Top Predictive Analytics Examples: Analytics for Business Success

Predictive Analytics versucht, unbekannte zukünftige Ereignisse oder Handlungen auf Basis von Data Mining, Statistik, Modellierung, Deep Learning und künstlicher Intelligenz sowie maschinellem Lernen vorherzusagen. Prädiktive Modelle werden auf geschäftliche Aktivitäten angewandt, um Kunden besser zu verstehen, mit dem Ziel, Kaufmuster, potenzielle Risiken und wahrscheinliche Chancen vorherzusagen.

Von allen Formen der Analytik ist vielleicht keine riskanter als die prädiktive Analytik, denn sie ist im Grunde genommen Wahrsagerei, wenn auch eine hoch entwickelte Version. Business Intelligence, der Vorgänger in der Analytik, ist ein Blick nach hinten. Wer waren unsere besten Kunden? Was waren umsatzschwache Tage? Doch im Zeitalter des Cloud Computing reicht dieser Blick zurück nicht mehr aus – daher die Marktnachfrage nach Predictive-Analytics-Tools.

Predictive Analytics spiegelt die heutigen Big-Data-Trends wider, und seine Tools sind im Wesentlichen Big-Data-Technologien. Die Marktnachfrage nach Predictive-Analytics-Software korrespondiert mit einem eng verwandten Toolset, den Big-Data-Analytics-Tools.

Gängige Anwendungen für Predictive Analytics sind unter anderem:

• Optimierung von Marketingkampagnen, um Kundenreaktionen auf Marketingkampagnen oder Kaufverhalten zu ermitteln.

• Verbesserung der Betriebsabläufe, um Bestände und andere Ressourcen besser zu verwalten oder um Preise für Dienstleistungen basierend auf Dingen wie Saisonalität festzulegen.

• Betrugserkennung. Analytik kann Aktivitäten überwachen und ungewöhnliche oder abweichende Kundenaktivitäten aufzeichnen oder abfangen, oft in Echtzeit.

• Risiken reduzieren. Händler, wie z. B. Autohändler, verwenden heute mehr als nur einen Kreditscore, um zu entscheiden, ob sie einen Kredit genehmigen. Sie betrachten auch Dinge wie Versicherungsansprüche und Fahrtenbücher, um festzustellen, ob der Käufer ein Risiko darstellt.

Beispiele für Predictive Analytics

Jede Branche und jeder Sektor setzt Predictive Analytics auf unterschiedliche Weise ein. Wir schlüsseln sie nach Branchen und Anwendungsfällen auf.

Einzelhandel

Der Einzelhandel ist wahrscheinlich die größte Branche, die Predictive Analytics einsetzt, und ist stets bestrebt, seine Verkaufsposition zu verbessern und bessere Beziehungen zu den Kunden aufzubauen. Eines der allgegenwärtigsten Beispiele sind die Empfehlungen von Amazon. Wenn Sie einen Kauf tätigen, wird eine Liste mit ähnlichen Artikeln angezeigt, die andere Käufer gekauft haben.

Vieles davon spielt sich im Bereich vor dem Verkauf ab – mit Dingen wie Umsatzprognosen und Marktanalysen, Kundensegmentierung, Überarbeitung von Geschäftsmodellen, Ausrichtung der IT auf die Geschäftsbereiche, Verwaltung des Lagerbestands unter Berücksichtigung der Saisonalität und Ermittlung der besten Einzelhandelsstandorte. Aber auch nach dem Verkauf wird gehandelt, um Retouren zu reduzieren, den Kunden zum Wiederkommen zu bewegen und Garantieverkäufe zu verlängern.

Gesundheit

Ein früher Versuch in dieser Richtung war Google Flu Trends (GFT). Durch die Online-Überwachung des Gesundheitsverhaltens von Millionen von Nutzern und den Vergleich mit einer historischen Basislinie der Grippeaktivität für eine entsprechende Region hoffte Google, Grippemuster vorherzusagen. Aber die Zahlen erwiesen sich als viel zu hoch, da die Informationen der Nutzer nicht ideal waren.

Aber es gibt noch andere Verwendungsmöglichkeiten, wie z. B. die Vorhersage von Epidemien oder öffentlichen Gesundheitsproblemen, basierend auf der Wahrscheinlichkeit, dass eine Person die gleiche Krankheit erneut erleidet. Oder die Vorhersage, wie hoch die Wahrscheinlichkeit ist, dass eine Person mit einer bekannten Krankheit auf der Intensivstation landet, wenn sich die Umgebungsbedingungen ändern. Es kann auch vorhersagen, wann und warum Patienten wieder eingewiesen werden und wann ein Patient eine verhaltensmedizinische Betreuung benötigt.

Sport

Das bekannteste Beispiel ist Bing Predicts, ein Vorhersagesystem von Microsofts Suchmaschine Bing. Es hat bei Gesangswettbewerben wie American Idol im 80-Prozent-Bereich gepunktet, bei Rennen um das US-Repräsentantenhaus und den Senat im hohen 90-Prozent-Bereich, und bei der Fußball-WM 2014 hat es 15 von 15 Punkten erzielt. Es nutzt Statistiken und die Stimmung in den sozialen Medien, um seine Einschätzungen zu treffen.

Ein weiteres Beispiel ist das so genannte „Moneyball“, das auf einem Buch darüber basiert, wie das Baseball-Team der Oakland Athletics Analysen und evidenzbasierte Daten nutzte, um ein konkurrenzfähiges Team zusammenzustellen. Dabei wurden alte Erfolgsfaktoren, wie z. B. geschlagene Runs, zugunsten von übersehenen Faktoren, wie z. B. On-Base, aufgegeben. Das brachte die Athletics zweimal hintereinander in die Playoffs.

Wetter

Die Wettervorhersage hat sich dank prädiktiver Analysemodelle sprunghaft verbessert. Die heutige Fünf-Tages-Vorhersage ist so genau wie eine Ein-Tages-Vorhersage aus den 1980er Jahren. Vorhersagen von neun bis zehn Tagen sind jetzt möglich, und was noch wichtiger ist: 72-Stunden-Vorhersagen von Hurrikanen sind genauer als 24-Stunden-Vorhersagen von vor 40 Jahren.

Der extreme Polarwirbel, der die Temperaturen in Wisconsin und Minnesota auf -50 Grad Fahrenheit fallen ließ, wurde mehrere Tage im Voraus vorhergesagt. All dies ist dank Satelliten möglich, die das Land und die Atmosphäre überwachen. Sie speisen diese Daten in Modelle ein, die unsere atmosphärischen und physikalischen Systeme besser abbilden.

Versicherungen/Risikobewertung

Trotz einiger schrecklicher Katastrophen im Jahr 2017 konnten Versicherungsunternehmen dank Predictive Analytics die Verluste innerhalb der Risikotoleranz verringern. Es half ihnen, wettbewerbsfähige Preise im Underwriting festzulegen, zukünftige Verluste zu analysieren und abzuschätzen, betrügerische Ansprüche zu erkennen, Marketingkampagnen zu planen und bessere Einblicke in die Risikoselektion zu erhalten.

Finanzmodellierung

Prädiktive Modellierung für Finanzdienstleistungen hilft bei der Optimierung der gesamten Geschäftsstrategie, der Umsatzgenerierung, der Ressourcenoptimierung und der Umsatzgenerierung. Mit automatisierten Finanzdienstleistungsanalysen können Unternehmen Tausende von Modellen gleichzeitig ausführen und schnellere Ergebnisse liefern als mit traditioneller Modellierung.

Dies geschieht durch die Analyse strategischer Geschäftsinvestitionen, die Verbesserung der täglichen Abläufe, die Steigerung der Produktivität und die Vorhersage von Veränderungen auf dem aktuellen und zukünftigen Markt. Die häufigste Form von Predictive Analytics in der Finanzdienstleistung ist das Kreditscoring-System, mit dem Kredite oft innerhalb von Minuten genehmigt oder abgelehnt werden.

Energie

Analytik in Kraftwerken kann unerwartete Ausfälle von Anlagen reduzieren, indem sie vorhersagt, wann eine Komponente ausfallen könnte, und so dazu beiträgt, die Wartungskosten zu senken und die Stromverfügbarkeit zu verbessern.

Versorgungsunternehmen können auch vorhersagen, wann Kunden eine hohe Rechnung erhalten könnten, und Kundenwarnungen verschicken, um Kunden zu warnen, die in diesem Monat eine hohe Rechnung haben. Intelligente Zähler ermöglichen es den Versorgungsunternehmen, Kunden vor Stromspitzen zu bestimmten Tageszeiten zu warnen und ihnen zu helfen, zu wissen, wann sie den Stromverbrauch einschränken sollten.

Social Media Analysis

Online Social Media ist ein grundlegender Wandel in der Art und Weise, wie Informationen produziert werden, insbesondere in Bezug auf Unternehmen. Das Verfolgen von Nutzerkommentaren in sozialen Medien ermöglicht es Unternehmen, sofortiges Feedback zu erhalten und schnell darauf zu reagieren.

Nichts bringt ein lokales Geschäft so zum Springen wie eine schlechte Bewertung auf Yelp oder lässt einen Händler so reagieren wie eine schlechte Bewertung auf Amazon. Das bedeutet, riesige Mengen an Social-Media-Daten zu sammeln und zu sortieren und die richtigen Modelle zu erstellen, um die nützlichen Daten zu extrahieren.

Alarmierung und Überwachung

Dies deckt ein breites Spektrum ab. Allein im Transportwesen haben moderne Autos mehr als 100 Sensoren und einige nähern sich schnell 200 Sensoren. Dies gibt einen viel genaueren Bericht als die alte generische Check-Motor-Lampe.

Moderne Flugzeuge haben fast 6.000 Sensoren, die mehr als 2 TB an Daten pro Tag generieren, die von Menschen nicht sinnvoll ausgewertet werden können. Maschinelles Lernen zur Erkennung von normalem Verhalten sowie von Anzeichen, die zu einem Ausfall führen, kann helfen, einen Ausfall vorherzusagen, lange bevor er eintritt.

Internet der Dinge

IDC schätzt, dass weniger als 1 Prozent der heute generierten Daten analysiert werden, und diese Flut wird nur noch zunehmen, wenn mehr IoT-Geräte online gehen, wie z. B. intelligente Autos.

Prädiktive Analysen werden benötigt, um zu sortieren, was reinkommt, um nutzlose Daten auszusortieren und das zu finden, was man braucht, um intelligente Aktionen zu unternehmen. In einem Beispiel haben Cisco und Rockwell Automation einem japanischen Hersteller von Automatisierungsgeräten geholfen, die Ausfallzeiten seiner Fertigungsroboter durch die Anwendung von Predictive Analytics auf Betriebsdaten auf nahezu Null zu reduzieren.