsempfehlungen, wie Sie vorhergesagte Ereignisse verhindern, darauf reagieren oder einen Trend in die gewünschte Richtung lenken können. Dafür arbeitet Prescriptive Analytics mit analytischen Modellen und Monte-Carlo-Simulationen, die sowohl bekannte als auch zufällige Variablen verarbeiten. Auf diese Weise lassen sich beispielsweise Wenn/Dann-Szenarien erstellen, Next-Best-Actions empfehlen oder die Auswirkungen möglicher Ereignisse besser verstehen.

Wie die vier Datenanalyseansätze zusammenspielen, zeigt das folgende Reifegradmodell.

Analytics-Reifegrade
Die vier Stufen der Analytics-Modelle (in Anlehnung an Gartner)

Typische Anwendungsfälle von Predictive Analytics

Wegen ihres hohen Mehrwerts sind Modelle der Predictive Analytics in den unterschiedlichsten Branchen im Einsatz. Laut der globalen Studie „Digitalisierung 2020“ steht Predictive Analytics bei den 1.119 befragten Unternehmen auf Platz 4 der wichtigsten genannten Technologien. Nur KI/ML, Smart Data und Predictive Maintenance werden als noch wichtiger eingeschätzt.

Typische Einsatzgebiete sind:

  • Bankwesen und Finanzdienstleistungen: Um Betrugsversuche aufzudecken und zu verhindern, Kreditrisiken zu bestimmen oder auch Kunden zu binden, verwendet die Finanzbranche schon lange prädiktive Analysemodelle. Datenbasierte Vorhersagen ermöglichen Ihrem Sales-Team zum Beispiel, den richtigen Kunden rechtzeitig die passenden Cross-Sell- und Up-Sell-Angebote zu präsentieren.
  • Versicherungen: Unter anderem Krankenversicherungen setzen das Analyseverfahren ein, um Leistungsbetrug aufzudecken und die richtigen Maßnahmen auszuwählen. Darüber hinaus bestimmen sie damit datenbasiert diejenigen Patienten, die das höchsten Risiko für chronische Krankheiten haben.
  • Einzelhandel: Mithilfe prädiktiver Analysen können Einzelhändler etwa die Warenplanung und Preisgestaltung optimieren sowie leichter identifizieren, welche Angebote für welche Kunden am besten geeignet sind.
  • Öl, Gas und Versorgungsunternehmen: Im Maschinenbau sind die Vorhersage von Anlagenausfällen und die datenbasierte Ressourcenplanung essentiell für die Geschäftsprozesse. Durch die Analyse von Maschinensensordaten verringern Öl-, Gas- oder Energieunternehmen Sicherheitsrisiken oder optimieren die Leistung ihrer Anlagen.
  • Regierungen: Auch auf Regierungsebene werden prädiktive Analysemodelle eingesetzt, um kriminelles Verhalten zu erkennen, Dienstleistungen zu verbessern oder die Cybersicherheit zu erhöhen. Zudem erlaubt das prädiktive Verfahren, das Konsumentenverhalten besser zu verstehen und Trends vorherzusehen.

4-Schritte-Roadmap für Unternehmen

So weit, so gut – aber wo anfangen? Um Predictive Analytics für Ihren Geschäftsbereich optimal nutzen zu können, sind ein paar grundlegende Voraussetzungen zu beachten. Der Analytics-Prozess besteht aus mehreren Schritten, die aufeinander aufbauen und iterativ sind: Durch das Wiederholen und Reevaluieren der einzelnen Schritte kommen Sie dem angepeilten Ziel kontinuierlich näher.

Schritt 1: Zielsetzung

Den Ausgangspunkt bildet Ihr zu lösendes Problem: Welche Daten, Ereignisse oder Zusammenhänge wollen Sie mithilfe der Analyse verstehen? Was wollen Sie über die Zukunft wissen? Wie werden die gewonnenen Erkenntnisse eingesetzt und welche Entscheidungen gilt es zu treffen? In diesem Schritt werden die Analyseziele für das Unternehmen festgelegt.

Schritt 2: Daten

Im nächsten Schritt kommen die Daten ins Spiel – genauer alle Daten aus Transaktionssystemen, Webprotokollen, von Drittanbietern und anderen Quellen. Um die massiven Datenvolumen für die Analyse zu bereinigen und vorzubereiten, braucht es erfahrene Datenexpert*Innen mit einem Gespür für die Geschäftsziele. Welche Daten relevant sind und wie die Ergebnisse zu interpretieren sind, hängt maßgeblich von Ihrer individuellen Zieldefinition ab. Da die Datenaufbereitung einer der kritischsten und zugleich zeitaufwändigsten Schritte ist, sollten dafür ausreichend Ressourcen eingeplant werden. Auch hier gilt: Je höher die Qualität der Daten und deren Verarbeitung, desto besser die Prognose.

Schritt 3: Modellaufbau & Anpassung

Im Anschluss folgt die Erstellung präziser Vorhersagemodelle, etwa für Risikoanalysen oder Abverkaufvoraussagen. Damit die Modelle für definierte Probleme optimale Ergebnisse liefern, sind in diesem Schritt Weitblick und Genauigkeit gefragt. Dazu gehört neben der Anwendung der Modelle auf die selektierten Daten auch, Modelltests durchzuführen und eventuell notwendige Anpassungen vorzunehmen.

Schritt 4: Integration

Last but not least gilt es, für die prädiktiven Modelle die richtige Analyse-Infrastruktur zu schaffen und die Ergebnisse für alle Stakeholder benutzerfreundlich zu visualisieren. Für die Modellierung der Predictive Analytics benötigen Sie deshalb ein Team aus Datenexpert*Innen, das nah genug am Business ist und die geschäftlichen Probleme versteht.