Einer der wichtigsten Big-Data-Trends unserer Zeit ist Predictive Analytics. Dabei gibt es Unterschiede zu Business Intelligence, Business Analytics und Data Mining.
Vorhersagen von Straftaten?
Predictive Policing, die Vorhersage von Straftaten, wurde mit dem Science-Fiction-Thriller “Minority Report” Weltbekannt. Anhand einer Software, welche die Tatmuster vergangener Jahre auswertet wird ermittelt, wie wahrscheinlich ein Einbruch in einer bestimmten Region ist. So können präventiv bereits Streifenwagen in den gefährdeten Gegenden eingesetzt werden.
Bei Predictive Policing handelt es sich um eine Form von Predictive Analytics indem es darum geht Voraussagen über den Ausgang einer zukünftigen Situation zu treffen. Um sich einen Wettbewerbsvorteil zu verschaffen, wollen auch Unternehmen komplexe wirtschaftliche Zusammenhänge vorhersagen können.
Business Intelligence
Dank Business Intelligence (BI) können Unternehmen mithilfe systematisch gesammelter Unternehmensdaten Fragen zur aktuellen wirtschaftlichen Situation beantworten. Das Management wird bei operativen oder strategischen Entscheidungen von Kennzahlen und Auswertungen zum Monats- oder Quartalsende unterstützt.
Business Intelligence befasst sich mit der Vergangenheit, dessen Ereignisse und die Auswirkungen auf die aktuelle Zeit. Dafür werden Reportings, automatisiertes Monitoring, Dashboards, Ad-hoc-Anfragen sowie OLAP benutzt. Letzteres stellt Hypothesen auf, um diese mit gezielten Informationen zu verwerfen oder zu bestätigen.
Einen Schritt weiter geht es mit Business Analytics. Dieses setzt vor allem auf statistische Analysen von Unternehmensdaten. Dabei liefert es die Antworten zu den Gründen, Auswirkungen, Wechselwirkungen sowie den Folgen. Was geschehen würde, wenn wir die ein oder andere Sache verändern, ist mit dem Durchspielen diverser Handlungsalternativen ebenfalls möglich.
Predictive Analytics versucht mit Hilfe von Datenmodellen Vorhersagen über mögliche Ereignisse zu treffen, anstatt bestehende Situationen lediglich zu analysieren.
Data Mining und Predictive Analytics
Methoden und Werkzeuge des Data Mining spielen in Predictive Analytics eine wesentliche Rolle. Doch Predictive Analytics geht dabei über das Data Mining hinaus. Es nutzt weitere Methoden wie maschinelles Lernen, Elemente der Spieltheorie oder Simulationsverfahren. Zudem nutzt es Text-Mining, um aus unstrukturierten Textdaten Strukturen herauszufinden.
Beim Data Mining werden neuronale Netze genutzt, welche der Arbeitsweise des menschlichen Gehirns ähneln. So kann es mittels Datendurchläufen bestehende Strukturen und Muster lernen. Aus diesem Grund ist Data Mining eng mit maschinellem Lernen verwandt.
Während der Fokus beim Data Mining auf das Finden neuer Muster liegt, werden beim maschinellen Lernen neue Berechnungsfunktionen aus vorhandenen Daten abgeleitet. Algorithmen werden dabei so trainiert selbstständig aus vorliegenden Daten zu lernen, Datenmodelle zu erzeugen und diese anschließend für Prognosen und Entscheidungen einzusetzen.
Unterschiede Predictive und Prescriptive Analytics
Das Analytics-Reifegradmodell von Gartner unterscheidet bei der Einordnung von Predictive Analytics vier Stufen:
- Descriptive Analytics: Beschäftigung der Vergangenheit und dessen Auswirkung auf die Gegenwart.
- Diagnostic Analytics: Antworten auf Fragen nach Gründen, Auswirkungen, Wechselwirkungen oder Folgen von Ereignissen.
- Predictive Analytics: Vorhersagen über die Wahrscheinlichkeit von zukünftigen Ereignissen.
- Prescriptive Analytics: Was muss passieren, damit zukünftige Geschehnisse nicht oder doch eintreffen? Anhand von Handlungsempfehlungen können Ereignisse in eine gewünschte Richtung beeinflusst werden.
Predictive Analytics Anwendungsszenarien
Mittlerweile setzen viele Branchen auch außerhalb des Sicherheits-Bereichs auf Predictive Analytics. Smart Grid (Stromnetz) beispielsweise sagt den Strombedarf mittels Lastprognosen voraus. So kann der Stromverbrauch in Einklang gebracht werden. Beim Kredit-Scoring schätzen Banken das Risiko der Abzahlung eines vom Kunden angefragten Kredits ab.
Predictive Maintenance wird in der Industrie eingesetzt, um Daten zum Status von Anlagen zu sammeln und vorauszusagen, wann eine Wartung fällig ist. So kann rechtzeitig reagiert werden und einen möglichen Ausfall von wichtigen Maschinen verhindert werden. Dies kann entweder durch vorgezogene Wartungsarbeiten oder dem Einbauen von Ersatzteilen geschehen.
Anhand vom bisherigen Kaufverhalten von Kunden schlagen Webshops ihnen weitere ähnliche Produkte vor.
Predictive Analytics kann in so gut wie jedem Bereich und jedem Unternehmen angewendet werden. Mit fortschreitenden Einsatz und der stetigen Verbesserung sowie Anpassung lassen sich immer präzisere Vorhersagen treffen.
Hier gibt es weitere interessante Artikel.
