Predictive Analytics ist eine Art von Datenanalyse, die Machine Learning, statistische Algorithmen und andere Methoden verwendet, um zukünftige Ereignisse vorherzusagen.
Was ist Predictive Analytics?
Predictive Analytics ist eine Art von Datenanalyse, die Statistiken, Data
Science, Machine Learning und andere Methoden verwendet, um zukünftige
Ereignisse vorherzusagen. Predictive Analytics beantwortet die Frage: “Was
wird in Zukunft auf der Grundlage historischer Trends am wahrscheinlichsten
passieren?”
Unternehmen können Predictive Analytics einsetzen, um mögliche Risiken und
Chancen zu identifizieren. Einmal ermittelt, können mittels prädiktiven
Erkenntnissen Maßnahmen geplant werden, die ein Unternehmen ergreifen sollte.
Warum ist Predictive Analytics wichtig?
Predictive Analytics ist wichtig, da Unternehmen so genau einschätzen können,
was als Nächstes in einem Szenario passieren wird. So können Organisationen
potenzielle Probleme erkennen und mindern oder den Wettbewerb übertreffen,
indem sie neue Chancen schnell ergreifen.
Arten von Prognosemodellierung
Überwachtes Lernen und unüberwachtes Lernen sind zwei verschiedene
Modellierungsansätze, mit denen Prognosemodelle erstellt und spezifische
Probleme gelöst werden können.
Die folgenden drei Arten von Algorithmen werden zur Prognosemodellierung
verwendet:
vorhersagt. Beispiel: ein E-Mail-Client, der eine E-Mail auf Grundlage eines Klassifizierungsalgorithmus als „Spam“ einordnet, indem er frühere Attribute von Spam-E-Mails berücksichtigt.
Auf Grundlage von Ort, Größe und anderen Faktoren kann ein Regressionsalgorithmus den Wert eines Hauses vorhersagen.
Eine E-Commerce-Website kann einen Clustering-Algorithmus verwenden, um Kunden anhand der Browser- und Kaufhistorie zu sortieren und so eine fundierte Marketingstrategie zu entwickeln.
Wie funktioniert Predictive Analytics?
Predictive Analytics beginnt immer mit einem Geschäftsproblem
(Kundenabwanderung, ineffiziente Prozesse usw.). Der Prozess von Predictive
Analytics besteht anschließend aus den folgenden Schritten:
Die für die Entscheidung erforderlichen Daten erfassen: Dabei
kann es sich um Verhaltensdaten, Gerätedaten, Social-Media-Daten oder
Finanzdaten handeln – die historischen Daten, die bei der Vorhersage
zukünftiger Ergebnisse helfen.
Trainingsdaten integrieren, zusammenführen und bereinigen:
Make sure the data used to train the model is in the in the right shame and
format for the analytic techniques to be used.
Vorhersagemodell erstellen: Wählen Sie einen Algorithmus und
Startparameterwerte aus, und beginnen Sie den iterativen Prozess des
Vergleichens der Modellvorhersage mit der korrekten Ausgabe. Passen Sie dabei
die Parameterwerte so lange an, bis das Modell die Trainingsdaten genau
vorhersagt.
Prognosemodell validieren: Zeigen Sie dem Modell die
“ungesehenen” historischen Daten und vergleichen Sie seine Prognosen mit dem
tatsächlich Geschehenen, um sicherzustellen, dass das Modell nicht an die
Trainingsdaten überangepasst ist.
Prognosemodell bereitstellen: Hosten Sie das Modell, um
Zugriff auf eingehende Daten für Bewertungen bereitzustellen, während Sie die
Modellleistung überwachen und bei Bedarf ein erneutes Training durchführen.
Integration von Geschäftssystemen: Nutzen Sie den Predictive
Score, um Maßnahmen zu ergreifen (Prozessverbesserung, Predictive Maintenance,
Geräteüberwachung).
Anwendungsfälle für Predictive Analytics
Predictive Analytics kann verschiedenen Unternehmen und Abteilungen dabei
helfen, wichtige Ziele zu erreichen und Probleme zu lösen. Es gibt Hunderte
von Beispielen für Predictive Analytics. Nachfolgend finden Sie einige
allgemeine Fälle aus verschiedenen Bereichen.
Kundenerfolg
- Prognostizieren Sie, welche Kunden innerhalb eines bestimmten Zeitraums
wahrscheinlich abwandern werden, damit Sie Maßnahmen ergreifen können, um
den Verlust wertvoller Kunden zu verhindern - Kategorisieren Sie Kunden anhand von Mustern in vordefinierte Gruppen
(oder Segmente), um mehr über sie zu erfahren.
Gesundheitswesen
- Prognostizieren Sie, welche Patienten ihre Termine wahrscheinlich nicht
wahrnehmen werden, damit Sie die Produktivität von Ärzten durch minimale
Ausfallzeiten steigern können. - Prognostizieren Sie, welche Patienten wahrscheinlich unzufrieden sind und
warum. Verwenden Sie diese Informationen, um zu bestimmen, wie die
Patientenzufriedenheit verbessert werden kann.
Versicherung
- Sagen Sie das Stornoverhalten von Versicherungsnehmern voraus, und
entwickeln Sie eine Strategie, um die Bindung zu erhöhen. - Prognostizieren Sie, welche Ansprüche wahrscheinlich erfolgreich
abgetreten werden, damit Sie sich voll und ganz auf Ansprüche mit hohem
Potenzial konzentrieren und die Wiederherstellung von Schadenzahlungen
optimieren können.
Marketing
- Prognostizieren Sie, welche Empfänger wahrscheinlich an einer Umfrage
teilnehmen werden. - Prognostizieren Sie, welche Kunden wahrscheinlich auf Kampagnenbotschaften
reagieren werden, und priorisieren Sie die Kontaktaufnahme mit diesen
Kunden.
Sales
- Prognostizieren Sie, welche potenziellen Kunden wahrscheinlich reagieren
werden, und priorisieren Sie die Kontaktaufnahme mit ihnen. - Prognostizieren Sie, welche anderen Produkte Kunden wahrscheinlich kaufen
werden, damit Sie sich auf Cross- und Up-Selling konzentrieren können.
Anleitung: Erste Schritte mit Predictive Analytics
Die Alteryx
Analytic Process Automation Platform™
stellt Predictive Analytics innerhalb des gesamten Analyse-Workflows bereit.
Datenzugriff, -vorbereitung und -modellierung sowie das Teilen von
Analyseergebnissen erfolgen alle an einem Ort und auf einer
benutzerfreundlichen Plattform.
Laden Sie das
Starter-Kit für Predictive Analytics
kostenfrei herunter und sehen Sie, wie Alteryx Predictive Analytics
zugänglicher und agiler macht. Im Lieferumfang des Solution Kits sind
Analysevorlagen enthalten, mit denen Sie lernen können, wie Sie die
Low-Code-/No-Code-Tools in Alteryx verwenden, um Kundenausgaben vorherzusagen,
Zeitreihenprognosen zu erstellen und Ihre Preisgestaltung zu optimieren.
Für weitere Informationen zu den Predictive-Analytics-Lösungen von Alteryx,
wenden Sie sich jederzeit gerne an uns.