Suchen

Predictive Analytics Wenn die Zukunft ein Stück weit berechenbar wird

| Autor / Redakteur: Heleen Snelting / Gesine Herzberger

Welches Unternehmen möchte nicht Fehlentscheidungen und -investitionen vorab vermeiden? Mit Predictive Analytics ist das Vorhersagen von unerfreulichen Geschäftsergebnissen ein Stück weit möglich. Wie Sie sich durch Predictive Analytics Wettbewerbsvorteile sichern, lesen Sie hier.

Firma zum Thema

Bei wichtigen Entscheidungen und Investitionen nicht mehr hoch pokern? Mit Predictive Analytics werden Geschäftsergebnisse ein Stück weit berechenbarer.
Bei wichtigen Entscheidungen und Investitionen nicht mehr hoch pokern? Mit Predictive Analytics werden Geschäftsergebnisse ein Stück weit berechenbarer.
(Bild: gemeinfrei / CC0 )

Predictive Analytics eignet sich hervorragend für solide Prognosen. Anhand einer Reihe von analytischen und statistischen Verfahren, die auf historische Daten angewandt werden, können mit Predictive Analytics mögliche Chancen und Risiken konkret definiert werden. In vielen Bereichen stellt diese Methode eine Grundlage für proaktive Geschäftsentscheidungen und entsprechende Aktionen dar. Mithilfe statistischer Modelle werden Muster in historischen Daten sichtbar, sodass mögliche Geschäftsentwicklungen und -szenarien erkennbar werden.

Im Einzelhandel etwa können vorausschauende Analysen Aufschluss über das Kaufverhalten und Präferenzen eines Kunden geben. Im Finanzsektor umfassen mögliche Anwendungen die Betrugserkennung in Echtzeit und das Markov-Chain-Monte-Carlo-Verfahren (MCMC, Simulationstechniken) zur Berechnung der Risikoreserve. In der Fertigungsindustrie hingegen sorgt Predictive Analytics für eine verbesserte Produktion und eine zuvorkommende Instandhaltung der Maschinen. Weitere Einsatzgebiete sind beispielsweise im Kundenmarketing, Mobile Asset Management, Supply Chain Management oder in der Routenoptimierung zu finden.

Der signifikante Wettbewerbsvorteil für Unternehmen liegt auf der Hand: Sie werden in die Lage versetzt, Chancen besser und frühzeitig für sich zu nutzen und gleichzeitig Unternehmensrisiken vorzeitig zu erkennen und zu umgehen.

Methodisch fundiert zu sicheren Prognosen

Ein Predictive-Analytics-Prozess besteht aus sieben aufeinander aufbauenden und sich wiederholenden Schritten.

1. Schritt: Die Projekt- und Geschäftsziele werden definiert, der Arbeitsumfang benannt und die dafür relevanten Daten bestimmt.

2. Schritt: Die Daten werden erfasst.

3. Schritt: Die Daten werden geprüft, bereinigt und transformiert.

4. Schritt: Eine explorative Datenanalyse (EDA) wird mit den aufbereiteten Daten durchgeführt und es werden statistische Verfahren zur Überprüfung der relevanten Annahmen und Hypothesen angewendet.

5. Schritt: Die Datenmodellierung wird durchgeführt: Eine Kombination aus klassischen statistischen (lineare/nicht-lineare Regression, SARIMA Zeitreihenmodell etc.) und überwachte beziehungsweise nicht-überwachte maschinelle Lernmodelle (Support-Vektor-Maschinen, Baum-basiertes und künstliches neuronales Netz) werden angewandt und das beste Modell, basierend auf der Auswertung der Fehlermatrizen kann ausgewählt werden.

6. Schritt: Das ausgewählte Modell wird mittels Backtesting auf Validität geprüft und falls notwendig korrigiert.

7. Schritt: Die Analyseergebnisse, die für die täglichen Entscheidungsprozesse notwendig sind, werden bereitgestellt.

Auf Basis dieser Ergebnisse können Entscheidungen auch automatisiert werden. Welches statistische Verfahren oder Modell gewählt wird, hängt von der Interoperabilität oder anderen Geschäftsanforderungen ab.

Optimierungen im produzierenden Gewerbe

Gerade jetzt, während der vierten industriellen Revolution, stellt die prädiktive Analyse für Hersteller eine bahnbrechende Technologie dar. Die Möglichkeit geschäftsrelevante Erkenntnisse über Produkte, Prozesse, Produktionen, Wartungen und anderen Herstellungsfunktionen in Echtzeit oder vorab zu erlangen und daraufhin zielgerichteter Entscheidungen und proaktiver Maßnahmen zu treffen, führt meist zu Wachstum und profitableren Ergebnissen. Die Einsatzmöglichkeiten unterscheiden sich von Hersteller zu Hersteller und hängen sicherlich auch stark von den zur Verfügung stehenden Daten ab, aber dennoch gibt es vier Bereiche bei nahezu jedem herstellenden Unternehmen, die mit Einsatz von Predictive Analytics optimiert werden können: die Produktqualität, die Bedarfsprognose, die Maschinenauslastung und die Wartung der Produktionsanlagen.

Ergänzendes zum Thema
Über die Autorin:

Heleen Snelting ist als Data Science Manager für TIBCO Software, einem weltweit führenden Anbieter von Infrastruktur- und Analysesoftware, für die Region EMEA zuständig. Sie unterstützt Unternehmen dabei, ihre Geschäftsprozesse durch Einsatz von Analyselösungen zu optimieren. Vor TIBCO arbeitete Snelting bei dem international anerkannten Marktforschungsunternehmen IRI.

Dieser Artikel stammt von unserem Partnerportal Marconomy. Verantwortliche Redakteurin: Dr. Gesine Herzberger

(ID:44363820)