Smarte Vision: Prädiktive Analysen erklären Unternehmen ihre Zukunft

Fangen wir direkt mit einer Erläuterung an. Predictive Analytics ist eine Teildisziplin von Business Analytics (auch Advanced Analytics). Es ist ein datenbasiertes Verfahren, das Muster und Strukturen in Datenhistorien erkennt. Das Modell wird dann auf aktuelle Daten angewendet, um Wissen über die Zukunft zu generieren. Auch liefert Predictive Analytics Erklärungen dafür, was in der Zukunft eintreten wird.

Für diesen Prozess kommen Methoden der klassischen Statistik und des maschinellen Lernens zum Einsatz. Die Prognoseergebnisse werden üblicherweise mit ergänzender Software visualisiert, diskutiert und bearbeitet.

Predictive Analytics ist die logische Verbindung und Folge einer systematischen Erfassung von Daten, intelligenten Algorithmen und maschinellem Lernen – Gebiete, die in den letzten Jahren große Fortschritte verzeichnen konnten. Hierzu gleich mehr.

Doch bevor wir in die Tiefen von Predictive Analytics eintauchen und auf Methoden und Funktion genauer eingehen, wollen wir hier den Begriff von anderen Verfahren abgrenzen. Wer den Terminus Predictive Analytics hört oder „nachschlägt“, wird schließlich gleichzeitig mit anderen Verfahren und Erläuterungen konfrontiert, die schnell verwirren.

Gemeint sind: Predictive Analytics, Prescriptive Analytics, Descriptive Analytics, Predictive Planning und Business Analytics oder auch Advanced Analytics. Alles rankt sich umBig Data und Data Mining. Aber die Unterschiede sind relevant. Und die benannten Verfahren klären je eine ganz andere Frage ihrer Nutzer. Hier zu den Erklärungen:

• Business Analytics ist – wie eingangs bereits angerissen – ein Über- und Sammelbegriff für alle datengetriebenen Verfahren in Unternehmen/im Geschäftsumfeld o. ä. Unternehmen setzen sie ein, um ihre historischen Prozesse zu analysieren, daraus relevante Erkenntnisse abzuleiten und Vorhersagen über die Zukunft zu treffen.
• Was passiert gerade? – Descriptive Analytics ist ein Verfahren, das z. B. im Controlling zum Einsatz kommt. Es analysiert Geschehnisse aus der Vergangenheit, beschreibt den Ist-Zustand und bildet in der Regel die Basis für Predictive Analytics.
• Was wird passieren? – Wie oben bereits erläutert, trifft Predictive Analytics Prognosen auf datenbasierten Verfahren und erklärt in der Zukunft liegende Ereignisse. Das Verfahren dient der Planung eines Unternehmens.
• Was ist zu tun? – Prescriptive Analytics liefert die Grundlage für die Entscheidungsfindung durch datenbasierte Empfehlungen. Prescriptive Analytics klärt, wie auf Ereignisse zu reagieren ist, die in der Zukunft liegen. Hier werden die Auswirkungen von unterschiedlichen Handlungsmöglichkeiten ausgewertet. Prescriptive Analytics basiert in der Regel auf den durch Predictive Analytics erlangten Erkenntnissen.
• Von Predictive Planning schlussendlich ist die Rede, wenn es um die Anwendung von Predictive-Analytics-Methoden im Planungsbereich eines Unternehmens geht. Gemeint sind beispielsweise datenbasierte Forecasts und Tools zur Simulation und Szenarioanalyse.

Zurück zu unserer Definition von Predictive Analytics. Wir kommen zu der entscheidenden Frage, wie ein Unternehmen von der Sammlung von Daten zu den Erkenntnissen von morgen kommt.

Bereits seit Jahren sammeln und strukturieren digitale Unternehmen große Datenmengen. Und das in der Regel aus folgenden Bereichen:

• Produktion
• Aufträge, Nachfrage und Marktbestimmung
• Kommunikationsprotokolle und Log-Dateien
• Umfeld und Kontext

Dass große Datenmengen aussagekräftige, smarte Erkenntnisse liefern und Unternehmen das volle Potenzial aus den Datensammlungen schöpfen können, ist im Wesentlichen an folgende Aspekte gekoppelt.

1. Ein exzellentes Datenmanagement: Dieses muss Qualität, Interpretierbarkeit und Verfügbarkeit der Daten sicherstellen. Das bedeutet u. a., dass die Daten bereinigt, „Ausreißer“ entfernt und ggf. Datenquellen wie Webarchive, Datenbanken, Kalkulationstabellen kombiniert werden müssen.
2. Intelligente Algorithmen: Sie kombinierendie vorliegenden Daten geschickt miteinander, erkennen Muster und Strukturen, setzen Daten in Beziehung, evaluieren sie und filtern wertvolle Informationen heraus.
3. Die geeignete Infrastruktur: Sie erlaubt einen schnellen Datentransfer sowie den schnellen Zugriff auf die Daten und hält die Rechenleistung für komplexe Berechnungen bereit.

Sind diese Voraussetzungen gegeben, kann ein Unternehmen auf valider Basis smarte Prognosen erstellen – wie beispielsweise für die Umsatzzahlen für die kommenden Monate. Doch wie kommt man an den intelligenten Algorithmus? Im Verfahren von Predictive Analytics wird dieser trainiert. Er wird mit historischen Daten gefüttert – mit seinen Trainingsdaten. Aus diesen soll er im ersten Schritt lernen. Sie analysieren. Er erfasst, wie die Grundstruktur einer passenden Modellformel definiert sein sollte, die

• relevante Strukturkomponenten,
• Muster und
• Zusammenhänge

angemessen abbildet – und zwar in der zeitlichen Entwicklung eines bestimmten Aspekts (zum Beispiel Umsatzzahlen). Welche Trends muss der Algorithmus berücksichtigen? Welches Wachstumsmodell liegt diesen zugrunde? Sind saisonale Schwankungen zu berücksichtigen? Wie oft und regelmäßig treten diese auf?

Steht dieses Grundgerüst für die Modellgleichung, startet der nächste Schritt. Nun müssen die Modellparameter perfekt eingestellt werden. Welche Ausprägung hat der Trend aktuell? Wie fallen die Schwankungen beispielsweise in den einzelnen Quartalen aus? Sind die erkannten Strukturen in sich stabil?

Selbstverständlich können neben der eigenen Datenhistorie auch externe Einflussgrößen in die Modellbildung einfließen. Das könnten im BeispielUmsatzprognosen Konjunktur, Wetter oder Feiertage sein. Das Modell muss entsprechend auch Fragen nach den relevanten Einflussgrößen einbeziehen. Findet eine Interaktion mit dem zu prognostizierenden Gegenstand (Beispiel Umsatz) statt? Und wenn ja, simultan oder zeitversetzt? Wie lässt sich die Auswirkung der Einflussgrößen quantifizieren?

Das Ergebnis eines derart komplex trainierten Modells sind höchst wertvolle Unternehmensprognosen für die kommenden Wochen, Monate, Quartale.

Die Methoden von Predictive Analytics bietet Unternehmen die Möglichkeit, besser zu planen, zu kalkulieren und zu entscheiden.

Die vielseitigsten Erkenntnisse und Vorhersagen, die datengetriebene Verfahren liefern, schaffen in der globalisierten Wirtschaft einen beachtlichen Wettbewerbsvorteil. Unternehmen können Probleme sowie Chancen von morgen schon heute vorhersehen. Und sie können besser planen, kalkulieren und entscheiden.

Da ist es kein Wunder, dass Predictive Analytics schon heute in vielen Branchen und Wirtschaftsbereichen mit großem Erfolg zum Einsatz kommt. Und hier von den Anwendern nicht mehr wegzudenken ist. Übliche Einsatzmöglichkeiten von Predictive Analytics sind:

1. Intelligentes Lieferketten-, Produktions- und Lagermanagement (Supply Chain)

Unternehmen können die Nachfrage nach bestimmten Artikeln vorhersagen. Dies gelingt durch die Analyse von Bestellhistorien, digitalen Kundeninformationen und aktuellen Bestellungseingängen.

2. Das intelligente Stromnetz (Smart Grid)

Ein intelligentes Stromnetz kann Lastprognosen liefern und den Bedarf voraussagen – ein Vorgang, der vor allem durch die Dezentralisierung der Stromerzeugung beständig an Bedeutung gewinnt. Die Informationen sind für die Stromanbieter wichtig, da sie die Netzstabilität sicherzustellen haben. Aber auch für Energie konsumierende Unternehmen, die sich am wechselhaften Energiemarkt behaupten müssen. 

3. Vorausschauende Planung von Wartungsarbeiten (Predictive Maintenance)

Dank intelligenter Produktionsanlagen können Wartungsarbeiten rechtzeitig eingeleitet oder mit anderen anstehenden Wartungsarbeiten koordiniert werden. Durch Sensordaten lassen sich Verschleiß und Fehlverhalten frühzeitig erkennen.

4. Ausfallwahrscheinlichkeiten von Ratenzahlungen (Credit Scoring)

Banken und Unternehmen profitieren vom Credit Scoring. Sie steuern gezielt die Konditionen bei der Kreditvergabe. Sie können besser abschätzen, ob ein Kunde Ratenzahlungen eines bewilligten Kredits erfüllen wird.

Predictive Analytics liefert aber nicht nur Prognosen. Das Verfahren schätzt auch Unsicherheit eben derselben ab. Denn auch ein noch so gut trainiertes Prognosemodell kann nur äußerst selten alle möglichen Faktoren in seine Analyse einbinden. Schließlich sind dafür die tatsächlichen Prozesse in der Regel zu komplex. Außerdem spielt der Zufall eine Rolle. Entsprechend kommen die Voraussagen von Predictive Analytics einem zukünftigen Wert wohl immer nur sehr nah. Sie treffen ihn aber in der Regel nichtexakt. Gewisse Unsicherheiten sind also einzuplanen.

Mittels einer stochastischen Modellierung, die in die Auswertung eingebettet wird, berücksichtigt Predictive Analytics diese Unsicherheiten jedoch. Das erfolgt üblicherweise durch ein Prognoseintervall. Je kleiner dieses ausfällt, desto treffsicherer die Prognose.

Zudem ist stets folgendes zu bedenken: Ein datenbasiertes Verfahren kann nur das erlernen, was ihm die Historie erzählt, mit der es gefüttert wurde. Informationslücken kann das Verfahren nicht schließen. Ebenso wenig plötzliche Veränderungen, erstmals auftretende Phänomene, neu Strukturen erkennen und in seine Prognosen einbinden.

Trotz aller Vorteile von Predictive Analytics ist demnach eine vorausschauende,unternehmerische Intuition und das wachsame Auge von Experten nach wie vor unabdingbar. Das auch, weil ein Algorithmus im Gegensatz zum Fachmann nicht einschätzen kann, ob die Beziehung von zwei Größen rein zufällig ist oder durch einen indirekten Bezug besteht.