Predictive Analytics

Predictive Analytics ist aus der modernen Wirtschaft und dem Bereich der Business Analytics nicht mehr wegzudenken. In verschiedenen Metiers kommt sie zum Einsatz, ganz unabhängig davon, ob hier eine Gewinnorientierung besteht oder nicht. Die Predictive Analytics ist nämlich nicht nur auf den wirtschaftlichen Sektor beschränkt, sondern greift in Zusammenhang mit Big Data auch in anderen Zweigen der Wissenschaft. Doch was muss darunter verstanden werden, wie wird eine Predictive Analytics durchgeführt und welche Vor- und Nachteile bringt eine Solche mit sich?

 

Business Analytics - Eine Definition

Predictive Analytics ist im Grunde eines der Fundamente der Business Analytics. Vor allem in Bezug auf Big Data ist diese Methode inzwischen unerlässlich geworden, denn sie bietet eine probate Technik, um große Datenbestände zu analysieren aus entsprechende Schlussfolgerungen aus diesen zu ziehen. Hier spielt vor allem das Data Mining eine bedeutende Rolle, denn die erhaltenen Informationen sind in der Regel unstrukturiert und müssen auf ihre Verwendbarkeit hin untersucht werden. Hierbei soll eine Wahrscheinlichkeit für die Zukunft berechnet werden, wobei die Predictive Analytics auch für die Ermittlung von Trends genutzt wird. Durch die verwendeten Prädiktoren - hierbei handelt es sich um eine Variable in einer Gleichung die dazu verwendet wird um zukünftiges Verhalten vorherzusagen - können recht genaue Vorhersagen über die Zukunft getroffen werden. Die Verwendung mehrerer Prädiktoren erzeugt dann ein Vorhersagemodell, nach dem wahrscheinliche Ereignisse berechnet werden können. 

 

Einordnung in der Business Analytics

 

Die Predictive Analytics ist im Bereich der Big Data und der Business Analytics ein Grundstein, um eine Absicherung vor bestimmten Gegebenheiten zu erzeugen. Als ein besonders wichtiges Anwendungsbeispiel kann der Einsatz in Versicherungen genannt werden. Einem Versicherten werden dabei im Rahmen der Business Analytics diverse Prädiktoren für eine Predictive Analytics zugeordnet. Hier können zum Beispiel das Alter und der aktuelle gesundheitliche Zustand einen solchen Faktor darstellen, wenn zum Beispiel eine private Krankenversicherung abgeschlossen werden soll. Aus allen Faktoren wird dann die Wahrscheinlichkeit einer Erkrankung errechnet und der daraus resultierende monatliche Beitrag ermittelt. Hierbei spielt auch das Stichwort Big Data eine bedeutende Rolle, denn in der Regel handelt es sich bei solchen Erhebungen um Massendaten, da auch Statistiken von tausenden anderen Personen in die Gleichung mit einfließen. Auch die hier zur Verfügung stehenden Erfahrungswerte, machen einen großen Teil der Predictive Analytics aus und stellen für sich genommen einen eigenen Prädiktor dar. 

 

Das Prinzip

 

Zum absoluten Verständnis soll hier das Prinzip der Predictive Analytics genau erklärt werden. Dabei soll wiederum das Beispiel der Versicherung als Basis dienen, denn in diesem Metier wird sie in einem enorm großen Maße im Rahmen der Business Analytics verwendet. Auch der Terminus Big Data ist dabei von Bedeutung, sodass ein recht umfassendes Bild entstehen kann. 

 

In erster Linie müssen für eine Predictive Analytics umfassende Daten gesammelt werden. Dies geschieht im Zusammenhang mit Versicherungen dadurch, dass Sie von einem eventuellen Neukunden entsprechende Informationen erheben. Name, Alter und Wohnort sind hierbei nur ein Teil der Gleichung, wobei es natürlich auch auf den Umfang und die Art der Versicherung ankommt. Zu diesen Daten hinzu kommen Risikoanalysen, die bereits aus anderen Statistiken heraus bekannt sind. Hier sind tausende von Fällen erfasst, die für die jeweilige Altersgruppe oder das Geschlecht etc. repräsentativ sind. Bereits hier zeigt sich der Aspekt der Big Data, denn es handelt sich für gewöhnlich um gewaltige Mengen an Informationen. 

 

Die erfassten Informationen des Neukunden werden dabei zu einem oder mehreren Prädiktoren umgewandelt. Hinzu kommen die Faktoren, die aus den Analysen der Statistiken bezogen werden. All dies gibt dann ein Berechnungsmodell, anhand dessen die Versicherung nun die Wahrscheinlichkeit für einen Unfall, eine Erkrankung oder viele weitere Aspekte ermitteln kann. Dabei handelt es sich bei diesen Ergebnissen und ungefähre Nährungen, denn natürlich kann kein Modell exakt die Zukunft vorhersagen. Allerdings hat sich im Laufe der Zeit gezeigt, dass die Predictive Analytics häufiger richtig als falsch mit ihren Vorhersagen liegt. 

 

Im Grundprinzip bedeutet dies, dass möglichst viele Informationen zu einem Vorhersagemodell zusammengefasst werden, anhand dessen das Schicksal oder die Zukunft einer Person in bestimmten Situationen ermittelt werden soll. Das gleiche kann auch für Trends und Marktentwicklungen erfolgen, sodass die Predictive Analytics in Zusammenhang mit der Business Analytics auch in der Finanzwirtschaft eine bedeutende Rolle spielt. Eine bedeutende Anwendung in diesem Segment ist QlikView, welches als Reporting- und Analysesystem für die Auswertung von Geschäftsdaten genutzt wird. Dabei können mittels QlikView Daten analysiert werden, die sich im Hauptspeicher befinden. Hierzu zählen Tabellen, Texte, Datenbanken und viele weitere Quellen. 

 

Sich ergebende Vor- und Nachteile

 

Wie bei jedem anderen System auch, können sich bei der Business Analytics mittels Predictive Analytics Vorteile ergeben, aber auch Nachteile entstehen. Ein bedeutender Vorteil ist dabei, dass Recht genaue Aussagen für die Zukunft getroffen werden können. Allerdings erstrecken sich die nur über einen Zeitraum von etwa drei Tagen. Mit immer größer werdendem Abstand zu diesem Zeitfenster nimmt auch die Genauigkeit ab, sodass die berechneten Wahrscheinlichkeiten immer geringer werden. Im Prinzip müssten, um eine gewisse Aktualität zu gewährleisten, alle drei Tage neue Analysen durchgeführt werden. Dies geschieht aber nur in wenigen Bereichen.

 

Ein besonderer Vorteil ist natürlich die Planungssicherheit, den exakte Analysen ermöglichen das Managen von Ausgaben über einen langen Zeitraum. Hier werden - wenn es sich um Entwicklungen an den Märkten handelt - Predictive Analytics in der Regel sehr oft wiederholt und auch automatisch ausgeführt, um immer aktuelle Einschätzungen zur Verfügung zu haben. Allerdings gibt es auch an dieser Stelle einen Schwachpunkt, denn es garantiert niemand, dass die Basiswerte auf denen die Wahrscheinlichkeiten basieren auch korrekt sind. Zudem können bestimmte statische Faktoren bereits veraltet sein, sodass die Ergebnisse deutlich von der Realität abweichen können. 

 

Der größte Vorteil und gleichzeitig die größte Schwäche der Predictive Analytics liegt in der Mathematik selbst. Gleichungen können nur richtig oder falsch sein. Sie irren sich niemals und auch die Maschinen die die Big Data Analysen durchführen, können von sich aus keine Fehler machen. Allerdings gilt dies nicht für den Menschen, der die Daten eingibt, die Gleichungen umstrukturiert oder neue Prädiktoren hinzufügt, oder aber die Auswertung der Analyse liest. Zwar sind viele Systeme auf automatische Datenverarbeitung und Aktualisierung ausgelegt, aber dennoch müssen diese hin und wieder vom Menschen gepflegt werden. Ein einziger Fehler kann nicht nur Auswirkungen auf ein Unternehmen, sondern auch auf die Kunden des Selben haben. Überteuerte Versicherungsbeiträge oder gar das Versagen von medizinischen Behandlungen können hierdurch verursacht werden. Das vom Menschen geschaffene Vorhersagesystem, dass mit einer Wahrscheinlich von 90 Prozent auf eine kurze Zeitspanne gerechnet richtig liegt, kann dann versagen, wenn der Mensch selbst einen Irrtum begeht. 

 

Anwendungsbeispiele in der Übersicht

Die Predictive Analytics im Zusammenhang mit der Business Analytics und dem Konzept der Big Data, wird in vielen Bereichen genutzt. Besonders dort wo die Big Data Welle besonders hoch ist, werden verstärkt entsprechende Maßnahmen verwendet. Dies trifft vor allem in der Meteorologie zu, da hier riesige Datenmengen von Satelliten ausgewertet werden müssen. Zudem kommen die Informationen von Bodenstationen und Bojen hinzu, die allesamt als Rohdaten geliefert werden. Diese Big Data Welle wird mit Hilfe der Predictive Analytics und bereits bekannter Prädiktoren zu einem Wettermodell umgewandelt, wie es viele Menschen aus den Nachrichten kennen. Die hier getätigten Aussagen treffen auf einen Zeitraum von 24 Stunden fast exakt, auf eine Zeitspanne von 48 Stunden zu 90 Prozent und auf 72 Stunden zu etwa 75 Prozent zu. Nach diesem Zeitraum nehmen die Wahrscheinlichkeiten deutlich ab. 

 

 

Ein weiteres gutes Beispiel ist das Marketing, in die Big Data vor allem dadurch entsteht, dass die Verkaufstrends bestimmter Artikel weltweit analysiert werden. Hierbei werden die Informationen noch dadurch verkompliziert, dass auch unterschiedliche Faktoren wie Farben und Schnitte, Produktdetails oder Funktionen in den einzelnen Varianten mit einbezogen werden müssen. Dabei wird auf die gleiche Weise wie bei der Wetterkunde, die Predictive Analytics verwendet, um anhand von Prädiktoren Ordnung in das Chaos zu bringen. Durch die Predictive Analytics kann somit eine recht hohe Wahrscheinlichkeit errechnet werden, welche Varianten eines Artikel sich in den nächsten Wochen oder Monaten am besten verkaufen werden. Somit kann ein Unternehmen seine Produktion genau auf diese Versionen ausrichten kann, um Verluste zu verhindern. Zudem kann gezielt Werbung geschaltet werden, was eine verkaufsfördernde Wirkung hat. Allerdings dürfen auch hier die eventuellen Fehler der Predictive Analytics nicht außer Acht gelassen werden.