Predictive Analytics (deutsch: vorausschauende Analysen) umfassen diejenigen Auswerteverfahren, bei denen es darum geht, die Zukunft vorherzusagen – mit Hilfe von statistischen Methoden und Algorithmen. So erstellen Analysten zuverlässige Prognosen.
In diesem Artikel beantworten wir Ihnen folgende Fragen:
- Wer nutzt Predictive Analytics?
- Ist die Zukunft vorhersagbar mit Predictive Analytics?
- Was sind die Methoden der Predictive Analytics
Sollten Sie Unterstützung bei Predictive Analystics oder bei einer statistischen Datenanalyse benötigen, helfen unsere Statistiker Ihnen gerne weiter. Nutzen Sie einfach unser Kontaktformular für eine kostenlose Beratung & ein unverbindliches Angebot – oder rufen Sie uns an.
Wer nutzt Predictive Analytics?
Eingesetzt wird Predictive Analytics vor allem von Unternehmen, die geschäftliche Entscheidungen für die zukünftige Entwicklung datenbasiert treffen möchten. So möchten Unternehmen beispielsweise diejenigen Produkte entwickeln, die in ein oder zwei Jahren den meisten Umsatz versprechen. Auch sollen genau diejenigen Geschäftsbereiche aufgebaut werden, die ihnen in der Zukunft am meisten Gewinn bringen, die zahlungskräftigsten und treusten Kunden der Zukunft jetzt schon umwerben. Auf der anderen Seite wollen Unternehmen diejenigen Dienstleistungen einstellen, die bald mehr Kosten als Umsatz erzeugen werden. Mit Predictive Analytics können Unternehmen Trends und Risiken schon erkennen und nutzen, bevor sie entstehen oder für Jedermann ersichtlich sind. Predictive Analytics kann aber auch in klinischen Systemen für die Entscheidungsunterstützung eingesetzt werden, um vorherzusagen, welche Behandlung am erfolgversprechendsten ausfallen würde. Predictive Analytics im Ecommerce ist besonders erfolgsversprechend.
Einordnung der Predictive Analytics
Ist die Zukunft vorhersagbar mit Predictive Analytics?
Die Daten
Natürlich kann man auch mit den ausgefeiltesten statistischen Methoden nicht die Zukunft vorhersehen. Denn die Grundlage dafür sind Daten aus der Vergangenheit. Ändern sich die Randbedingungen, dann werden auch Muster und Regeln aus der Vergangenheit in der Zukunft nicht mehr genau so gelten. Über die Änderungen der Randbedingungen können die Analysten jedoch nur Annahmen treffen. Solche Randbedingungen sind je nach Bereich zum Beispiel Gesetze, die Alters- oder Gehaltsverteilung in der Bevölkerung, Inflationsraten sowie Wechselkurse oder subjektive Einstellungen und Präferenzen von Menschen.
Die Voraussetzungen
Die zukünftigen Randbedingungen können wiederum ebenfalls mit Predictive Analytics vorhergesagt und dann wiederum die Randbedingungen der Randbedingungen, doch früher oder später gelingt dies nicht mehr. Viele Mechanismen unserer Umwelt wie z.B. das Marktgeschehen, Bevölkerungsentwicklung oder Einstellungsänderungen erfolgen weder linear noch zyklisch. Bestenfalls kann ein Experte aus ähnlichen Fällen Schlüsse ziehen, benötigt dann aber sein Fachwissen, um überhaupt die Ähnlichkeit von Fällen beurteilen zu können. Hier ist die Befragung mehrerer Experten in Einzelinterviews oder durch die Delphi-Methode üblich. In der Delphi-Methode entwickelt jeder Experte das Zukunftsszenario, das er für am wahrscheinlichsten hält. Dann folgt eine Diskussion dieser Überlegungen in der Experten-Gruppe, woraufhin jeder erneut für sich überlegt, was er für die Zukunft erwartet. Es sind auch mehr als zwei Runden möglich. Durch diese wiederholten Diskussionen einigen sich die Fachleute schliesslich auf eine Handvoll der wahrscheinlichsten Zukunftsszenarien.
Ziel von Predictive Analytics
Mit Predictive Analytics kann man also nicht die Zukunft voraussagen, sondern nur ermitteln, welche Zukunftsprognosen wahrscheinlicher sind als andere. Meist geht es daher bei Predictive Analytics um die Ermittlung von Wahrscheinlichkeiten, mit denen etwas Bestimmtes eintritt. Diese Vorhersagen sind umso zuverlässiger, je mehr Daten vorliegen und je grösser die Zeitspanne, aus der sie stammen.
Was sind die Methoden der Predictive Analytics
Die einfachste Prognosemethode ist die Interpolation: Eine Regressions- oder Korrelationsanalyse über die Daten der Vergangenheit ergibt eine Gerade oder eine andere Funktion, z.B. eine Zeitreihe. Diese verlängert man einfach in die Zukunft. Dies wäre dann korrekt, wenn die Randbedingungen unverändert bleiben und unendliches Wachstum möglich wäre.
Tatsächlich enden jedoch viele realistischen Geraden letztlich in einer Sättigungskurve: Entwickelt sich beispielsweise der Verkauf eines technischen Produkts zunächst steil nach oben, lässt dessen Verkauf nach, sobald jeder Zielkunde ein solches Gerät besitzt oder ein Nachfolgegerät durch eine noch bessere Technologie die veraltete Technik ablöst. Als Beispiel können Faxgeräte dienen. Händler verkaufen zwar immer noch Faxgeräte, doch ihre beste Zeit haben sie hinter sich, da heute eine Kombination aus Scanner und E-Mail dieselbe Funktion erfüllt. Entsprechend gerät jedes Wachstum an seine Grenzen.
Andere realistische Mechanismen folgen wiederum einem Zyklus, ähnlich wie der Marktpreis für Schweine dem bekannten Schweinezyklus folgt. Ist der Preis hoch, züchten Landwirte viele Schweine, so dass das folgende Überangebot die Preise drückt. Ähnlich verläuft es auch mit Studiengängen: Gilt ein Studienfach als Jobgarant, studieren viele Leute dieses Fach und stürmen dann zeitgleich auf den Arbeitsmarkt. Das senkt wiederum die Berufschancen und Gehälter, was sich dann herumspricht, was die Beliebtheit des Faches wieder senkt. Und so weiter…
Predictive Analytics erfolgt praktisch so, dass man ein analytisches Vorhersagemodell erstellt, in dem sogenannte Prädikatoren eine wichtige Rolle spielen. Der Prädikator ist eine Variable, die für Personen oder Einheiten gemessen wird und geeignet ist, deren zukünftiges Verhalten vorherzusehen, z.B. Alter, Geschlecht oder Gehalt. Solche Prädikatoren ermittelt man mit Hilfe von Faktorenanalysen über die Daten der Vergangenheit. Ausser statistischen Methoden kommen im Predictive Analytics auch Verfahren des maschinellen Lernens zum Einsatz, z.B. neuronale Netze oder Bayes-Verfahren.