Prädiktive Analysen

Was ist Predictive Analytics?

Predictive Analytics ist die Verwendung von Statistiken und Modellierungstechniken, um die zukünftige Leistung basierend auf aktuellen und historischen Daten zu bestimmen. Predictive Analytics untersucht Muster in Daten, um festzustellen, ob diese Muster wahrscheinlich wieder auftauchen, was es Unternehmen und Investoren ermöglicht, den Einsatz ihrer Ressourcen anzupassen, um mögliche zukünftige Ereignisse zu nutzen.

Verständnis von prädiktiver Analyse

Es gibt verschiedene Arten von Predictive Analytics-Methoden. Zum Beispiel Data Mining beinhaltet die Analyse von großen Datenmengen Muster von ihm zu erkennen. Die Textanalyse macht dasselbe, außer bei großen Textblöcken.

Vorhersagemodelle werden für alle Arten von Anwendungen verwendet, einschließlich Wettervorhersagen, Erstellen herausfordernder und ansprechender Videospiele und Übersetzen von Sprache in Text für Handy-Nachrichten. Alle diese Anwendungen verwenden deskriptive statistische Modelle vorhandener Daten, um Vorhersagen über zukünftige Daten zu treffen.

Deskriptive 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 deskriptiven Modellen auf und betrachten Daten aus der Vergangenheit, um die Wahrscheinlichkeit bestimmter zukünftiger Ergebnisse unter gegebenen aktuellen Bedingungen oder einer Reihe erwarteter zukünftiger Bedingungen zu bestimmen.

Beispiele für Predictive Analytics

Predictive Analytics ist ein Werkzeug zur Entscheidungsfindung in einer Vielzahl von Branchen.

Forecasting ist eine wesentliche Aufgabe in der Fertigung, da sie eine optimale Nutzung der Ressourcen in einer Supply Chain sicherstellt. Kritische Speichen des Supply-Chain-Rads, sei es die Bestandsverwaltung oder der Shopfloor, erfordern genaue Prognosen für das Funktionieren. Predictive Modeling wird häufig verwendet, um die Qualität der für solche Vorhersagen verwendeten Daten zu bereinigen und zu optimieren. Die Modellierung stellt sicher, dass das System mehr Daten aufnehmen kann, auch aus kundenorientierten Vorgängen, um eine genauere Prognose zu gewährleisten.

Auch Kreditscoring und Underwriting nutzen in großem Umfang Predictive Analytics. Wenn ein Verbraucher oder ein Unternehmen einen Kredit beantragt, werden Daten über die Kredithistorie des Antragstellers und die Kreditwürdigkeit von Kreditnehmern mit ähnlichen Merkmalen verwendet, um das Risiko vorherzusagen, dass der Antragsteller einen gewährten Kredit nicht erfüllt.

Versicherungen prüfen Bewerber Politik die Wahrscheinlichkeit zu bestimmen, die für einen zukünftigen auszuzahlen Anspruch auf dem aktuellen Risikopool ähnlicher Versicherungsnehmer basieren, sowie vergangener Ereignisse, die in Auszahlungen geführt haben. Vorhersagemodelle, die Eigenschaften im Vergleich zu Daten über vergangene und Policen Ansprüche betrachten werden durch routinemäßig verwendet aktuar.

An anderer Stelle untersuchen Marketingspezialisten, wie die Verbraucher bei der Planung einer neuen Kampagne auf die Gesamtwirtschaft reagiert haben, und können anhand von demografischen Veränderungen feststellen, ob der aktuelle Produktmix die Verbraucher zum Kauf verleitet.

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

Häufige Missverständnisse von Predictive Analytics

Ein weit verbreitetes Missverständnis ist, dass Predictive Analytics und Machine Learning dasselbe sind. Im Kern umfasst Predictive Analytics eine Reihe statistischer Techniken (einschließlich Machine Learning, Predictive Modeling und Data Mining) und verwendet Statistiken (sowohl historische als auch aktuelle), um zukünftige Ergebnisse abzuschätzen oder vorherzusagen.

Predictive Analytics hilft uns, mögliche zukünftige Ereignisse zu verstehen, indem wir die Vergangenheit analysieren. Maschinelles Lernen hingegen ist ein Teilgebiet der Informatik, das nach der Definition von Arthur Samuel – einem amerikanischen Pionier auf dem Gebiet des Computerspiels und der künstlichen Intelligenz von 1959 – „die Programmierung eines digitalen Computers bedeutet, sich in einem Art und Weise, die, wenn sie von Menschen oder Tieren durchgeführt würde, als Lernprozess bezeichnet werden würde.“

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

Kritik an Predictive Analytics

Der Einsatz von Predictive Analytics wurde kritisiert und in einigen Fällen aufgrund von wahrgenommenen Ungleichheiten in den Ergebnissen rechtlich eingeschränkt. Am häufigsten handelt es sich dabei um Vorhersagemodelle, die zu statistischer Diskriminierung rassischer oder ethnischer Gruppen in Bereichen wie Kreditbewertung, Wohnungsbaukredite, Beschäftigung oder Risiko kriminellen Verhaltens führen.

Ein berühmtes Beispiel dafür ist die (heute illegale) Praxis des Redlinings bei der Hauskreditvergabe durch Banken. Unabhängig davon, ob die aus der Verwendung solcher Analysen abgeleiteten Vorhersagen richtig 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.