Präskriptive Analytik
Was ist präskriptive Analytik?
Prescriptive Analytics ist eine Art der Datenanalyse – der Einsatz von Technologie, um Unternehmen durch die Analyse von Rohdaten zu helfen, bessere Entscheidungen zu treffen. Präskriptive Analysen berücksichtigen insbesondere Informationen über mögliche Situationen oder Szenarien, verfügbare Ressourcen, vergangene Leistung und aktuelle Leistung und schlagen eine Vorgehensweise oder Strategie vor. Es kann verwendet werden, um Entscheidungen in jedem Zeithorizont zu treffen, von unmittelbar bis langfristig.
Das Gegenteil von Prescriptive Analytics ist die Descriptive Analytics, die Entscheidungen und Ergebnisse im Nachhinein untersucht.
So funktioniert die präskriptive Analyse
Prescriptive Analytics basiert auf Techniken der künstlichen Intelligenz wie maschinellem Lernen – der Fähigkeit eines Computerprogramms, ohne zusätzliche menschliche Eingaben die erfassten Daten zu verstehen und aus ihnen zu entwickeln und sich dabei ständig anzupassen. Machine Learning ermöglicht die Verarbeitung einer enormen Datenmenge, die heute verfügbar ist. Sobald neue oder zusätzliche Daten verfügbar werden, werden Computerprogramme automatisch angepasst, um sie zu nutzen. Dies ist ein Prozess, der viel schneller und umfassender ist, als es die menschlichen Fähigkeiten verwalten könnten.
Zahlreiche Arten von datenintensiven Unternehmen und Regierungsbehörden können von der Verwendung präskriptiver Analysen profitieren, einschließlich solcher im Finanzdienstleistungs- und Gesundheitssektor, wo die Kosten für menschliches Versagen hoch sind.
Prescriptive Analytics arbeitet mit einer anderen Art von Datenanalyse, der Predictive Analytics, bei der Statistiken und Modelle verwendet werden, um die zukünftige Leistung auf der Grundlage aktueller und historischer Daten zu bestimmen. Es geht jedoch noch weiter: Auf Basis der Einschätzung des voraussichtlichen Geschehens durch Predictive Analytics empfiehlt es den künftigen Kurs.
Die Vor- und Nachteile von Prescriptive Analytics
Prescriptive Analytics kann das Durcheinander der unmittelbaren Unsicherheit und sich ändernden Bedingungen durchbrechen. Es kann dazu beitragen, Betrug zu verhindern, Risiken zu begrenzen, die Effizienz zu steigern, Geschäftsziele zu erreichen und loyalere Kunden zu gewinnen.
Prescriptive Analytics ist jedoch nicht narrensicher. Es ist nur dann effektiv, wenn Organisationen wissen, welche Fragen sie stellen und wie sie auf die Antworten reagieren müssen. Wenn die Eingabeannahmen ungültig sind, sind die Ausgabeergebnisse nicht genau.
Wenn sie jedoch effektiv eingesetzt wird, können präskriptive Analysen Unternehmen dabei unterstützen, Entscheidungen auf der Grundlage gründlich analysierter Fakten zu treffen, anstatt zu ungenügend informierten Schlussfolgerungen aus Instinkt zu springen. Prescriptive Analytics kann die Wahrscheinlichkeit verschiedener Ergebnisse simulieren und die Wahrscheinlichkeit jedes einzelnen zeigen, wodurch Unternehmen das Risiko und die Unsicherheit, mit denen sie konfrontiert sind, besser verstehen können, als sie sich auf Durchschnittswerte verlassen könnten. Unternehmen können die Wahrscheinlichkeit von Worst-Case-Szenarien besser verstehen und entsprechend planen.
Die zentralen Thesen
- Prescriptive Analytics nutzt maschinelles Lernen, um Unternehmen bei der Entscheidung über eine Vorgehensweise basierend auf den Vorhersagen eines Computerprogramms zu unterstützen.
- Prescriptive Analytics arbeitet mit Predictive Analytics, die Daten verwendet, um kurzfristige Ergebnisse zu bestimmen.
- Wenn präskriptive Analysen effektiv eingesetzt werden, können sie Unternehmen dabei helfen, Entscheidungen auf der Grundlage von Fakten und wahrscheinlichkeitsgewichteten Prognosen zu treffen, anstatt zu unwissenden Schlussfolgerungen aus Instinkt zu springen.
Beispiele für präskriptive Analytik
Zahlreiche Arten datenintensiver Unternehmen und Regierungsbehörden können von präskriptiven Analysen profitieren, einschließlich solcher im Finanzdienstleistungs- und Gesundheitssektor, wo die Kosten für menschliches Versagen hoch sind.
Präskriptive Analysen könnten verwendet werden, um zu bewerten, ob eine örtliche Feuerwehr die Bewohner auffordern sollte, einen bestimmten Bereich zu evakuieren, wenn ein Lauffeuer in der Nähe brennt. Es könnte auch verwendet werden, um basierend auf Daten zu Suchanfragen und sozialen Anteilen für verwandte Themen vorherzusagen, ob ein Artikel zu einem bestimmten Thema bei den Lesern beliebt ist. Eine andere Verwendung könnte darin bestehen, ein Schulungsprogramm für Arbeiter in Echtzeit basierend darauf anzupassen, wie der Arbeiter auf jede Lektion reagiert.
Präskriptive Analytik für Krankenhäuser und Kliniken
In ähnlicher Weise können Krankenhäuser und Kliniken präskriptive Analysen verwenden, um die Ergebnisse für Patienten zu verbessern. Es stellt Gesundheitsdaten in einen Kontext, um die Kosteneffizienz verschiedener Verfahren und Behandlungen zu bewerten und offizielle klinische Methoden zu bewerten. Es kann auch verwendet werden, um zu analysieren, welche Krankenhauspatienten das höchste Risiko einer Wiedereinweisung haben, damit die Gesundheitsdienstleister durch Patientenaufklärung und ärztliche Nachsorge mehr tun können, um ständige Rückkehr ins Krankenhaus oder in die Notaufnahme zu verhindern.
Präskriptive Analysen für Fluggesellschaften
Angenommen, Sie sind CEO einer Fluggesellschaft und möchten den Gewinn Ihres Unternehmens maximieren. Prescriptive Analytics kann Ihnen dabei helfen, indem Ticketpreise und Verfügbarkeit basierend auf zahlreichen Faktoren wie Kundennachfrage, Wetter und Benzinpreisen automatisch angepasst werden. Wenn der Algorithmus feststellt, dass die diesjährigen Vorweihnachts-Ticketverkäufe von Los Angeles nach New York beispielsweise hinter dem des Vorjahres zurückbleiben, kann er automatisch die Preise senken, ohne sie angesichts der diesjährigen höheren Ölpreise zu niedrig zu senken.
Gleichzeitig kann der Algorithmus die Ticketpreise automatisch erhöhen, wenn er die aufgrund vereister Straßenverhältnisse überdurchschnittlich hohe Nachfrage nach Tickets von St. Louis nach Chicago auswertet. Der CEO muss nicht den ganzen Tag auf einen Computer starren, um zu sehen, was mit dem Ticketverkauf und den Marktbedingungen passiert, und dann die Mitarbeiter anweisen, sich in das System einzuloggen und die Preise manuell zu ändern; ein Computerprogramm kann all dies und noch mehr – und das auch noch schneller.