Was ist Predictive Analytics?
Predictive Analytics beschreiben die Verwendung von Statistiken und Modellen zur Bestimmung der zukünftigen Leistung auf der Grundlage aktueller und historischer Daten. Predictive Analytics untersucht Muster in Daten, um festzustellen, ob diese Muster wahrscheinlich erneut auftreten. Auf diese Weise können Unternehmen und Investoren anpassen, wo sie ihre Ressourcen einsetzen, um mögliche zukünftige Ereignisse zu nutzen.
Die zentralen Thesen
- Predictive Analytics ist die Verwendung von Statistiken und Modellierungstechniken zur Bestimmung der zukünftigen Leistung. Es wird als Entscheidungsinstrument in einer Vielzahl von Branchen und Disziplinen wie Versicherungen und Marketing eingesetzt. Predictive Analytics und maschinelles Lernen werden jedoch häufig miteinander verwechselt Sie sind verschiedene Disziplinen.
Grundlegendes zu Predictive Analytics
Es gibt verschiedene Arten von Predictive Analytics-Methoden. Beim Data Mining werden beispielsweise große Datenmengen analysiert, um daraus Muster zu erkennen. Die Textanalyse funktioniert genauso, mit Ausnahme von großen Textblöcken.
Vorhersagemodelle untersuchen vergangene Daten, um die Wahrscheinlichkeit bestimmter zukünftiger Ergebnisse zu bestimmen, während deskriptive Modelle vergangene Daten untersuchen, um zu bestimmen, wie eine Gruppe auf einen Satz von Variablen reagieren kann.
Predictive Analytics ist ein Entscheidungsinstrument in einer Vielzahl von Branchen. Zum Beispiel untersuchen Versicherungsunternehmen Antragsteller, um die Wahrscheinlichkeit zu bestimmen, dass sie für einen künftigen Anspruch eine Auszahlung leisten müssen, basierend auf dem aktuellen Risikopool ähnlicher Versicherungsnehmer sowie vergangenen Ereignissen, die zu Auszahlungen geführt haben. Marketer untersuchen, wie die Verbraucher bei der Planung einer neuen Kampagne auf die Gesamtwirtschaft reagiert haben, und können anhand der demografischen Veränderungen feststellen, ob der aktuelle Produktmix die Verbraucher zum Kauf anregt.
Aktive Händler betrachten eine Vielzahl von Metriken, die auf vergangenen Ereignissen basieren, wenn sie entscheiden, ob sie ein Wertpapier kaufen oder verkaufen. Die gleitenden Durchschnitte, Bänder und Haltepunkte basieren auf historischen Daten und werden zur Vorhersage zukünftiger Preisbewegungen verwendet.
Häufige Missverständnisse der Predictive Analytics
Ein weit verbreitetes Missverständnis ist, dass Predictive Analytics und Machine Learning dasselbe sind. Die prädiktive Analytik umfasst im Kern eine Reihe statistischer Techniken (einschließlich maschinelles Lernen, prädiktive Modellierung und Data Mining) und verwendet Statistiken (sowohl historische als auch aktuelle), um zukünftige Ergebnisse abzuschätzen oder vorherzusagen. Predictive Analytics helfen uns, mögliche zukünftige Ereignisse zu verstehen, indem wir die Vergangenheit analysieren. Während maschinelles Lernen andererseits ein Teilgebiet der Informatik ist, das nach der Definition von Arthur Samuel aus dem Jahr 1959 - einem amerikanischen Pionier auf dem Gebiet des Computerspiels und der künstlichen Intelligenz - Computer zum Lernen befähigt, ohne explizit programmiert zu werden."
Zu den gängigsten Vorhersagemodellen gehören Entscheidungsbäume, Regressionen (linear und logistisch) und neuronale Netze - ein aufstrebendes Feld für Deep-Learning-Methoden und -Technologien.
Beispiel für Predictive Analytics
Prognosen sind eine wesentliche Aufgabe in der Fertigung, da sie eine optimale Nutzung der Ressourcen in einer Lieferkette gewährleisten. Kritische Speichen des Lieferkettenrads, ob Bestandsverwaltung oder Werkstatt, erfordern genaue Prognosen für die Funktionsweise. Die prädiktive Modellierung wird häufig verwendet, um die Qualität der für solche Prognosen verwendeten Daten zu bereinigen und zu optimieren. Durch die Modellierung wird sichergestellt, dass mehr Daten vom System erfasst werden können, auch aus kundenbezogenen Vorgängen, um eine genauere Prognose zu gewährleisten.
