6 Predictive Analytics Beispiele: Wie Unternehmen die Zukunft vorhersagen

Read in English (Auf Englisch lessen)

Predictive Analytics verwendet maschinelles Lernen und Künstliche Intelligenz, um zukünftiges Verhalten von Menschen und Systemen vorherzusagen. Dabei werden Muster aus vergangenem Verhalten analysiert. 

Die Datenanalyse hilft Ihnen bei der Beantwortung von vier Hauptfragen: Was ist passiert, wie ist es passiert, was sind die nächsten Maßnahmen, die Sie ergreifen sollten, und welche Ereignisse werden wahrscheinlich in der Zukunft auftreten. 

Die prädiktive Analyse konzentriert sich auf die Beantwortung der vierten Frage, indem sie uns Einblicke in die potenziellen Ergebnisse unserer aktuellen Handlungen gibt. In diesem Artikel werden Beispiele für prädiktive Analytik in verschiedenen Branchen untersucht, um die weitreichenden Auswirkungen dieser Technologie aufzuzeigen. 

Was ist prädiktive Analytik?

Bei diesem Ableger der Datenanalyse werden verschiedene Techniken eingesetzt, um künftige Folgen und Auswirkungen vorherzusehen. Predictive Analytics nutzt Data Mining, Datenmodellierung, maschinelles Lernen und Deep Learning, um Modelle zu erstellen, die die Wahrscheinlichkeit bestimmter Ergebnisse in der Zukunft vorhersagen. In diesem Bereich der Datenanalyse werden statistische Modelle verwendet, um Vorhersagen zu treffen, die frei von menschlicher Voreingenommenheit sind und auf historischen Daten basieren. 

Der Einblick in zukünftige Ereignisse verschafft Unternehmen einen strategischen Vorteil, um schneller als die Konkurrenz reagieren und sich anpassen zu können. Mithilfe von Predictive Analytics können Unternehmen ihre Datensicherheit verbessern, den Versicherungsschutz analysieren und die Entscheidungsfindung sowohl für das Unternehmen als auch für den Kunden verbessern. Mithilfe von prädiktive Analytik können Unternehmen saisonale Verkäufe vorhersagen, intelligentere Entscheidungen über Lagerbestände und Versandlogistik treffen, Preisstrategien festlegen und auf andere Weise ihr Geschäftsergebnis verbessern.

Prädiktive Analysemodelle und -techniken

Sie verwenden Modelle, die auf das Problem zugeschnitten sind, das Sie lösen möchten. Sie können verschiedene Techniken verwenden, um prädiktive Analysemodelle zu erstellen, darunter Klassifizierungsmodelle, Clustermodelle, Zeitreihenmodelle und neuronale Netze. Diese Modelle leisten die eigentliche Arbeit, indem sie die Daten verstehen und Aufschluss darüber geben, was die Daten bedeuten könnten. 

• Klassifizierungsmodelle: Ein Klassifizierungsmodell unterteilt die Datenobjekte in Teilsegmente und klassifiziert jedes Objekt nach Typ. Diese Modelle eignen sich am besten für die Beantwortung von Ja- oder Nein-Fragen zu Daten und können verwendet werden, um anormale Transaktionen zu identifizieren oder die Kreditwürdigkeit einer Person oder eines Unternehmens zu bewerten. Zu den gängigen Klassifizierungsmodellen gehören Regression und Entscheidungsbäume.

• Clustering-Modelle: Clustering-Modelle verwenden unüberwachtes Lernen, um offene Entscheidungen zu treffen, z. B. die Einteilung von Kunden in Zielgruppensegmente. Das Modell identifiziert Muster in den Daten, um das effektivste Mittel zur Organisation der Daten zu finden. Beispiele für Clustering-Modelle sind k-means clustering, mean-shift clustering, hierarchical clustering und das Gaußsche Clustering-Modell. 

• Zeitreihenmodelle: Zeitreihenmodelle geben Aufschluss darüber, wann oder wie oft Ereignisse eintreten. Mithilfe von Zeitreihenmodellen lässt sich beispielsweise vorhersagen, zu welcher Jahreszeit die meisten Kunden in Ihr Geschäft kommen. Zwei häufig verwendete Zeitreihenmodelle sind autoregressive und gleitende Durchschnittsmodelle. 

• Neuronale Netze: Ein neuronales Netzwerkmodell simuliert, wie menschliche Gehirne Informationen verarbeiten. Diese Art der prädiktiven Analyse eignet sich am besten für komplexe Situationen, in denen die Daten in einem nichtlinearen Verhältnis zueinander stehen. Neuronale Netze unterstützen beispielsweise Content-Moderationsdienste, die schädliche Online-Inhalte durch die Erkennung von Schlüsselwörtern und Bildmaterial entfernen. 

Beispiele für prädiktive Analytik

Prädiktive Analysen können Unternehmen in allen Branchen und sogar der öffentlichen Sicherheit neue Erkenntnisse bringen. So basieren beispielsweise lokale Wettervorhersagen auf prädiktiver Analysetechnologie. Sehen wir uns an, wie Big Data und maschinelles Lernen die Landschaft von Branchen wie der Automobilindustrie, den Finanzdienstleistungen, der Fertigung, dem Gesundheitswesen, dem Marketing und dem Einzelhandel sowie der Öl-, Gas- und Versorgungsindustrie verändern. 

Automobilbranche

Predictive Analytics und andere Formen der künstlichen Intelligenz ebnen den Weg für selbstfahrende Fahrzeuge, indem sie vorhersagen, was in unmittelbarer Zukunft passieren wird, während ein Auto die Straße entlangfährt. Dieser Prozess muss kontinuierlich ablaufen, wenn ein Fahrzeug in Bewegung ist. Dabei werden Informationen von mehreren Sensoren herangezogen und Entscheidungen darüber getroffen, welche potenziellen Aktionen ein Sicherheitsrisiko darstellen würden. 

Tesla verwendet für seine selbstfahrenden Fahrzeuge prädiktive Analysen in Form von neuronalen Netzbeschleunigern. Ein neuronales Netzwerkmodell simuliert die Art und Weise, wie menschliche Gehirne Informationen verarbeiten, um Entscheidungen zu treffen. 

Neben autonomen Fahrzeugen können auch Hersteller und Einzelhändler die prädiktive Analytik zu ihrem Vorteil nutzen. So hilft die vorausschauende Analytik den Fabriken, Fahrzeuge schneller und mit weniger Ressourcen herzustellen. Autohäuser können Predictive Analytics für den Einzelhandel und das Marketing nutzen, einschließlich der Festlegung von Verkaufspreisen anhand von Trenddaten. Bei Routinewartungen und -reparaturen kann prädiktive Analytik Trends bei der Fahrzeugwartung erkennen, sodass Händler ihre Kunden zur vorbeugenden Wartung anregen können. 

Finanzdienstleistungen und Risikominderung 

Wenn Sie eine Warnung über verdächtige Aktivitäten auf Ihrem Bankkonto erhalten, können Sie sich bei der prädiktiven Analytik bedanken. Diese Technologie erkennt Abweichungen von Ihrer normalen Routine, wie eine Transaktion in einer anderen Stadt, und schlägt Alarm. Finanzinstitute und andere Unternehmen setzen prädiktive Analytik ein, um Kreditrisiken zu verringern, Betrug zu bekämpfen, künftige Cashflows vorherzusagen, ihren Versicherungsschutz zu analysieren und nach neuen Geschäftsmöglichkeiten zu suchen. Unternehmen nutzen prädiktive Analysen, um festzustellen, wie wahrscheinlich es ist, dass eine Person oder ein Unternehmen seine Schulden bezahlt oder seinen Verpflichtungen nicht nachkommt.

Orcolus ist beispielsweise ein Programm, das Unternehmen bei der Bestimmung der Kreditwürdigkeit einer Person einsetzen können. Orcolus nutzt KI und ML, um eine stabilere Lösung für die Prüfung von Dokumenten und die Vermeidung von Betrug zu bieten. 

Fertigung und industrielle Automatisierung

In der Fertigung kann die prädiktive Analytik erhebliche Anlagenausfälle vorhersehen, die teuer und potenziell gefährlich für die Mitarbeiter sein können. Durch die Analyse früherer Anlagenausfälle kann diese Form der KI feststellen, wie ein bevorstehender Ausfall aussieht, und einen Mitarbeiter benachrichtigen, wenn die Bedingungen gefährlich werden. Ähnliche prädiktive Analysemethoden können auf Situationen achten, die ein Risiko für die Gesundheit und Sicherheit der Mitarbeiter darstellen, wodurch Verletzungen am Arbeitsplatz verringert und möglicherweise auch die Arbeitsmoral der Mitarbeiter verbessert werden. 

Im Jahr 2020 setzte die Ford Motor Company beispielsweise vorausschauende Analysen ein, um Wartungsarbeiten in ihrem Werk in Valencia, Spanien, zu antizipieren. Durch die Reparatur von Anlagen, bevor diese ausfielen und ungeplante Ausfallzeiten verursachten, sparte Ford mehr als 1 Million Dollar an ungeplanten Ausfallzeiten [1]. 

Gesundheitsbranche

Prädiktive Analysen kommen dem Gesundheitswesen zugute, indem sie vorhersagen, wie chronische oder gefährliche Krankheiten auftreten. Patienten, die mit Asthma oder COPD leben, können mit einem tragbaren Gerät für prädiktive Analysen Veränderungen in ihren Atemmustern erkennen, die auf ein Problem hindeuten könnten. Ebenso könnte ein tragbares Gerät allergische Reaktionen erkennen, sobald sie auftreten, und dem Patienten daraufhin automatisch Adrenalin verabreichen. 

Das Northern Light Health-Krankenhaussystem in Maine führte die prädiktive Analytik angesichts der COVID-19-Pandemie ein, als es immer wichtiger wurde, künftige Bedürfnisse zu antizipieren und ein Situationsbewusstsein zu bewahren. Es wurde ein Datenanalysesystem entwickelt, das zusätzlich zu einer Reihe anderer Funktionen eine Vorhersage der Patientenpopulation in Zeitblöcken von vier, acht und 12 Stunden ermöglicht. Das Ergebnis: Die Patienten haben bessere Ergebnisse erzielt und werden schneller versorgt. 

Mit Hilfe der prädiktiven Analytik können die Ergebnisse von Infektionen wie Sepsis auf der Grundlage früherer Patientenakten vorhergesagt werden, um die beste Behandlungsmethode zu bestimmen. Fachkräfte im Gesundheitswesen nutzen Predictive Analytics auch, um Einblicke in Rückübernahmequoten zu gewinnen, sich vor Ransomware und anderen Cyberangriffen zu schützen und Krankenversicherungsansprüche schneller und mit weniger Fehlern zu bearbeiten. 

Marketing und Einzelhandel

Marketingfachleute nutzen prädiktive Analysen auf viele verschiedene Arten: um das Marketing auf bestimmte Segmente ihrer Zielgruppe zuzuschneiden, für saisonale Umsatzprognosen, zur Verbesserung der Kundenbeziehungen und zur weiteren Kundenbindung. So kann ein Unternehmen beispielsweise Predictive Analytics einsetzen, um eine Empfehlungsmaschine zu betreiben, die Kunden neue Produkte vorschlägt, die auf den Produkten basieren, die sie bereits angesehen oder gekauft haben. Das frühere Kundenverhalten kann auch dabei helfen, vorherzusagen, wie sich Kunden durch den Verkaufstrichter bewegen. Diese Erkenntnisse können Ihnen helfen, gezielte Kontaktpunkte zu platzieren, um proaktiv mit Kunden in Kontakt zu treten. 

Subway nutzte Predictive Analytics, um zu entscheiden, ob der Preis für das 5-Dollar-Footlong-Sandwich erhöht werden sollte. Die Daten zeigten, dass der niedrige Preis nicht dazu führte, dass genug Sandwiches verkauft wurden, um eine Preiserhöhung auszugleichen. Mithilfe eines von Mastercard angebotenen Predictive-Analytics-Programms erfuhr Subway, dass Kunden, die Footlong-Sandwiches kauften, zusätzliche Artikel zu ihrer Bestellung hinzufügten, z. B. Pommes oder ein Getränk. Mit besseren Informationen war Subway in der Lage, eine fundierte Entscheidung über seine Preisstrategie zu treffen. 

Öl, Gas und Versorgungsunternehmen

In der Öl-, Gas- und Versorgungsbranche können wir mithilfe von prädiktiver Analytik die Energienachfrage auf der Grundlage des historischen Verbrauchs und saisonaler Ereignisse wie Wettermuster prognostizieren. Ebenso können Versorgungsunternehmen vorhersagen, wie sich die Preise im Laufe der Zeit entwickeln werden. 

Ähnlich wie in der Fertigungsindustrie können Versorgungsunternehmen mithilfe von Predictive Analytics auf Anlagenausfälle und Sicherheitsprobleme achten. Da Ausfälle und Fehlfunktionen von Anlagen in der Versorgungsbranche katastrophale Folgen haben können, ist es für Unternehmen unerlässlich, in vorausschauende Analysen zu investieren, um einen möglichst reibungslosen Betrieb zu gewährleisten. 

Diese Technologie kann auch zuverlässigere und sicherere Bedingungen für Arbeiter in potenziell gefährlichen Energieerzeugungsanlagen schaffen. So nutzt ExxonMobil beispielsweise prädiktive Analysen, um autonome Bohrstationen in Guyana zu betreiben. Mithilfe von künstlicher Intelligenz und maschinellem Lernen sagt Exxon die idealen Bedingungen für Unterwasserbohrungen voraus und ermöglicht ein geschlossenes Automatisierungssystem, das die Notwendigkeit des Eingreifens von Personal minimiert. 

Verwandte Begriffe

• Malware

• Firewall

• Zugangskontrolle

• Cybersecurity-Karrieren

• Betriebssystem

• UX-Designer

Lernen Sie mehr mit Coursera

Wenn Sie bereit sind, mehr über prädiktive Analytik zu erfahren und eine Karriere in der Datenanalyse anzustreben, sollten Sie die Analytics for Decision Making Specialization der University of Minnesota auf Coursera in Betracht ziehen. Dieses anfängerfreundliche Programm kann Ihnen helfen, eine Grundlage in Business Analytics, einschließlich Predictive Analytics, zu erwerben. Wenn Sie bereits über einige Erfahrung verfügen, sollten Sie das Zertifikat für fortgeschrittene Datenanalyse von Google in Betracht ziehen, das ebenfalls auf Coursera angeboten wird. Mit diesem Programm mit sieben Kursen können Sie sich zum Data Science Analysten qualifizieren und Ihre Fähigkeiten verbessern, einschließlich statistischer Analyse, Datenvisualisierung und Kommunikation der gewonnenen Erkenntnisse.