Laut Google Trends hat das Interesse an Predictive Analytics in den letzten fünf Jahren stetig zugenommen.
Predictive Analytics (auch bekannt als Advanced Analytics) wird zunehmend mit Business Intelligence verknüpft. Aber sind die beiden tatsächlich verwandt, und wenn ja, welche Vorteile haben Unternehmen, wenn sie ihre Business-Intelligence-Aktivitäten mit diesen Analysen zusammenführen? Was ist der Unterschied zwischen Business Intelligence und Predictive Analytics? Lassen Sie uns die Fragen beantworten und in diesem Artikel auch ein reales Beispiel für Predictive Analytics sehen.
Was ist Predictive Analytics?
Die Verwendung von historischen Daten, maschinellem Lernen und künstlicher Intelligenz, um vorherzusagen, was in der Zukunft passieren wird, wird als Predictive Analytics bezeichnet. Diese historischen Daten werden in ein mathematisches Modell geladen, das wichtige Trends und Muster in den Daten berücksichtigt. Danach wird das Modell auf aktuelle Daten angewendet, um vorherzusagen, was als nächstes passieren wird.
Die Verwendung von Predictive Analytics-Daten kann Unternehmen – und Geschäftsanwendungen – dabei unterstützen, Maßnahmen vorzuschlagen, die zu vorteilhaften betrieblichen Änderungen führen können. Predictive Analytics kann Analysten dabei helfen, abzuschätzen, ob eine Änderung ihnen helfen wird, Risiken zu verringern, den Betrieb zu verbessern und/oder den Umsatz zu steigern. Predictive Analytics versucht im Kern, die Frage zu beantworten: „Was wird auf der Grundlage meiner aktuellen Daten am wahrscheinlichsten passieren, und was kann ich tun, um dieses Ergebnis zu ändern?“
Beispiel für Predictive Analytics in der Praxis in Business Intelligence
Predictive Analytics ist für viele Unternehmen nichts Neues. Es wird jedoch zunehmend von einer Vielzahl von Branchen eingesetzt, um die täglichen Unternehmensprozesse zu verbessern und Wettbewerbsdifferenzierung zu schaffen.
In der Praxis kann Predictive Analytics verschiedene Formen annehmen. Betrachten Sie die folgenden Möglichkeiten.
- Bestimmen Sie, welche Kunden eine Dienstleistung oder ein Produkt wahrscheinlich aufgeben werden. Stellen Sie sich ein Yoga-Studio vor, das ein Predictive-Analytics-Modell implementiert hat. Basierend auf früheren Daten kann der Algorithmus vorhersagen, dass „Jane“ ihre Mitgliedschaft nicht erneuern wird, und einen Anreiz empfehlen, der sie dazu verleitet. Wenn Jane ins Studio zurückkehrt, sendet das System eine Benachrichtigung an das Team für Mitgliedschaftsbeziehungen, das ihr einen Anreiz bietet oder mit ihr über die Verlängerung ihrer Mitgliedschaft spricht. In diesem Beispiel kann Predictive Analytics in Echtzeit verwendet werden, um Kundenabwanderung zu verhindern.
- Senden Sie Marketingbotschaften an Kunden, die am ehesten kaufen werden. Wenn Ihr Unternehmen nur 5,000 US-Dollar für eine Upselling-Marketingkampagne ausgeben kann und drei Millionen Verbraucher hat, können Sie es sich nicht leisten, jedem einen Rabatt von 10 % zu gewähren. Predictive Analytics und Business Intelligence können dabei helfen, die Kunden vorherzusehen, die Ihre Waren am ehesten kaufen werden, und den Gutschein dann nur an diese Personen zu verteilen, um das Einkommen zu maximieren.
- Verbessern Sie den Kundenservice durch richtige Planung. Unternehmen können die Nachfrage besser einschätzen, indem sie fortschrittliche Analysen und Business Intelligence nutzen. Stellen Sie sich ein Hotelunternehmen vor, das prognostizieren möchte, wie viele Personen an diesem Wochenende an einem bestimmten Ort übernachten werden, damit es sicherstellen kann, dass es über genügend Mitarbeiter und Ressourcen verfügt, um die Nachfrage zu befriedigen.
Anwendungen von Predictive Analytics
Predictive Analytics ist ein Instrument zur Entscheidungsfindung, das in einer Reihe von Unternehmen eingesetzt wird.
#1. Prognose
Prognosen sind in der Fertigung von entscheidender Bedeutung, da sie garantieren, dass Ressourcen in einer Lieferkette optimal genutzt werden. Das Bestandsmanagement und der Shopfloor sind beispielsweise kritische Speichen des Lieferkettenrads, die genaue Prognosen erfordern, um zu funktionieren.
Prädiktive Modellierung wird häufig verwendet, um die Qualität der für solche Vorhersagen verwendeten Daten zu bereinigen und zu optimieren. Die Modellierung garantiert, dass zusätzliche Daten, einschließlich Daten aus kundenorientierten Aktivitäten, vom System verarbeitet werden können, was zu einer genaueren Prognose führt.
#2. Kredit
Die Bonitätsbewertung nutzt Predictive Analytics. Wenn ein Verbraucher oder Unternehmen einen Kredit beantragt, werden Informationen aus der Kredithistorie des Antragstellers und den Kreditunterlagen von Kreditnehmern mit ähnlichen Merkmalen verwendet, um das Risiko vorherzusagen, dass der Antragsteller einen gewährten Kredit nicht zurückzahlen wird.
#3. Underwriting
Underwriting ist stark auf Daten und Predictive Analytics angewiesen. Versicherungsunternehmen untersuchen Versicherungsnehmer, um die Wahrscheinlichkeit zu bestimmen, dass sie für einen zukünftigen Anspruch auf der Grundlage des aktuellen Risikopools ähnlicher Versicherungsnehmer sowie früherer Ereignisse, die zu Auszahlungen geführt haben, auszahlen müssen. Versicherungsmathematiker verwenden üblicherweise Vorhersagemodelle, die Attribute mit Daten zu früheren Versicherungsnehmern und Ansprüchen vergleichen.
#fünfzehn. Marketing
Bei der Planung einer neuen Kampagne berücksichtigen Menschen in diesem Bereich, wie die Verbraucher auf die Gesamtwirtschaft reagiert haben. Sie können den demografischen Wandel nutzen, um festzustellen, ob der aktuelle Produktmix Verbraucher zum Kauf verleitet.
In der Zwischenzeit berücksichtigen aktive Händler eine Vielzahl von Metriken, die auf vergangenen Ereignissen basieren, wenn sie entscheiden, ob sie ein Wertpapier kaufen oder verkaufen. Gleitende Durchschnitte, Bänder und Haltepunkte basieren auf den vorherigen Daten und werden verwendet, um Preisschwankungen in der Zukunft abzuschätzen.
Die gebräuchlichsten Vorhersagemodelle sind Entscheidungsbäume, Regressionen (linear und logistisch) und neuronale Netze, die Teil des aufstrebenden Gebiets der Deep-Learning-Methoden und -Technologien sind.
Arten von Predictive Analytics-Modellen
Predictive Analytics verwendet drei Techniken: Entscheidungsbäume, neuronale Netze und Regression. Lesen Sie weiter, um mehr über diese zu erfahren.
#1. Entscheidungsbäume
Wenn Sie verstehen möchten, was die Entscheidungen einer Person antreibt, können Entscheidungsbäume hilfreich sein. Dieses Modell teilt Daten in Abhängigkeit von bestimmten Variablen wie Preis oder Marktkapitalisierung in Teile auf. Es ähnelt einem Baum, wie der Name schon sagt, mit ausgeprägten Ästen und Blättern. Zweige spiegeln die verschiedenen Optionen zugänglich wider, und einzelne Blätter stellen eine bestimmte Auswahl dar.
Da sie einfach zu verstehen und zu analysieren sind, sind Entscheidungsbäume die grundlegendsten Modelle. Sie sind auch sehr nützlich, wenn Sie schnell eine Entscheidung treffen müssen.
#2. Rückfall
Dies ist das gebräuchlichste Modell in der statistischen Analyse. Wenn Sie Muster in großen Datenmengen finden müssen und es eine lineare Beziehung zwischen den Eingaben gibt, verwenden Sie es. Bei dieser Methode wird eine Formel berechnet, die die Beziehung zwischen allen Eingaben im Datensatz beschreibt. Beispielsweise können Sie die Regression verwenden, um festzustellen, wie der Preis und andere wichtige Faktoren die Wertentwicklung eines Wertpapiers beeinflussen.
#3. Künstliche neurale Netzwerke
Die Erstellung neuronaler Netze als eine Art prädiktiver Analytik erfolgte durch Nachahmung der Funktionsweise des menschlichen Gehirns. Mithilfe von künstlicher Intelligenz und Mustererkennung kann dieses Modell mit komplexen Dateninteraktionen umgehen. Verwenden Sie es, wenn Sie mehrere Hindernisse überwinden müssen, z. B. wenn Sie zu viele Daten haben, nicht über die Formel verfügen, die Sie benötigen, um eine Beziehung zwischen den Eingaben und Ausgaben in Ihrem Datensatz zu identifizieren, oder wenn Sie eher Vorhersagen treffen müssen als mit Erklärungen aufwarten.
Wenn Sie bereits Entscheidungsbäume und Regression als Modelle verwendet haben, können Sie neuronale Netze verwenden, um Ihre Ergebnisse zu bestätigen.
Wie können Unternehmen Predictive Analytics nutzen?
Wie zuvor gesagt, kann die prädiktive Analyse in einer Vielzahl unterschiedlicher Anwendungen angewendet werden. Unternehmen können Modelle verwenden, um ihre Ziele voranzutreiben und ihre Abläufe zu verbessern. Unternehmen verwenden häufig Vorhersagemodelle, um ihren Kundenservice und ihre Reichweite zu verbessern.
Führungskräfte und Geschäftsinhaber nutzen diese Art der statistischen Analyse, um das Kundenverhalten zu ermitteln. Beispielsweise kann der Eigentümer eines Unternehmens prädiktive Techniken einsetzen, um Stammkunden zu identifizieren und anzusprechen, die möglicherweise abwandern und zu einem Konkurrenten wechseln.
Es ist wichtig in Werbung und Marketing. Modelle können von Unternehmen verwendet werden, um vorherzusagen, welche Kunden wahrscheinlich positiv auf Marketing- und Vertriebsaktivitäten reagieren werden. Anstatt breites Marketing zu betreiben, können Geschäftsinhaber Geld sparen, indem sie Kunden ansprechen, die positiv reagieren.
Vorteile von Predictive Analytics
Predictive Analysis hat zahlreiche Vorteile. Wie bereits erwähnt, kann die Verwendung dieser Art von Analyse Unternehmen dabei unterstützen, Vorhersagen über Ergebnisse zu treffen, wenn keine anderen (und offensichtlichen) Antworten verfügbar sind.
Modelle können Investoren, Finanzfachleuten und Führungskräften helfen, Risiken zu reduzieren. Beispielsweise können ein Investor und sein Berater spezifische Predictive-Analytics-Modelle verwenden, um bei der Gestaltung eines Anlageportfolios mit dem geringsten Risiko für den Investor zu helfen, indem Aspekte wie Alter, Kapital und Ambitionen berücksichtigt werden.
Wenn sie diese Modelle verwenden, gibt es einen erheblichen Einfluss auf die Kosteneinsparungen. Unternehmen können vorhersagen, ob ein Produkt erfolgreich sein wird oder nicht, bevor sie es veröffentlichen. Alternativ können sie Mittel für Produktionsverbesserungen beiseite legen, indem sie prädiktive Techniken anwenden, bevor der Herstellungsprozess beginnt.
Kritik an Predictive Analytics
Aufgrund wahrgenommener Ungleichheiten in den Ergebnissen wurde der Einsatz von Predictive Analytics kritisiert und in einigen Fällen gesetzlich eingeschränkt. Am häufigsten handelt es sich dabei um Vorhersagemodelle, die zu einer statistischen Diskriminierung von Rassen oder ethnischen Gruppen in Bereichen wie Kreditwürdigkeit, Wohnungsbaudarlehen, Beschäftigung oder Risiko kriminellen Verhaltens führen.
Ein bekanntes Beispiel für diese Predictive Analytics ist die (inzwischen illegale) Praxis des Redlining bei der Wohnungsbaukreditvergabe durch Banken. Unabhängig davon, ob die aus der Verwendung solcher Analysen abgeleiteten Vorhersagen korrekt sind, wird ihre Verwendung im Allgemeinen verpönt, und Daten, die explizit Informationen wie die Rasse einer Person enthalten, werden heute häufig von der Vorhersageanalyse ausgeschlossen.
Zusammenfassung
Alle Unternehmen können von der Verwendung von Predictive Analytics profitieren, um Daten über Kunden zu sammeln und die nächsten Schritte auf der Grundlage des vergangenen Verhaltens vorherzusagen. Man kann diese Daten verwenden, um Entscheidungen zu treffen, die sich auf das Endergebnis auswirken und die Leistung beeinflussen.
FAQs zu Predictive Analytics
Was ist Predictive Analytics in der Datenanalyse?
Predictive Analytics ist eine Art der Datenanalyse, die historische Daten und Analysetechniken wie statistische Modellierung und maschinelles Lernen verwendet, um zukünftige Ergebnisse vorherzusagen.
Was ist Predictive Analytics im HR?
Predictive Analytics im Personalwesen bezieht sich auf HR-Technologie, die Statistiken verwendet und aus vorhandenen Daten lernt, um zukünftige Ergebnisse zu antizipieren. Es ist ein Entscheidungsinstrument.
Warum ist die Predictive-Analytics-Analyse der nächste logische Schritt in jedem Business-Analytics-BA-Prozess?
Die Predictive-Analytics-Analyse gilt als der nächste logische Schritt in jeder Geschäftsanalyse, da sie Marketingkampagnen optimiert, indem sie Kundenreaktionen oder Käufe ermittelt, Cross-Selling-Möglichkeiten fördert und so den Geschäftsbetrieb verbessert, indem sie Bestandsprognosen erstellt und Ressourcen verwaltet.
- Predictive vs. Prescriptive Analytics, erklärt!!! (+ Detaillierte Anleitung)
- Arten von Analysen: Wie man sie in jedem Unternehmen anwendet
- Prescriptive Analytics Tools & Techniken: 9+ beste Optionen für 2021
- Prescriptive Analytics: Definition, Beispiele aus der Praxis, wie es funktioniert
- PROGNOSEMODELLE: Typen und detaillierter Leitfaden zu den Modellen
