Predictive Analytics: Definition und Anwendungsbeispiele

Predictive Analytics ist ein Teilbereich von Business Analytics und beschäftigt sich insbesondere mit dem Erkennen von Mustern und der Vorhersage künftiger Ereignisse. Es findet in den unterschiedlichsten Disziplinen der Wissenschaft und Bereichen in Unternehmen Anwendung.

Was steckt hinter Predictive Analytics? Welche Anwendungsbeispiele gibt es? Wir zeigen es Ihnen!

  1. Definition: Was ist Predictive Analytics?
  2. Die Grundlagen von prädiktiver Analytik
  3. Was sind Anwendungen für Predictive Analytics?
  4. Big Data und Predictive Analytics
  5. Zusammenfassung Predictive Analytics

Definition: Was ist Predictive Analytics?

Predictive Analytics (deutsch: prädiktive Analytik) nutzt historische Datenquellen und erstellt daraus ein mathematisches Modell, mit dem sich zukünftige Ereignisse vorhersagen lassen. Ein solches Modell erkennt Trends oder Muster in historischen Daten und kann diese für die Zukunft vorausberechnen. Auf dieser Basis haben Unternehmen ein Werkzeug, um bessere Entscheidungen treffen oder mögliche Risiken frühzeitig zu erkennen.

Synonyme die häufig für Predictive Analytics genutzt werden: Data Mining, Data Science, Machine Learning, Künstliche Intelligenz und Data Science.

Die Grundlagen von prädiktiver Analytik

Das Vorgehen bei der prädiktiven Analytik ist prinzipiell immer gleich, bei der Auswahl der Methode jedoch offenbart sich jedoch eine ganze Reihe möglicher Algorithmen und Modelle und macht es dem Anwender schwer zu entscheiden. Wir geben Ihnen eine kleine Entscheidungshilfe, indem wir Ihnen neben den Voraussetzungen auch die Modelle näherbringen. Zudem gehen wir auf das eigentliche Vorgehen und die Vorteile ein, die uns Predictive Analytics bringt.

Welche Voraussetzungen gibt es für Predictive Analytics

Die prädiktive Analytik bringt einige Voraussetzungen mit sich, so sind die Daten und die Datenqualität ein ganz entscheidender Punkt. Doch gibt es auch noch weitere Voraussetzungen für Predictive Analytics. Welche Voraussetzungen die Daten noch mit sich führen und was es sonst noch zu beachten gibt, wollen wir uns einmal genauer anschauen:

  • Die Daten: Die Daten sind sicherlich die limitierende Grundlage einer jeden Predictive Analytics Methode. Je besser die Datenqualität ist, desto besser wird auch die Prognose. Aber zudem müssen die Daten auch relevant sein. Sie sollten also zunächst insbesondere das grundlegende Problem definieren, um dann zu entscheiden, welche Daten überhaupt entscheidende Informationen beinhalten und einen Mehrwert für Ihre Analyse bringen. Ein sinnvolles Datenmanagementsystem ist somit unabdingbar, um schnell und problemlos auf alle Daten zugreifen zu können. Ein großer Punkt im Workflow von Predictive Analytics stellt auch die Aufbereitung der Daten dar. 
  • Unternehmenskultur und Infrastruktur: Die Unternehmenskultur und die interne Infrastruktur sind oftmals entscheidend, wenn es um die verwendete Software geht. Wie werden die Datenmengen gemanagt? Gibt es ein riesiges Data Warehouse oder nur eine kleine Datenbank? Werden die Algorithmen der prädiktiven Analytik selber programmiert oder wird fertige Software verwendet, in die die vorverarbeiteten Daten lediglich eingebunden werden müssen?
  • Mitarbeiter: Ihre Mitarbeiter müssen nicht nur das geschäftliche Problem verstehen. Sie brauchen ein Team an Spezialisten, die in unterschiedlichen Bereichen ihre Expertise einbringen. Sie benötigen Mitarbeiter, die sich mit Daten auskennen und auch die Verwaltung und Speicherung von Daten stemmen können. Aber auch die Vorverarbeitung der Daten sollte von Spezialisten durchgeführt werden. Gleichermaßen sind Mitarbeiter notwendig, die die Algorithmen hinter Predictive Analytics verstehen, anwenden und interpretieren können. Die Spanne reicht somit vom Data Engineer zum Datenanalytiker und Data Scientist. Je nach Unternehmensgröße sind unter Umständen also sogar mehrere Teams notwendig.

Welche Predictive Analytics Varianten gibt es?

Predictive Analytics wird in verschiedene Varianten unterschieden. Das Vorhersagemodell ist sicherlich das bekannteste, wenn es um eine tatsächliche Vorhersage von Wahrscheinlichkeiten, Klassen und Werten geht. Deskriptive Modelle hingegen beschreiben die Beziehungen zwischen den Daten. Wir schauen uns die Varianten einmal genauer an:

  • Vorhersagemodelle: Diese Variante ist das klassische Modell von Predictive Analytics. Anhand von Eingabedaten wird ein Modell trainiert, welches Muster und Trends in den Daten erkennt und Vorhersagen für die Zukunft trifft. Die Prognose wird in der Regel durch Wahrscheinlichkeiten ausgedrückt, beispielsweise ob ein Produkt gekauft wird oder nicht. Als Algorithmus werden oftmals Machine Learning Verfahren oder Regressionsansätze verwendet.  
  • Beschreibende oder deskriptive Modelle: Deskriptive Modelle beschreiben die Beziehungen zwischen Daten, also beispielsweise zwischen Ihren Kunden und den Produkten. So können Kunden hinsichtlich ihrer Produktpräferenzen kategorisiert werden, anders als bei Vorhersagemodellen, die sich eher an Wahrscheinlichkeiten orientieren. 

Diese Varianten haben unterschiedliche Ziele und die zugrundeliegenden statistischen Methoden unterschieden sich deutlich voneinander.

Gratis White Paper

Künstliche Intelligenz optimiert Marketing und Vertrieb

In den KI-Fallstudien erfahren Sie:

Trage Sie Ihre E-Mail-Adresse ein, um die KI-Fallstudien zu erhalten

Vorgehen und Prozess der prädiktiven Analytik

Ein Predictive-Analytics-Prozess oder Vorgehen besteht aus einer Reihe von Schritten, die aufeinander aufbauen. Der gesamte Prozess ist iterativ, sprich, man nähert sich dem gewünschten Ergebnis in mehreren Durchläufen; die Schritte können sich also wiederholen.

  • Schritt 1 – die Zielsetzung: Hierbei werden die Ziele der Analyse fürs Unternehmen und die Branche festgelegt. Auch die Datenquellen potentielle Datenquellen und deren Verfügbarkeit werden hier geprüft.
  • Schritt 2 – die Datenerfassung: Die vereinheitlichende Datensammlung aus unterschiedlichen Datenquellen erfolgt als Zweites.
  • Schritt 3 – Prüfung und Verarbeitung der Daten: Das Wichtigste an Daten ist deren Qualität und die Zuverlässigkeit der Lieferung. Deshalb erfolgt nach der Erfassung die Prüfung und Bereinigung sowie die Bereitstellung der Daten für anstehende Analysen.
  • Schritt 4 – Erstellung von prädiktiven Modellen: Präzise prädiktive Modelle werden erstellt. Die Zukunftsprognosen können sich entweder auf Zeitpunkte und Werte beziehen (wie etwa Abverkaufvoraussagen für einen definierten Zeitpunkt), oder auf Klassifizierungen (wie z.B. eine Risikoanalyse).
  • Schritt 5 – Modelltest und Anpassung: Die Modelle werden mit den Daten „gefüttert“ und getestet, eventuelle Korrekturen vorgenommen.
  • Schritt 6 – Bereitstellung für die Integration in Unternehmensprozesse: Nun kann man die Erkenntnisse für die Entscheidungen im Unternehmen nutzen.

Wenn Sie mehr über den Prozess erfahren wollen, wir haben bereits ausführlich über den CRISP-DM Prozess berichtet. Dies ist ein internationaler Standard für Predictive Analytics und Data Mining Projekte.

Vorteile von Predictive Analytics

Die Vorteile von Predictive Analytics sind vielseitig und bringen Ihnen mehr als nur einen Blick in die Zukunft. Vielmehr nutzen Sie Ihre jahrelange Erfahrung und die angesammelten Daten und entwickeln ein System, das Ihre Arbeit vereinfacht, Risiken für Ihr Unternehmen erkennt und die Entscheidungsfindung verbessert. Wir geben Ihnen einen Überblick zu denVorteilen von Predictive Analytics:

  • Reduzieren Sie Ihre Ressourcen auch hinsichtlich zeitlicher Kapazitäten
  • Sparen Sie Kosten
  • Minimieren Sie Risiken
  • Optimieren Sie Marketingkampagnen
  • Verbessern Sie Ihr operatives Geschäft
  • Erkennen Sie Betrüger und schützen Sie sich davor

Was sind Anwendungen für Predictive Analytics?

Predictive Analytics ist weitverbreitet und wird in den unterschiedlichsten Disziplinen verwendet. Insbesondere findet Predictive Analytics in den Bereichen

  • Marketing und CRM,
  • Finanzen und Versicherungen,
  • Wirtschaft,
  • aber beispielsweise auch in der Meteorologie Anwendung.

Wir wollen Ihnen nun eine Reihe von Anwendungen von Predictive Analytics vorstellen und die Potentiale hervorheben.

Anwendung von Predictive Analytics im CRM und Marketing

Besonders im Customer-Relationship-Management (CRM) finden Predictive Analytics Methoden Anwendung. Bei dieser Verwendung dienen die gesammelten Kundendaten als Grundlage für Vorhersagen und Prognosen. Neben dem CRM Bereich wird Predictive Analytics auch im Online Marketing eingesetzt, um das Klickverhalten vorherzusagen oder die richtige Werbung zur richtigen Zeit zu schalten.

Im Kundenbeziehungsmanagement sind insbesondere die Optimierung von Marketingkampagnen, den Vertriebsprozessen und Kundendienstleistungen zentrale Aufgaben. Dabei werden Marketingkampagnen zielgerichteter und individueller auf die Kundenbedürfnisse zugeschnitten, was zu einer erheblichen Conversion-Steigerung führt. Im Marketing lassen sich durch Predictive Analytics unzählige Fragen beantworten:

  • Welche Produkte haben eine hohe Nachfrage?
  • Gibt es Kunden mit bestimmten Präferenzen?
  • Welche Kundengruppen und Kundensegmente gibt es in Kundenstamm?

Durch Predicitve Analytics können Sie das Kaufverhalten und die Kaufgewohnheiten von Ihren Kunden richtig vorhersagen und dadurch zielgerichtet relevante Produkte bewerben. Auf diese Weise können Sie Ihre Bestandskunden besser binden und das Risiko reduzieren, Kunden zu verlieren. Identifizieren Sie die Probleme und reagieren Sie entsprechend.

Sie wollen mehr erfahren, wie Sie Predictive Analytics im Marketing und CRM-Bereich nutzen können? Dann schauen Sie sich unseren Artikel „Predictive Marketing“ an!

Predictive Maintenance

Auch im Maschinenbau und bei Automatisierungsprozessen findet Predictive Analytics Anwendung – hier spricht man dann von Predictive Maintenance. Predictive Maintenance basiert auf instandhaltungsrelevanten Daten, also Sensordaten, die bei der Fertigung von Gütern anfallen.

Diese gesammelten Sensordaten helfen dabei den Wartungszustand, von einer Maschinen oder Anlage, richtig zu bestimmen. Dazu wird Predictive Maintanance eingesetzt, um hier eine Prognose für Zukunft zu berechnen und somit die Wartung planbar zu machen. Reparaturmaßnahmen können so frühzeitig angeordnet werden.

Die Methoden sind im Prinzip die gleichen, doch die Anwendung eine andere. Maschinenausfälle und Stillstandszeiten führen zu hohen Kosten, da mit ihnen ganze Produktionen ausfallen. Dank Predictive Maintanance ist es jedoch möglich, Maschinenausfälle zu analysieren und zu prädizieren.

Betrugserkennung

Die Ermittlung von Betrugsfällen erfordert oftmals die Analyse von sehr großen Datenmengen. Doch das geht auch automatisiert! Mithilfe von Predictive Analytics Methoden kann kriminelles Verhalten in Daten detektiert werden. Diese erscheinen dann als Anomalie in den Datenmustern.

Damit optimiert das Unternehmen seine eigene Sicherheit und steigert damit auch das Vertrauen seiner Kunden zum Unternehmen. In der Regel wird dies in der Versicherungs- und Finanzbranche angewendet, um Vermögensmissbräuche, Korruption oder Bestechung und auch Finanzdatenfälschungen aufzudecken.

Medizin

Welche ist die beste Therapie? Statistische Methoden und Machine Learning lassen sich auch in der Medizin nutzen, um weiteres Wissen abzuleiten und Muster zu erkennen. Ähnlich wie im Predictive Maintenance nutzt man auch in der Medizin Sensordaten, Bilder oder strukturierte Daten, um mit Predictive Analytics Zusammenhänge zu verstehen oder Vorhersagen zu tätigen.

Ein anderer Anwendungsbereich in der Medizin ist die personalisierte Medizin. Mit der Hilfe von Studien und einer großen Menge von Daten andere Patienten, lassen sich auch Entscheidungen hinsichtlich Therapien und Behandlungen für einzelne Patienten ableiten. Die Behandlung von Krankheiten ist oft herausfordernd und jeder Patient zeigt ein individuelles Verhaltensmuster auf bestimmte Therapien. So kann auch in der Medizin ein Algorithmus eine Entscheidungshilfe sein und dafür sorgen, die optimale Therapie zu finden. 

Klimatologie und Meteorologie

Heute schon wissen, wie das Wetter morgen ist. Das wäre schön, doch wie es nun einmal mit dem Wetter so ist, kommt es meistens anders als man denkt. Doch inzwischen haben sich die Vorhersagen verbessert, die Modelle lassen sich besser und exakter simulieren. Hier helfen statistische Verfahren und Machine Learning Techniken, um Prognosen über das Wetter noch genauer zu machen.

Ähnlich wie das Wetter lassen sich im Ozean bestimmte Ströme und Dynamiken berechnen. Um zu wissen, wo ein Partikel im Meer morgen ist, sind auch hier zunächst die Einflüsse zu verstehen und zu analysieren, um dann mit Predictive Analytics Prognosen zu erstellen.

Big Data und Predictive Analytics

Big Data sammelt enorme Mengen von Daten, die sich unterscheiden hinsichtlich Komplexität und Größe. Um aus diesen großen Datenmengen einen Wert zu extrahieren, muss man diese auswerten. Die Verfahren des Predictive Analytics machen Big Data erst zugänglich und nutzbar.

Die Verfahren künstlicher Intelligenz und Maschinellen Lernens lassen sich darauf trainieren bestimmte Muster oder Objekte sowohl in strukturierten als auch unstrukturierten Daten zu detektieren. Je größer die Datenmenge, desto besser. Aus tausenden Produktvorschlägen wird so das richtige Produkt gefunden.

Big Data und Predictive Analytics brauchen einander, denn häufig sind die Datenmengen so groß, dass manuelle Datenexplorationen zu keinem Ergebnis mehr führen. Hier wird dann Predictive Analytics eingesetzt, um Muster und Zusammenhänge in den Daten zu verstehen.

Zusammenfassung Predictive Analytics

Mit Predictive Analytics schauen Sie in die Zukunft. Sie wissen schon heute, wofür sich Ihr Kunde morgen entscheidet, wie viel Umsatz Sie machen und welche Produkte Sie verkaufen. Steigern Sie Ihre Umsätze, indem sie individuell auf Bedürfnisse eingehen und personalisierte Angebote machen.

Predictive Analytics ermöglicht Ihnen die automatisierte Analyse gewaltiger Datenmengen mittels intelligenter Algorithmen und hilft Ihnen die optimale Entscheidung zu treffen sowie Risiken zu minimieren.

Denken Sie schon heute an morgen! Brauchen Sie unsere Unterstützung? Dann helfen wir Ihnen gerne weiter! 

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

White Paper

Künstliche Intelligenz optimiert Marketing und Vertrieb

Tragen Sie Ihre E-Mail-Adresse ein, um die KI-Anwendungsfälle zu erhalten:

White Paper

Künstliche Intelligenz optimiert Marketing und Vertrieb

Tragen Sie Ihre E-Mail-Adresse ein, um die KI-Anwendungsfälle zu erhalten: