Predictive Analytics (deutsch: vorausschauende Analysen) umfassen diejenigen Verfahren von Datenauswertungen, bei denen es darum geht, die Zukunft vorherzusagen – mit Hilfe von statistischen Verfahren. So sollen möglichst zuverlässige Prognosen erstellt werden.

In diesem Artikel werden Ihnen folgende Fragen beantwortet:

  • Wer nutzt Predictive Analytics?
  • Ist die Zukunft vorhersagbar mit Predictive Analytics?
  • Was sind die Methoden der Predictive Analytics

Sollten Sie Unterstützung bei der Erhebung von Daten 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.

Lassen Sie uns Ihre Anforderungen wissen & wir erstellen Ihnen innerhalb weniger Stunden ein kostenfreies Angebot.

Jetzt unverbindlich anfragen

Wer nutzt Predictive Analytics?

Eingesetzt wird Predictive Analytics vor allem von Unternehmen, die geschäftliche Entscheidungen so treffen möchten, dass sie am besten zur Zukunft passen und ihren Gewinn maximieren. So möchten sie beispielsweise diejenigen Produkte entwickeln, die in ein oder zwei Jahren am meisten gebraucht und am besten bezahlt werden, genau diejenigen Geschäftsbereiche aufbauen, die ihnen in der Zukunft am meisten Gewinn bringen, die zahlungskräftigsten und treusten Kunden der Zukunft jetzt schon umwerben oder diejenigen Dienstleistungen einstellen, die bald mehr Kosten als Umsatz erzeugen werden. Die Unternehmen wollen 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.

Ist die Zukunft vorhersagbar mit Predictive Analytics?

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 jedoch nur Annahmen getroffen werden. Solche Randbedingungen sind je nach Bereich zum Beispiel Gesetze, die Alters- oder Gehaltsverteilung in der Bevölkerung, Inflationsraten und Wechselkurse oder subjektive Einstellungen und Präferenzen von Menschen.

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 schliefllich auf eine Handvoll der wahrscheinlichsten Zukunftsszenarien.

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 gröfler 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, wird dessen Verkauf nachlassen, sobald jeder Zielkunde ein solches Gerät besitzt oder es durch eine noch bessere Technologie abgelöst wird. Als Beispiel können Faxgeräte dienen. Es werden zwar immer noch Faxgeräte verkauft, 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, werden viele Schweine gezüchtet, 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. Aufler statistischen Methoden kommen im Predictive Analytics auch Verfahren des maschinellen Lernens zum Einsatz, z.B. neuronale Netze oder Bayes-Verfahren.