Weißes Muster

Predictive Analytics

Weißes Muster

Einen Monat lang kostenlos testen

Erschließen Sie mit Computer Vision und Text Mining Erkenntnisse in unstrukturierten Daten. Erstellen Sie ML-Pipelines mit Assisted Modeling.

Content

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.


Überwachtes Lernenbedeutet, einem Algorithmus wird beigebracht, auf der Grundlage historischer Daten zu einer bestimmten Schlussfolgerung zu kommen. Wenn die Frage beispielsweise lautet: „Wird dieser Kunde abwandern?“, kann ein Analyst sich historische Daten dazu ansehen, wer in der Vergangenheit abgewandert ist, und einen Algorithmus darauf trainieren, zu bestimmen, welche Kunden aufgrund dieser Daten am wahrscheinlichsten abwandern werden. Kurz gesagt: Ein Analyst erstellt einen Trainings-Dataset mit einem bekannten Ergebnis (d. h. Abwanderung oder Nicht-Abwanderung), anhand dessen der Algorithmus dann ein Prognosemodell auf der Grundlage historischer Daten erstellt.

SurepvisedLearning

Unüberwachtes Lernen bedeutet, einen Algorithmus darauf zu trainieren, nach Ähnlichkeiten oder Mustern in Daten zu suchen und Dinge auf der Grundlage dieser Informationen zu gruppieren, ohne vorzugeben, wonach er suchen soll. Eine Streamingplattform kann beispielsweise unüberwachtes Lernen nutzen, um Benutzer basierend auf Ähnlichkeiten beim Zuschauerverhalten zu gruppieren. Der Streamingdienst kann dann diese Cluster oder Segmente verwenden, um eine Empfehlung dazu zu geben, was Zuschauer als Nächstes ansehen sollten.

UnsupervisedLearning

Die folgenden drei Arten von Algorithmen werden zur Prognosemodellierung verwendet:


Klassifizierung: ein überwachter Algorithmus, der eine Kategorie oder „Klassenbezeichnung“ auf Grundlage von historischen Daten 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.

Classification

Regression: ein überwachter Algorithmus, der einen Wert oder eine Zahl auf Grundlage historischer Daten vorhersagt. Beispiel: Auf Grundlage von Ort, Größe und anderen Faktoren kann ein Regressionsalgorithmus den Wert eines Hauses vorhersagen.

Regression

Clustering: ein unüberwachter Algorithmus, der Daten nach ähnlichen Mustern und Merkmalen in Gruppen unterteilt. Beispiel: 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.

Clustering

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. 

Abstraktes Bild
Kundenreferenz
5 Min. Lesezeit

Merlin Properties transformiert und automatisiert interne Audits mit Alteryx

Immobilien
Finanzen
Prozessautomatisierung
Jetzt lesen
Bericht
Bericht

Thomson Reuters Report: The 2022 State of the Corporate Tax Department

Die Technologie, die zur Erfüllung der wachsenden Anforderungen der digitalen Wirtschaft benötigt wird, stellt Steuerabteilungen von Unternehmen gleichzeitig vor mehrere Herausforderungen.

Finanzen
Thomson Reuters
Jetzt lesen
Abstraktes Bild
Kundenreferenz
5 Min. Lesezeit

Neustrukturierung mehrjähriger Mitarbeiteransprüche mit Alteryx

Grant Thornton erkannte den Bedarf an Services zur Sicherstellung der Gehaltsabrechnung und kreierte ein flexibles, skalierbares und kosteneffizientes Modell, um Arbeitnehmeransprüche exakt zu berechnen.

Finanzen
Personalwesen
Asien-Pazifik-Raum
Jetzt lesen

Starter-Kit für Predictive Analytics

Dieses Starter-Kit enthält Analysevorlagen, die Ihnen helfen, mithilfe von linearen Regressionsmodellen, Zeitreihenprognosen und A/B-Analysen Predictive Analytics durchzuführen.
Bild