Predictive Analytics

Predictive Analytics wird – ähnlich wie Web Analytics – dem Thema Business Intelligence zugerechnet. Gemeint ist damit die Erhebung von Daten, deren Zweck es ist, Vorhersagen über künftige Entwicklungen treffen zu können. Grundlage für die Vorhersagen sind bereits vorhandene Daten aus der Vergangenheit. Technologien wie Machine Learning können eingesetzt werden, um immer zuverlässiger und genauer Aussagen über die Zukunft treffen zu können. Durch ein wachsendes Maß an Automatisierungen und maschinellem Lernen lassen sich nicht nur immer genauere Prognosen treffen, auch verkürzen sich die Zeiträume, die für die Vorhersagen benötigt werden, immer weiter[1].

Allgemeine Informationen zum Thema[Bearbeiten]

Da Predictive Analytics darauf abzielt, Methoden zur Datenerfassung zu verwenden, die in Echtzeit angewendet werden, kommen die Informationen sehr schnell zustande. Genutzt werden Daten aus der Vergangenheit und der Gegenwart, was zu relativ verlässlichen Analysen für zukünftige Entwicklungen führt. Um Prognosen für die Zukunft zu erstellen, werden statistische Methoden verwendet, Simulationen mit Worst-Case- und Best-Case-Szenarien durchgeführt und wird mit Datenmodellen gearbeitet. Bei Eingabe der entsprechenden Daten in die angewendeten Systeme kann Unterstützung geleistet werden bei der Risikobewertung und der Ressourcenplanung, und eben auch bei der Frage, was bisher warum passiert ist und künftig passieren kann bzw. sollte. Die Analysen werden mittels Data Minings erfasst, die zum Beispiel die Klassifizierung (Clustering), neuronale Netze, die Entscheidungsbaumanalyse und Assoziationsanalysen enthalten.

So nutzen beispielsweise Banken die Entscheidungsbaumanalyse, um Kreditkartenbetrug zu erkennen oder Profile von Kunden zu erstellen, die mit großer Wahrscheinlichkeit nicht in der Lage sind, ihre Kreditverbindlichkeiten zu erfüllen.

Das Marketing nutzt dagegen Clustering und Assoziationsanalysen, um Informationen über Warenkorbanalysen, Absatzprognosen, Kundensegmentierung oder Missbrauchserkennung zu erhalten. Mittels Cluster-Analysen lassen sich bestehende Kunden in neue Gruppen einteilen, um so zum Beispiel Kunden, die profitabler sind, von solchen zu unterscheiden, die weniger profitabel sind[2].

Vier Formen von Predictiv Analytics[Bearbeiten]

Predictiv Analytics kommt nicht nur in unterschiedlichen Branchen zum Einsatz, es wird auch in verschiedenen Lebensbereichen eingesetzt. Ein kurzer Überblick erlaubt eine Sicht auf die Anwendungsmöglichkeiten von Predictiv Analytics:

  • Predictiv Maintenance: Diese Methode kommt in der Regel in produzierenden Unternehmen zum Einsatz. Sie dient der Erfassung und Auswertung von Maschinendaten, also etwa dem aktuellen Verschleiß oder der allgemeinen Beanspruchung. Auf diese Weise können in der Zukunft liegende Defekte schon erkannt werden, bevor sie auftreten, entsprechende Maßnahmen können in die Wege geleitet werden. Durch das Erkennen von Schwachstellen können Behinderungen oder gar der Totalausfall in der Produktion vermieden werden.
  • Predictiv Quality: Auf diesem Gebiet geht es nicht um die Analyse von Maschinen, sondern um das Augenmerk auf das hergestellte Produkt. Anhand von Musterdaten können Mängel an der Qualität von Produkten erkannt und somit schnell behoben werden.
  • Predictiv Policing: Diese Art wird angewendet, um Daten zu sammeln, die der Reduzierung von Kriminalität dienen. So werden beispielsweise Daten darüber gesammelt, in welchen Stadtteilen und zu welcher Uhrzeit die meisten Verbrechen passieren. Aufgrund der Auswertungen können in den untersuchten Gegenden die Patrouillenfahrten erhöht und so der Kriminalität präventiv begegnet werden.
  • Faud Detection: Diese Methode zielt in eine ähnliche Richtung ab wie Predictiv Policing. Hierbei geht es jedoch vornehmlich um das Aufspüren und Vorbeugen von Unterschlagung und Betrug. Durch den Einsatz von Algorithmen lassen sich verdächtige Vorgänge nicht nur überprüfen, sondern bei Bedarf auch aufhalten, bis es zu einer manuellen Klärung des jeweiligen Falls gekommen ist.


Der Einsatz von Predictiv Analytics im beruflichen Bereich ist vielfältig. So wird die Methodik beispielsweise im Finanzmanagement, im Personalmanagement, in der Gesundheits- oder der Versicherungsbranche angewendet, um verlässliche Daten zu gewinnen, die für die Zukunft ausgewertet und verwendet werden können[3].

Anbieter von Predictiv Analytics[Bearbeiten]

Hinsichtlich des Angebots von Tools für Predictiv Analytics kann SAP zwar als Marktführer bezeichnet werden, doch andere Anbieter bieten ebenfalls Tools an, die diese Aufgabe übernehmen können. Zu ihnen gehören etwa Qlik, IBM Cognos, SAS hart oder Tableau Software.

Aufgrund der Marktsituation ist SAP gezwungen, sein System auch für alternative Anbieter offen zu halten und die Integration zu erlauben. Gleichzeitig ist der „Platzhirsch“ bemüht, die eigenen Lösungen gegenüber der Konkurrenz vorn zu halten. Dennoch sind viele Mitbewerber qualitativ nicht nur gleichwertig, sondern in Teilen sogar besser als die Angebote von SAP. Welche Lösung die beste ist, hängt also mit der Frage der genauen Einsatzbereiche zusammen und lässt sich weder in die eine noch in die andere Richtung pauschal beantworten[4].

Bedeutung für die Webanalyse[Bearbeiten]

In bestimmten Bereichen oder Branchen ist Predictiv Analytics schon heute kaum noch wegzudenken. Und es ist davon auszugehen, dass diese Entwicklung sich nicht nur fortsetzt, sondern auf zahlreiche andere Bereiche übergreifen wird. In den beschriebenen Branchen wie der Produktion oder Dienstleistungen wie der Finanz- oder Versicherungswirtschaft stehen Anbieter, die Predictiv Analytics nutzen, zeitweise der Konkurrenz gegenüber spürbar besser da. Der Trend – so die Vermutung – wird sich nicht aufhalten lassen, sondern an Gewicht und Relevanz gewinnen.

Einzelnachweise[Bearbeiten]

  1. Predictive Analytics: Definition von mso-digital.de sumago.de. Abgerufen am 19.11.2018
  2. Ratgeber für den Mittelstand: was ist was bei Big Data techchannel.de. Abgerufen am 19.11.2018
  3. Predictive Analytics: Definition management-circle.de. Abgerufen am 19.11.2018
  4. Vor und Nachteile beim Einsatz von Drittanbietern für SAP Analytics searchenterprisesoftware.de Abgerufen am 19.11.2018

Weblinks[Bearbeiten]