Was ist Predictive Analytics?

Predictive Analytics bezeichnet den Einsatz von Daten, statistischen Algorithmen sowie künstlicher Intelligenz (KI) und maschinellem Lernen (ML), um auf Grundlage historischer Daten die Wahrscheinlichkeit künftiger Ergebnisse zu bestimmen. Ziel ist es, über die Kenntnis dessen, was geschehen ist hinauszugehen und zu beurteilen, was geschehen wird.

Predictive Analytics kommt in Unternehmen zunehmend zum Einsatz. Allerdings herrscht darüber teilweise Verwirrung. Sehen wir uns an, was darunter zu verstehen ist, wie es sich von anderen Bereichen der Datenanalyse unterscheidet und wie es in der Praxis eingesetzt wird.

Ajay Khanna, CEO und Gründer von Tellius, nennt als Beispiel die Bestandsverwaltung während der umsatzstarken Weihnachtszeit. Durch die Anwendung von Predictive-Analytics-Modellen auf unternehmensinterne Daten über einen bestimmten Zeitraum können Einzelhändler das Verhalten von Verbrauchern besser verstehen – etwa Kaufmuster, die Wahrscheinlichkeit einer Rückgabe und die Kundenfrequenz im Geschäft. Diese Erkenntnisse helfen ihnen, die Produktnachfrage zu prognostizieren, das Kundenerlebnis zu verbessern und durch eine bessere Verwaltung von Personal und Ressourcen die Betriebskosten zu senken.

„Einzelhändler können Kunden auf Grundlage vergangener Daten mit personalisierten Angeboten erreichen und künftige Käufe zuverlässig vorhersagen und antizipieren“, sagte Khanna.

Um tiefer in Predictive Analytics einzusteigen, springen Sie direkt zu: 

• Geschichte und Entwicklung von Predictive Analytics
• Wie funktioniert Predictive Analytics?
• Modelle für Predictive Analytics
• Predictive Analytics: Blick in die Zukunft
• Vorteile von Predictive Analytics
• Geschäftliche Anwendungsfälle für Predictive Analytics
• Anwendungsfälle nach Branche
• Aufbau von Predictive-Analytics-Funktionen
• Herausforderungen und Grenzen von Predictive Analytics
• Die Zukunft von Predictive Analytics

Geschichte und Entwicklung von Predictive Analytics 

Predictive Analytics begann vermutlich in den 1940er-Jahren mit frühen, manuellen Versionen von Computern. Bedeutende Innovationen wurden in Regierungsbehörden umgesetzt, darunter Alan Turings Bombe und die Monte-Carlo-Simulation des Manhattan-Projekts zur Vorhersage des Verhaltens von Atomen während einer Kettenreaktion. Als Computer in den 1950er-Jahren an Bedeutung gewannen, konnten Forschungsorganisationen Vorhersagen über Wettermuster und die Lebensdauer von Produkten treffen.

Predictive Analytics gibt es also schon seit Jahrzehnten. Doch immer mehr Unternehmen setzen darauf, um ihre Gewinnsituation und ihren Wettbewerbsvorteil zu verbessern. Warum gerade jetzt? Die Rechenleistung ist drastisch gestiegen, Analysesoftware ist interaktiver und einfacher zu bedienen, und die Verbreitung der Cloud hat Analysen mehr Menschen mit unterschiedlichsten Kenntnisständen zugänglich gemacht. Daher ist Predictive Analytics nicht mehr ausschließlich Domäne quantitativer Experten, Statistiker und Data Scientists.

„Heute setzen Analysten, Fachleute aus den Geschäftsbereichen und Mitarbeiter an vorderster Front Predictive Analytics ein, um Effizienz und Wirksamkeit zu verbessern“, sagte Peterson. „Angesichts des zunehmenden Wettbewerbs und schwieriger wirtschaftlicher Bedingungen wollen Unternehmen aller Branchen Daten in bessere und schnellere Geschäftsentscheidungen umwandeln.“

Predictive Analytics hat sich zu einem leistungsfähigen Werkzeug für große und kleine Unternehmen entwickelt. Die Fähigkeit, maschinelles Lernen auf große Datenmengen anzuwenden und verborgene Muster aufzudecken, wird in so unterschiedlichen Bereichen wie Landwirtschaft, Fertigung, Transport, Finanzdienstleistungen, Gesundheitswesen, Einzelhandel und Cybersicherheit immer wertvoller.

Natürlich haben Unternehmen schon immer Daten genutzt, um Ereignisse zu prognostizieren und Geschäftsentscheidungen zu treffen. Das Volumen und die Komplexität der heutigen Daten haben die Ausgangslage jedoch verändert. Maschinelles Lernen und künstliche Intelligenz können Muster erkennen, die sich der menschlichen Wahrnehmung und Verarbeitung entziehen. Daher wird Predictive Analytics zunehmend als Differenzierungsmerkmal im Wettbewerb betrachtet.

Laut einem Bericht des Online-Marktforschungsdienstes Statistica soll der globale Markt für Predictive Analytics von 5,29 Milliarden US-Dollar im Jahr 2020 auf knapp 42 Milliarden US-Dollar im Jahr 2028 wachsen. Unternehmen setzen Predictive Analytics für eine Vielzahl von Zwecken ein. Zu den wichtigsten Anwendungsfällen gehören jedoch die Analyse des Verbraucherverhaltens, die Verwaltung von Lieferketten, Kostensenkungen und strategische Entscheidungen über Geschäftsabläufe, einschließlich Finanzprognosen.

Eine Vielzahl von Anbietern offeriert Predictive-Analytics-Lösungen, entweder als eigenständige Software oder integriert in Unternehmensanwendungen, darunter Enterprise-Resource-Planning- (ERP-) und Customer-Relationship-Management-Plattformen (CRM). Einige sind auf dem Desktop verfügbar, andere in der Cloud als Software as a Service (SaaS). Dazu zählen AWS, Google, IBM, Microsoft, Oracle, Salesforce, SAP, SAS, Tableau, Teradata, TIBCO und ThoughtSpot. Die Lösungen unterscheiden sich zwar erheblich, doch ihr gemeinsamer Nenner ist die Gewinnung verwertbarer Ergebnisse aus Daten.

Siehe auch: Die beste Business-Intelligence-Software 

Wie funktioniert Predictive Analytics?

Predictive Analytics stellt eine deutlich andere Kategorie der Datenanalyse dar als Data Mining, Business Intelligence und konventionellere Analysemethoden. Es geht über die grundlegende Sortierung und Berichterstattung zu Daten hinaus und bewegt sich durch statistische Methoden, maschinelles Lernen und Deep Learning in den Bereich der Analyse. In seiner fortschrittlichsten Form geht es in die Kategorie der präskriptiven Analytik über, die auf Grundlage verschiedener Entscheidungen oder Szenarien sehr konkrete Ergebnisse und Empfehlungen liefert.

Im Wesentlichen greifen Algorithmen auf statistische Methoden zurück, um verschiedene Arten strukturierter und unstrukturierter Daten zu analysieren. Dazu können historische Aufzeichnungen wie Kassen- (POS-) oder Kaufhistorien sowie menschliches Verhalten oder Netzwerkverhalten gehören. Auch soziale Medien, Muster des Online-Browsings und andere Daten können einbezogen werden.

Gartner zufolge umfasst Predictive Analytics fünf wesentliche Komponenten:

• Der Schwerpunkt liegt auf der Vorhersage und nicht auf Beschreibung, Klassifizierung oder Clustering.
• Schnelle Analysen, gemessen in Stunden oder Tagen statt in den bei herkömmlichem Data Mining und BI üblichen Monaten.
• Der Schwerpunkt liegt auf der geschäftlichen Relevanz der Erkenntnisse.
• Der Fokus liegt auf einfacher Bedienung, wodurch die Tools für Fachanwender in den Geschäftsbereichen zugänglicher werden.
• Tools für Predictive Analytics beziehen Daten aus zahlreichen Quellen.

Siehe auch: Die besten Tools für Datenanalyse 

Modelle für Predictive Analytics

Eine Predictive-Analytics-Lösung erstellt Vorhersagen mithilfe von Modellen und Methoden, die sich häufig um vier zentrale Techniken drehen.

Regressionsmodelle

Der Regressionsmodell-Ansatz wird häufig als „Was-wäre-wenn“-Analyse bezeichnet. Er schätzt die Beziehung zwischen unabhängigen Variablen und erstellt anschließend ein Modell, das Vorhersagen über künftige Szenarien und Auswirkungen treffen kann. Regressionsmodelle können Korrelationen (Zusammenhänge) und Kausalität (Gründe) einbeziehen. Hersteller und Einzelhändler verwenden diese Methode häufig, um beispielsweise Nachfrage und Modetrends vorherzusagen.

Klassifikationsmodelle

Bei Klassifikationsmodellen speisen Data Scientists vergangene Daten und Historien ein. Die Predictive-Analytics-Lösung kennzeichnet die Daten und verwendet anschließend einen Algorithmus, um Muster einschließlich Korrelationen zu erkennen. Neue Daten werden dem System hinzugefügt, sobald sie eintreffen. Betrugserkennung und Cybersicherheit nutzen typischerweise Klassifikationsmodelle.

Clustering-Modelle

Diese Technik sucht nach gemeinsamen Attributen und Merkmalen und ordnet sie anschließend Gruppen zu. Clustering-Modelle eignen sich ideal, um verborgene Muster in Systemen zu finden. Die Technik wird häufig eingesetzt, um Muster von Betrug und Diebstahl zu erkennen.

Zeitreihenmodelle

Die Möglichkeit, Daten über Tage, Monate oder Jahre hinweg zu betrachten, liefert zusätzliche Perspektiven, die in ein Prognosemodell einfließen können. Das Zeitreihenmodell wird häufig im Gesundheitswesen und im Marketing eingesetzt – für Aufgaben, die von der Optimierung der Personalausstattung bis zur Vorhersage menschlichen Verhaltens auf Grundlage eines komplexen Faktorsets reichen.

Siehe auch: Data-Mining-Techniken 

Predictive Analytics: Blick in die Zukunft

Ohne Analysen sind Daten lediglich eine Folge von Nullen und Einsen. Analysen liefern jedoch Erkenntnisse, bessere Entscheidungen und bessere Ergebnisse. Sie verwandeln Daten in Wert.

„Generell gilt: Wenn Sie nicht über Predictive Analytics sprechen, sprechen Sie über deskriptive oder präskriptive Analytik“, sagte Jerod Johnson, Senior Technology Evangelist bei CData. „Deskriptive Analytik zeigt mithilfe von Data Mining, was bereits geschehen ist, und hilft dabei, Trends und Muster zu erkennen. Predictive Analytics ergänzt Modellierung und maschinelles Lernen, um mögliche künftige Ergebnisse und Wahrscheinlichkeiten vorherzusagen.“

Mathias Golombek, CTO von Exasol, erklärt präskriptive Analytik als eine Kategorie, die Daten in verwertbare Erkenntnisse und Entscheidungen umwandelt. Man könnte sie als operative BI oder Analytik bezeichnen, die entweder mit herkömmlichem SQL oder Skripten in Data-Science-Sprachen umgesetzt werden kann. Entscheidend ist, möglichst in Echtzeit relevante Ergebnisse zu liefern und direkte Entscheidungen aus den Daten abzuleiten.

„Deshalb sind die meisten dieser Anwendungen in Softwarecode geschrieben und lösen Aktionen entlang Ihrer Geschäftskette aus“, sagte Golombek. „Ein Beispiel wäre, die Preise für Ihren E-Commerce-Shop automatisch zu optimieren, indem alle möglichen relevanten Daten über Ihre Kunden, Produkte und Logistikketten verarbeitet werden.“

Predictive Analytics ist, wie der Name schon sagt, zukunftsorientiert. „Predictive Analytics nutzt historische Daten und ausgefeilte Modelle, um vorherzusagen, was als Nächstes geschehen wird, welche Ergebnisse optimal sein könnten und worauf Aufwand und Ressourcen konzentriert werden sollten“, sagte Jared Peterson, Senior Vice President of Engineering bei SAS.

Schon kleine, schrittweise Verbesserungen beispielsweise in einer Marketingkampagne, bei der Betrugserkennung einer Bank oder bei der vorausschauenden Wartung eines Herstellers können zu großen Einsparungen und effizienteren Abläufen führen.

Golombek fügte hinzu, dass Predictive Analytics KI- und ML-Algorithmen auf Daten anwendet und Unternehmen dadurch analytische Entscheidungsfindung und Prognosen ermöglicht. Dabei kommen meist Skriptsprachen wie Python oder R zum Einsatz sowie statistische Modelle, die mit vorhandenen Trainingsdaten trainiert wurden.

Vorteile von Predictive Analytics

Die Vorteile von Predictive Analytics lassen sich in mehrere Kategorien einteilen:

Bessere Entscheidungsfindung

Wenn Unternehmen Daten sammeln und nutzen, um Muster und Trends zu erkennen, können sie die Faktoren, die mit dem Auftreten bestimmter Bedingungen korrelieren und diese verursachen, besser verstehen. Diese Daten können nicht nur von Menschen zum Aufbau wirksamerer Strategien genutzt, sondern auch in automatisierte Systeme eingebettet werden. Im letztgenannten Fall können KI und maschinelles Lernen beim Eintreten einer bestimmten Kombination von Bedingungen automatisch und autonom handeln.

Höhere Effizienz

Wenn man versteht, wie bestimmte Bedingungen zu bestimmten Ergebnissen führen, lassen sich Zwischenschritte und manuelle Prozesse eliminieren, die Zeit, Geld und andere Ressourcen erfordern. Die vorausschauende Wartung reduziert beispielsweise den Bedarf, dass Menschen die Ergebnisse von Anlagen testen und überprüfen, und macht dies manchmal sogar überflüssig. Ein Unternehmen weiß, wann der optimale Zeitpunkt für die Wartung einer Maschine oder eines Geräts gekommen ist.

Risikoreduzierung und -management

Tools für Predictive Analytics können betriebliche, regulatorische und Cybersicherheitsrisiken erkennen. Sie finden Lücken, Schwachstellen und Mängel in Geschäftsplänen, Finanzmodellen und IT-Frameworks. Dies trägt dazu bei, direkte Kosten ebenso zu senken wie mögliche Sanktionen und Bußgelder, die aus der Nichteinhaltung von Vorschriften und anderen Kontrollen entstehen.

Bessere Wettbewerbsinformationen

Unternehmen, die Predictive Analytics erfolgreich einsetzen, gewinnen tiefere Einblicke in Geschäftsereignisse, Trends und wahrscheinliche Ergebnisse. Diese Informationen können Investitionen, Beschaffung, Forschung und Entwicklung (F&E), Nachhaltigkeitsinitiativen, Entscheidungen in der Lieferkette und vieles mehr steuern.

Höhere Umsätze und größere Gewinne

Wenn Predictive Analytics beispielsweise erfolgreich in Marketing und Vertrieb eingesetzt wird, führt dies zu einer stärkeren Kundenbindung und zusätzlichen Käufen. Im besten Fall kann die Technologie die Markenaffinität durch hochrelevante Kommunikation und Interaktionen für Kunden deutlich steigern. Sie erhalten Nachrichten zur richtigen Zeit am richtigen Ort.

Siehe auch: Was ist Datenvisualisierung?

Geschäftliche Anwendungsfälle für Predictive Analytics

Die Finanzdienstleistungsbranche setzt Predictive Analytics angesichts riesiger Datenmengen und hoher finanzieller Risiken schon lange ein, um Betrug zu erkennen und zu reduzieren, Risiken zu messen und zu steuern, Marketingchancen zu maximieren und Kunden zu halten. Banken jeder Größe verlassen sich auf Predictive Analytics.

Selbst traditionell langsame Anwender neuer Technologien wie die Fertigungsindustrie und Behörden setzen zunehmend auf Predictive Analytics. Es hilft ihnen, ihre Abläufe zu verbessern und angesichts wirtschaftlicher Verwerfungen ihre Widerstandsfähigkeit zu stärken.

Zum Beispiel:

• Mack Trucks und Volvo Trucks nutzen KI- und IoT-Analysen, um Wartungsprobleme in ihren vernetzten Fahrzeugen vorherzusagen. Dadurch werden kostspielige Ausfälle verhindert.
• Georgia-Pacific nutzt KI- und IoT-Analysen, um seine Lieferkette und Versandlogistik zu optimieren, die Effizienz von Fertigungsanlagen zu verbessern und Ausfallzeiten zu reduzieren.
• Die Stadt Cary im US-Bundesstaat North Carolina nutzt Predictive Analytics, IoT-Analysen und Sensordaten aus Bächen, um die Auswirkungen von Überschwemmungen im Binnenland vorherzusagen und zu begrenzen. Dieses Problem tritt in vielen Kommunen immer häufiger auf.

Suchgestützte Datenintelligenz-Plattformen können Unternehmen dabei helfen, die Suche nach wichtigen Kennzahlen zu vereinfachen. Durch die Kombination unterschiedlicher Datensätze und die Bereitstellung von Informationen in einem leicht verständlichen Format mittels leistungsfähiger Visualisierungen und Predictive Analytics erhalten Unternehmen beispiellosen Zugang zu wichtigen Erkenntnissen – ohne fortgeschrittene Data-Science-Kenntnisse vorauszusetzen.

Auch im Bereich von Abonnementdiensten und im Kundensupport wollen Unternehmen verstehen, welche Nutzer und Kunden wahrscheinlich ein Upgrade durchführen oder abwandern werden. Kunden werden anhand zahlreicher Attribute und Kriterien bewertet, um ihren Kundenstatus einzuschätzen. Unternehmen, die für die Instandhaltung hochwertiger Anlagen verantwortlich sind, können Prognosemodelle erstellen, um zu verstehen, welche Hardware- und Softwareprodukte wann ausfallen oder nicht mehr den Anforderungen entsprechen werden.

Hier sind weitere geschäftliche Anwendungsfälle für Predictive Analytics:

Ressourcenplanung und Einkauf

Predictive Analytics kann Erkenntnisse über die voraussichtliche Verfügbarkeit und Preisentwicklung von Rohstoffen liefern, einschließlich der Frage, wann Rohstoffe und Handelswaren eingekauft werden sollten. Diese Systeme funktionieren ähnlich wie KI-Systeme, die auf Reisewebsites Flugpreise vorhersagen. Diese Art der Modellierung hilft, Kosten zu senken und Bestände zu optimieren.

Qualitätskontrolle und vorausschauende Wartung

Eine weitere Anwendung der Technologie liegt in der Qualitätskontrolle und der vorausschauenden Wartung. Predictive Analytics kann erkennen, wann Produkte während des Transports wahrscheinlich verdorben oder beschädigt wurden, und Wartung und Reparaturen von Geräten optimieren, die von medizinischen Geräten bis zu Düsentriebwerken reichen.

Marketing

Einzelhändler, Finanzdienstleister, Gesundheitsanbieter und andere setzen Predictive Analytics ein, um ihr Marketing zu verbessern, Produkte und Dienstleistungen anzupassen und Ergebnisse einschließlich Verkaufszahlen und allgemeiner Markttrends zu prognostizieren.

Ein Einzelhändler könnte Signale erkennen, die darauf hindeuten, dass ein Kunde zum Kauf eines Produkts oder Upgrade eines Dienstes neigt. Ein Gesundheitsunternehmen könnte Predictive Analytics nutzen, um besser zu verstehen, wie verschiedene Maßnahmen und Verhaltensweisen das Risiko eines negativen Ergebnisses – auch auf individueller Ebene – verringern.

Sicherheit und Risikomanagement

Da Angriffe immer ausgefeilter werden, ist es zunehmend schwieriger, Malware einfach auf Blacklists und Whitelists zu setzen oder zu versuchen, Pakete am Rand des Netzwerks zu blockieren. Verhaltensbasierte Sicherheit ist eine wichtige Komponente beim Aufbau eines Zero-Trust-Sicherheitsrahmens und bei der umfassenderen Absicherung von Assets und Daten. Tools für Predictive Analytics, die KI und maschinelles Lernen nutzen, können Probleme erkennen, bevor sie sich zu vollwertigen Bedrohungen entwickeln.

Bonitätsbewertungen werden verwendet, um die Ausfallwahrscheinlichkeit eines Käufers bei Käufen einzuschätzen, und sind ein bekanntes Beispiel für Predictive Analytics. Ein Bonitäts-Score ist eine von einem Prognosemodell erzeugte Zahl, die alle relevanten Daten einbezieht. Weitere risikobezogene Anwendungen sind Versicherungsansprüche und das Forderungsmanagement.

Betrugserkennung

Predictive Analytics kann verdächtige Transaktionen markieren und potenziellen Betrug erkennen. Banken und Kreditkartenunternehmen nutzen prädiktive Technologien – zunehmend Systeme, die mit von den Smartphones der jeweiligen Person bereitgestellten Geolokalisierungsdaten verknüpft sind –, um festzustellen, ob ein Kauf legitim oder verdächtig ist.

Dieser Ansatz bietet Vorteile für Kunden, die nicht mehr regelmäßig E-Mails und Textnachrichten erhalten, in denen sie aufgefordert werden, zur Validierung von Transaktionen bei einem Finanzdienstleister anzurufen. Gesperrte Konten und andere Probleme sind besonders ärgerlich, wenn eine Person im Ausland unterwegs ist und ein Ferngespräch zur Bank führen muss, um Transaktionen zu bestätigen.

Die Kombination mehrerer Analysemethoden kann die Mustererkennung verbessern und kriminelles Verhalten verhindern. Hochleistungsfähige Verhaltensanalysen untersuchen alle Aktionen in einem Netzwerk in Echtzeit, um Anomalien zu erkennen, die auf Betrug, Zero-Day-Schwachstellen und Advanced Persistent Threats hindeuten können.

Siehe auch: Trends im Echtzeit-Datenmanagement

Anwendungsfälle für Predictive Analytics nach Branche 

Gesundheitswesen

Organisationen im Gesundheitswesen nutzen Predictive Analytics, um die Versorgung von Patienten zu steuern, indem sie deren Diagnosen vorhersagen und Krankenhäuser und Kliniken für künftige Infektionen angemessen mit Personal ausstatten.

Lieferkette

Lieferketten nutzen Predictive Analytics, um Bestände besser zu verwalten und Überbestände zu vermeiden sowie Preise auf Grundlage der prognostizierten Nachfrage und Verfügbarkeit von Komponenten anzupassen.

Helpdesk-Zentren

Predictive Analytics hilft dabei, Modelle auf Audioaufzeichnungen von Gesprächen zwischen Supportmitarbeitern und Kunden anzuwenden, um die Leistung der Servicemitarbeiter zu verbessern, die Gesprächsdauer zu verkürzen, zusätzliche Kundeninformationen zu erfassen und das Kundenerlebnis insgesamt zu verbessern.

Gastgewerbe

Um das Kapazitätsmanagement nahtloser zu gestalten, wenden Hotels prädiktive Modelle auf Daten aus einem bestimmten Zeitraum an. So können sie Gästeservices besser prognostizieren, planen und verbessern und gleichzeitig durch ein besseres Management von Personal, Beständen und anderen Ressourcen die Betriebskosten senken.

Bildungseinrichtungen

Durch den Einsatz prädiktiver Algorithmen auf historische Schüler- und Studentendaten lassen sich frühe Anzeichen für nachlassende Leistungen sowie die damit zusammenhängenden Faktoren erkennen. Darüber hinaus erweitern prädiktive Modelle, die auf Kennzahlen von Lehrkräften, Abteilungen oder Regionen angewendet werden, die Möglichkeiten datenbasierter Erkenntnisse zur Verbesserung der Leistungsfähigkeit von Bildungssystemen.

Personalwesen und Recruiting

Organisationen stellen Kandidaten tendenziell auf Grundlage einer Analyse ihrer Leistungen im Bewerbungsgespräch, ihrer Arbeitszeugnisse, ihres Netzwerks und ihrer formalen Qualifikationen ein – alles historische Datenpunkte. Der Prozess ist veraltet und subjektiv. „Die Kosten einer Fehlbesetzung betragen mindestens 30 % des Gehalts. Aber auch die Einstellung einer Person, die nicht optimal für die Stelle geeignet ist, verursacht erhebliche Opportunitätskosten“, sagte Satish Kumar, CEO von Glider AI. „Eine prädiktive Analyse der Talentqualität ist die Zukunft: Sie macht Einstellungen auf Grundlage formaler Qualifikationen überflüssig und konzentriert sich auf Fähigkeiten und kulturelle Passung, während sie natürliche Einstellungsverzerrungen beseitigt.“

Siehe auch: Die besten Machine-Learning-Plattformen 

Entwicklung von Predictive-Analytics-Funktionen

Auch fortschrittlichere Predictive-Analytics-Funktionen nehmen Gestalt an. So setzen Organisationen beispielsweise auf digitale Zwillinge, um komplexe Modelle zu simulieren und zu verstehen, wie sich verschiedene Faktoren auf reale Ergebnisse auswirken. Darüber hinaus nutzen Weingüter KI und Daten, um zu verstehen, wie sich der Klimawandel auf ihre Weintraubenernten auswirkt. Einige Winzer beginnen zudem, diese Methoden einzusetzen, um Flächen zu identifizieren, die sich im weiteren Verlauf des Klimawandels ideal für den Weinbau eignen.

Gaming-Unternehmen nutzen unterdessen Predictive-Analytics-Algorithmen, um 3D-Grafiken schneller zu rendern, indem sie die Notwendigkeit beseitigen, bestimmte Pixel auf GPUs zu erzeugen. Das System führt Extrapolationen durch; die Methode spart Rechenzyklen und senkt den Energieverbrauch.

Tatsächlich zeigt das letztgenannte Beispiel, wie Data Scientists Predictive Analytics mit Deep-Learning-Techniken kombinieren können. Neuronale Netze können riesige Datenmengen verarbeiten und verborgene Muster und Trends in Video, Audio, Text und anderen Formen unstrukturierter Daten erkennen.

So können beispielsweise Sprach- oder Gesichtserkennung den Tonfall oder den Ausdruck einer Person analysieren, worauf ein System entsprechend reagiert. Eine Anwendung wie Google Mail kann das nächste Wort oder die nächste Wortgruppe vorhersagen, die eine Person wahrscheinlich verwenden wird, und sie als Auswahlmöglichkeit anzeigen, und Open AIs ChatGPT erstellt auf Grundlage einer Texteingabe ganze Absätze zu nahezu jedem Thema.

Herausforderungen und Grenzen von Predictive Analytics

Obwohl Predictive Analytics viele Vorteile bietet, ist die Technologie nicht frei von Einschränkungen und potenziellen Fallstricken. Es gibt mehrere Faktoren, die Organisationen berücksichtigen müssen, um die Technologie erfolgreich einzusetzen.

Die Rolle von Predictive Analytics und wie damit Mehrwert geschaffen wird

Obwohl Predictive Analytics Einblicke in die Zukunft ermöglicht, ist die Technologie keine Kristallkugel. Manche Faktoren, etwa die Entwicklung der Aktienmärkte, sind viel zu komplex, um sie vorherzusagen. In anderen Fällen beeinflussen zahlreiche weitere Faktoren, die mit Predictive Analytics zusammenwirken, die Ergebnisse.

So kann eine Marketingabteilung über hervorragende Daten zum Kundenverhalten verfügen und dennoch mit einer Kampagne scheitern, weil sie minderwertige Inhalte entwickelt, planlos vorgegangen ist oder die prädiktiven Daten schlecht genutzt hat.

Die Notwendigkeit präziser und aktueller Daten

Wenn Organisationen veraltete oder irrelevante Daten verwenden, erhalten sie am Ende völlig ungenaue Ergebnisse. Um Daten einen Mehrwert zu entlocken, müssen sie aktuell – in vielen Fällen in Echtzeit – und präzise sein sowie korrekt zusammengestellt werden. Dafür sind in der Regel Data Scientists sowie erstklassige Predictive-Analytics- und Machine-Learning-Tools erforderlich.

Die Notwendigkeit klarer Zielsetzungen

Predictive Analytics ohne klare Strategie und Ziele führt unweigerlich zum Scheitern. Die Entwicklung eines Rahmens für den Einsatz von Predictive Analytics erfordert den Beitrag der Unternehmensleitung und in vielen Fällen verschiedener Abteilungen und Gruppen. Die erfolgreichsten Implementierungen umfassen Menschen, Prozesse und Technologien.

Dieser Rahmen ermöglicht es, Workflows neu zu gestalten und strategische, finanzielle und andere Vorteile im gesamten Unternehmen und darüber hinaus zu erzielen.

Die Notwendigkeit von Data-Science-Expertise

Predictive-Analytics-Tools sind häufig in erster Linie für Data Scientists konzipiert. Selbst Tools, die sich an Business Analysts und andere Zielgruppen richten, können ein gewisses Maß an technischem Wissen erfordern. Dazu können Programmierkenntnisse in Python oder R oder Expertise in statistischen Modellierungsmethoden gehören. Darüber hinaus gibt es eine Vielzahl technischer Fragen im Zusammenhang mit der Datenaufbereitung und -bereinigung, dem Training von Algorithmen, dem Umgang mit Dateninkonsistenzen und der Bereitstellung von Modellen in der Praxis.

Siehe auch: Die führenden Unternehmen für digitale Transformation

Die Zukunft von Predictive Analytics

In unserer zunehmend digitalisierten Welt wird sich das Datenvolumen laut IDC von 2022 bis 2026 voraussichtlich nahezu verdoppeln. Daher werden die oben genannten Anwendungsfälle wahrscheinlich an Bedeutung verlieren, da sich Predictive Analytics auf weitere Bereiche ausbreitet.

„Unternehmen aller Branchen können von Predictive-Analytics-Funktionen und fortschrittlichen Datenmanagement-Tools profitieren“, sagte Golombek. „Mit dem Beginn des neuen Jahres erwarten wir eine verstärkte Nutzung von Predictive und Prescriptive Analytics, um kontinuierliche Prozessverbesserungen und datenbasierte Entscheidungen voranzutreiben – und Unternehmen dabei zu helfen, die richtigen Produkte an die richtigen Kunden zu verkaufen sowie Ressourcen besser zuzuordnen und Trends intelligenter zu erkennen.“

Johnson ist überzeugt, dass die Zukunft datengetrieben ist und der Zugang zu Daten der Schlüssel zum Erfolg von Predictive Analytics ist. Die zunehmende Verfügbarkeit von Rechenleistung sowie Fortschritte bei KI- und Machine-Learning-Technologien ermöglichen es jedem Unternehmen, Predictive Analytics zu nutzen – nicht nur Organisationen und Branchen mit traditionell tiefen Taschen.

„Der Einsatz von No-Code-Lösungen für die Echtzeit-Datenanbindung kann Analytics weiter demokratisieren, indem er Geschäftsanwendern ermöglicht, ganzheitliche Analyseprozesse über mehrere Anwendungen und Systeme hinweg zu erstellen“, sagte Johnson.

Predictive Analytics wird sich weiterentwickeln. Da immer mehr Sensoren und IoT-Elemente in IT-Frameworks eingebunden werden, werden größere Datenmengen – zusammen mit granulareren Daten – zunehmend verfügbar sein. Künftige Systeme werden wahrscheinlich weitaus detailliertere Erkenntnisse über das Verbraucherverhalten, Gesundheitsfaktoren, Ausgabenmuster und sogar Nachhaltigkeitsdaten liefern, die für die Berichterstattung zu Umwelt, Sozialem und Unternehmensführung (ESG) verwendet werden. Dazu gehören auch deutlich detailliertere Methoden zur CO₂-Bilanzierung.

Darüber hinaus werden Datenvisualisierungsmodelle wahrscheinlich ausgefeilter und intuitiver werden, unter anderem durch den Einsatz fortschrittlicherer 3D-Animationen und visueller Simulationen. Durch No-Code- und Low-Code-Frameworks werden Predictive-Analytics-Lösungen voraussichtlich einfacher zu bedienen sein. Mit der Weiterentwicklung verschiedener Frameworks für Machine Learning, Deep Learning und KI wird Predictive Analytics für längerfristige Vorhersagen und Projektionen mit nahezu vollständiger Sicherheit genauer und zuverlässiger werden.

Letztlich steht eines völlig außer Frage: Predictive Analytics ist ein wichtiger Bestandteil der heutigen Geschäftswelt, und der Einsatz dieser Technologie wird weiter zunehmen. Die Fähigkeit, Muster, Trends und Chancen zu erkennen, ist ein leistungsstarkes Werkzeug für Organisationen jeder Größe und Ausrichtung. Sie ist ein Schlüssel, um Mehrwert und künftige Gewinne zu erschließen.

Siehe auch: Leitfaden zur digitalen Transformation: Definition, Arten und Strategie

Drew Robb steuerte die Berichterstattung für diesen Artikel bei.