Prädiktive Analytik

Bei Predictive Analytics handelt es sich um den Prozess der Verwendung von Daten zur Vorhersage zukünftiger Ergebnisse.Dieser Prozess nutzt Datenanalyse, maschinelles Lernen, künstliche Intelligenz und statistische Modelle, um nach Mustern zu suchen, die zukünftiges Verhalten vorhersagen können. Organisationen können historische und aktuelle Daten verwenden, um Trends und Verhaltensweisen für Sekunden, Tage oder Jahre im Voraus mit großer Genauigkeit vorherzusagen.

So funktioniert Predictive Analytics

Datenwissenschaftler verwenden Vorhersagemodelle, um Korrelationen zwischen verschiedenen Elementen in einem ausgewählten Datensatz zu identifizieren. Sobald die Daten erfasst sind, wird ein statistisches Modell entwickelt, trainiert und modifiziert, um Vorhersagen zu generieren.

Der Workflow zum Erstellen eines Predictive Analytics-Frameworks besteht aus fünf grundlegenden Schritten:

1. Definition des Problems: Prognosen beginnen mit einem guten Thema und einer Reihe von Anforderungen. Kann ein Predictive-Analytics-Modell beispielsweise Betrug erkennen? Können Sie optimale Lagerbestände für die Weihnachtseinkaufssaison ermitteln? Können Sie den Pegelstand von Hochwasser bestimmen, der durch Unwetter verursacht werden kann? Die Beantwortung einer klaren Frage hilft bei der Bestimmung des geeigneten Predictive-Analytics-Ansatzes.
2. Daten erfassen und organisieren: Organisationen verfügen möglicherweise über jahrzehntelange Daten oder einen konstanten Strom riesiger Datenmengen, die durch Kundeninteraktionen generiert werden. Vor der Entwicklung eines Predictive-Analytics-Modells müssen Datenflüsse identifiziert und anschließend Datensätze in Repositories organisiert werden.
3. Vorverarbeitung von Daten: Die Rohdaten selbst sind nur nominell nützlich. Um Daten für prädiktive Analysemodelle vorzubereiten, sollten Sie die Daten bereinigen, um abnormale Werte, fehlende Datenpunkte oder extreme Ausreißer zu entfernen, die das Ergebnis von Eingabe- oder Messfehlern sein können.
4. Entwicklung von Vorhersagemodellen: Datenwissenschaftler können je nach zu lösendem Problem und Art des Datensatzes eine Vielzahl von Tools und Techniken verwenden, um Vorhersagemodelle zu entwickeln. Maschinelles Lernen, Regressionsmodelle und Entscheidungsbäume sind die gängigsten Arten von Vorhersagemodellen.
5. Ergebnisse überprüfen und bereitstellen: Überprüfen Sie die Genauigkeit des Modells und nehmen Sie entsprechende Anpassungen vor. Sobald akzeptable Ergebnisse erzielt werden, werden sie den Beteiligten über eine App, Website oder ein Daten-Dashboard zur Verfügung gestellt.

Predictive Analytics-Methoden

Generell gibt es zwei Arten von Vorhersagemodellen: Klassifikationsmodelle und Regressionsmodelle. Klassifizierungsmodelle versuchen, Datenobjekte wie Kunden oder potenzielle Ergebnisse einer Kategorie zuzuordnen. Wenn ein Einzelhändler beispielsweise über zahlreiche Daten zu unterschiedlichen Kundentypen verfügt, könnte er versuchen vorherzusagen, welche Kundentypen bereit sind, Marketing-E-Mails zu erhalten. Regressionsmodelle versuchen, kontinuierliche Daten vorherzusagen, beispielsweise wie viel Umsatz ein Kunde im Laufe seiner Geschäftsbeziehung mit einem Unternehmen erzielen wird.

Für die Durchführung prädiktiver Analysen werden üblicherweise drei Hauptanalyseansätze verwendet:

• Regressionsanalyse: Regression ist eine statistische Analysemethode, die zur Schätzung der Beziehung zwischen Variablen verwendet wird. Mithilfe der Regression können Muster in großen Datensätzen erkannt und so Korrelationen zwischen Eingaben ermittelt werden. Diese Methode funktioniert am besten mit kontinuierlichen Daten, die einer bekannten Verteilung folgen. Mithilfe der Regression lässt sich häufig ermitteln, wie sich eine oder mehrere unabhängige Variablen auf eine andere unabhängige Variable auswirken (beispielsweise, wie sich eine Preiserhöhung auf den Absatz eines Produkts auswirkt).
• Entscheidungsbaum: Ein Entscheidungsbaum ist ein Klassifizierungsmodell, das Daten basierend auf unterschiedlichen Variablen in unterschiedliche Kategorien einteilen kann. Dieser Ansatz eignet sich am besten zum Verständnis einzelner Entscheidungen. Dieses Modell sieht aus wie ein Baum, wobei jeder Zweig eine mögliche Wahl darstellt und die Blätter des Zweigs die Ergebnisse der Entscheidung darstellen. Entscheidungsbäume sind im Allgemeinen leicht zu verstehen und funktionieren gut, wenn im Datensatz mehrere Variablen fehlen.
• Neuronale Netze: Neuronale Netze sind Methoden des maschinellen Lernens, die sich bei der Modellierung sehr komplexer Zusammenhänge als Methoden der prädiktiven Analyse sehr gut eignen. Im Wesentlichen handelt es sich dabei um leistungsstarke Mustererkennungsmaschinen. Neuronale Netzwerke eignen sich am besten zum Erkennen nichtlinearer Beziehungen in einem Datensatz, insbesondere wenn keine bekannte mathematische Formel zur Analyse der Daten vorliegt. Mithilfe neuronaler Netzwerke können die Ergebnisse von Entscheidungsbaum- und Regressionsmodellen validiert werden.

Anwendungen und Beispiele von Predictive Analytics

Mithilfe prädiktiver Analysen können in nahezu jedem Unternehmen und jeder Branche Betriebsabläufe optimiert, Umsätze gesteigert und Risiken verringert werden, darunter im Bankwesen, im Einzelhandel, bei Versorgungsunternehmen, im öffentlichen Sektor, im Gesundheitswesen und in der Fertigung. Manchmal wird auch Augmented Analytics eingesetzt, bei dem maschinelles Lernen auf Big Data angewendet wird. Hier sind einige andere Anwendungsfälle:

• Betrugserkennung:Mithilfe der prädiktiven Analyse werden alle Aktionen innerhalb des Netzwerks eines Unternehmens in Echtzeit untersucht, um Anomalien zu identifizieren, die zu Betrug und anderen Schwachstellen führen könnten.
• Konvertierungs- und Kaufprognosen:Unternehmen können Maßnahmen ergreifen, beispielsweise Besucher mit Online-Werbung erneut ansprechen und mithilfe von Daten vorhersagen, welche Besucher eher konvertieren und eine höhere Kaufabsicht haben.
• Risiko reduzieren:Bei der Kreditwürdigkeitsprüfung, bei Versicherungsansprüchen und beim Inkasso kann die prädiktive Analyse genutzt werden, um die Wahrscheinlichkeit künftiger Zahlungsausfälle einzuschätzen und zu bestimmen.
• Betriebsverbesserungen:Unternehmen nutzen prädiktive Analysemodelle, um Lagerbestände vorherzusagen, Ressourcen zu verwalten und die Betriebseffizienz zu verbessern.
• Kundensegmentierung: Durch die Segmentierung des Kundenstamms in bestimmte Gruppen können Vermarkter mithilfe prädiktiver Analysen vorausschauende Entscheidungen treffen und Inhalte auf einzigartige Zielgruppensegmente zuschneiden.
• Wartungsprognose:Unternehmen nutzen Daten, um vorherzusagen, wann eine routinemäßige Wartung ihrer Geräte erforderlich ist, und können die Wartung dann rechtzeitig planen, um Probleme oder Ausfälle zu vermeiden.

Verweise

【1】https://cloud.google.com/learn/what-is-predictive-analytics?hl=zh-cn