Vorausschauende Analytik

Was ist Predictive Analytics?

Der Begriff Predictive Analytics bezieht sich auf die Verwendung von Statistiken und Modellierungstechniken, um Vorhersagen über zukünftige Ergebnisse und Leistungen zu treffen. Predictive Analytics untersucht aktuelle und historische Datenmuster, um festzustellen, ob diese Muster wahrscheinlich erneut auftreten werden. Auf diese Weise können Unternehmen und Investoren anpassen, wo sie ihre Ressourcen einsetzen, um von möglichen zukünftigen Ereignissen zu profitieren. Vorausschauende Analysen können auch verwendet werden, um die Betriebseffizienz zu verbessern und Risiken zu reduzieren.

Predictive Analytics verstehen

Predictive Analytics ist eine Form von Technologie, die Vorhersagen über bestimmte Unbekannte in der Zukunft macht. Es stützt sich auf eine Reihe von Techniken, um diese Feststellungen zu treffen, darunter künstliche Intelligenz (KI), Data Mining,. maschinelles Lernen, Modellierung und Statistik. Beispielsweise beinhaltet Data Mining die Analyse großer Datenmengen, um daraus Muster zu erkennen. Die Textanalyse tut dasselbe, außer bei großen Textblöcken.

Vorhersagemodelle werden für alle Arten von Anwendungen verwendet, darunter:

• Wettervorhersage

• Erstellen von Videospielen

• Übersetzen von Sprache in Text für Mobiltelefonnachrichten

• Kundendienst

• Entwicklung des Anlageportfolios

Alle diese Anwendungen verwenden deskriptive statistische Modelle vorhandener Daten, um Vorhersagen über zukünftige Daten zu treffen.

Sie sind auch nützlich für Unternehmen, um ihre Bestände zu verwalten, Marketingstrategien zu entwickeln und Verkäufe zu prognostizieren . Es hilft auch Unternehmen zu überleben, insbesondere in hart umkämpften Branchen wie dem Gesundheitswesen und dem Einzelhandel. Investoren und Finanzfachleute können auf diese Technologie zurückgreifen, um Anlageportfolios zu erstellen und das Risikopotenzial zu reduzieren.

Diese Modelle bestimmen Beziehungen, Muster und Strukturen in Daten, die verwendet werden können, um Rückschlüsse darauf zu ziehen, wie Änderungen in den zugrunde liegenden Prozessen, die die Daten generieren, die Ergebnisse verändern. Vorhersagemodelle bauen auf diesen beschreibenden Modellen auf und betrachten vergangene Daten, um die Wahrscheinlichkeit bestimmter zukünftiger Ergebnisse unter gegebenen aktuellen Bedingungen oder einer Reihe erwarteter zukünftiger Bedingungen zu bestimmen.

Verwendung von Predictive Analytics

Predictive Analytics ist ein Entscheidungsinstrument in einer Vielzahl von Branchen.

Prognose

Prognosen sind in der Fertigung unerlässlich, da sie die optimale Nutzung von Ressourcen in einer Lieferkette sicherstellen. Kritische Speichen des Supply-Chain-Rads, sei es das Bestandsmanagement oder der Shopfloor, erfordern genaue Prognosen für das Funktionieren.

Vorhersagemodellierung wird häufig verwendet, um die Qualität der für solche Vorhersagen verwendeten Daten zu bereinigen und zu optimieren. Die Modellierung stellt sicher, dass mehr Daten vom System aufgenommen werden können, einschließlich von kundenorientierten Operationen, um eine genauere Prognose zu gewährleisten.

Anerkennung

Das Kredit-Scoring macht umfassenden Gebrauch von Predictive Analytics. Wenn ein Verbraucher oder Unternehmen einen Kredit beantragt, werden Daten zur Kredithistorie des Antragstellers und zur Kreditwürdigkeit von Kreditnehmern mit ähnlichen Merkmalen verwendet, um das Risiko vorherzusagen, dass der Antragsteller einen gewährten Kredit nicht erfüllen könnte.

Underwriting

Daten und Predictive Analytics spielen im Underwriting eine wichtige Rolle. Versicherungsunternehmen untersuchen Versicherungsnehmer, um die Wahrscheinlichkeit zu bestimmen, dass sie für einen zukünftigen Anspruch auf der Grundlage des aktuellen Risikopools ähnlicher Versicherungsnehmer sowie vergangener Ereignisse, die zu Auszahlungen geführt haben, auszahlen müssen. Vorhersagemodelle, die Merkmale im Vergleich zu Daten über frühere Versicherungsnehmer und Ansprüche berücksichtigen, werden routinemäßig von Aktuaren verwendet.

Marketing

Personen, die in diesem Bereich arbeiten, schauen sich an, wie die Verbraucher auf die Gesamtwirtschaft reagiert haben, wenn sie eine neue Kampagne planen. Sie können diese demografischen Veränderungen nutzen, um festzustellen, ob der aktuelle Produktmix die Verbraucher zum Kauf verleiten wird.

Aktive Trader betrachten währenddessen eine Vielzahl von Metriken, die auf vergangenen Ereignissen basieren, wenn sie entscheiden, ob sie ein Wertpapier kaufen oder verkaufen. Gleitende Durchschnitte, Bänder und Haltepunkte basieren auf historischen Daten und werden verwendet, um zukünftige Preisbewegungen vorherzusagen.

Predictive Analytics vs. maschinelles Lernen

Ein weit verbreiteter Irrglaube ist, dass Predictive Analytics und maschinelles Lernen dasselbe sind. Predictive Analytics hilft uns, mögliche zukünftige Ereignisse zu verstehen, indem sie die Vergangenheit analysiert. Im Kern umfasst Predictive Analytics eine Reihe statistischer Techniken (einschließlich maschinelles Lernen, Predictive Modeling und Data Mining) und verwendet Statistiken (sowohl historische als auch aktuelle), um zukünftige Ergebnisse zu schätzen oder vorherzusagen.

Maschinelles Lernen hingegen ist ein Teilgebiet der Informatik, das gemäß der Definition von Arthur Samuel (einem amerikanischen Pionier auf dem Gebiet des Computerspiels und der künstlichen Intelligenz) von 1959 „das Programmieren eines digitalen Computers, sich in einem zu verhalten, bedeutet eine Art und Weise, die, wenn sie von Menschen oder Tieren durchgeführt wird, als Lernprozess beschrieben werden würde."

Zu den gebräuchlichsten Vorhersagemodellen gehören Entscheidungsbäume, Regressionen (linear und logistisch) und neuronale Netze, das aufstrebende Gebiet der Deep-Learning-Methoden und -Technologien.

Arten von prädiktiven analytischen Modellen

Es gibt drei gängige Techniken, die in der prädiktiven Analytik verwendet werden: Entscheidungsbäume, neuronale Netze und Regression. Lesen Sie weiter unten mehr über diese.

Entscheidungsbäume

Wenn Sie verstehen möchten, was zu den Entscheidungen einer Person führt, finden Sie möglicherweise Entscheidungsbäume hilfreich. Diese Art von Modell ordnet Daten basierend auf bestimmten Variablen wie Preis oder Marktkapitalisierung in verschiedene Abschnitte ein. Wie der Name schon sagt, sieht es aus wie ein Baum mit einzelnen Ästen und Blättern. Zweige zeigen die verfügbaren Auswahlmöglichkeiten an, während einzelne Blätter eine bestimmte Entscheidung darstellen.

Entscheidungsbäume sind die einfachsten Modelle, weil sie leicht zu verstehen und zu analysieren sind. Sie sind auch sehr nützlich, wenn Sie in kurzer Zeit eine Entscheidung treffen müssen.

Rückschritt

Dies ist das Modell, das in der statistischen Analyse am häufigsten verwendet wird. Verwenden Sie es, wenn Sie Muster in großen Datensätzen bestimmen möchten und wenn es eine lineare Beziehung zwischen den Eingaben gibt. Bei dieser Methode wird eine Formel ermittelt, die die Beziehung zwischen allen im Datensatz gefundenen Eingaben darstellt. Beispielsweise können Sie die Regression verwenden, um herauszufinden, wie der Preis und andere Schlüsselfaktoren die Wertentwicklung eines Wertpapiers beeinflussen können.

Neuronale Netze

Neuronale Netze wurden als eine Form der prädiktiven Analytik entwickelt, indem sie die Arbeitsweise des menschlichen Gehirns nachahmten. Dieses Modell kann mithilfe von künstlicher Intelligenz und Mustererkennung mit komplexen Datenbeziehungen umgehen. Verwenden Sie es, wenn Sie mehrere Hürden überwinden müssen, z Sie müssen Vorhersagen treffen, anstatt Erklärungen zu finden.

Wenn Sie bereits Entscheidungsbäume und Regression als Modelle verwendet haben, können Sie Ihre Ergebnisse mit neuronalen Netzen bestätigen.

Wie Unternehmen Predictive Analytics nutzen können

Wie oben angemerkt, kann die prädiktive Analyse in einer Reihe unterschiedlicher Anwendungen verwendet werden. Unternehmen können aus Modellen Kapital schlagen, um ihre Interessen voranzutreiben und ihre Abläufe zu verbessern. Vorhersagemodelle werden häufig von Unternehmen verwendet, um ihren Kundenservice und ihre Reichweite zu verbessern.

Führungskräfte und Geschäftsinhaber können diese Art der statistischen Analyse nutzen, um das Kundenverhalten zu ermitteln. Beispielsweise kann der Eigentümer eines Unternehmens prädiktive Techniken verwenden, um Stammkunden zu identifizieren und anzusprechen, die abwandern und zu einem Konkurrenten wechseln könnten.

Predictive Analytics spielt eine Schlüsselrolle in Werbung und Marketing. Unternehmen können mithilfe von Modellen ermitteln, welche Kunden wahrscheinlich positiv auf Marketing- und Verkaufskampagnen reagieren. Geschäftsinhaber können Geld sparen, indem sie Kunden ansprechen, die positiv reagieren, anstatt pauschale Kampagnen durchzuführen.

Vorteile von Predictive Analytics

Die Verwendung von Vorhersageanalysen bietet zahlreiche Vorteile. Wie oben erwähnt, kann die Verwendung dieser Art von Analyse Unternehmen helfen, wenn Sie Vorhersagen über Ergebnisse treffen müssen, wenn keine anderen (und offensichtlichen) Antworten verfügbar sind.

Investoren,. Finanzexperten und Unternehmensleiter können Modelle verwenden, um Risiken zu reduzieren. Beispielsweise können ein Anleger und sein Berater bestimmte Modelle verwenden, um ein Anlageportfolio mit minimalem Risiko für den Anleger zu erstellen, indem bestimmte Faktoren wie Alter, Kapital und Ziele berücksichtigt werden.

Es gibt einen signifikanten Einfluss auf die Kostenreduzierung, wenn Modelle verwendet werden. Unternehmen können die Erfolgs- oder Misserfolgswahrscheinlichkeit eines Produkts vor seiner Markteinführung bestimmen. Oder sie können Kapital für Produktionsverbesserungen vorsehen, indem sie prädiktive Techniken anwenden, bevor der Fertigungsprozess beginnt.

Kritik an Predictive Analytics

Der Einsatz von Predictive Analytics wurde kritisiert und in einigen Fällen aufgrund wahrgenommener Ungleichheiten in den Ergebnissen gesetzlich eingeschränkt. Am häufigsten handelt es sich dabei um Vorhersagemodelle, die zu einer statistischen Diskriminierung von Rassen oder ethnischen Gruppen in Bereichen wie Kreditwürdigkeit, Wohnungsbaudarlehen, Beschäftigung oder Risiko kriminellen Verhaltens führen.

Ein berühmtes Beispiel hierfür ist die (inzwischen illegale) Praxis des Redlining bei der Wohnungsbaukreditvergabe durch Banken. Unabhängig davon, ob die Vorhersagen, die aus der Verwendung solcher Analysen gezogen werden, korrekt sind, wird ihre Verwendung im Allgemeinen verpönt, und Daten, die explizit Informationen wie die Rasse einer Person enthalten, werden heute häufig von der Vorhersageanalyse ausgeschlossen.

Häufig gestellte Fragen zu Predictive Analytics

Wie verwendet Netflix Predictive Analytics?

Die Datenerfassung ist für ein Unternehmen wie Netflix sehr wichtig. Es sammelt Daten von seinen Kunden basierend auf deren Verhalten und früheren Sehgewohnheiten. Es verwendet Informationen und trifft Vorhersagen, um Empfehlungen basierend auf ihren Präferenzen zu geben. Dies ist die Grundlage hinter den "Weil Sie zugesehen haben..."-Listen, die Sie in Ihrem Abonnement finden.

Was sind die drei Säulen der Datenanalyse?

Die Datenanalyse besteht aus drei Säulen. Dies sind die Bedürfnisse der Einheit, die die Modelle, die Daten und die Technologie verwendet, um sie zu untersuchen, sowie die Aktionen und Erkenntnisse, die sich aus der Verwendung dieser Art von Analyse ergeben.

Höhepunkte

• Predictive Analytics verwendet Statistiken und Modellierungstechniken, um die zukünftige Leistung zu bestimmen.

• Vorhersagemodelle helfen bei der Erstellung von Wettervorhersagen, der Entwicklung von Videospielen, der Übersetzung von Voice-to-Text-Nachrichten, Kundendienstentscheidungen und der Entwicklung von Anlageportfolios.

• Branchen und Disziplinen wie Versicherungen und Marketing nutzen prädiktive Techniken, um wichtige Entscheidungen zu treffen.

• Predictive Analytics wird oft mit maschinellem Lernen verwechselt, obwohl es sich um unterschiedliche Disziplinen handelt.

• Arten von Vorhersagemodellen umfassen Entscheidungsbäume, Regression und neuronale Netze.