Die Unternehmen haben schon immer großes Interesse daran, ihre Entscheidungsgrundlagen zu erweitern und zu verbessern. Früher beruhten Geschäftsentscheidungen weitgehend auf der Erfahrung bewährter Mitarbeiter und dem Bauchgefühl.
Mit der Zeit wurden Buchführungssysteme einfacher und besser um zurückliegende Geschäftsdaten auf interessante Muster und Abweichungen hin zu überprüfen. Das Problem dieser Analysen war jedoch, dass sie stets auf die Vergangenheit gerichtet waren. Mehr als ein „Lessons Learned“ war nicht drin. Die zukünftigen Entwicklungen wurden in der Regel aus mehr oder weniger willkürlichen Schlussfolgerungen abgeleitet.
Prädiktive Analyse und herkömmliche Analyseverfahren
Genau hier liegt der Unterschied zwischen der Prädiktiven Analyse und herkömmlichen Analyseverfahren. Im Anschluss an die Ermittlung von Mustern werden mithilfe moderner Algorithmen und Modelle zukünftige Prognosen berechnet. Subjektive Annahmen haben dabei ausgedient bzw. werden auf ein Minimum reduziert.
Die Entstehung von Prädiktiven Analyse ist in erster Linie auf das rasche Wachstum der Datenmengen in Unternehmen und im Internet zurückzuführen. Von daher überrascht es nicht, dass der Finanzsektor, der seit langem mit großen Datenvolumen zu tun hat, entsprechende Verfahren schon vor mehr als 20 Jahren einführte. Mittlerweile kommt die Prädiktive Analyse in vielen Branchen zum Einsatz. Sei es im Marketing, Gesundheitswesen, Luftfahrtindustrie, usw. Die Luftfahrtindustrie zum Beispiel verwendet solche Methoden schon seit geraumer Zeit, um Flugpreise und verfügbare Plätze optimal aufeinander abzustimmen.
Die Prädiktive Analyse wird auch sehr oft im Bereich Kundenbindung und -gewinnung eingesetzt. Mit Daten aus Customer Relationship Management Systemen können Vorhersagemodelle generiert werden, die das Kunden- und Kündigungsverhalten analysieren und somit zur Verbesserung der Kundenbindung und Kundengewinnung genutzt werden können. Ein weiterer sehr spannender und zukunftsträchtiger Teilbereich der Prädiktiven Analyse ist die Prädiktive Diagnose (Predictive Maintenance). Mit diesem Teilbereich wollen wir uns detaillierter in einem weiteren Blog Artikel beschäftigen.
Die wichtigste Voraussetzung für eine erfolgreiche Prädiktive Analyse sind zuverlässige Daten bzw. eine hohe Datenqualität. Man kann nur eine zuverlässige Prognose berechnen, wenn die Qualität der Datengrundlage hoch ist.
In der unteren Grafik haben wir eine Übersicht mit den bewährtesten Algorithmen zusammengestellt, die im Bereich der Prädiktiven Analyse vorwiegend zum Einsatz kommen.
Um aussagekräftigere und treffsichere Vorhersagen berechnen zu können, bedarf es meistens der Kombination aus mehreren Algorithmen und Modellen. Hierzu sollte der Data Scientist bereits einiges an Erfahrungen mitbringen. Zudem müssen die Daten, bevor sie für eine Prädiktive Analyse herangezogen werden können, in eine geeignete Datenstruktur transformiert werden. Dieser Prozess gehört zu den größten Herausforderungen der Prädiktiven Analyse und sollte ausschließlich von Experten durchgeführt werden.(Lesen Sie hierzu auch: 10 Predictive Analytics Anwendungsszenarien)
Empfehlenswerte Artikel: