Predictive Analytics – Methoden

Einführung

Mit Predictive Analytics können Einzelpersonen, Unternehmen, öffentliche Einrichtungen und viele andere Organisationen wertvolle Erkenntnisse aus ihren umfangreichen Datensammlungen gewinnen, um ihre Abläufe zu verbessern und ihren Kunden Vorteile zu verschaffen.

Predictive Analytics gewinnt mithilfe von Methoden aus einer Vielzahl von Bereichen Erkenntnisse aus Big Data, darunter:

• Data Mining,
• statistische Modellierung,
• Maschinelles lernen,
• Deep Learning,
• andere künstliche Intelligenz (AI) Methoden

Das Hauptziel von Predictive Analytics-Beratern besteht darin, eine breite Palette von Methoden für Echtzeit- und historische Daten einzusetzen, um Vorhersagen und Prognosen über Kunden oder zukünftige Ereignisse zu treffen. Obwohl die Predictive Analytics häufig von einem Team aus Datenwissenschaftlern, Dateningenieuren und anderen Personen aus technischen Abteilungen implementiert wird, sind häufig andere Organisationsebenen beteiligt.

Der Erfolg bei der Implementierung von Data-Science-Produkten erfordert häufig ein tiefes Verständnis der Geschäftsprozesse in der Organisation. Daher ist es unerlässlich, dass auch die oberen Führungsebenen in die frühe Planung und spätere Überwachung der Predictive-Analytics-Projekte einbezogen werden.

Beispiele für Predictive Analytics im Marketing

Predictive Analytics wurde im letzten Jahrzehnt von fast allen Organisationsebenen übernommen. Einer der ersten Anwender von Predictive Analytics waren die Marketing- und Vertriebsabteilungen, die sie für eine Vielzahl von Zwecken im täglichen Betrieb einsetzen:

• Vorhersagen des Customer Lifetime Value (CLV)
• Lead Scoring
• Optimierung der Verkaufstrichter (Leads Flow)
• Kundenbindung
• Identifizierung von Upselling- / Cross-Selling-Möglichkeiten
• Kundensegmentierung
• Betrugstransaktionen (Aufdeckung von Anomalien)
• Umsatz- und Nachfrageprognose

Predictive Scoring

Auf technischer Ebene berechnet Predictive Analytics einen quantitativen Score, bei denen es sich um Personen wie Kunden oder Mitarbeiter handeln kann. Es können Ansammlungen von Personen sein, z. Organisationen oder Produkte und Dienstleistungen. Mit dem Scoring verbindet das Unternehmen eine bestimmte Wahrscheinlichkeit mit einer Entität, z.B. Client, in Bezug auf bestimmte Aktion, zum Beispiel Kauf eines bestimmten Produkts. Es ist der Mechanismus, mit dem Unternehmen eine Vielzahl unterschiedlicher Vorhersagen treffen können:

• Wie hoch ist das Kreditrisiko eines Kunden, der einen Kredit beantragt?
• Wie hoch ist die Wahrscheinlichkeit, dass ein Mitarbeiter mit hohem Wert das Unternehmen verlässt?
• Wie groß ist die Wahrscheinlichkeit, dass ein kritisches Bauteil ausfällt?
• Wie hoch ist die Wahrscheinlichkeit, dass eine bestimmte gekennzeichnete Transaktion ein potenzieller Betrug ist?
• Wie groß ist die Wahrscheinlichkeit, dass ein Kunde angesichts der jüngsten Suchanfragen und früheren Einkäufe an ausgewählten Produkten interessiert ist?
• Wie groß ist die Wahrscheinlichkeit, dass ein bestimmter Sensor nicht richtig funktioniert?

Predictive Scoring wurde in die Geschäftstätigkeit vieler Branchen integriert – Fertigungs-, Finanz-, Gesundheits-, Marketing-, Öl- und Gasunternehmen, Einzelhändler, Sportteams, soziale Medien, E-Commerce und andere. Andere Organisationen, die Predictive Analytics einsetzen, sind Behörden und andere öffentliche Organisationen.

Predictive Analytics-Modelle

Eine der Aufgaben, mit denen Datenwissenschaftler bei einem Predictive Analytics-Projekt konfrontiert sind, ist die Auswahl des geeigneten Ansatzes für das jeweilige Projekt. Data Science verfügt über eine breite Palette potenzieller Methoden für die Modellierung der Predictive Analytics, und möglicherweise ist nicht jeder Ansatz für die jeweilige Aufgabe geeignet.

Im Allgemeinen sind einige der Modelle, die sich besonders für die prädiktive Analyse eignen :

• Logistische Regression
• Decision Trees
• Random Forests
• Support-Vektor-Maschinen
• K-means Clustering
• XGBoost
• Neuronale Netze

Open Source Tools für Predictive Analytics

Zur Implementierung von Predictive Analytics-Lösungen kann eine Vielzahl von Programmier-Sprachen and Software für diese Art von Aufgaben verwendet werden.

Man kann Ansätze auf niedrigerer Ebene verwenden, z. Implementierung in Python-Programmiersprache mithilfe von Scikit-Learn und Numpy. Oder man kann andere Software verwenden wie:

Knime
R Software
Weka
Apache Spark

Eine Alternative zur firmeninternen Entwicklung von Predictive Analytics-Lösungen besteht darin, auf diesen Bereich spezialisierte Data Science-Beratungsunternehmen zu beschäftigen.