Was ist Predictive Analytics?

Predictive Data Analytics entwickelt sich von der Rückschau zur Weitsicht. Beim Betrachten vergangener Vertriebsberichte erfahren Sie, was Sie verkauft haben (deskriptiv). Predictive Analytics analysiert die Muster in diesen Verkaufsdaten, möglicherweise in Kombination mit Kundendemographien, Marketingausgaben oder Wirtschaftsindikatoren, um zukünftige Verkaufszahlen vorherzusagen oder zu ermitteln, welche Kunden in Kürze am ehesten einen Kauf tätigen werden.

Einige Beispiele dafür, was Sie mit Predictive Analytics generieren könnten:

• Eine Bewertung, die angibt, wie wahrscheinlich es ist, dass ein Kunde die Dienstleistung nicht mehr in Anspruch nimmt
• Prognose der Nachfrage nach einem Produkt im nächsten Quartal
• Eine Warnung, die eine hohe Wahrscheinlichkeit für eine Gerätestörung innerhalb eines bestimmten Zeitrahmens anzeigt
• Segmentierung von potenziellen Kunden auf der Grundlage ihrer voraussichtlichen Wahrscheinlichkeit, auf eine Marketingkampagne zu reagieren

Das Ziel der Erläuterung und Verwendung von prädiktiven Analysen besteht letztlich darin, Unternehmen in die Lage zu versetzen, proaktive, datenbasierte Entscheidungen zu treffen.

Indem Unternehmen zukünftige Möglichkeiten antizipieren, können sie Abläufe optimieren, Risiken mindern, die Kundenerfahrung personalisieren und neue Möglichkeiten effektiver aufdecken, als sich nur auf die Leistung oder Intuition der Vergangenheit zu verlassen.

Wie funktioniert Predictive Analytics?

Predictive Analytics erreicht ihre Prognosefähigkeit durch verschiedene mathematische Vorhersagemodelle, die dem Deep Learning sogar vorausgehen könnten. Diese sind nicht austauschbar; der beste Ansatz hängt ganz von der Frage ab, die gestellt wird, und von der Art der verfügbaren Daten.

Das Verständnis der wichtigsten Modelltypen hilft dabei, die Funktionsweise der prädiktiven Analyse in der Praxis zu verdeutlichen.

Klassifizierungsmodelle

Klassifizierungsmodelle sind von grundlegender Bedeutung, wenn das Ziel darin besteht, ein Element einer vordefinierten Kategorie oder Klasse zuzuweisen. Sie beantworten im Wesentlichen „Ja/Nein“-Fragen oder bestimmen, „zu welcher Gruppe“ etwas gehört.

Diese Modelle lernen aus historischen Daten, in denen die Kategorien bereits bekannt sind (beschriftete Daten), und identifizieren Muster, die jeder Klasse zugeordnet sind. Dieses Lernen wird dann auf neue Datenpunkte angewendet, um deren wahrscheinlichste Kategorie vorherzusagen.

Gängige Anwendungen sind weit verbreitet, einschließlich der Filterung von E-Mails in Spam oder nicht Spam, der Vorhersage, ob ein Kunde abwandert oder treu bleibt, und der Identifizierung von Finanztransaktionen als potenziell betrügerisch oder legitim.

Regressionsmodelle

Wenn die erforderliche Vorhersage eine bestimmte Zahl anstatt einer Kategorie ist, werden lineare Regressionsmodelle verwendet, die sich auf die Vorhersage fortlaufender numerischer Werte konzentrieren und Fragen wie „Wie viel? „ oder „Wie viele? „ beantworten.

Sie analysieren und modellieren die Beziehung zwischen verschiedenen Eingangsfaktoren (unabhängige Variablen) und dem Zielwert (abhängige Variable). Ein Unternehmen kann beispielsweise mithilfe der Regression zukünftige Verkaufserlöse auf der Grundlage vergangener Leistungs- und Marketingmaßnahmen prognostizieren, oder ein Immobilienanalyst verwendet sie, um den Marktpreis eines Hauses unter Berücksichtigung seiner Merkmale und seines Standorts zu schätzen.

Vorhersagen der Produktnachfrage und Optimieren der Ressourcenzuweisung auf Basis des erwarteten Traffics sind weitere wichtige Einsatzzwecke. (Lineare Regression ist ein grundlegendes Beispiel.)

Clustering-Modelle

Anders als bei Klassifizierungen sollen Clustermodelle natürliche Gruppierungen innerhalb von Daten erkennen, ohne sich auf vordefinierte Bezeichnungen zu verlassen.

Sie erforschen die Daten, um ähnliche Elemente in 'Clustern' zu gruppieren, und beantworten die Frage „Was sind die natürlichen Segmente in diesen Daten?“. Die Algorithmen identifizieren Datenpunkte, die gemeinsame Merkmale aufweisen, und trennen sie von anderen unähnlichen Punkten. Diese Technik ist besonders wertvoll für die Kundensegmentierung, bei der Unternehmen Gruppen von Kunden mit ähnlichem Verhalten für zielgerichtete Marketingkampagnen finden können.

Andere Einsatzzwecke sind die Gruppierung verwandter Dokumente oder Forschungsdokumente auf der Grundlage von Inhalten und die Identifizierung ungewöhnlicher Datenpunkte, die nicht gut in ein Cluster passen, was eine Form der Anomalieerkennung sein kann. (K-Means ist ein weit verbreiteter Clustering-Algorithmus.)

Zeitreihenmodelle

Predictive Modeling beinhaltet oft die Prognose zukünftiger Werte auf der Grundlage vergangener Performance im Laufe der Zeit. Dies ist die Spezialität von Zeitreihenmodellen, die Folgen von Datenpunkten analysieren, die in regelmäßigen Zeitabständen (z. B. täglich, monatlich, jährlich) gesammelt werden.

Sie sind speziell darauf ausgelegt, die zeitlichen Abhängigkeiten innerhalb der Daten zu berücksichtigen und Muster wie langfristige Trends, vorhersehbare saisonale Schwankungen (Saisonalität) und andere zeitbezogene Zyklen zu identifizieren.

Daher sind sie für Aufgaben wie Finanzprognosen (die Vorhersage von Aktienkursen oder Wechselkursen), Wettervorhersagen, Ressourcenplanung (die Schätzung des zukünftigen Callcenter-Volumens oder des zukünftigen Energiebedarfs) und die Optimierung der Bestandsverwaltung durch Antizipieren künftiger Umsätze von entscheidender Bedeutung. (Modelle wie ARIMA und Exponential Smoothing (ETS) werden häufig verwendet.)

Wie funktioniert Predictive Analytics?

Predictive Analytics ist ein systematischer Prozess, der Rohdaten mithilfe überwachter Machine-Learning-Modelle in wertvolle zukünftige Erkenntnisse umwandelt. Obwohl die spezifischen Tools und Techniken komplex sein können, folgt der gesamte Workflow im Allgemeinen einer Reihe logischer Schritte, wobei Daten aus einem Data Warehouse oder einem Data Lakehouse abgerufen werden, was häufig eine Iteration und Verfeinerung erfordert.

1. Definieren des Ziels: Die Reise beginnt mit einem klaren Verständnis des geschäftlichen Problems oder der Frage. Welches konkrete Ergebnis wollen wir vorhersagen? Die Definition eines präzisen Ziels ist von entscheidender Bedeutung, da es jeden weiteren Schritt von der Datenerfassung bis zur Modellauswahl und -bewertung leitet.
    
2. Datenerfassung Sobald das Ziel klar ist, besteht der nächste Schritt darin, die notwendigen Daten zu sammeln. Dazu gehört die Identifizierung relevanter Datenquellen, z. B. CRM-Systeme (Customer Relationship Management), Transaktionsdatenbanken oder Sensorablesungen.
    
3. Datenaufbereitung: Rohdaten sind selten sofort analysebereit. In dieser Phase, die oft am zeitaufwendigsten ist, müssen die Daten bereinigt und transformiert werden. Die Datenbereinigung behebt Probleme wie fehlende Werte, Fehler, Duplikate und Inkonsistenzen. Ziel ist es, einen sauberen, zuverlässigen Datensatz zu erstellen, der die Faktoren, die das gewünschte Ergebnis beeinflussen, präzise widerspiegelt.
    
4. Modellauswahl: Mit vorbereiteten Daten verlagert sich der Fokus auf die Wahl des richtigen Vorhersagemodells. Die Wahl hängt stark von dem in Schritt eins definierten Ziel ab. Oft experimentieren Data Scientists mit mehreren Modellen, um die beste Lösung zu finden.
    
5. Modelltraining: Das ist der Moment, in dem wir lernen. Die vorbereiteten historischen Daten (in der Regel ein großer Teil davon, der „Trainingssatz“) werden in den/die ausgewählten Algorithmus(s) eingespeist. Der Algorithmus verarbeitet diese Daten und identifiziert Muster, Beziehungen und Korrelationen, die mit den relevanten Ergebnissen verknüpft sind.
    
6. Modellbewertung: Ein auf Daten trainiertes Modell ist nur dann sinnvoll, wenn seine Vorhersagegenauigkeit verifiziert werden kann. Die Leistung des Modells wird mit einem separaten Teil der historischen Daten getestet, die es vorher noch nicht gesehen hat (dem 'Testsatz'). Mithilfe verschiedener statistischer Metriken wird bewertet, wie genau das Modell die Ergebnisse im Vergleich zu den tatsächlichen Ergebnissen in den Testdaten vorhersagt.
    
7. Modellbereitstellung: Nach der Validierung kann das Vorhersagemodell sofort eingesetzt werden. Die Bereitstellung beinhaltet die Integration des Modells in die relevanten Betriebssysteme oder Geschäftsprozesse.

Der Prozess der prädiktiven Analyse endet nicht mit der Bereitstellung. Datenmuster können sich im Laufe der Zeit ändern (ein Konzept, das als „Modelldrift“ bezeichnet wird) und möglicherweise die Genauigkeit des Modells verringern.

Daher ist es wichtig, die Leistung des Modells in der Live-Umgebung kontinuierlich zu überwachen. Regelmäßige Wartungsarbeiten, bei denen das Modell mit neuen Daten neu trainiert oder sogar neu entworfen wird, wenn sich grundlegende Muster ändern, stellen sicher, dass die Vorhersagen im Laufe der Zeit genau und relevant bleiben.

Insgesamt handelt es sich um einen strukturierten, iterativen Prozess - von der Definition der Geschäftsanforderungen über die Verarbeitung, Modellierung und laufende Überwachung von Daten - der das Rückgrat dafür bildet, wie prädiktive Analysen historische Daten effektiv in verwertbare Voraussicht verwandeln.