Predictive Analytics – Die 5 wichtigsten Algorithmen & Modelle, die Sie kennen sollten
Heutzutage hantiert ein Unternehmen mit unendlich vielen Daten und muss anhand dessen gut durchdachte Entscheidungen treffen. Dabei kommt der Mitarbeiter oftmals mit der Datenerfassung und Auswertung an seine Grenzen, da er sich an die neue Komplexität gewöhnen muss. In diesem Beitrag gebe ich Ihnen einen Überblick über die beliebtesten Arten von Predictive Analytics und Algorithmen, die heute zur Lösung von Geschäftsproblemen verwendet werden.
Was sind Predictive-Analytics-Tools?
Die Predictive Analytics-Tools basieren auf verschiedenen Modellen und Algorithmen, die Sie auf eine Vielzahl von Anwendungsfällen anwenden können. Die Ermittlung der für Ihr Unternehmen am besten geeigneten Predictive Analytics Tools ist der Schlüssel, um die Lösung optimal und Daten für aufschlussreiche Entscheidungen zu nutzen.
Das Problem ist, dass viele Unternehmen unglaubliche Ergebnisse erzielen möchten, sich aber nicht sicher sind, wo sie anfangen sollen. Der Einstieg in Ihre erweiterten Analyseinitiativen kann eine entmutigende Aufgabe sein, aber die untenstehenden fünf Algorithmen können Ihnen die Arbeit erleichtern.
Aber was sind überhaupt Advanced Analytics? Die beginnen zumeist mit einem einzelnen Anwendungsfall. Das beinhaltet oftmals die Anwendung neuer Methoden zur Datentransformation und -analyse, um bisher unbekannte Trends und Muster in Ihren Daten aufzudecken. Wenn Sie die neuen Informationen dann auf Geschäftsprozesse und Betriebsnormen anwenden, kann das Ihr Geschäft positiv verändern.
Was sind die Top Five Predictive Analytics-Modelle?
1. Classification Model
Das Classification Model ist in gewisser Weise das einfachste der verschiedenen Arten von Predictive Analytics-Modellen. Es ordnet Daten in Kategorien ein, basierend auf dem, was es aus historischen Daten gelernt hat. Das Modell beantwortet am besten Ja- oder Nein-Fragen und bietet eine umfassende Analyse, die hilfreich ist, um Maßnahmen zu leiten.
Diese Modelle können Fragen beantworten wie:
- Für einen Einzelhändler: „Wird dieser Kunde abwandern?”
- Für einen Kreditgeber: „Wird dieses Darlehen genehmigt?” oder „Ist es wahrscheinlich, dass dieser Antragsteller in Verzug gerät?”
- Für einen Online-Banking-Anbieter: „Ist dies eine betrügerische Transaktion?“
Durch die vielen Möglichkeiten des Classification Modells können Sie das Modell auf verschiedene Branchen anwenden.
2. Clustering Model
Das Clustering Model sortiert Daten basierend auf ähnlichen Attributen in separate, verschachtelte Smart Groups. Wenn bspw. ein E-Commerce-Schuhunternehmen gezielte Marketingkampagnen für seine Kunden durchführen möchte, kann es Hunderttausende von Datensätzen durchgehen, um eine maßgeschneiderte Strategie für jeden Einzelnen zu erstellen.
Aber ist das die effizienteste Zeitnutzung? Wahrscheinlich nicht. Mithilfe des Clustering-Modells können sie Kunden anhand gemeinsamer Merkmale schnell in ähnliche Gruppen aufteilen und Strategien für jede Gruppe in größerem Maßstab entwickeln.
Andere Anwendungsfälle dieser prädiktiven Modellierungstechnik könnten bspw. sein:
- das Gruppieren von Kreditantragstellern in „Smart Buckets“ basierend auf Kreditattributen
- das Identifizieren von Gebieten in einer Stadt mit einem hohen Kriminalitätsvolumen
- das Benchmarking von SaaS-Kundendaten in Gruppen umfassen, um globale Nutzungsmuster zu identifizieren.
3. Forecast Model
Das Forecast Model ist eines der am häufigsten verwendeten Vorhersagemodelle und befasst sich mit der Vorhersage von Metrikwerten. Dabei wird der numerische Wert für neue Daten – basierend auf den Erkenntnissen aus historischen Daten – für Sie geschätzt. Sie können das Modell überall dort anwenden, wo historische numerische Daten verfügbar sind.
Zu möglichen Szenarien gehören:
- Ein SaaS-Unternehmen kann schätzen, wie viele Kunden innerhalb einer bestimmten Woche voraussichtlich konvertieren werden.
- Ein Callcenter kann vorhersagen, wie viele Supportanrufe pro Stunde eingehen werden.
- Ein Schuhgeschäft kann berechnen, wie viel Inventar es zur Verfügung haben sollte, um die Nachfrage während eines bestimmten Verkaufszeitraums zu erfüllen.
Das Modell berücksichtigt auch mehrere Eingabeparameter. Wenn ein Restaurantbesitzer die Anzahl der Kunden vorhersagen möchte, die er voraussichtlich in der folgenden Woche erhalten wird, berücksichtigt das Modell Faktoren, die sich darauf auswirken könnten, z. B.: Gibt es eine Veranstaltung in der Nähe? Wie ist die Wettervorhersage?
4. Outliers Model
Das Outliers Model orientiert sich an anomalen Dateneinträgen innerhalb eines Datensatzes. Es kann anomale Zahlen entweder allein oder in Verbindung mit anderen Zahlen und Kategorien identifizieren, z. B.:
- Aufzeichnen eines Anstiegs bei Supportanrufen, der auf einen Produktfehler hinweisen kann, der möglicherweise zu einem Rückruf führt.
- Auffinden anomaler Daten innerhalb von Transaktionen oder in Versicherungsansprüchen, um Betrug zu identifizieren.
- Suchen Sie ungewöhnliche Informationen in Ihren NetOps-Protokollen und bemerken Sie die Anzeichen bevorstehender ungeplanter Ausfallzeiten.
Das Outliers Model ist besonders nützlich für Predictive Analytics im Einzelhandel und im Finanzwesen. Wenn bspw. betrügerische Transaktionen identifiziert werden, kann das Modell nicht nur den Betrag, sondern auch den Ort, die Zeit, die Kaufhistorie und die Art eines Kaufs bewerten.
5. Time Series Model
Das Time Series Model umfasst eine Folge von Datenpunkten, die unter Verwendung der Zeit als Eingabeparameter erfasst werden. Es verwendet das letzte Datenjahr, um eine numerische Metrik zu entwickeln, und prognostiziert die nächsten drei bis sechs Datenwochen unter Verwendung dieser Metrik.
Zu den Anwendungsfällen für dieses Modell gehören z. B.:
- die Anzahl der täglichen Anrufe in den letzten drei Monaten
- die Verkäufe in den letzten 20 Quartalen oder
- die Anzahl der Patienten, die in den letzten sechs Wochen in einem bestimmten Krankenhaus aufgetaucht sind.
Es ist ein wirksames Mittel, um zu verstehen, wie sich eine singuläre Metrik im Laufe der Zeit mit einer Genauigkeit entwickelt, die über einfache Durchschnittswerte hinausgeht. Dabei werden auch Jahreszeiten oder Ereignisse berücksichtigt, die sich auf die Metrik auswirken können.
Wenn der Besitzer eines Salons vorhersagen möchte, wie viele Personen sein Unternehmen voraussichtlich besuchen werden, wendet er sich möglicherweise der groben Methode zu, die Gesamtzahl der Besucher in den letzten 90 Tagen zu berechnen. Das Wachstum ist jedoch nicht immer statisch oder linear und das Time Series Model kann das exponentielle Wachstum besser modellieren und das Modell besser an den Trend eines Unternehmens ausrichten. Es kann auch für mehrere Projekte oder mehrere Regionen gleichzeitig prognostiziert werden, anstatt nur für jeweils ein Projekt.
So finden Sie das beste Predictive Analytics-Modell für Ihre Anforderungen
Sie müssen zunächst herausfinden, welche prädiktiven Fragen Sie in welcher Qualität beantworten möchten. Was noch wichtiger ist: was Sie mit diesen Informationen tun möchten. Berücksichtigen Sie die Stärken der einzelnen Modelle sowie die Optimierung mit verschiedenen Algorithmen für die prädiktive Analyse, um zu entscheiden, wie sie am besten für Ihr Unternehmen verwendet werden können.
Die Entscheidung, welches dieser Modelle für Sie und Ihr Unternehmen also in Frage kommen soll, ist nicht mal eben zu entscheiden. Es sollte eine gut durchdachte Entscheidung sein. Falls Sie dabei noch Unterstützung benötigen oder Fragen haben, können Sie sich gerne an mich wenden.
