Predictive Analytics

Predictive Analytics ist ein Teil des BI. Der Begriff umfasst eine Vielzahl von statistischen Techniken aus Vorhersagemodellen, Machine Learning und Data Mining, die aktuelle und historische Fakten analysieren, um mit Hilfe von Big Data Vorhersagen über zukünftige oder anderweitig unbekannte Ereignisse zu treffen.

Der Begriff Predictive Analytics wurde zum ersten Mal von Dr. Barbara Lond auf ihrem LinkedIn-Profil verwendet und geprägt. Der Begriff wurde zunächst verwendet, um einen Aspekt ihrer Doktorarbeit zu beschreiben, in dem sie eine Reihe von numerisch und qualitativ kodierte Variablen mit einem Computer analysierte, um die Karriereentwicklung von Männern und Frauen in einer Organisation in gewisser Weise mit hinreichender Genauigkeit vorhersagen zu können. Die Analyse verwendete auch Variablen der ethnischen Zugehörigkeit.

Die qualitative Forschung nutzte die Ergebnisse der quantitativen Analyse, um den Gender-Aspekt der Forschung unter Einsatz von Big Data zu verstehen. So wurden beispielsweise acht Top-Bankerinnen interviewt, um die Erfahrungen, die jene in
ihren Organisationen machten, besser zu verstehen. Die Forschung hebt auch das “Warum” des beruflichen Aufstiegs von Frauen hervor, das vorsichtige Schlussfolgerungen für die relativ niedrige Quote von Frauen in Managementpositionen liefert.
In der Wirtschaft nutzen Prognosemodelle Muster aus historischen und transaktionalen Daten, um Risiken und Chancen zu erkennen. Modelle erfassen Beziehungen zwischen vielen Faktoren, um eine Bewertung von Risiken oder Potenzialen zu ermöglichen,
die mit bestimmten Bedingungen verbunden sind, und leiten die Entscheidungsfindung für transaktionale Entscheidungen.

Der definierende funktionale Effekt dieser technischen Ansätze im BI besteht darin, dass Predictive Analytics für jede Einzelperson (Kunde, Mitarbeiter, Patient im Gesundheitswesen, Produkt-SKU, Fahrzeug, Komponente, Maschine oder andere Organisationseinheit) eine prädiktive Bewertung (Wahrscheinlichkeit) bereitstellt, um Informationen zu ermitteln und zu informieren oder Einfluss auf organisatorische Prozesse haben, die sich auf eine große Anzahl von Personen beziehen, z. B. Marketing, Kreditrisikobewertung, Betrugserkennung, Herstellung, Gesundheitswesen und staatliche Operationen, einschließlich der Strafverfolgung durch den Staat. Predictive Analytics wird darüber hinaus in der Versicherungsmathematik verwendet, aber auch im Marketing, bei Finanzdienstleistungen, in der Telekommunikation, im Einzelhandel, dem Gesundheitswesen, in der pharmazeutischen Industrie, der Ressourcenplanung von Unternehmen und in vielen anderen Feldern der Wirtschaft.

Eine der bekanntesten Anwendungen ist das so genannte Scoring von Krediten, eine gängige Methode, um im Bereich der Finanzdienstleistungen die Bonität, sprich die Kreditwürdigkeit eines potentiellen Kreditnehmers zu ermitteln. Scoring-Modelle verarbeiten die Kredithistorie eines Kunden sowie Kreditanträge, existierende Kundendaten usw., um Einzelpersonen anhand ihrer Wahrscheinlichkeit, zukünftige Kreditzahlungen pünktlich zu tätigen, einordnen zu können. Es handelt sich also um einen Bereich aus der Wissenschaft der Statistik, der Informationen aus Daten extrahiert und Trends und Verhaltensmuster vorhersagt. Häufig liegt das Ereignis von Interesse in der Zukunft, aber eine Vorhersageanalyse kann auf jede Art von wahrscheinlichen oder szenarischen Ereignissen angewendet werden, sei es in der Vergangenheit, Gegenwart oder Zukunft. Zum Beispiel werden Predictive Analytics bei der Identifizierung von Verdächtigen nach einem begangenen Verbrechen oder Kreditkartenbetrug angewandt. Die Methode beruht auf der Erfassung von Beziehungen zwischen erklärenden Variablen und den vorhergesagten Variablen vergangener Ereignisse und ihrer Nutzung zur Vorhersage des unbekannten Ergebnisses. Es ist jedoch wichtig zu beachten, dass die Genauigkeit und Verwendbarkeit der Ergebnisse stark von der Ebene der Datenanalyse und der Qualität der Annahmen abhängt. Die Methode wird oft definiert als Vorhersage auf einer detaillierteren Granularitätsstufe, also der Erzeugung von Vorhersagewerten (Wahrscheinlichkeiten) für jedes einzelne Organisationselement. Dies unterscheidet sie von Prognosen. Es ist eine Technologie, die aus Erfahrungen (Daten) lernt, um das zukünftige Verhalten von Individuen vorherzusagen und auf dieser Grundlage bessere Entscheidungen zu treffen.” In zukünftigen industriellen Systemen besteht der Nutzen von Predictive Analytics darin, potenzielle Probleme vorherzusagen und zu vermeiden, um einen Ausfall von nahezu Null zu erreichen.

Der Predictive Analytics-Prozess

1. Projekt definieren: Projektergebnisse und die zu erbringenden Leistungen definieren, den Umfang des Aufwands, die Geschäftsziele und Datensätze identifizieren, die verwendet werden sollen.

2. Datensammlung: Data Mining bereitet Daten aus mehreren Quellen für die Analyse vor. Dies bietet eine vollständige Sicht auf die Kundeninteraktionen.

3. Datenanalyse: Die Datenanalyse ist der Prozess der Validierung, Bereinigung und Modellierung von Daten mit dem Ziel, nützliche Informationen zu finden, die zum Ergebnis führen.

4. Statistiken: Die statistische Analyse ermöglicht es, Annahmen und Hypothesen zu validieren und sie mit statistischen Standardmodellen zu testen.

5. Modellieren: Predictive Modeling bietet die Möglichkeit, präzise Vorhersagemodelle für die Zukunft zu erstellen. Es gibt auch Wege, um die beste Lösung mit multimodaler Bewertung auszuwählen.

6. Einsatz: Predictive Model Deployment bietet die Möglichkeit, die Analyseergebnisse in den täglichen Entscheidungsprozess zu implementieren, um Ergebnisse, Berichte und Ergebnisse zu erhalten, indem die Entscheidungen basierend auf der Modellierung automatisiert werden.

7. Modellüberwachung: Modelle werden verwaltet und überwacht, um die Modellleistung zu überprüfen, um sicherzustellen, dass sie die erwarteten Ergebnisse liefert.

Im Allgemeinen wird der Begriff prädiktive Analyse verwendet, um prädiktive Modellierung, sowie das Scoring von Daten mit Vorhersagemodellen und Prognosen greifbar zu machen. Der Begriff der prädiktiven Analyse wird jedoch immer häufiger auch für verwandte analytische Disziplinen verwendet, beispielsweise für die deskriptive Modellierung und Entscheidungsmodellierung oder -optimierung. Für die Entscheidungsfindung werden Vorhersagemodelle eingesetzt. Dies sind Modelle der Beziehung zwischen der spezifischen Leistung einer Einheit in einer Stichprobe und einem oder mehreren bekannten Attributen oder Merkmalen der Einheit. Das Ziel des Modells besteht darin, die Wahrscheinlichkeit zu bewerten, dass eine ähnliche Einheit in einer anderen Probe die gewünschte spezifische Leistung aufweist. Diese Kategorie umfasst Modelle in vielen Bereichen, z.B. im Marketing, wo man beispielsweise nach subtil auftauchenden Datenmustern sucht, um Fragen zur Kundenleistung zu beantworten. Vorhersagemodelle führen häufig Berechnungen sogar während Live-Transaktionen durch, um beispielsweise das Risiko bei einem bestimmten Kunden oder bei einer Transaktion zu bewerten, um darauf aufbauend eine Entscheidung zu treffen.