Veröffentlicht: 2. Mai 2024
Mitwirkender: Cole Stryker
Unter präskriptiver Analyse versteht man die Analyse von Daten, um Muster zu erkennen, die für Vorhersagen und die Festlegung optimaler Vorgehensweisen genutzt werden können.
Die präskriptive Analyse ist eine Unterdisziplin innerhalb der Datenanalyse, die ihrerseits in den Disziplinen Business Analytics und Business Intelligence angesiedelt ist, die allgemein als Umwandlung von Daten in verwertbare Erkenntnisse definiert sind.
Es gibt vier Haupttypen der Datenanalyse, wobei die präskriptive Analyse am weitesten fortgeschritten ist:
Deskriptive Analyse: „Was ist passiert?“
Diagnostische Analyse: „Warum ist es passiert?“
Vorausschauende Analyse: „Was könnte als Nächstes passieren?“
Präskriptive Analyse: „Was sollten wir als Nächstes tun?“
Während alle vier Arten der Analyse nützlich sind, um die Geschichte der Daten zu erzählen, unterscheidet sich die präskriptive Analyse von den anderen Arten dadurch, dass sie sich nicht nur auf die Vorhersage zukünftiger Ergebnisse konzentriert, sondern auch Maßnahmen oder Entscheidungen empfiehlt, um gewünschte Ergebnisse zu erreichen oder unerwünschte zu verhindern. Es geht nicht nur um die Frage: „Was könnte in der Zukunft passieren?“ sondern vielmehr um die Frage: „Was sollten wir tun, um uns auf die Zukunft vorzubereiten?“
Unternehmen nutzen präskriptive Analysen für so unterschiedliche Aufgaben wie Kundensegmentierung, Abwanderungsvorhersage, Betrugserkennung, Risikobewertung, Nachfrageprognosen, präskriptive Wartung und personalisierte Empfehlungen. Zwar wurde diese Praxis schon vor dem Aufkommen von Big Data praktiziert, doch die Verbreitung großer Mengen historischer Daten in Unternehmen hat diese Praxis beschleunigt.
Heutzutage verwenden präskriptive Analysetools viele statistische Techniken aus der prädiktiven Modellierung, nutzen aber auch Algorithmen und Modelle der künstlichen Intelligenz und des maschinellen Lernens. Analysesoftware verwendet maschinelle Lernmodelle, die auf großen Datenmengen trainiert wurden. Dadurch können Analysten Risiken und Chancen genauer erkennen, was die Entscheidungsfindung von Geschäftsführern unterstützt und verbessert.
Die präskriptive Analyse fügt der vorausschauenden Analyse eine Empfehlungsebene hinzu und unterscheidet sich von ihr in Bezug auf Fokus, Umfang und Ansatz.
Die präskriptive Analyse konzentriert sich auf die Empfehlung von Aktionen oder Entscheidungen zur Optimierung der Ergebnisse auf der Grundlage von vorhergesagten Zukunftsszenarien. Sie beantwortet Fragen wie „Was sollten wir tun, um das bestmögliche Ergebnis zu erzielen?“ und „Wie können wir Risiken abmildern oder Chancen nutzen?“
Die vorausschauende Analytik konzentriert sich in der Regel auf begrenzte Aspekte des Geschäfts, während die präskriptive Analyse die Interdependenzen zwischen den Geschäftsfunktionen berücksichtigt.
Bei der vorausschauenden Analyse werden Analysetechniken wie Optimierungsalgorithmen, Entscheidungstheorie und Business Rules eingesetzt, um umsetzbare Erkenntnisse zu gewinnen. Auch Fachwissen und das Verständnis des breiteren geschäftlichen Kontextes spielen eine Rolle.
Die präskriptive Analyse bietet eine Vielzahl von Vorteilen für alle Branchen und Anwendungen. Hier finden Sie einige der wichtigsten Vorteile und Beispiele für präskriptive Analysen:
Die präskriptive Analyse ermöglicht es Unternehmen, datengestützte Entscheidungen zu treffen, indem sie Erkenntnisse in zukünftige Trends und Ergebnisse gewährt. Nehmen wir zum Beispiel eine Einzelhandelskette, die die Nachfrage nach einem neuen Produkt prognostizieren möchte. Dank der vorausschauenden Erkenntnisse, die auf historischen Daten zum Verbraucherverhalten basieren, kann die Einzelhandelskette fundiertere Entscheidungen darüber treffen, ob, wann und wie das neue Produkt auf den Markt gebracht, bepreist und beworben werden soll.
Durch die kontinuierliche Verfeinerung von präskriptiven Modellen, das Experimentieren mit neuen Datenquellen und die Erforschung innovativer Ansätze können sich Unternehmen auf dem Markt differenzieren und einen Wettbewerbsvorteil erzielen. Im Gesundheitswesen, wo Entscheidungen über zukünftige Ergebnisse über Leben und Tod entscheiden können, kann die präskriptive Analyse eingesetzt werden, um auf der Grundlage vieler Faktoren über optimale Behandlungen oder Medikamente zu entscheiden.
Die präskriptive Analyse hilft Unternehmen, ihre Abläufe zu optimieren, indem sie die Ressourcenzuweisung verbessert und die Geschäftsprozesse rationalisiert. Durch die Vorhersage des Wartungsbedarfs, die Verwaltung von Lagerbeständen und die Optimierung von Produktionsplänen können Unternehmen ihre Kosten minimieren und den Ausschuss reduzieren.
Stellen Sie sich ein Fertigungsunternehmen mit einem Fließband vor, das aus verschiedenen miteinander verknüpften Prozessen besteht, darunter die Beschaffung von Komponenten, die Montage, die Qualitätskontrolle und die Verpackung. Mit Hilfe der vorausschauenden Wartung können Daten von Sensoren wie Temperatur-, Vibrations- und Druckmessungen analysiert und Ausfallraten vorhergesagt werden, sodass Facility Manager ihre Geräte proaktiv warten können.
Die präskriptive Analyse hilft Unternehmen, Risiken zu erkennen und zu mindern, indem sie Anomalien und Trends aufspürt, die auf potenzielle Bedrohungen hinweisen. In Sektoren wie Finanzdienstleistungen, Versicherungen und Cybersicherheit können Modelle das Kreditrisiko einschätzen und betrügerische Aktivitäten aufdecken und so Assets schützen und das Vertrauen erhalten.
Die präskriptive Analyse weist einzelnen Transaktionen oder Entitäten Risikobewertungen auf der Grundlage ihrer Betrugswahrscheinlichkeit zu. Durch die Berücksichtigung verschiedener Risikofaktoren wie Transaktionsbeträge, Häufigkeit, Standort und Kundenverhalten können fortschrittliche Analysealgorithmen Warnungen priorisieren und die Ermittlungsbemühungen auf Transaktionen oder Unternehmen mit hohem Risiko konzentrieren. Dies hilft den Betrugserkennungsteams, ihre Ressourcen effektiver einzusetzen und umgehend auf potenzielle Bedrohungen zu reagieren.
Indem sie die Bedürfnisse und Vorlieben ihrer Kunden vorhersehen, können Unternehmen personalisierte Erfahrungen und maßgeschneiderte Lösungen anbieten. Die präskriptive Analyse ermöglicht es Unternehmen, ihren Kundenstamm zu segmentieren, um eine bessere Zielgruppenansprache zu erreichen, und spezifische Empfehlungen und andere vorausschauende Maßnahmen anzubieten, die auf den vom Modell ermittelten Kundenwünschen basieren.
Die Unternehmen von heute können die Kundenabwanderung verringern, indem sie vorhersagen, wie Kunden mit Marken und Produkten umgehen wollen. Sie können datengestützte Entscheidungen treffen, während sie früher nur Vermutungen anstellen konnten. Diese Tools sind nicht nur für Vertrieb und Marketing gedacht, sondern für das gesamte Unternehmen. Alles, was mit der Entwicklung und Weiterentwicklung eines Produkts zu tun hat, kann jetzt durch eine präskriptive Analyse ermittelt werden, die die besten Maßnahmen empfiehlt, um die Kundenzufriedenheit zu steigern.
Die präskriptive Analyse folgt in der Regel diesen Schritten:
Definition des Problems: Zunächst müssen die Praktiker definieren, was das Modell vorhersagen soll, um den richtigen Ansatz zu finden. Es gibt viele Arten von Modellen, die für bestimmte Anwendungsfälle geeignet sind. Die Verwendung des richtigen Modells und der richtigen Daten ist der Schlüssel, um schneller und kosteneffizienter die besten Ergebnisse zu erzielen.
Datenerfassung und -vorverarbeitung: Der Prozess beginnt mit der Erfassung relevanter Daten aus verschiedenen internen Quellen und externen Daten von Drittanbietern. Die Qualität und Quantität der gesammelten Daten sind entscheidend für die Genauigkeit und Effektivität der Modelle. Wenn die Daten gesammelt werden, werden sie vorverarbeitet, um sie zu bereinigen, zu transformieren und für die Analyse vorzubereiten. Dies kann den Umgang mit fehlenden Werten, das Entfernen von Duplikaten, die Standardisierung von Formaten und die Kodierung kategorischer Variablen beinhalten. Die Datenvorverarbeitung trägt dazu bei, dass die Daten konsistent und für die Modellierung geeignet sind.
Funktionsauswahl und Engineering: Als nächstes werden relevante Funktionen aus dem Datensatz ausgewählt oder entwickelt, um sie als Eingaben für Modelle zu verwenden. Dieser Schritt beinhaltet die Identifizierung der informativsten Merkmale, die eine Vorhersagekraft haben, und kann Fachwissen erfordern, um zu bestimmen, welche Variablen für die Vorhersageaufgabe am relevantesten sind.
Deskriptive und vorausschauende Analysen: Vor der Anwendung präskriptiver Analysen führen Unternehmen in der Regel deskriptive Analysen durch, um die vergangene Leistung zu verstehen, und vorausschauende Analysen, um zukünftige Ergebnisse zu prognostizieren. Die deskriptive Analyse umfasst die Zusammenfassung und Visualisierung von Daten, um Einblicke in historische Trends und Muster zu erhalten, während die vorausschauende Analyse statistische und maschinelle Lernmodelle verwendet, um zukünftige Ereignisse oder Verhaltensweisen vorherzusagen.
Präskriptive Modellierung: Bei präskriptiven Analyselösungen werden mathematische Modelle und Optimierungsalgorithmen erstellt, um Geschäftsentscheidungen zu empfehlen, die zu den bestmöglichen Geschäftsergebnissen führen. Diese Modelle berücksichtigen verschiedene Faktoren wie Beschränkungen, Ziele, Unsicherheiten und Kompromisse. Diese baut auf den Ergebnissen der deskriptiven und prädiktiven Analyse auf und gibt Empfehlungen, wie ein Unternehmen auf verschiedene Möglichkeiten reagieren sollte.
Bereitstellung: Nach der Auswertung werden die Modelle in operativen Systemen oder Anwendungen bereitgestellt, wo sie in Echtzeit Vorhersagen und Vorschläge für die beste Vorgehensweise machen können. Dies kann die Integration der Modelle in bestehende Softwaresysteme, APIs oder Dashboards beinhalten, um Entscheidungsprozesse zu automatisieren oder den Nutzern präskriptive Erkenntnisse bereitzustellen. Automatisierungen können dazu beitragen, dass das Sammeln und die Nutzung von Informationen nahtlos erfolgen.
Überwachung und Verfeinerung: Modelle müssen ständig überwacht und gepflegt werden, um ihre Wirksamkeit und Relevanz im Zeitverlauf zu gewährleisten. Dazu gehört die Überwachung der Modellleistung, die Aktualisierung der Modelle mit neuen Daten, die regelmäßige Nachschulung der Modelle und die Verfeinerung der Modelle zur Anpassung an veränderte Umstände oder sich entwickelnde Muster in den Daten.
IBM watsonx® BI Assistant beantwortet Ihre geschäftlichen Fragen in Sekundenschnelle und führt Sie zu den wichtigsten Entscheidungen. Sie möchten genau verstehen, was wie und warum passiert ist, was passieren könnte und was Sie unternehmen können? Dank klarer, schrittweiser Erklärungen der eigenen Argumentation versorgt watsonx BI Assistant alle Geschäftsanwender mit Erkenntnissen, um blitzschnell Entscheidungen zu treffen.
Nutzen Sie das volle Potenzial Ihrer Daten dank KI-gestützter Automatisierung und Erkenntnissen von Cognos Analytics. Der natürliche KI-Assistent für natürliche Sprache ist immer verfügbar – beschreiben Sie die Daten, die Sie benötigen, und lassen Sie Cognos Analytics beeindruckende Datenvisualisierungen für Sie erstellen. Formulieren Sie eine Frage oder Hypothese, die Sie ausprobieren möchten, und lassen Sie sich von der KI die nötigen Erkenntnisse liefern.
IBM Planning Analytics ist eine KI-gestützte Lösung für die integrierte Geschäftsplanung, die Rohdaten in verwertbare Erkenntnisse umwandelt. Sagen Sie Ergebnisse mit flexiblen und KI-gestützten Prognosen voraus. Analysieren Sie groß angelegte und detaillierte „Was-wäre-wenn-Szenarien“ in Echtzeit, damit Sie schnell reagieren können.
Planung, Budgetierung und Forecasting sind in der Regel ein dreistufiger Prozess zur Bestimmung und Abbildung der kurz- und langfristigen finanziellen Ziele eines Unternehmens.
Moderne prädiktive Analysen können es Ihrem Unternehmen ermöglichen, Daten mit Echtzeit-Erkenntnissen zu ergänzen, um Ihre Zukunft vorherzusagen und zu gestalten. Lesen Sie diesen Leitfaden, um mehr zu erfahren.
Data Science kombiniert Mathematik und Statistik, spezialisierte Programmierung, fortgeschrittene Analytics, künstliche Intelligenz (KI) und maschinelles Lernen mit spezifischem Expertenwissen, um verwertbare Erkenntnisse aus den Daten eines Unternehmens zu gewinnen. Diese Erkenntnisse können als Grundlage für die Entscheidungsfindung und die strategische Planung verwendet werden.