BI Trends 2019: Predictive Analytics<br>

BI Trends 2019: Predictive Analytics

Predictve Maintenance, Kundenverhalten, Credit Scoring, Smart Grid: Es gibt viele Einsatzbereiche für Predictive Analytics

07.01.2019, Autor: Robert Schmitz

Predictive Analytics: Die Kombination aus Daten, Analysen, Berechnungen und Machine Learning kann riesige Datenmengen auswerten und am Ende eine Prognose oder Handlungsempfehlung geben.

Die Integration von Künstlicher Intelligenz (KI) in Analytics-Szenarien, eine ganzheitliche Data Governance und Predictive Analytics stehen als Top 3 an der Spitze der BI-Trends für 2019. In drei kompakten Fachbeiträgen ordnet Robert Schmitz die aktuellen Top-Trends der Analytics-Economy ein.


Predictive kann nicht alles wissen

Es ist wohl ganz menschlich, einen Blick in die Zukunft werfen zu wollen. Predictive Analytics scheint dies möglich zu machen – zumindest bis zu einem bestimmten Grad. Basis für diese vorausschauende Datenauswertung sind historische Daten, die in ein mathematisches Modell einfließen. Ziel ist es, Trends zu erkennen und weiter zu zeichnen. Diese Kombination aus Daten, Analysen, Berechnungen und Machine Learning hat den Charme, dass hier riesige Mengen an unterschiedlichsten Informationen ausgewertet werden können – und am Ende eine Prognose oder sogar eine Handlungsempfehlung herauskommt.
Entsprechend vielfältig sind die Einsatzmöglichkeiten für diese Art der Business Intelligence. Ganz oben auf der Wunschliste der Manager steht Predictive Maintenance: die Möglichkeit, auf der Grundlage von Maschinen- und Sensordaten, von Umgebungsdaten und Wartungsintervallen nicht nur die Produktion zu steuern, sondern vor allem die teuren Zeiten von Stillstand und Wartung zu vermeiden bzw. zu optimieren.

Predictive Analytics hilft außerdem, das Verhalten von Kunden vorauszusagen und auf dieser Basis Marketing mit personalisierter Werbung oder Vertrieb und Service über maßgeschneiderte Angebote und dynamisches Preismanagement effizienter zu gestalten und teilweise zu automatisieren. Branchenlösungen wie Smart Grid, die Intelligente Stromversorgung, sind hier wegweisend. Data Analytics ermöglicht es hier, detaillierte Lastprognosen zu erstellen und den Strombedarf zu prognostizieren – bis auf die Ebene des einzelnen Kunden. In Zeiten fluktuierender Stromerzeugung durch alternative Energien ist das sinnvoll und notwendig.

Predictive Analytics lässt sich unter anderem auch für die Planung von Planung von Polizei- und Feuerwehreinsätzen nutzen

Datenauswertung über verteilte Systeme hinweg

Banken gelingt es mit Datenauswertung, ein sehr treffsicheres Credit Scoring mit Risikoeinschätzung für jeden Kunden zu erstellen. Den Einsatzbereichen von Predictive Analytics sind damit aber noch lange keine Grenzen gesetzt. Hohe Aufmerksamkeit bekommen diese Lösungen beispielsweise auch im öffentlichen Bereich: bei der Planung von Polizei- und Feuerwehreinsätzen zum Beispiel.

Aus technischer Sicht muss allerdings erst einmal die Voraussetzung für Predictive Analytics geschaffen werden. Das heißt konkret, dass Daten über verteilte Systeme und Cluster hinweg ausgewertet werden können – unabhängig von ihrem Format und Speicherort. Data Mining rückt in den Vordergrund. Das heißt aber auch, dass Predictive Analytics leistungsstarke mathematische und statistische Programme anbindet und die Auswertungen schließlich visualisiert. Mit Text-Mining gelingt es, nichtstrukturierten Textdaten vor allem aus dem Bereich des Social Web Strukturen zuzuordnen.

All das zeigt schon, dass Predictive Analytics nicht nur ein Trend ist, sondern auch zunehmend verfeinert, auf unterschiedliche Bedürfnisse angepasst und vor allem auch genauer wird. Dennoch: eine hundertprozentige Sicherheit wird es niemals geben. Aus Daten lässt sich nur eine (wenn auch hohe) Wahrscheinlichkeit herauslesen. Zur datenbasierten Entscheidungsfindung kann diese jedoch ganz entscheidend beitragen – und maßgebliche Wettbewerbsvorteile begründen.