Blog

Rainer Pollmann

Rainer Pollmann

Predictive Analytics

Predictive Analytics verwendet Daten, um zukünftige Ereignisse vorherzusagen. Im Allgemeinen werden historische Daten verwendet, um ein mathematisches Modell zu erstellen, das wichtige Trends berechnet. Dieses prädiktive Modell (voraussagende Model) wird dann auf aktuelle Daten angewendet, um vorherzusagen, was als Nächstes passieren wird, oder um Aktionen vorzuschlagen, mit denen optimale Ergebnisse erreicht werden können.

Predictive Analytics wird in den letzten Jahren zunehmend im Controlling für Planung & Simulation eingesetzt, vor allem in den Bereichen von Big Data und Machine Learning.

Big Data

Predictive Analytics wird häufig im Kontext von Big Data verwendet. Hier verwenden Unternehmen Predictive Analytics, um genauere Vorhersagen zu auf der Basis von strukturierten Daten erzeugen. Mit diesen Vorhersagen ist eine effektivere Ressourcenplanung möglich.

Funktionsweise Predictive Analytics

Predictive Analytics ist ein Verfahren, in dem Datenanalysen verwendet werden, um Vorhersagen anhand von Daten zu treffen. Dieser Prozess verwendet Daten zusammen mit Analysen, Statistiken und Machine Learning-Techniken, um ein Modell für die Vorhersage zukünftiger Ereignisse zu erstellen.

Der Begriff „Predictive Analytics“ beschreibt die Anwendung einer Statistik- oder Machine-Learning-Technik zur Erstellung einer quantitativen Zukunftsvorhersage. Häufig werden Techniken des überwachten Machine Learning verwendet, um einen zukünftigen Wert vorherzusagen (Wie lange kann dieses Gerät genutzt werden, bevor es eine Wartung benötigt?) oder eine Wahrscheinlichkeit zu schätzen (Wie wahrscheinlich ist es, dass dieser Kunde einen Kredit nicht zurückzahlt?).

Predictive Analytics beginnt mit einem Ziel:
Daten sollen verwendet werden, um Verschwendung zu reduzieren, Zeit zu sparen oder Kosten zu senken. Der Prozess bindet heterogene, häufig sehr große Datenmengen in Modelle ein, die klare, handlungsrelevante Ergebnisse erzeugen könne, um die Erreichung dieses Ziels zu unterstützen, wie z. B. weniger Materialverschwendung, weniger Lagerbestand und ein hergestelltes Produkt, das die Spezifikationen erfüllt.

Predictive Analytics Workflow

Wir alle kennen prädiktive Modelle für die Wettervorhersage. Eine wichtige Anwendung prädiktiver Modelle in der Industrie dient der Vorhersage der Stromlasten, mit der die Nachfrage nach Energie vorhergesagt wird. In diesem Fall benötigen Energieerzeuger, Netzbetreiber und Händler genaue Vorhersagen der Stromlasten, um Entscheidungen zur Verwaltung von Lasten im Stromnetz zu treffen. Riesige Datenmengen stehen zur Verfügung, und mit prädiktiven Analysen können Netzbetreiber diese Informationen in handlungsrelevante Einblicke verwandeln.

 Workflow Predictive Analisys

 Schritt-für-Schritt-Workflow für einen Forecast

Im Allgemeinen folgt der Workflow für eine Anwendung der prädiktiven Analyse diesen grundlegenden Schritten:

  1. Importieren von Daten aus verschiedenen Datenquellen wie beispielsweise Webarchiven, Datenbanken und Kalkulationstabellen:
  2. Bereinigung der Daten durch Entfernen von Ausreißern und Kombinieren von Datenquellen:
  3. Identifizieren Sie Datenspitzen, fehlende Daten oder anomale Punkte, die aus den Daten entfernt werden sollen. Aggregieren Sie die unterschiedliche Datenquellen zu einer einzelnen Tabelle mit allen relevanten Daten.
  4. Entwickeln eines genauen prädiktiven Modells auf Grundlage der aggregierten Daten unter Verwendung von Statistikinstrumenten, Werkzeugen zur Kurvenanpassung oder Machine Learning

Entwickeln von predictive models

 Prädiktive Modellierung verwendet Methoden der Mathematik und der Informatik, um ein Ereignis oder Ergebnis vorherzusagen. Diese Modelle sagen anhand von Veränderungen an den Modelleingaben ein Ergebnis in einem zukünftigen Zustand oder zu einem zukünftigen Zeitpunkt voraus. Sie entwickeln das Modell in einem iterativen Prozess mit einer Trainings-Datenmenge und testen und prüfen es dann, um die Genauigkeit seiner Vorhersagen zu ermitteln. Sie können unterschiedliche Machine-Learning-Ansätze ausprobieren, um das effektivste Modell zu finden.

Szenarien & Simulation

Controller arbeiten häufig in der Planungsphase mit Szenario-Technik und der Fragestellung „Was-wäre-wenn…“, bei der dann eine oder mehrere Variablen verändert werden. Das lässt sich bei bestimmten Fragestellungen, wie Kosten gut ermitteln, weniger aber wenn es um Marktentwicklung geht oder z.B. die Reaktion von Kunden auf Marketing-Maßnahmen unter Berücksichtigung der Marketing-Maßnahmen von Mitwettbewerbern.

Mit Stochastischen Modellen, wie z.B. der Monte-Carlo-Simulation oder Entscheidungsbäumen, können die Parameter einer Simulation gut durchgerechnet werden. Während eine Monte-Carlo-Simulation  mit den „Bordmitteln“ von Excel (bzw. dem Add-In Crystal Ball) gut durchgeführt werden kann, benötigt man für Entscheidungsbäume die Sprache R, die als Add-In (z.B. BERT) zur Verfügung stehen.

Literatur:

Gleich, Grönke, Kirchmann, Leyk (Hrsg.): Strategische Unternehmensführung mit Advanced Analytics, Haufe (2017)


Wenn Ihnen dieser Beitrag gefallen hat, dann teilen  Sie ihn gerne. Falls Sie Anmerkungen haben, schreiben Sie bitte einen Kommentar, oder senden Sie mir eine Mail an info@prt.de.

Beitrag teilen:

Share on facebook
Share on twitter
Share on linkedin
Share on whatsapp
Share on xing
Share on email
Share on print

Up to date bleiben

Melden Sie sich für unseren Newsletter an!