Zum Inhalt springen
Startseite Enzyklopädie Prädiktive Analytik

Prädiktive Analyse

Inhaltsübersicht

    Was ist prädiktive Analytik?

    Predictive Analytics ist Teil der 4 Arten der Datenanalyse. Predictive Analytics ist ein Bereich des Data Mining, der sich mit der allgemeinen Vorhersage zukünftiger Wahrscheinlichkeiten und Trends befasst. Sie nutzt historische Daten, maschinelles Lernen und künstliche Intelligenz, um vorherzusagen, was in der Zukunft passieren wird. Ein Business-Intelligence-Technologie-Tool erstellt eine Vorhersagebewertung, die den Kunden über die zu ergreifenden Maßnahmen informiert. Historische Daten werden in einen mathematischen Algorithmus eingespeist, der nach Trends und Mustern in den Daten sucht und ein Modell dafür erstellt. Das Modell wird dann auf aktuelle Daten angewandt, um vorherzusagen, was als Nächstes passieren wird.

    Im Kern beantwortet die prädiktive Analytik die Frage: "Was wird auf der Grundlage meiner aktuellen Daten höchstwahrscheinlich passieren, und was kann ich tun, um dieses Ergebnis zu ändern?" Ein Versicherungsunternehmen wird beispielsweise bei der Vergabe von Kfz-Versicherungspolicen potenzielle Faktoren für die Fahrsicherheit wie Alter, Geschlecht und Fahrverhalten berücksichtigen. Predictive Analytics kann Unternehmen dabei helfen, die effizientesten Marketingkampagnen und das Verhalten auf der Website zu ermitteln, um Kundenreaktionen, Konversionen und Klicks zu erhöhen und Unterbrechungen zu verringern.

    Wozu wird Predictive Analytics eingesetzt?

    Prädiktive Analysen können Endnutzern Einblicke verschaffen und Maßnahmen vorschlagen, die sich direkt auf den Betrieb, den Umsatz und die Risikobewertung auswirken. Sie wird in Geschäftsanwendungen für ein breites Spektrum von Anwendungsfällen in verschiedenen Branchen eingesetzt. Einige Szenarien umfassen:

    • Verringerung der Kundenabwanderung: Eine Vertriebsanwendung mit prädiktiver Analytik könnte das regelmäßige Kundenverhalten analysieren und den Vertriebsmitarbeiter warnen, wenn ein Kunde wahrscheinlich abwandern wird. Gezielte Werbeaktionen können dann effektiv eingesetzt werden.
    • Aufdeckung von Betrug: Im Finanzwesen hilft die prädiktive Analytik, potenziell betrügerisches Verhalten zu erkennen, bevor es geschieht. Banken können Kreditausfälle vorhersagen, Kredite genehmigen oder verdächtige Aktivitäten erkennen.
    • Verringerung der Maschinenstillstandszeiten: Vorausschauende Analysen können die Produktionskapazität verbessern und Ausfallzeiten reduzieren, indem historische und Online-Daten von Produktionslinien analysiert werden.
    • Kennzeichnung von Risikopatienten im Gesundheitswesen: Krankenhäuser und Ärzte können Risikopatienten identifizieren, die vorrangig untersucht werden sollen, und Präventivbehandlungen empfehlen. Dadurch wird auch die Zahl der Wiedereinweisungen in Krankenhäuser verringert.

    Einstieg in die prädiktive Analyse

    Viele Anwendungsteams beginnen mit Predictive Analytics als einmaliges Beispiel, um zu beweisen, dass sie einen Mehrwert für ihre Anwendung schaffen, die Benutzerzufriedenheit erhöhen und die Investitionsrentabilität für das Unternehmen nachweisen können. Unabhängig von den Gründen sind die Schritte im Wesentlichen die gleichen.

    1. Identifizieren Sie ein zu lösendes Problem:

    Jede Predictive-Analytics-Frage sollte einen messbaren und klaren Wert bieten. Das PADS-Framework kann Ihnen helfen, eine Frage zu identifizieren, die kritische Geschäftsanforderungen löst. PADS steht für: Vorbeugung von Problemen, Unterstützung von Menschen, Erkennung von Problemen und Rationalisierung von Dienstleistungen.

    2. Wählen Sie Ihre Daten aus und bereiten Sie sie vor:

    Um prädiktive Analysemodelle auszuführen, benötigen Sie einen Datensatz, der Erkenntnisse liefern kann. In den meisten Fällen verwenden Sie sowohl historische Daten, mit denen Sie Ihren Vorhersagealgorithmus für die Vorhersage eines Ergebnisses trainieren, als auch neue Daten, mit denen Sie zukünftige Vorhersagen treffen. Die meisten Anwendungsteams speichern historische und neue Daten in getrennten Datenbanken. Wenn Sie jedoch eine Datenbank für alle Ihre Datensätze haben, können Sie einen Zeitfilter (z. B. sechs Monate) für die historischen Daten und einen Filter für den letzten Tag oder die letzte Woche für die Vorhersage der neuen Daten verwenden.

    3. Andere einbeziehen:

    Beginnen Sie mit den Stakeholdern Ihres Unternehmens, einschließlich aller Führungskräfte oder Teamleiter, die sich für das Projekt engagieren müssen. Wenn die Stakeholder zu Befürwortern werden, können sie dazu beitragen, die Initiative bei anderen bekannt zu machen. So stellen Sie sicher, dass Sie die benötigten funktionsübergreifenden Daten erhalten und Ihr Projekt langfristig erfolgreich wird.

    4. Wählen Sie Ihre Predictive Analytics-Modelle:

    Welches prädiktive Analysemodell Sie wählen, hängt davon ab, welche Frage Sie stellen. Bei den meisten Fragen zur prädiktiven Analyse wird eines dieser fünf gängigen Modelle verwendet:

    • Klassifizierungsmodell: Das Klassifizierungsvorhersagemodell beantwortet eine Ja/Nein-Frage. Zum Beispiel: Steht dieser Kunde kurz vor der Abwanderung? Wird dieser Kredit genehmigt werden? Handelt es sich um eine betrügerische Transaktion?
    • Clustering-Modell: Dies ist nützlich, um Datenpunkte in Gruppen zu sortieren. Sie möchten zum Beispiel die Gruppe von Kunden in Ihrer Datenbank finden, die am ehesten unzufrieden sind. Möglicherweise müssen Sie diese Kunden weiter in Kategorien einteilen, die auf der Art der Probleme basieren, die sie wahrscheinlich haben. Das Clustering-Modell kann diese Personen schnell und mit einem hohen Maß an Genauigkeit sortieren.
    • Prognosemodell: Dieses Modell sagt Zahlen voraus - z. B. wie viele Kunden in einer bestimmten Woche wahrscheinlich konvertieren werden, wie viele Support-Anrufe pro Stunde bei Ihrem Call Center eingehen werden und wie viel Bestand Sie vorhalten sollten.
    • Ausreißer-Modell: Dieses Modell hebt Anomalien in Ihren Daten hervor. Es könnte zum Beispiel eine Spitze bei den Support-Anrufen aufzeichnen, die auf einen Produktfehler hinweisen könnte, der zu einem Rückruf führen könnte. Es könnte anomale Daten in einem Versicherungsantrag finden und ein Beispiel für Betrug aufdecken. Es könnte sogar ungewöhnliche Informationen in Ihren NetOps-Protokollen finden und die Anzeichen einer bevorstehenden ungeplanten Ausfallzeit erkennen.
    • Zeitreihenmodell: Eine Zeitreihe ist eine Folge von Datenpunkten, die in einer zeitlichen Reihenfolge erfasst werden. Zum Beispiel die Anzahl der täglichen Anrufe in den letzten drei Monaten, der Umsatz der letzten 20 Quartale oder die Anzahl der Patienten, die in den letzten sechs Wochen ein bestimmtes Krankenhaus besucht haben. Mit Hilfe von Zeitreihen lässt sich gut nachvollziehen, wie sich eine Kennzahl im Laufe der Zeit entwickelt, und sie sind oft genauer als andere Modelle, die die Zeit als Kennzahl nicht berücksichtigen.

    5. Schließen Sie die Lücke zwischen Erkenntnissen und Handlungen:

    Viele prädiktive Analyselösungen versagen bei der Befähigung der Endbenutzer. Sie liefern zwar Erkenntnisse, sagen den Anwendern aber nicht, was sie mit den Informationen tun sollen - geschweige denn, dass sie Maßnahmen ergreifen können, ohne die Anwendung zu verlassen. Diese Unterbrechung verschwendet Zeit und unterbricht die Arbeitsabläufe Ihrer Benutzer. Bei einem Predictive Analytics-Projekt müssen Sie sich nicht nur Gedanken über die Bereitstellung der Informationen machen, sondern auch darüber, wie Sie Ihre Benutzer in die Lage versetzen können, diese zu nutzen. Wie können Sie diese Informationen nützlich machen? Zunächst müssen Sie die Informationen an die richtigen Personen weitergeben. Dann sollten Sie auf der Grundlage der Informationen die nächsten Schritte vorschlagen, und idealerweise sollten die Benutzer Maßnahmen ergreifen können, ohne die Anwendung zu verlassen.

    6. Prototypen bauen:

    Beginnen Sie mit etwas Einfachem und geben Sie es Ihren Endnutzern und Interessengruppen zum Betatest. Diese werden die ersten Nutzer Ihres Produkts sein, und ihr Feedback wird die Richtung Ihrer Predictive-Analytics-Lösung bestimmen.

    7. Regelmäßig iterieren:

    Wenn sich Ihr Projekt weiterentwickelt, sollten Sie sich kontinuierlich mit Ihrer Testgruppe austauschen, um den Fortschritt zu überprüfen und neues Feedback einzuarbeiten.