Predictive Analytics: Vorausschauende Datenanalyse
Wie werden sich die Bedürfnisse der Kunden ändern? Welche Bereiche im Unternehmen haben Wachstumspotenzial? Wie werden sich Nachfrage und Materialbedarf entwickeln? Wer solche Fragen datenbasiert beantworten kann, trifft in der Gegenwart die richtigen Entscheidungen für die Zukunft. Dank Big Data lassen sich mit Predictive Analytics effektiv Vorhersagen berechnen. Erfahren Sie hier, was Predictive Analytics genau ist.
Predictive Analytics: Definition und Einführung
Voraussetzungen und Herausforderungen der Predictive Analytics
Data Mining und Maschinelles Lernen: Predictive-Analytics-Verfahren
Predictive-Analytics-Anwendungsgebiete in verschiedenen Branchen
Predictive Analytics – Anwendungsbeispiele
Bereich: Marketing
Fragestellung: Welcher Kundentyp wird wann welche Produkte kaufen?
Datengetriebene Entscheidung:
Einzelne Produkte gezielt stärker bewerben, Angebote auf einen Kundentyp anpassen, Marketingkampagnen individualisiert erstellen
Bereich: Einzel- und Onlinehandel
Fragestellung: Welches Kaufverhalten zeigen die Kunden?
Datengetriebene Entscheidung:
Lagerbestand anpassen, Preissenkungen/-erhöhungen zu bestimmten Zeitpunkten planen
Bereich: Gesundheitswesen
Fragestellung: Wie hoch ist das Krankheitsrisiko? Oder wie entwickelt sich die Auslastung einer Einrichtung?
Datengetriebene Entscheidung:
Vorsorgemaßnahmen gezielter auswählen, Arztpraxen und Krankenhäuser effizienter betreiben
Bereich: Controlling
Fragestellung: Wie wird sich der Cashflow zukünftig entwickeln?
Datengetriebene Entscheidung:
Risikomanagement verbessern, Kosten reduzieren, wirtschaftliche Leistung erhöhen
Bereich: Produktion und Fertigung
Fragestellung: Zu welchem Zeitpunkt ist mit einem Ausfall der Maschine zu rechnen?
Datengetriebene Entscheidung:
Wartungsplan optimieren und anpassen
Predictive-Analytics-Methoden
Regression:
Die Regressionsanalyse modelliert die Beziehungen zwischen abhängigen und unabhängigen Variablen, um zukünftige Werte auf der Basis spezifischer Merkmale vorherzusagen. Zum Beispiel, wie hoch die Kundenzufriedenheit je nach Qualität sein wird.
Diskriminanzanalyse
Diese Methode sucht nach Unterschieden zwischen Gruppen. So kann etwa die nächste Konjunkturphase mit einem Aufschwung oder Abschwung vorausgesagt werden, indem die Variablen „Investitionen“, „Konsumverhalten“ und „Zinsen“ untersucht werden.
Zeitreihe
Die Zeitreihenanalyse erkennt durch die Analyse dynamischer Datenströme Trends und Zyklen, die zeitlichen Schwankungen unterliegen, wie Umsatz eines Produkts pro Monat oder der Website-Traffic pro Stunde.
Entscheidungsdiagramme
Diese Methode verwendet Knoten, die als Entscheidungsbaum dargestellt werden, um komplexe Datenstrukturen zu veranschaulichen. Beispielsweise, wer nach festgelegten Kriterien (Einkommen, Bonität, Beschäftigungsdauer) einen Kredit erhalten wird.
Neuronale Netze
Dieses Modell besteht aus mehreren miteinander verbundenen Neuronen und lernt autonom, um komplexe und nicht-lineare Datenbeziehungen zu modellieren. Zum Beispiel, wie sich der Aktienkurs entwickeln wird.
