Predictive Analytics: Definition, Methoden und Beispiele
Mit Predictive Analytics die Zukunft voraussagen und immer wissen, wie es mit dem Unternehmen weitergeht. Klingt zu schön, um wahr zu sein? Ist es nicht, zumindest nicht ganz. Wir zeigen Ihnen, wie sich Unternehmen heutzutage die Errungenschaften der Informatik zunutze machen, um einen Blick in die Zukunft zu werfen.
In diesem Artikel :
Predictive Analytics: Definition
Bei Predictive Analytics handelt es sich um eine Analysemethode, bei der sowohl aktuelle als auch historische Daten ausgewertet werden, und mit Hilfe von stochastischen Modellen die Erkenntnisse aus diesen Daten in die Zukunft extrapolieren. Die Modelle sagen also voraus, mit welcher Wahrscheinlichkeit ein bestimmtes Ereignis eintrifft.
Das Eintreten eines bestimmten Ereignisses ist niemals absolut, sondern immer mit einer Eintrittswahrscheinlichkeit behaftet, denn gegenüber dem Zufall oder unvorhersehbaren Ereignissen sind auch die besten Vorhersagemodelle machtlos.
Manchmal wird Predictive Analytics gleichgesetzt mit Data Mining, was jedoch nicht ganz richtig ist. Data Mining ist eine Unterdisziplin von Predictive Analytics mit dem Ziel, große Mengen an Daten zu akquirieren, auszuwerten und aufzubereiten, damit sie später dem Predictive Analytics-Algorithmus zur Verfügung gestellt werden können.
Predictive Analytics: Methoden
Wie wird ein mathematisches Modell so schlau, dass es die Zukunft vorhersagen kann? Es muss trainiert werden. Oder besser gesagt, der zugrundeliegende Algorithmus muss trainiert werden.
Soll ein Modell beispielsweise die Umsatzzahlen eines Unternehmens für die nächsten Monate voraussagen, muss der Algorithmus erst einmal wissen, wie die Umsatzzahlen zustande kommen. Das gelingt nur, wenn man historische Daten zur Verfügung hat, mit denen man den Predictive Analytics-Algorithmus trainieren kann. Er muss lernen, Zusammenhänge und Muster zu erkennen.
Modellgleichung erstellen
Der erste Schritt bei Predictive Analytics ist also zunächst das Erstellen eines Modells, das sämtliche Größen enthält, die den Umsatz des Unternehmens beeinflussen. Das ist eine höchst anspruchsvolle Aufgabe, denn es müssen viele Zusammenhänge berücksichtigt werden, z. B. die Saisonalität in einem Betrieb, oder andere Trends.
Algorithmus trainieren
Im zweiten Schritt wird der Algorithmus mit historischen Daten gefüttert und verifiziert, ob das zugrundeliegende Modell die vergangenen Umsatzkennzahlen richtig vorhersagt. Tut es das nicht, ist Feintuning der Modellparameter angesagt. Dieser Prozess wird so lange wiederholt, bis das Modell für vergangene Daten gute Ergebnisse liefert.
Predictive Analytics: Beispiele
Wir haben uns Predictive Analytics nun erst einmal sehr theoretisch angeschaut. Damit Sie sich besser vorstellen können, was mit dieser Analysemethode alles möglich ist, zeigen wir Ihnen einige Beispiele für Predictive Analytics.
Personalisierte Werbung
Aus dem Marketing ist Predictive Analytics nicht mehr wegzudenken, denn es ermöglicht das Schalten von personalisierter Werbung. Durch die Analyse des Kundenverhaltens werden Rückschlüsse auf das Kaufverhalten gezogen und die Werbeanzeigen für die Kunden entsprechend geschaltet.
Bessere Absatzplanung für Unternehmen
Durch die Analyse des Kunden- und deren Kaufverhaltens können Unternehmen außerdem ihren Absatz besser planen, da das Predictive Analytics-Modell ihnen eine Auskunft darüber gibt, mit welchen Absatzmengen in den nächsten Wochen oder Monaten zu rechnen ist. Für einen produzierenden Betrieb ergibt sich daraus eine bessere Produktionsplanung. Die komplette Supply Chain kann somit optimiert werden, bis hin zum Einkauf, der beim Lieferanten die Bestellmengen und Lieferintervalle anpasst, um bestmöglich auf eine steigende oder sinkende Kundennachfrage zu reagieren.
Genauere Liquiditätsplanung
Ein Predicitive Analytics-Modell, das die Liquidität eines Unternehmens vorhersagen soll, unterstützt Finanzverantwortliche dabei, bessere Entscheidungen zu treffen. Das Modell bewertet auf Basis der vergangenen und aktuellen Ein- und Auszahlungen, mit welchen Geldströmen in Zukunft zu rechnen ist.
So gelingen eine bessere Planung und Kontrolle der Geldflüsse. Beispielsweise können Verantwortliche punktgenau abschätzen, wann ein günstiger Zeitpunkt ist, eine Investition zu tätigen, oder wann sie aufgrund eines drohenden Liquiditätsengpasses einen Kredit beantragen sollten.
Die Grenzen von Predicitve Analytics
Eine Kristallkugel, die mit einer Wahrscheinlichkeit von 100 % die Zukunft richtig vorhersagt, ist Predictive Analytics nicht. Die Zuverlässigkeit der Vorhersagen hängt maßgeblich von drei Faktoren ab:
1. Güte des Modells: Bildet das stochastische Modell und seine darin enthaltenen Parameter die Realität nur unzureichend ab, wird niemals eine zuverlässige Vorhersage möglich sein. Wichtig bei Predictive Analytics ist daher, dass Zusammenhänge und Korrelationen im Modell richtig abgebildet werden.
2. Güte und Verfügbarkeit der Daten: Der Algorithmus wird mit historischen und aktuellen Daten gefüttert. Während seiner Trainingsphase lernt er, wie bestimmte Daten zu interpretieren sind. Sind die Datensätze lückenhaft oder kann nur auf eine kurze Historie zurückgegriffen werden, hat der Algorithmus weniger Möglichkeiten, Zusammenhänge richtig zu erkennen. Demnach werden seine Vorhersagen weniger zuverlässig.
3. Äußere Einflüsse: Gegen den Zufall versagt jedes Modell. Tritt ein Ereignis ein, das der Algorithmus noch nicht kennt (also ein unvorhergesehenes Ereignis), kann er dieses weder vor Eintreten vorhersagen, noch bei Eintreten damit richtig umgehen.
Predictive Analytics dient also dazu, Prognosen zu erstellen, sowie Trends und Abweichungen von Normwerten frühzeitig zu erkennen. Für Unternehmen ist es ein Hilfsmittel in vielen Bereichen – vom Finanzcontrolling bis hin zum Wareneinkauf. Predicitive Analytics-Methoden unterstützen Verantwortliche bei der Planung und Entscheidungsfindung, wenn es darum geht, Strategien anzupassen oder Prozesse zu optimieren.
