Predictive Analytics (prädiktive Analyse)

Was ist Predictive Analytics (prädiktive Analyse)?

Predictive Analytics, auf Deutsch prädiktive oder vorausschauende Analyse, ist eine Form der fortgeschrittenen Analyse (Advanced Analytics), bei der aktuelle und historische Daten zur Vorhersage von Aktivitäten, Verhaltensweisen und Trends verwendet werden. Dabei werden statistische Analysetechniken, Datenabfragen und Algorithmen für maschinelles Lernen auf Datensätze angewendet, um Vorhersagemodelle zu erstellen, die die Wahrscheinlichkeit des Eintretens einer bestimmten Aktion oder eines bestimmten Ereignisses mit einem numerischen Wert – oder Score – versehen.

Die prädiktive Analyse ist eine Schlüsseldisziplin im Bereich der Datenanalyse, einem Überbegriff für die Verwendung quantitativer Methoden und Expertenwissen, um aus Daten Erkenntnisse zu gewinnen und grundlegende Fragen zu einem Unternehmen, dem Wetter, dem Gesundheitswesen, der wissenschaftlichen Forschung und anderen Untersuchungsbereichen zu beantworten. Im Zusammenhang mit Unternehmen, dem Schwerpunkt dieses Artikels, wird dieser Prozess oft als Geschäftsanalyse (Business Analytics, BA) bezeichnet.

Es gibt drei Hauptarten der Geschäftsanalyse. Die häufigste Art ist die beschreibende Analyse (desktiptive Analyse), die einen Bericht über die Ereignisse in einem Unternehmen liefert. Die prädiktive Analyse unterstützt Unternehmen dabei, wahrscheinliche Ereignisse vorherzusagen. Sie sucht nach Mustern in Daten und projiziert diese in die Zukunft, um Unternehmen dabei zu helfen, Risiken zu minimieren und Chancen zu nutzen. Die dritte Kategorie, die präskriptive Analyse (Prescriptive Analytics), schreibt eine nächste beste Vorgehensweise vor oder führt sie automatisch aus, basierend auf den Erkenntnissen, die durch die beiden anderen Arten der Analyse gewonnen wurden. Zwei weitere Analysemethoden spielen manchmal eine Rolle im Business-Analytics-Kontinuum: die diagnostische Analyse, die untersucht, warum etwas passiert ist, und die Echtzeitanalyse (Real-Time Analytics), die Daten analysiert, während sie generiert, gesammelt oder aktualisiert werden.

In diesem Leitfaden zur prädiktiven Analyse wird näher erläutert, was sie ist, warum sie wichtig ist und welche geschäftlichen Vorteile sie bietet. Sie finden außerdem Informationen zu den in der prädiktiven Analyse verwendeten Tools und Techniken, Beispiele für ihre Verwendung in verschiedenen Branchen, einen fünfstufigen prädiktiven Analyseprozess und vieles mehr.

Noch ein wenig Kontext, bevor wir eintauchen. Business-Intelligence-Systeme (BI), die Anfang der 1990er Jahre aufkamen und bis in die 2000er Jahre in Unternehmen weit verbreitet waren, unterstützen Unternehmen ebenfalls, bessere Entscheidungen zu treffen, indem sie Daten aus der Vergangenheit sammeln, speichern, analysieren und darüber berichten. Da sich BI-Plattformen weiterentwickelt haben, um Big Data und neue Technologien wie Cloud Computing, das Internet der Dinge (Internet of Things, IoT) und künstliche Intelligenz (KI) zu berücksichtigen, betrachten einige Leute Business Analytics heute als eine Untergruppe von Business Intelligence; andere verwenden die beiden Begriffe synonym.

Da maschinelles Lernen inzwischen für die prädiktive Analyse von grundlegender Bedeutung ist, werden viele prädiktive Analyseprojekte einfach als maschinelles Lernen oder datenwissenschaftliche Anwendungen bezeichnet. Die feinen Unterschiede und Überschneidungen zwischen diesen Begriffen sind für Experten wichtig, in der Praxis jedoch nicht so sehr. Wie der Business-Analytics-Experte Dursun Delen in seinem kürzlich aktualisierten Lehrbuch über prädiktive Analysen feststellte, ist das Ziel unabhängig von der verwendeten Terminologie dasselbe: die Gewinnung umsetzbarer Erkenntnisse aus großen und funktionsreichen Daten.

Warum sind prädiktive Analysen wichtig?

Der Bedarf an prädiktiven Analysen ist heute wohl größer als je zuvor. „Die traditionelle Auffassung, aus Fehlern zu lernen, gilt nicht mehr; die Realität sieht heutzutage eher so aus: Ein Fehler und man ist draußen“, schreibt Delen, Professor für Managementwissenschaften und Informationssysteme an der Oklahoma State University, in seiner Einleitung zu Predictive Analytics, Second Edition. „Die Organisationen, die Geschäftsanalysen nutzen, können unter diesen Bedingungen nicht nur überleben, sondern oft auch florieren.“

Daten sind das Lebenselixier der Geschäftsanalytik und zunehmend auch der Treibstoff des Geschäfts. Große und kleine Unternehmen stützen sich auf Daten, die aus ihren Betriebsabläufen und externen Quellen generiert und gesammelt werden. Beispielsweise sammeln Unternehmen Daten zu jedem Schritt des Kaufprozesses und verfolgen, wann, was, wie viel und wie häufig Kunden kaufen. Sie verfolgen auch Kundenabwanderungen, Beschwerden, verspätete Zahlungen, Kreditausfälle und Betrug.

Die riesigen Datenmengen, die Unternehmen über ihre Kunden, Geschäftsabläufe, Lieferanten, Mitarbeiterleistungen und so weiter sammeln, sind jedoch nur dann nützlich, wenn sie auch genutzt werden. „Daten sind in Geschäftsabläufen so allgegenwärtig geworden, dass es an sich kein entscheidender Unterschied ist, lediglich Zugang zu mehr oder besseren Daten zu haben“, sagt Donald Farmer, Principal bei der Beratungsfirma TreeHive Strategy. „Was sich heute auf die Geschäftsergebnisse auswirkt, ist die Art und Weise, wie wir unsere Daten verstehen und entsprechend handeln. Dieses Verständnis erfordert Analysen.“

Vorausschauende Analysen verschaffen Unternehmen einen Vorsprung, indem sie nach aussagekräftigen Mustern in diesen kumulativen Daten suchen und dann Modelle erstellen, die vorhersagen, was in Zukunft wahrscheinlich passieren wird. Wie wahrscheinlich ist es beispielsweise, dass ein Kunde auf der Grundlage seines bisherigen Verhaltens und des Verhaltens anderer Kunden mit ähnlichen Merkmalen auf eine bestimmte Art von Marketingangebot reagiert, mit einer Zahlung in Verzug gerät oder abspringt?

Kluge Vertriebs- und Marketingabteilungen nutzen schon seit Langem die Vorteile von Vorhersagemodellen, aber der Einsatz von Vorhersageanalysen ist mittlerweile in allen Unternehmensfunktionen und Branchen zu finden. Sie werden von Unternehmen taktisch eingesetzt, um wichtige Leistungskennzahlen zu verbessern, indem sie Risiken reduzieren, Betriebsabläufe optimieren und die Effizienz steigern, und um Strategien festzulegen, die letztlich einen Wettbewerbsvorteil verschaffen.

Fortgeschrittene Techniken wie Vorhersageanalysen können jedoch eine Herausforderung darstellen, wie im Folgenden erläutert wird.

Wie funktioniert prädiktive Analyse?

Softwareanwendungen für die prädiktive Analyse verwenden mess- und analysierbare Variablen, um das wahrscheinliche Verhalten von Personen, Maschinen oder anderen Einheiten vorherzusagen.

Mehrere Variablen werden zu einem Vorhersagemodell kombiniert, das in der Lage ist, zukünftige Wahrscheinlichkeiten mit einem akzeptablen Maß an Zuverlässigkeit zu bewerten. Die Software stützt sich stark auf fortschrittliche Algorithmen und Methoden, wie logistische Regressionsmodelle, Zeitreihenanalysen und Entscheidungsbäume (siehe Abschnitt Techniken der prädiktiven Analyse unten).

Die Entwicklung dieser Prognosen ist nicht unbedingt einfach, schnell oder unkompliziert. Wie Elif Tutuk, Vice President of Innovation and Design beim BI- und Datenmanagement-Softwareanbieter Qlik, sagt, kann allein die Datenerfassung Monate oder sogar Jahre dauern. Darüber hinaus werden die Vorhersageergebnisse negativ beeinflusst, wenn die Daten ungenau oder veraltet sind oder die falschen Tools verwendet werden.

Der Prozess der prädiktiven Analyse variiert je nach Branche, Bereich und Organisationsreife. Ein einfaches Beispiel für den Einsatz prädiktiver Analysen ist der Kauf einer Anwendung – beispielsweise einer Betrugserkennungsmaschine oder eines Spamfilters –, die mit prädiktiven Analysefunktionen und einem Mechanismus für die zeitnahe Rückmeldung an die für den Dienst verantwortlichen Personen ausgestattet ist. Am anderen Ende des Spektrums stehen Organisationen, die robuste Rahmenbedingungen für die Entwicklung, Freigabe, Bereitstellung und Iteration von prädiktiven Modellen schaffen, die auf ihr Unternehmen zugeschnitten sind.

Wie man einen prädiktiven Analyseprozess entwickelt

Eine detaillierte Beschreibung der wichtigsten Schritte bei der Bereitstellung von prädiktiven Analysen und der dafür erforderlichen Fähigkeiten finden Sie in George Lawtons Artikel Fünf notwendige Prozesse für Predictive Analytics. Hier ist eine Zusammenfassung der einzelnen Schritte:

1. Anforderungen definieren. Verstehen Sie das Geschäftsproblem, das Sie zu lösen versuchen. Geht es um die Verwaltung des Lagerbestands? Die Reduzierung von Betrug? Die Vorhersage von Verkäufen? Es ist ein guter Anfang, Fragen zum Problem zu generieren und sie in der Reihenfolge ihrer Wichtigkeit aufzulisten. Die Zusammenarbeit mit einem Statistiker in dieser Phase kann bei der Erstellung von Kennzahlen zur Erfolgsmessung helfen. Ein Geschäftsanwender oder Fachexperte übernimmt in der Regel die Leitung dieses ersten Schritts.
2. Daten erkunden. Hier sollten Sie einen Statistiker oder Datenanalysten oder beide hinzuziehen. Die Aufgabe besteht darin, die Daten zu identifizieren, die Aufschluss über das zu lösende Problem und das Ziel geben. Berücksichtigen Sie die Relevanz, Eignung, Qualität und Sauberkeit der Daten.
3. Modell entwickeln. Ein Datenwissenschaftler kann dabei unterstützen, herauszufinden, welche Vorhersagemodelle am besten zur Lösung des Problems geeignet sind. Es ist wichtig, mit verschiedenen Funktionen, Algorithmen und Prozessen zu experimentieren, um ein Gleichgewicht zwischen Leistung, Genauigkeit und anderen Anforderungen, wie zum Beispiel der Erklärbarkeit, zu finden.
4. Modell bereitstellen. Sobald das Modell vom Datenwissenschaftler genehmigt wurde, bestimmt ein Dateningenieur, wie die erforderlichen Rohdaten am besten abgerufen, bereinigt und transformiert werden können, um das Modell in großem Maßstab und vor allem auf eine Weise bereitzustellen, die einen bedeutenden Unterschied macht – zum Beispiel durch die Integration eines neuen Bewertungsalgorithmus in den Arbeitsablauf des Verkaufsteams.
5. Validierung der Ergebnisse. Die Leistung des Modells kann sich im Laufe der Zeit aufgrund von Veränderungen der Kundenpräferenzen oder des Geschäftsklimas oder aufgrund unvorhergesehener Ereignisse ändern. Die Schwellenwerte für die Aktualisierung von Modellen variieren, sodass in diesem Schritt das gemeinsame Fachwissen eines Geschäftsanwenders und eines Datenwissenschaftlers erforderlich ist.

Die Nutzung und Effektivität von prädiktiven Analysen hat mit dem Aufkommen von Big-Data-Systemen zugenommen. Da Unternehmen immer größere und umfassendere Datenbestände in Hadoop-Clustern, Cloud-Datenseen und anderen Big-Data-Plattformen angesammelt haben, haben sie mehr Möglichkeiten für das Data Mining geschaffen, um prädiktive Erkenntnisse zu gewinnen. Die verstärkte Entwicklung und Vermarktung von Tools für maschinelles Lernen durch IT-Anbieter hat ebenfalls dazu beigetragen, die Möglichkeiten der prädiktiven Analyse zu erweitern.

Ebenso wie sich BI-Tools weiterentwickelt haben, um benutzerfreundlicher zu werden und sich dadurch weiter verbreitet haben, ist dieser Trend auch bei fortgeschrittenen Analysen zu beobachten. Dieses Thema wird weiter unten in den Abschnitten „Vorhersageanalyseinstrumente“ und „Die Zukunft der Vorhersageanalyse“ behandelt.

Dennoch kann die Bereitstellung von Vorhersageanalysen mühsam, zeitaufwendig und kompliziert sein – und die Vorteile dieser Arbeit sind keineswegs garantiert.

Diese vier Punkte helfen Ihnen, bei der Entwicklung einer Strategie für prädiktive Analysen erfolgreich zu sein, wie Donald Farmer von TreeHive in seinem Artikel Was Unternehmen mit Predictive Analytics erreichen empfiehlt:

1. Gute Vorhersagen basieren auf guten Daten. Unvollständige oder ungenaue Daten führen nicht zu guten Prognosen.
2. Gute zukünftige Ergebnisse hängen von der Auswahl der besten prädiktiven Modellierungstechniken ab, wenn nach Mustern in Datensätzen gesucht wird. Datenwissenschaftler sind darin geschult, und neue automatisierte maschinelle Lernsysteme können Modelle ausführen, um die besten Ansätze zu finden.
3. Mehrdeutigkeit ist bei Vorhersagen unvermeidlich – ein typisches Beispiel sind Wettervorhersagen. Lernen Sie, mit unvollkommenen Ergebnissen zu arbeiten.
4. Ihre Vorhersagen sollten umsetzbare Erkenntnisse sein. Sie sollten in der Lage sein, die Vorhersage für etwas Nützliches zu verwenden und ihre Genauigkeit in Zukunft zu testen.

Wofür wird prädiktive Analyse eingesetzt?

Wettervorhersagen sind eine der bekanntesten Anwendungen der prädiktiven Modellierung. Die prädiktive Analyse wird auch zur Vorhersage von Wahlen, zur Vorhersage der Ausbreitung von Krankheiten und zur Modellierung der Auswirkungen des Klimawandels eingesetzt.

In der Geschäftswelt hilft die prädiktive Modellierung Unternehmen dabei, Betriebsabläufe zu optimieren, die Kundenzufriedenheit zu verbessern, Budgets zu verwalten, neue Märkte zu identifizieren, die Auswirkungen externer Ereignisse vorherzusehen, neue Produkte zu entwickeln und Geschäfts-, Marketing- und Preisstrategien festzulegen. Beispielsweise berücksichtigt eine Versicherungsgesellschaft bei der Preisgestaltung und Genehmigung von Kfz-Versicherungen wahrscheinlich potenzielle Variablen der Fahrsicherheit wie Alter, Geschlecht, Wohnort, Fahrzeugtyp und Fahrverhalten.

Zu den Geschäftsanwendungen für prädiktive Analysen gehören die Ausrichtung von Online-Werbung, die Analyse des Kundenverhaltens zur Ermittlung von Kaufmustern, die Kennzeichnung potenziell betrügerischer Finanztransaktionen, die Identifizierung von Patienten, bei denen das Risiko besteht, dass sie bestimmte Erkrankungen entwickeln, und die Erkennung drohender Teileausfälle in Industrieanlagen, bevor sie auftreten. Finanzunternehmen nutzen prädiktive Modellierung, um Aktien und andere Investitionen auszuwählen.

Wie bereits erwähnt, ist die Marketingbranche neben großen Suchmaschinen- und Online-Dienstleistern ein wichtiger Anwender von prädiktiven Analysen. Weitere Branchen, die prädiktive Analysen in großem Umfang nutzen, sind das Gesundheitswesen und die Fertigungsindustrie. Konkrete Beispiele dafür, wie Unternehmen prädiktive Analysen einsetzen, werden weiter aufgeführt.

Techniken der prädiktiven Analyse

Vorausschauende Analysen erfordern ein hohes Maß an Fachwissen über statistische Methoden und die Fähigkeit, Modelle für vorausschauende Analysen zu erstellen. Wie im Abschnitt über den fünfstufigen Prozess für vorausschauende Analysen erwähnt, ist dies in der Regel die Domäne von Datenwissenschaftlern, Statistikern und anderen qualifizierten Datenanalysten. Sie werden von Dateningenieuren unterstützt, die bei der Erfassung relevanter Daten und deren Vorbereitung für die Analyse helfen, sowie von BI-Entwicklern und Geschäftsanalysten, die bei der Datenvisualisierung, Dashboards und Berichten helfen.

Datenwissenschaftler verwenden Vorhersagemodelle, um nach Korrelationen zwischen verschiedenen Datenelementen in Website-Clickstream-Daten, Patientenakten und anderen Arten von Datensätzen zu suchen. Sobald die Datenerfassung erfolgt ist, wird ein statistisches Modell formuliert, trainiert und bei Bedarf modifiziert, um genaue Ergebnisse zu erzielen. Das Modell wird dann mit den ausgewählten Daten abgeglichen, um Vorhersagen zu generieren. In einigen Anwendungen werden vollständige Datensätze analysiert, in anderen verwenden Analyseteams Datenstichproben, um den Prozess zu optimieren. Die Vorhersagemodellierung wird fortlaufend validiert oder überarbeitet, sobald zusätzliche Daten verfügbar werden.

Der Prozess der prädiktiven Analyse ist nicht immer linear, und Korrelationen treten oft dort auf, wo Datenwissenschaftler nicht suchen. Aus diesem Grund besetzen einige Unternehmen Stellen für Datenwissenschaftler mit Personen, die einen akademischen Hintergrund in Physik und anderen naturwissenschaftlichen Disziplinen haben. Im Einklang mit der wissenschaftlichen Methode sind diese Mitarbeiter in der Lage, den Daten zu folgen. Selbst wenn Unternehmen den konventionelleren Weg gehen und Datenwissenschaftler einstellen, die in Mathematik, Statistik und Informatik ausgebildet sind, ist eine offene Herangehensweise an die Datenexploration eine wichtige Voraussetzung für effektive prädiktive Analysen.

Sobald die prädiktive Modellierung umsetzbare Ergebnisse liefert, kann das Analyseteam diese mit den Führungskräften des Unternehmens teilen, in der Regel mithilfe von Dashboards und Berichten, die die Informationen darstellen und zukünftige Geschäftsmöglichkeiten auf der Grundlage der Ergebnisse aufzeigen. Funktionsmodelle können auch in operative Anwendungen und Datenprodukte integriert werden, um Echtzeit-Analysefunktionen bereitzustellen, wie zum Beispiel eine Empfehlungsmaschine auf einer Online-Einzelhandelsplattform, die Kunden auf der Grundlage ihrer Browsing-Aktivitäten und Kaufentscheidungen auf bestimmte Produkte hinweist.

Neben der prädiktiven Modellierung werden von Datenwissenschaftlern und Experten, die sich mit prädiktiver Analytik befassen, auch die folgenden Techniken eingesetzt:

• Data Mining, um große Datensätze nach Mustern und Beziehungen zu durchsuchen, die durch Datenanalyse zur Lösung von Geschäftsproblemen beitragen können;
• Textanalyse zur Auswertung textbasierter Inhalte, wie zum Beispiel Microsoft Word-Dokumente, E-Mails und Social-Media-Beiträge;
• maschinelles Lernen, einschließlich der Verwendung von Klassifizierungs-, Clustering- und Regressionsalgorithmen, die bei der Identifizierung von Datenmustern und -beziehungen helfen; und
• fortgeschrittenes Deep Learning auf der Grundlage neuronaler Netze, die das menschliche Gehirn nachahmen und die Bemühungen um prädiktive Analysen weiter automatisieren können.

Was sind Beispiele für prädiktive Analysen in der Wirtschaft?

Beispiele für Anwendungen der prädiktiven Analytik gibt es in vielen Unternehmensfunktionen und Branchen. Da die Technologie immer genauer, benutzerfreundlicher und kostengünstiger wird, werden auch die Einsatzmöglichkeiten und Vorteile der prädiktiven Analytik zunehmen.

Hier finden Sie eine Auswahl von Beispielen, wie Unternehmen die prädiktive Analytik einsetzen:

Marketing. Der Einsatz von prädiktiven Analysen im Marketing hat die Art und Weise, wie Unternehmen an Kunden verkaufen, verändert. So lässt sich mit prädiktiven Analysen der Erfolg im Marketing steigern, was nächstbeste Maßnahmen, Leadqualifizierung, proaktives Abwanderungsmanagement, Bedarfsprognosen und datengesteuerte Werbemittel umfasst. Prädiktive Analysen lassen sich einsetzen, um zu entscheiden, welcher Medienstil und welche Form der Nachrichtenübermittlung bei bestimmten Kunden am besten ankommt.

Lieferkettenmanagement. Die COVID-19-Pandemie hat den erhöhten Bedarf an besseren statistischen Modellen und Prognosen im Lieferkettenmanagement deutlich gemacht. Die Pandemie zwang Unternehmen dazu, „historische Daten über Bord zu werfen“, wie der Forschungsanalyst Alexander Wurm sagt, und ihre Prozesse mit Echtzeitdaten und Informationen von Drittanbietern zu aktualisieren. So machen beispielsweise IoT-generierte Echtzeitdaten Unternehmen auf verdorbene oder anderweitig beschädigte Waren aufmerksam, was den Nutzen von prädiktiven Analysen in sich schnell verändernden Umgebungen erhöht.

Betrugserkennung. Der Global Economic Crime Survey 2024 von PricewaterhouseCoopers ergab, dass die Betrugsraten auf einem Rekordhoch sind und Unternehmen weltweit in den letzten zwei Jahren unglaubliche 42 Milliarden US-Dollar gekostet haben. Viele Unternehmen verfügen über kleine Teams von Ermittlern, sodass prädiktive Technologien unerlässlich sind, um Betrug in den Griff zu bekommen. Vorausschauende Analysen werden eingesetzt, um Hunderttausende von Versicherungsansprüchen zu prüfen und nur diejenigen, bei denen ein Betrug am wahrscheinlichsten ist, an Ermittlungsteams weiterzuleiten. Sie werden auch von Einzelhändlern eingesetzt, um Kunden beim Einloggen zu authentifizieren und sie gleichzeitig auf verdächtiges Verhalten zu überwachen.

Gesundheitswesen. Die Vorhersage der Wahrscheinlichkeit, dass Patienten bestimmte Erkrankungen entwickeln, und die Prognose des Krankheitsverlaufs bei Patienten sind wichtige Einsatzbereiche, die Datenspeicher aus elektronischen Patientenakten, Datenbanken, biometrische Daten, Leistungsdaten und vieles mehr umfassen. Auch die Gesundheitsverwaltung profitiert von prädiktiven Analysen, die unter anderem zur Identifizierung von Patienten mit hohem Risiko für eine erneute Krankenhauseinweisung, zur Optimierung der Ressourcenzuweisung und zur Verwaltung von Lieferketten eingesetzt werden.

Vorausschauende Wartung und Überwachung. IoT-Daten werden in der prädiktiven Modellierung zur Vorhersage von Geräteausfällen verwendet. Hersteller bringen Sensoren an Maschinen in der Fabrikhalle und an mechatronischen Produkten, wie zum Beispiel Autos, an; die Sensordaten werden dann verwendet, um vorherzusagen, wann Wartungs- und Reparaturarbeiten durchgeführt werden sollten, um Probleme zu vermeiden. Vorhersagen werden auch zur Überwachung von Öl- und Gaspipelines, Bohrinseln, Windparks und verschiedenen anderen industriellen IoT-Installationen verwendet. Lokalisierte Wettervorhersagen für Landwirte, die teilweise auf Daten basieren, die von mit Sensoren ausgestatteten Wetterdatenstationen auf Feldern gesammelt wurden, sind eine weitere IoT-gesteuerte Anwendung für die prädiktive Modellierung.

Tools für die prädiktive Analyse

Für die prädiktive Modellierung und Analyse wird eine Vielzahl von Tools verwendet. AWS, Google, IBM, Microsoft, SAP, SAS Institute und viele andere Softwareanbieter bieten Tools für die prädiktive Analyse und verwandte Technologien an, die Anwendungen für maschinelles Lernen und Deep Learning unterstützen.

Darüber hinaus spielt Open-Source-Software eine große Rolle auf dem Markt für prädiktive Analysen. Die Open-Source-Analysesprache R wird häufig in prädiktiven Analyseanwendungen verwendet, ebenso wie die Programmiersprachen Python und Scala. Es sind auch mehrere Open-Source-Plattformen für prädiktive Analysen und maschinelles Lernen verfügbar, darunter eine Bibliothek von Algorithmen, die in die Spark Processing Engine integriert sind.

Analyseteams können die Basis-Open-Source-Editionen von R und anderen Analysesprachen verwenden oder für die kommerziellen Versionen bezahlen, die von Anbietern wie Microsoft angeboten werden. Die kommerziellen Tools können teuer sein, aber sie werden mit technischem Support vom Anbieter geliefert; Benutzer von reinen Open-Source-Versionen müssen dagegen selbst Fehler beheben oder Hilfe über Support-Websites der Open-Source-Community suchen.

Wie sieht die Zukunft der prädiktiven Analytik aus?

Traditionell war die prädiktive Analytik eine Domäne von Datenwissenschaftlern und anderen quantitativen Experten und eine Kunst und Wissenschaft, die von wenigen hochqualifizierten Personen praktiziert wurde – wenn sie funktioniert, zum Nutzen vieler.

Doch das Feld der fortgeschrittenen Analytik verändert sich. Anbieter finden immer wieder Wege, um den Zeit- und Arbeitsaufwand für die Erstellung von Vorhersagemodellen zu reduzieren.

Fortgeschrittene maschinelle Lerntechniken reduzieren die Notwendigkeit, tiefgreifende Kenntnisse darüber zu haben, wie sich verschiedene Variablen gegenseitig beeinflussen, und wählen automatisch die beste Kombination von Algorithmen für eine bestimmte Aufgabe aus. Es gibt auch einen wachsenden Markt für branchenspezifische Analyse-Tools mit vorgefertigten Modellen und Vorlagen, die bewährte Verfahren verkörpern und den Prozess der prädiktiven Analyse drastisch vereinfachen. Die prädiktive Analyse wird demokratisiert, um den Fachjargon der Branche zu verwenden – oder zumindest ist das das Versprechen.

Boris Evelson, Principal Analyst bei Forrester Research, befasst sich seit Jahrzehnten mit diesem Thema und hat fortschrittliche Analysewerkzeuge zu einem Schwerpunkt seiner Forschung gemacht. „Die eingebetteten Machine-Learning-Algorithmen und dialogorientierten Benutzeroberflächen mit Funktionen zur Verarbeitung und Generierung natürlicher Sprache können die Spielregeln verändern“, sagt er. „Ich brauche also nicht nur keinen Datenwissenschaftler mehr, um diese Berechnung durchzuführen. Ich brauche auch keinen Datenwissenschaftler mehr, der sie mir erklärt.“

Aber es ist noch zu früh, und diese potenziell wunderbaren Tools stehen vor einer anhaltenden Barriere. Vor zwei Jahrzehnten wurden neue Entwicklungen laut Evelson der BI-Software als „die größte Errungenschaft seit geschnittenem Brot“ angekündigt und boten Point-and-Click- und Drag-and-Drop-Schnittstellen, die diese damals fortschrittliche Technologie für die breite Masse der Benutzer zugänglich machten. Das ist nicht geschehen.

„Die Zahl, die wir heute gerne verwenden, liegt bei etwa 20 Prozent – das heißt, nicht mehr als 20 Prozent aller Entscheidungsträger in Unternehmen, die diese Tools nutzen könnten und sollten, nutzen sie heute“, sagt er. „Der Rest verlässt sich immer noch auf professionelle Datenanalysten.“

Die Technologie ist zum Teil schuld, aber es sind vor allem die Menschen, die Kultur, die Prozesse und die Daten, die einer breiteren Akzeptanz im Wege stehen. Mit diesen neuen Augmented-Analytics-Plattformen, so Evelson, „werden aus diesen 20 Prozent jetzt 30, 40 oder 50 Prozent? Ich weiß es nicht.“

Es sei nicht nur früh, fügte er hinzu, sondern die Vorteile dieser automatisierten Intelligenzplattformen bergen auch Risiken. Die Algorithmen und Modelle für maschinelles Lernen sind nur so gut wie die Daten, mit denen sie trainiert werden. „Wenn sich diese Daten sehr schnell ändern und sich in einem Muster ändern, das nicht mehr den Daten ähnelt, mit denen sie trainiert wurden – nun, professionelle Datenwissenschaftler verstehen das und arbeiten es in den Prozess ein“, sagt Evelson. Aber ModelOps „hat sich noch nicht wirklich in diese neuen erweiterten BI-Plattformen eingeschlichen.“ Die Aktualisierung dieser Modelle kann für viele Menschen eine Vollzeitbeschäftigung sein. Der Analyst deutet gleichzeitig an, dass prädiktive Analysen und andere Formen fortgeschrittener Analysen zumindest vorerst noch eine Angelegenheit für Profis sind.