Predictive Analytics

Predictive Analytics trifft Vorhersagen auf Basis historischer Daten und sagt so Ereignisse in der Zukunft voraus. Predictive Analytics liefert Antworten auf die Frage: „Was wird passieren?“1. Dieses Datenanalyseverfahren erkennt automatisiert Muster und Strukturen, um daraus Erkenntnisse über und für die Zukunft zu gewinnen. Auf Basis gelernter Muster und Strukturen wird das Modell auf aktuelle und zukünftige Daten angewendet2. So ist der Anwender in der Lage, die Zukunft zu prognostizieren und Entscheidungen auf Basis objektiver wahrscheinlich eintretender Entwicklungen zu treffen.
Um das Verfahren der Predictive Analytics anwenden zu können, muss eine exakte und standardisierte Datenerfassung aus verschiedenen Quellen erfolgen. Dazu zählen CRM-Anwendungen, Datenbanken, E-Mails, Kollaborations-Tools, Soziale Medien und viele mehr3.

Brunel unterstützt Sie mit hochqualifizierten Experten aus den Bereichen Datenmodellierung, -speicherung und -verarbeitung, Data Science und Machine Learning. In diesen Bereichen insbesondere mit Zeitreihenanalysen sowie dem Reporting bei Ihrem nächsten Projekt im Bereich Predictive Analytics.
Unsere Experten verfügen über langjähriges Know-how und sind im Umgang mit gängigen Entwicklungssprachen wie R, Matlab, Spark oder scikit-learn aber auch mit der Konfiguration von Cloud Umgebungen wie AWS, Azure oder IBM Analytics/SPSS geübt. Verschaffen Sie sich einen Überblick über unsere Experten und informieren Sie sich in diesem Zuge auch über unser Leistungsspektrum in den Bereichen Arbeitskräfteüberlassung, Werk- und Dienstleistungsvertrag.

- Wie funktioniert Predictive Analytics?
- Wo wird Predictive Analytics angewendet?
- Welche Vorteile und Chancen hat Predictive Analytics?
- Welche Herausforderungen hat Predictive Analytics?
- Wie profitiert die Automobilindustrie von Predictive Analytics?
- Welche Berufsbilder sind durch Predictive Analytics neu entstanden?
- Wie wird sich die Welt durch Predictive Analytics verändern?
- Warum ist jetzt der richtige Zeitpunkt, sich mit Predictive Analytics zu beschäftigen?

1. Schritt: Das Problem, welches gelöst werden soll, muss möglichst exakt definiert werden.

• Was möchten Sie über die Zukunft wissen?
• Was möchten Sie vorhersagen und verstehen?
• Wie und wo möchten Sie die Prognose nutzen?
• Welche Entscheidungen möchten Sie auf der Grundlage der neuen Erkenntnisse treffen?
• Welche Maßnahmen sollen realisiert werden?

2. Schritt: Es werden Daten aus umfangreichen und verschiedenartigen Quellen benötigt. Zum Beispiel sind dies Daten aus Callcentern, Weblogs und Transaktionssystemen, aber auch „klassische“ Datenquellen wie Produktkataloge, Auftragsdatenbanken und allgemeine Marktdaten. Die Spezifizität und Relevanz dieser Datenquellen sind abhängig von dem gesetzten Ziel. Alle Daten müssen aufgearbeitet und in geeigneter Form für die weitere Analyse bereitgestellt werden. Dieser Schritt wird gerne abgekürzt und ist einer der zeitaufwändigsten Aspekte bei der Analyse, jedoch ist er sehr vielversprechend. Grundsätzlich lässt sich sagen, dass sich die Präzision der Systeme mit der Anzahl verschiedener Datenquellen verbessert.

 

3. Schritt: Die prädiktive Modellierung kann starten, beispielsweise mit Hilfe des Maschinellen Lernens. Für diesen Schritt ist mindestens ein Datenanalytiker notwendig, ergänzt um ein interdisziplinäres Team aus Experten verschiedener Fachrichtungen, die dem Themenkomplex nahestehen. So wird die Effizienz der Modellbildungsphase weiter verbessert – auch wenn sie nur beratend tätig sind. Das Team kann die Modelle spezifizieren, verfeinern und sukzessive verbessern. Wissenschaftliche Auswertungen helfen stets auf Basis der besten Analysemodelle, die Lösung weiter zu verbessern. Die so gefundenen Modelle werden dann unternehmensweit zur Verfügung gestellt.
Brunel bietet unseren Kunden am Standort Hildesheim in Deutschland unter dem Arbeitstitel der „Predictive Maintenance“ Predictive Analytics Dienstleistungen im Kontext der dynamischen Ausfallprognose / Restlaufzeitanalyse an4.

Predictive Analytics wird angewendet, um Lösungen für komplexe Probleme zu finden und um nach neuen Möglichkeiten zu suchen.
In folgenden Bereichen findet Predictive Analytics Anwendung und deckt Chancen auf:

1. Betrugserkennung: Predictive Analytics erkennt Muster und Strukturen. Durch verschiedene Analytics-Methoden lassen sich beispielsweise Straftaten erkennen (Betrugserkennung) oder vorbeugen (Predictive Policing). Ein Beispiel ist die Cyber-Sicherheit, die immer mehr an Bedeutung gewinnt. Darum sind leistungsstarke Systeme zur Verhaltensanalyse besonders wichtig. Sie können jegliche Aktionen in einem Netzwerk in Echtzeit aufspüren und so Anomalien identifizieren, die auf Schwachstellen und Betrug(sversuche) hinweisen.

2. Marketingkampagnen optimieren: Anhand von Predictive Analytics sollen Kundenreaktionen und das Kaufverhalten vorhergesagt werden, um Cross-Selling-Chancen anzuwenden. Diese Methode wird von Unternehmen angewendet, um Kunden anzulocken und so höhere Umsätze zu generieren.

3. Erkennung und Bekämpfung von Fake News: Durch die aktive Beobachtung aktueller Markt- und Social Media Datenquellen kann nicht nur das öffentliche Meinungsbild über die eigenen Produkte und Dienstleistungen überprüft werden. Neben der Möglichkeit, das eigene Unternehmen durch gezielte Informationsbotschaften wieder ins Gespräch zu bringen, können auch Abweichungen von Daten und Fakten erkannt werden, um so Falschinformationen schnell und effizient zu begegnen5.

Ein enormer Vorteil von Predictive Analytics ist die schnelle, effiziente und automatisierte Erstellung von Prognosen für die Unternehmungsplanung und die Möglichkeit, diese Erkenntnisse für die Unternehmenssteuerung zu nutzen.
Werden interne und externe Datenquellen miteinbezogen, kann sich dies positiv auf die Qualität und Verlässlichkeit von Vorhersagen auswirken. Dies kann zu Einsparungen und Kostenoptimierungen führen. Durch die Vorhersagen können frühzeitiger Handlungen vorgenommen werden, um ungewollte Auswirkungen oder Veränderungen zu vermeiden.
Predictive Analytics bietet noch mehr Vorteile. Dazu zählt mehr Transparenz bei einer Entscheidungsfindung, erhöhte Kundenzugewandheit sowie im Ergebnis individuellere Produkte und Dienstleistungen, die auf Basis des Kundenfeedbacks auf deren individuelle Bedürfnisse abgestimmt werden können6.

Eine der Hauptherausforderungen von Predictive Analytics ist die Aufrechterhaltung der Aktualität der Prognosemodelle, da sich diese stets an aktualisierten Datenquellen anpassen müssen. Beispielsweise an aktualisierte Absatzzahlen, Feedback von Marketingkampagnen und Kennzahlen aus Social Media Datenquellen.
Neben der geforderten Aktualität der Daten muss ebenfalls sichergestellt sein, dass nationale und internationale Datenschutzrichtlinien, gesetzliche Vorgaben, sowie moralische und ethische Aspekte und eine Diskriminierungsfreiheit eingehalten bzw. sichergestellt werden. Abwägungen und Entscheidungen sind unternehmensspezifisch zu treffen, wenn es beispielsweise um den Einsatz von Cloud-Technologien, der Wahrung der Privatsphäre oder der individuellen Personalisierung von Systemen geht. Jeder Baustein eines Predictive Analytics Systems muss dabei individuell analysiert und bewertet werden, wobei hier wieder abteilungsübergreifende Analysen erforderlich sind: Bei der Einbindung externer Datenquellen ist es beispielsweise notwendig, diese nicht nur verfügbar zu haben, sondern auch Maßnahmen zu definieren, diese verfügbar zu halten, auch wenn sich die zugrunde liegende Datenquelle ändert oder nicht mehr verfügbar ist.
Die geforderte Aktualität lässt sich in der Regel nur dann erreichen, wenn ein Großteil des Gesamtprozesses automatisiert werden kann, sodass manuelle Eingriffe und Anpassungen nur notwendig werden, wenn sich grundlegende Strukturen ändern. Hier ist aber nicht nur die Automatisierung selbst eine Herausforderung. In der Regel sind auch Anpassungen und / oder Erweiterungen in der unternehmensinternen IT-Organisation – sei es durch interne oder externe Dienste – notwendig, um die gestiegenen Systemanforderungen abbilden zu können.

Industrie 4.0, Internet of Things und Connected Cars gewinnen eine Vielzahl an Datenmengen, die aktuell noch nicht vollständig genutzt werden können. Mit Predictive Analytics ist es möglich, die enormen Datenmengen gezielt einzusetzen. Der Vorgang ist vielen Unternehmen jedoch noch nicht bekannt. Die Automatisierung und Anwendung intelligenter Methoden machen es möglich, die vorhandenen Datenmengen zu nutzen und zu bearbeiten, um einen Mehrwert daraus zu generieren. Dadurch wird Predictive Analytics und Artificial Intelligence sehr empfehlenswert für Unternehmen. Ein Beispiel hierfür ist der Einsatz von Robotern in der Produktion.
In der Produktionslinie: Vorhersage von Roboterausfällen
Ein unvorhersehbarer Stillstand von Maschinen stellt ein enormes Problem dar. Jede „Downtime-Phase“ kostet dem Unternehmen sehr viel Geld, es entstehen Lieferengpässe und die Kunden werden unzufrieden. Darum dürfen die Produktionsbänder bei deutschen Automobilherstellern nie zum Stillstand kommen.
Werden intelligente Machine-Learning-Algorithmen verwendet, um Vorhersagen zu treffen, können Produktionsausfälle frühzeitig erkannt und ggf. vermieden werden7.

Predictive Analytics lässt sich als Anwendungsfeld der Verfahren des Maschinellen Lernens einordnen, wobei je nach Betrachtungsaspekt der Predictive Analytics Aufgabe weitere Experten des entsprechenden Fachbereichs notwendig sind. Ein Predictive Analytics Team besteht aus Data Scientists, Data Engineers und Machine Learning Specialists, welche sich mit verschiedenen Aspekten der Datenanalyse und Aufarbeitung beschäftigen. Ebenfalls häufig vertreten sind Datenbank- und IT-Spezialisten, die sich im Kern um die Verfügbarkeit der notwendigen Infrastruktur kümmern.
Je nach Betrachtungsaspekt sind fachspezifische Spezialisten für Predictive Analytics Aufgaben notwendig:

• Soll Predictive Analytics für Abschätzungen und Voraussagen von Absatzzahlen, den voraussichtlichen Erfolg von Marketingmaßnahmen oder der Planung einer neuen Marketingkampagne eingesetzt werden?
• Wird Predictive Analytics für Betrugserkennung angewandt, sind Fraud Analysten, aber auch Trust & Safety / Security Spezialisten in das Team zu integrieren8.

Natürlich können wir an dieser Stelle keine klaren Vorhersagen für die Zukunft treffen – das Potential dieser Technologie lässt sich aber bereits heute deutlich erkennen. Dazu folgende Beispiele:

• Bullet X – Frühwarnsysteme aller Art und deren dynamische Integration in unseren Arbeitsalltag. Beispiele:
• Predictive Maintenance - Ausfall von Geräten und Komponenten vermeiden und ressourcenschonend reparieren.
• Verspätungen bei der Bahn - ÖPNV passt sich auf wenig frequentierten Strecken an.
• Shitstorm Detection - System alarmiert Mitarbeiter.
• Bullet Y – Business Analytics – Prognosen von Marktentwicklungen und Kundenreaktionen in die Entwicklung des Produktportfolios integrieren.
• Bullet Z – Personalmanagement – Ändern sich die Formulierungen eines Mitarbeiters im täglichen E-Mailaustausch? Deutet dies auf Unzufriedenheit oder Probleme hin? Erkennen Sie diese Entwicklungen frühzeitig, um mit geeigneten Maßnahmen den Mitarbeiter zu halten und glücklich zu machen.

Um Ihr Unternehmen weiterhin erfolgreich zu führen, ist der Einsatz von Predictive Analytics nicht außer Acht zu lassen. Sei es, um Ihre Bilanzen und Wettbewerbsvorteile zu verbessern, individueller auf Kundenwünsche einzugehen oder um frühzeitig unerwartete Änderungen, beispielsweise bei der Zahlungsfähigkeit Ihrer Kunden zu erkennen. Aber was unterscheidet die Situation heute von jener von vor 5-10 Jahren?

• Die verfügbaren Datenmengen werden immer größer und vielfältiger.
• Es gibt ein großes Interesse an der Nutzung von Daten als Quelle für neue Informationen und diese bringen populäre Erkenntnisse mit sich.
• Computer und Rechenkapazitäten werden immer kosteneffizienter und schneller, sodass es heute möglich ist, komplexe Zusammenhänge schnell zu identifizieren.
• Die Software wird immer benutzerfreundlicher und endnutzertauglich9.

1. Predictive Analytics: Der Blick in die Zukunft. The Risk Management Network. Veröffentlichungsdatum: 13. Mai 2016, Abrufdatum: 13.12.2021 (Link)
2. Smarte Vision: Predictive Analytics erklärt Unternehmen ihre Zukunft. LucaNet. Veröffentlichungsdatum: 22. August 2019, Abrufdatum: 13.12.2021 (Link)
3. Predictive Analytics und KI – so gewinnen Sie die richtigen Erkenntnisse aus Daten. BIGDATA INSIDER. Veröffentlichungsdatum: 24.07.2020, Abrufdatum: 13.12.2021 (Link)
4. Predictive Analytics. Was ist das und was man darüber wissen sollte. sas. Abrufdatum: 13.12.2021 (Link) 
5. Predictive Analytics. Was ist das und was man darüber wissen sollte. sas. Abrufdatum: 13.12.2021 (Link) 
6. Predictive Analytics in KMU: Chancen und Herausforderungen. Veröffentlichungsdatum: 26.05.2020, Abrufdatum: 13.12.2021 (Link)
7. Die Automobil­industrie kann von Predictive Analytics profitieren. Bearingpoint. Veröffentlichungsdatum: 02.2019, Abrufdatum: 13.12.2021 (Link)
8. Predictive Analytics in KMU: Chancen und Herausforderungen. Veröffentlichungsdatum: 26.05.2020, Abrufdatum: 13.12.2021 (Link)
9. Predictive Analytics. Was ist das und was man darüber wissen sollte. sas. Abrufdatum: 13.12.2021 (Link) 

Predictive Analytics ist ein komplexes Themenfeld, das eine Zusammenarbeit mit hochqualifizierten Fachkräften verlangt. Ein sorgfältig zusammengestelltes Team aus Spezialisten von Brunel kann Sie dabei unterstützen, Ihr nächstes Projekt im Bereich Predictive Analytics zum Erfolg zu führen.
Dafür starten wir als erstes, gemeinsam Ihre Bedürfnisse zu evaluieren. Auf Basis dessen gehen wir in die Kandidatensuche. Am Ende wird Ihnen ein hoch kompetentes Team beiseite stehen und Sie bei dem überaus zukunftsträchtigen Thema Predictive Analytics tatkräftig unterstützen!