Predictive Analytics

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.

 

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.

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.

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.

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.

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.