Data Insider

Was ist Predictive Analytics?

Predictive Analytics (auf Deutsch auch „Vorausschauende Analyse“ oder „Prädiktive Analytik“ genannt) ist ein Verfahren, bei dem mathematische Modelle auf große Datenmengen angewendet werden, um Muster im bisherigen Verhalten zu identifizieren und zukünftige Ergebnisse vorherzusagen.

Die Kombination aus Data Mining, Machine Learning und statistischen Algorithmen liefert die „prädiktive“ und vorausschauende Komponente und ermöglicht Predictive Analytics-Tools, über einfaches Korrelieren hinauszugehen. In der Wirtschaft gibt es ein breites Spektrum von Anwendungsmöglichkeiten für Predictive Analytics:

  • Risikoreduzierung bei Versicherungen und Finanzdienstleistern
  • Erkennen von Kreditkartenbetrug
  • Genauere Vorhersage von Angebot und Nachfrage
  • Identifizieren von Bedrohungen und Problemen, die Computernetzwerke betreffen

Immer mehr Software-Tools integrieren Predictive Analytics und machen sie damit für Benutzer in Unternehmen jeder Größe zugänglicher. Von Predictive Analytics können alle Nutzer profitieren, auch jene, die keine Expertise im Bereich Data Science oder Advanced Analytics vorweisen können. Diese Entwicklung wird oft als „Datendemokratisierung“ bezeichnet und bedeutet, dass Daten im gesamten Unternehmen verfügbar gemacht werden, sodass jeder darauf zugreifen kann, um bessere Entscheidungen zu treffen.

Im Folgenden sehen wir uns an, warum Predictive Analytics so wertvoll ist, wie sie sich zu anderen Technologien wie Machine Learning und Data Mining verhält und welche Rolle Modelle spielen. Außerdem geben wir ein paar Tipps für den Einstieg.

Analystenbericht | Splunk liegt laut IDC-Bericht zu ITOA-Marktanteilen auf Platz 1

Einführung in Predictive Analytics

Warum ist Predictive Analytics wichtig?

Predictive Analytics ist wichtig, weil sie Unternehmen und Organisationen in die Lage versetzt, kritische Entscheidungen auf der Grundlage echter Daten zu treffen – durch die Vorhersage wahrscheinlicher Ergebnisse – und dies in einem Umfang, der bisher nicht möglich war. Erfolg und Misserfolg aller Unternehmen hängen von der Fähigkeit ab, Prognosen zu erstellen, zu planen und effizient zu arbeiten und gleichzeitig die Bedürfnisse der Kunden zu erfüllen. Wichtige Entscheidungen, die auf Intuition, Vermutungen und historischen Informationen basierten, haben in der Vergangenheit bereits dazu geführt, dass Unternehmen Milliarden verloren haben oder gescheitert sind, weil sie neue Produkte auf den Markt gebracht haben, von denen sie dachten, dass die Kunden begeistert wären.

Welche drei Arten von Data Analytics gibt es?

Zu den drei Data-Analytics-Arten zählen die deskriptive, die prädiktive und die präskriptive Analyse.

  • Bei der deskriptiven Analyse werden Datenaggregierung und Data Mining für historische Daten genutzt, um die Frage „Was ist passiert?“ zu beantworten. Die deskriptive Analyse erfüllt im Wesentlichen die Funktionen einer Statistik und liefert Informationen ohne Analyse oder Erkenntnisse.
  • Die prädiktive Analytik identifiziert Muster in vorhandenen Daten, um damit die Frage „Was könnte als Nächstes passieren?“ zu beantworten.
  • Präskriptive Analyse, ein relativ neuer Begriff, bezeichnet eine Art von Analytik, mit der die Frage „Was tun wir jetzt?“ beantwortet werden soll. Die präskriptive Analyse liefert als Ergebnis nicht nur Vorhersagen oder Prognosen, sondern auch Empfehlungen für die beste Vorgehensweise.

Welche Ergebnisse liefert Predictive Analytics?

Da bei nahezu jedem menschlichen Unterfangen im 21. Jahrhundert Daten erzeugt werden, kann fast jedes Unternehmen, jede Organisation oder Branche einen Nutzen aus Predictive Analytics ziehen. Es folgt eine kleine Auswahl der potenziellen Anwendungsfälle für prädiktive Analytik, von denen es Hunderte gibt.

Predictive Analytics im Bank- und Finanzwesen:

Predictive Analytics ist im gesamten Spektrum der Bank- und Finanzdienstleistungsaktivitäten wertvoll, von der Risikobewertung bis hin zur Optimierung von Kundenbeziehungen. Predictive Analytics wird für folgende Zwecke eingesetzt:

  • Verhindern von Kreditkartenbetrug durch Aufspüren ungewöhnlicher Transaktionen
  • Prüfen der Kreditwürdigkeit und Entscheidung über die Bewilligung eines Darlehen- oder Kreditantrags
  • Vorhersagen von Kundenabwanderung, sodass die Bank den Kunden noch vor dem Wechsel ansprechen kann
predictive analytics banking

Predictive Analytics im Einzelhandel:

Im Einzelhandel, ob online oder stationär, müssen Bestand und Logistik verwaltet werden. Mit Predictive Analytics-Tools können Einzelhändler riesige Datenmengen korrelieren – historische Verkaufszahlen, Kaufgewohnheiten, geografische Vorlieben und sogar Wetterdaten – um die Leistung zu optimieren.

  • Verkaufs- und Logistikdaten können sicherstellen, dass Einzelhändler genügend Artikel in den Lagern und zur richtigen Zeit die richtige Ware in den Geschäften haben.
  • Kundendaten sind die Grundlage für individuelle Empfehlungen und Werbeaktionen für einzelne Käufer. Mit besserem Targeting, das auf echten Daten basiert, können Einzelhändler Anzeigen und Werbeaktionen erstellen, auf die die Kunden mit größerer Wahrscheinlichkeit reagieren.
  • Die zeitliche Planung von Verkäufen und Werbeaktionen wird zu einer Wissenschaft, bei der prädiktive Analytik Kunden-, Bestands-, Wettbewerber- und historische Verkaufsdaten zusammenführen, um den perfekten Zeitpunkt für Preissenkungen (oder -erhöhungen) zu finden.
predictive-analytics-retails

Predictive Analytics im Gesundheitswesen:

Auf der Grundlage globaler Krankheitsstatistiken, Wechselwirkungen von Medikamenten, individueller Patientenhistorien und mehr kann die prädiktive Analytik medizinischen Fachkräften helfen, eine bessere Versorgung zu gewährleisten sowie Praxen und Krankenhäuser effizienter und effektiver zu betreiben.

  • In einer 2018 vom Mental Health Research Network und Kaiser Permanente durchgeführten Studie setzten Forscher Predictive Analytics ein, um die elektronischen Patientenakten (ePA) von Patienten mit ihren Antworten auf einem Fragebogen zum Thema Depression zu korrelieren, und konnten dadurch Personen mit einem erhöhten Selbstmordrisiko identifizieren.
  • Das UPHS (University of Pennsylvania Health System) entwickelte ein prädiktives Tool, das während der Testphase Patienten, die auf eine schwere Sepsis oder einen Schock zusteuerten, volle 12 Stunden vor Ausbruch der Beschwerden identifizierte.
  • Wissenschaftler der Duke University fanden heraus, dass ihnen die Anwendung von Predictive Analytics auf die historischen Termindaten einer Klinik ermöglichte, potenzielles Nichterscheinen und verspätete Terminabsagen um 67 Prozent genauer vorherzusagen als bestehende Modelle, wodurch sich Zeit und Ressourcen einsparen lassen.

Predictive Analytics in der Fertigung:

In einem modernen, hochautomatisierten Werk können Predictive Analytics-Tools eingesetzt werden, um jeden Schritt im Fertigungsprozess zu überwachen und zu optimieren. Dies gilt für die Aspekte Design, Einkauf, Produktion, Qualitätskontrolle, Bestandsverwaltung, Lieferung und mehr.

  • Lieferkettendaten und Umsatzprognosen können zum Beispiel dabei helfen, präzisere Beschaffungsentscheidungen zu treffen und sicherzustellen, dass teure Rohstoffe nicht gekauft werden, bevor sie benötigt werden. Mithilfe derselben Daten kann auch sichergestellt werden, dass die Fertigungsplanung an die Verbrauchernachfrage angepasst wird.
  • Predictive Analytics kann die Versand- und Transportkosten senken, indem alle Faktoren berücksichtigt werden, die dazu beitragen, die hergestellten Waren auf die effizienteste Weise von A nach B zu bringen.
  • Die Verwendung von Predictive Analytics mit Maschinendaten kann helfen, den Wartungsstatus der Maschinen und Anlagen einer Produktionsstätte zu verfolgen, zu vergleichen und vorherzusagen, wann eine bestimmte Maschine wahrscheinlich ausfallen wird.

Predictive Analytics im Marketing:

Wohin er auch schaut, wird der Verbraucher mit Werbung und Marketing bombardiert. Das macht es schwieriger denn je, seine Aufmerksamkeit zu gewinnen und zu behalten.

  • Predictive Analytics-Tools können helfen, Marketinginteressenten effektiver zu segmentieren und gezielt relevante Anzeigen auf Websites und in sozialen Medien einzublenden. Anspruchsvollere Predictive Marketing-Tools können „Kaufabsichten“ erkennen, indem sie öffentlich verfügbare Daten und Informationen aus proprietären Datenbanken analysieren, um Personen zu finden, deren Daten mit denen eines idealen Kunden übereinstimmen.
  • Marketingfachleute nutzen Predictive Analytics auch für die Bewertung von Leads. Hierbei wird anhand historischer Daten, Absichtsdaten und anderer Daten über potenzielle Kunden ermittelt, wie groß ihre Kaufwahrscheinlichkeit ist, wie sie deshalb kontaktiert werden sollten und mit welchen Informationen.
Predictive Analytics im Kontext

Predictive Analytics und Big Data

Sicherlich haben Sie schon viele Statistiken über die Zunahme der Datenmenge gesehen. Laut einer Studie des Marktforschungsunternehmens IDC aus dem Jahr 2018 wird das weltweite Datenaufkommen bis 2025 auf 163 Zettabyte (ZB) anwachsen – das ist das Zehnfache der 2017 produzierten Datenmenge. Ein wichtiger Faktor hierfür ist das Internet of Things (IoT). Im Jahr 2006 gab es nach einem Bericht von Intel weltweit rund 2 Milliarden vernetzte Geräte. Nach Intels Schätzung liegt diese Zahl 2020 bei 200 Milliarden. Jedes dieser Geräte erzeugt Daten, die genutzt werden können, um einen besseren Kundenservice zu bieten, Netzwerke zu optimieren, Marketingaussagen gezielter einzusetzen, die Datensicherheit zu erhöhen und Vieles mehr.

Der Wert der vorausschauenden Analyse steigt mit der Zunahme der Datenmenge. Die schiere Menge an Daten, die tagtäglich von Milliarden von Menschen, Geräten und Netzwerken generiert wird, birgt sowohl Herausforderungen als auch Möglichkeiten, die das menschliche Gehirn allein nicht bewältigen kann. Predictive Analytics bringt uns einen großen Schritt weiter in Richtung des Ziels, das Potenzial von Big Data auszuschöpfen, und bietet beispiellose Möglichkeiten, Daten zu analysieren und Prognosen zu künftigen Ergebnissen abzugeben.

Predictive Analytics und andere neue Technologien

Prädiktive Analytik wird oft mit anderen neuen Daten- und Analytiktechnologien in einen Topf geworfen. Drei Technologien, die oft mit Predictive Analytics verwechselt werden, sind Machine Learning, prädiktive Modellierung und Data Mining.

  • Ist Predictive Analytics dasselbe wie Machine Learning? Predictive Analytics ist nicht dasselbe wie Machine Learning. Machine Learning ermöglicht es Computern, aus ihren eigenen Aktivitäten zu lernen, und ist eine der Komponenten, die im Zuge der vorausschauenden Analyse zum Einsatz kommen.
  • Ist Predictive Analytics dasselbe wie prädiktive Modellierung? Predictive Analytics ist nicht dasselbe wie prädiktive Modellierung. Die prädiktive Modellierung ist ein Verfahren, das bei der vorausschauenden Analyse eingesetzt wird und bei dem Daten auf einen bestimmten algorithmischen, mathematischen Prozess (das Modell) angewendet werden, um ein Ergebnis zu ermitteln.
  • Ist Predictive Analytics dasselbe wie Data Mining? Predictive Analytics ist nicht dasselbe wie Data Mining. Data Mining ist ein Verfahren, bei dem große Datenmengen untersucht und analysiert werden, um Muster und Beziehungen zu erkennen. Das Erstellen von Vorhersagen oder Prognosen anhand dieser Datenmuster ist dann Aufgabe der Predictive Analytics.

Predictive Analytics und Modellierung

Was ist der Unterschied zwischen einem Algorithmus und einem prädiktiven Modell?

Algorithmen sind die mathematische Grundlage der Predictive Analytics. Sie sind die Abfolge von Schritten, die wie ein Rezept ausgeführt werden, um ein Ergebnis oder eine Lösung zu erzielen. Modelle definieren, wie die Algorithmen zur Lösung eines bestimmten Problems angewendet werden. Das Modell ist der Rahmen, der die Fragen und die bei ihrer Beantwortung zu berücksichtigenden Variablen definiert. Die Algorithmen sind die Schritte, die befolgt werden, um Variablen zu gewichten und zu Antworten zu gelangen.

Eine schnelle Suche im Internet zeigt, dass viele Leute die Begriffe „Algorithmus“ und „prädiktives Modell“ synonym verwenden. Aus dem gleichen Kontext stammt auch der Begriff „Klassifikator”. Auch hier ist der Sprachgebrauch zwar fließend, doch als „Klassifikator“ wird im Allgemeinen ein Algorithmus bezeichnet, der speziell für die Klassifizierung entwickelt wurde.

Welche Arten von Modellen werden bei der vorausschauenden Analyse verwendet?

Die bei Predictive Analytics am häufigsten verwendeten Modelle sind Klassifizierungs- und Regressionsalgorithmen.

  • Klassifizierungsalgorithmen sortieren (oder klassifizieren) Daten nach Kategorie. Ist diese Person weiblich oder männlich? Ist diese E-Mail Spam oder nicht?
  • Regressionsalgorithmen werden verwendet, um ein numerisches Ergebnis vorherzusagen. Wird der Preis steigen oder sinken? Wie viele Kunden kann ein neues Unternehmen erwarten?

Welche Modelle werden in den Predictive Analytics am häufigsten verwendet?

Zu den gängigsten Modellen, die in der vorausschauenden Analyse verwendet werden, gehören lineare Regression, logistische Regression, lineare Diskriminanzanalyse, Entscheidungsdiagramme, Naive Bayes, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Random Forest und Boosting. Weiter unten werden diese Modelle jeweils ausführlicher beschrieben.

Data Scientists verwenden eine Vielzahl prädiktiver Modelle, je nachdem, welche Art von Ergebnis sie zu erzielen hoffen. Die Mathematik, die hinter den einzelnen Algorithmen steckt, ist komplex, und ihre Beschreibung würde den Rahmen dieses Artikels sprengen. Im Folgenden finden Sie jedoch einige der beliebtesten Predictive Analytics-Algorithmen und eine kurze Beschreibung ihrer Verwendung.

Predictive Analytics im Bank- und Finanzwesen: Prädiktive Analytik ist im gesamten Spektrum der Bank- und Finanzdienstleistungsaktivitäten wertvoll, von der Risikobewertung bis zur Optimierung von Kundenbeziehungen. Predictive Analytics wird für folgende Zwecke eingesetzt:

  • Lineare Regression: Hier wird eine abhängige Variable mit einer oder mehreren unabhängigen Variablen verglichen. Dies ist einer der gängigsten Algorithmen. Er wird oft für die Vorhersage eines Ergebnisses oder die Prognose eines Effekts verwendet und ermittelt, welche Variablen die größte Auswirkung haben. So würde zum Beispiel ein lineares Regressionsmodell zur Beantwortung folgender Fragen eingesetzt:
    • Welche Beziehung besteht zwischen der Anzahl der Leads, die eine Marketingkampagne generiert, und dem Budget, das für die Kampagnenwerbung ausgegeben wird?
    • Wie viel Leads könnten mehr gewonnen werden, wenn das Werbebudget beispielsweise um 10.000 Euro erhöht würde?
    • Um wie viel werden die Kosten für die in der Fertigung verwendeten Rohstoffe innerhalb eines Jahres steigen?
  • Logistische Regression: Hier wird eine abhängige Variable mit einer oder mehreren unabhängigen Variablen verglichen, um die Wahrscheinlichkeit eines bestimmten Ergebnisses zu ermitteln. Die logistische Regression könnte genutzt werden, um vorherzusagen, wie wahrscheinlich es ist, dass eine Person aufgrund ihres Alters, ihres Geschlechts, ihres Body-Mass-Index, ihrer Blutwerte und ihrer Familiengeschichte an Diabetes erkrankt, oder welcher Kandidat bei einer Wahl bei Menschen mit einer bestimmten Kombination von demografischen Informationen wie Alter, Ethnie, Einkommen und Wohnort am besten abschneiden wird.
  • Die lineare Diskriminanzanalyse wird für die Klassifizierung genutzt. Hier ein typisches Beispiel: Man könnte auf der Grundlage von Antworten auf eine Umfrage berechnen, bei welcher Kundengruppe die Wahrscheinlichkeit für den Kauf eines bestimmten Produkts höher ist.
  • Entscheidungsdiagramme sind binär und ermitteln das Ergebnis anhand von Ja/Nein-Antworten. Ein Entscheidungsdiagramm könnte beispielsweise zum Sortieren von Stellenbewerbern genutzt werden. Hat der Bewerber einen Hochschulabschluss? Falls nein, verfügt der Bewerber über andere Qualifikationen? Falls ja, verfügt der Bewerber über mehr als drei Jahre Berufserfahrung? Falls ja, verfügt der Bewerber über bestimmte Fähigkeiten und Erfahrungen?
  • Random Forest ist ein weit verbreiteter Algorithmus sowohl für die Klassifizierung als auch für die Regression. Hier wird ein Ensemble-Verfahren (also eine Kombination aus mehreren Algorithmen) genutzt, das mehrere Entscheidungsdiagramme kombiniert, um präzisere Ergebnisse als mit einem einzelnen Entscheidungsdiagramm zu erhalten.
  • Naive Bayes ist ein einfacher, aber leistungsfähiger Algorithmus, der oft für die Textkategorisierung eingesetzt wird, beispielsweise bei Spam-Filtern. Ein auf Naive Bayes basierender Spam-Filter korreliert die Wörter in einer E-Mail mit Spam- und Nicht-Spam-E-Mails, um die Wahrscheinlichkeit zu ermitteln, dass es sich bei der betreffenden E-Mail um Spam handelt.
  • K-Nearest Neighbors (KNN) wird verwendet, um die Eigenschaften eines bestimmten Datenpunkts auf der Grundlage seiner Nähe zu anderen Datenpunkten vorherzusagen. KNN könnte beispielsweise zur Vorhersage der Kreditwürdigkeit eingesetzt werden. Eine Person, die ein Darlehen oder eine Kreditkarte beantragt und eine bestimmte Kombination aus Finanzdaten aufweist, hat wahrscheinlich eine ähnliche Bonität wie andere Personen mit denselben Finanzdaten.
  • Support Vector Machines (SVM) können für Klassifizierungs- oder Regressionsprobleme verwendet werden. Ein SVM-Algorithmus verwendet Trainingsbeispiele (bekannte Daten, die nach Ähnlichkeit in Kategorien gruppiert sind), um der entsprechenden Kategorie neue Beispiele zuzuordnen. SVMs haben sich bei der Bildklassifizierung bewährt („Ist das ein Baum oder ein Mensch?“) und liefern genauere Ergebnisse als bisherige Methoden.
  • Boosting ist ein Ensemble-Verfahren, das die Genauigkeit verbessern soll. Ein Modell wird anhand von Trainingsdaten erstellt. Dann wird ein zweites Modell erstellt, um die Fehler des ersten Modells zu korrigieren, dann ein drittes, um die Fehler des zweiten zu korrigieren, und so weiter, bis das gewünschte Ergebnis erreicht ist.
  • AdaBoost gilt als der erste erfolgreiche Boosting-Algorithmus und die Grundlage, auf der nachfolgende Modelle aufbauen.

Was sind neuronale Netze?

Neuronale Netze sind mathematische Modelle, die entwickelt wurden, um die Funktion des menschlichen Gehirns nachzuahmen. Neuronale Netze eignen sich sehr gut für komplexe Mustererkennungsprobleme und das Auffinden nichtlinearer Beziehungen in Daten, wenn eine oder mehrere Variablen unbekannt sind. Selbstfahrende Autos nutzen neuronale Netze, da die enormen Datenmengen, die für Fahrentscheidungen benötigt werden, sofort analysiert werden müssen.

Erste Schritte

Was ist der Unterschied zwischen Datenanalytik und Datenanalyse?

Die Datenanalyse beschreibt den Prozess, Daten zu analysieren und Schlüsse daraus zu ziehen. Man könnte die Datenanalyse auch als die Arbeit eines Datenanalysten bezeichnen. Datenanalytik ist der Oberbegriff für die verschiedenen Verfahren, mit denen Daten identifiziert, kategorisiert und organisiert werden, um sie für die Analyse vorzubereiten.

Wie finden Sie die optimale Software für Predictive Analytics?

Die beste Software für Predictive Analytics ist die, die am besten zu Ihren speziellen Anforderungen und Ihrem Budget passt. Es gibt viele verschiedene Arten von Predictive Analytics-Tools:

  • Business Intelligence-Software
  • Software für komplexe statistische Analysen (Open Source und proprietär)
  • Prädiktive Kundenanalytik
  • Prädiktive Marketing-Software
  • Prädiktive Leadbewertung
  • Prädiktive IT-Monitoring-Software
  • Branchenspezifische Tools für Supply Chain Management, Gesundheitswesen, Fertigung, Logistik und viele mehr

Da die Bekanntheit und Verbreitung dieser Disziplin zugenommen haben, integrieren immer mehr Softwareanbieter Predictive Analytics oder Varianten davon in ihre Tools. Die Herausforderung für den Käufer besteht darin, festzustellen, welche Tools tatsächlich Predictive Analytics bieten, welche nur grundlegende algorithmische Funktionen nutzen und welche nur die Bezeichnung für sich beanspruchen.

Hinzu kommt, dass bei vielen Softwareplattformen (einschließlich Splunk) Predictive Analytics in verschiedene Elemente der Lösung integriert ist. Das Produktportfolio enthält eventuell einige Lösungen mit vorausschauenden Analysen und andere, die Funktionen ausführen, für die Predictive Analytics nicht erforderlich ist. Anders ausgedrückt: Selbst wenn ein Anbieter behauptet, er verfüge über Predictive Analytics, kann dies bedeuten, dass sie vielleicht nur in bestimmte Produkte integriert ist.

Was sind die ersten Schritte zum Einstieg in Predictive Analytics?

Für den Einstieg in Predictive Analytics erstellen Sie am besten einen Plan, um zu verstehen, welche Probleme Sie lösen können und welche nicht, um die kritischsten Probleme zu definieren, die angegangen werden müssen, um die Lücken in Ihren Fähigkeiten und Technologien zu identifizieren und schließlich um dann ein Pilotprojekt durchzuführen.

 

  • Feststellen, welche Probleme Sie lösen bzw. nicht lösen können: Predictive Analytics hat viele Vorteile, aber auch Grenzen. Sie kann die Fähigkeiten, das Urteilsvermögen und die Erfahrung von Fachleuten nicht ersetzen. Predictive Analytics funktioniert nur, wenn genügend Daten vorhanden sind, um sinnvolle Ergebnisse zu liefern.
  • Definieren der kritischsten Probleme, die gelöst werden müssen: Sie erzielen keine brauchbaren Ergebnisse, wenn Sie nicht genau wissen, welche Probleme Sie zu lösen versuchen. Es ist zwar möglich, Predictive Analytics wahllos auf große Datensets anzuwenden und zu hoffen, dass das Ergebnis Probleme aufzeigt, doch es ist weitaus effektiver, das Problem so exakt wie möglich zu definieren.
  • Identifizieren von Lücken bei Qualifikationen und Technologie: Softwarelösungen erleichtern Predictive Analytics zwar, doch für ihre Verwendung ist trotzdem Fachwissen erforderlich. Sie brauchen unbedingt die notwendigen Mitarbeiter, die Infrastruktur und die Tools, um die Daten zu identifizieren und aufzubereiten, die Sie für Ihre Analysen benötigen.
  • Durchführen eines Pilotprojekts: Nachdem Sie alle diese Fragen beantwortet haben, nutzen Sie die Informationen, indem Sie ein kleines Pilotprojekt durchführen. Wählen Sie ein Problem, von dem Sie wissen, dass andere es für wichtig halten. Definieren Sie das gewünschte Ergebnis und die Metriken, die Sie für seinen Nachweis verwenden werden. Möchten Sie die Verarbeitungsdauer senken? Um wie viel? Wird die Reduzierung in Sekunden oder als Prozentwert angegeben? Verfügen Sie über die nötigen Basiswerte? Ihr Pilotprojekt wird Ihre Argumente für Predictive Analytics viel nachdrücklicher belegen, wenn Sie das Ergebnis schnell und einprägsam darstellen und den Wert quantifizieren können. „Wir haben die Verarbeitungsdauer um 32 % gesenkt und konnten damit im Durchschnitt 18 Wochenstunden pro Mitarbeiter einsparen“ ist viel aussagekräftiger als „Wir haben die Verarbeitungsdauer deutlich verbessert“.
Fazit

Predictive Analytics ist die Zukunft – und die Gegenwart

Predictive Analytics ist keine neue Wissenschaft mehr, sondern ein praktisches Tool, das Unternehmen und Organisationen jeder Größe zur Lösung ihrer größten Geschäftsprobleme einsetzen. Ganz gleich an welchem Punkt des Wegs zu Predictive Analytics Sie stehen, von der Erkundung Ihrer Optionen bis hin zur Feinabstimmung einer bestehenden Implementierung – es ist extrem wichtig, dass Sie mit den Veränderungen in dieser sich schnell entwickelnden Disziplin Schritt halten.

Unternehmen benötigen einen Ansatz, der bisher komplexe und chaotische Daten in eine Chance statt in ein Risiko oder ein Hindernis verwandelt – und genau hier kommt Process Mining ins Spiel. In erster Linie bietet Process Mining eine bessere Methode, unterschiedliche und scheinbar unzusammenhängende Informationen zu analysieren und zu korrelieren, Schwachstellen zu identifizieren und schnell Maßnahmen zu ergreifen. Anstatt Stunden, Tage oder Wochen darauf zu verschwenden, Prozessfehler in Kalkulationstabellen zu beheben, können Sie mit dem richtigen Process Mining-Tool die vorhandenen Daten effektiver nutzen und einen höheren Business Value erzielen. Und auch wenn die Beseitigung des Datenchaos in Ihrem Unternehmen wie eine Herkulesaufgabe erscheinen mag, es lohnt sich auf jeden Fall, jetzt die entsprechende Initiative zu ergreifen – Sie werden langfristig in vielfacher Hinsicht davon profitieren.

Wenn Sie mehr über Predictive Analytics und ihre mögliche Anwendung auf Ihre IT-Infrastruktur erfahren möchten, laden Sie sich das Whitepaper The Power of Predictive IT von der Harvard Business Review und Splunk herunter.