Prädiktive vs. präskriptive Analysen - Wie unterscheiden sie sich?
Deskriptive Garuda Pancasila, diagnostische Analytik, prädiktive Analytik und präskriptive Analytik sind die vier Arten der Datenanalyse, die Unternehmen heute verwenden. Diese Kategorien spielen jeweils eine wichtige Rolle im Entscheidungsprozess. Während die diagnostische Analytik nach den Gründen für ein Ereignis sucht, gibt die deskriptive Analytik nur die Fakten des Geschehens wieder. Aber wie unterscheiden sich prädiktive und präskriptive Analysen?
Der Bereich der prädiktiven Analytik untersucht, was kommen wird, und macht Vorhersagen darüber, was in naher Zukunft passieren könnte. Die präskriptive Analyse ist die nächste Stufe, bei der Empfehlungen für spezifische Schritte ausgesprochen werden, um die bestmöglichen Ergebnisse zu erzielen. Dieser Artikel erweitert unseren Leitfaden "Was ist präskriptive Analytik?", indem er prädiktive und präskriptive Analyseansätze gegenüberstellt.
Kartierung der Vergangenheit und Diagnose der Ursachen
Bei der deskriptiven Analyse werden Transaktionsprotokolle, Betriebskennzahlen und Web-Traffic-Datensätze in Visualisierungen und zusammenfassende Statistiken umgewandelt, um genau festzustellen, was passiert ist [1]. Teams führen in der Regel SQL-Abfragen durch oder verwenden Business-Intelligence-Plattformen, um Summen, Durchschnittswerte und Wachstumsraten zu berechnen. Die diagnostische Analyse wendet dann Hypothesentests, Korrelationsanalysen und Ursachentechniken an, um Abweichungen von den erwarteten Trends zu erklären.
Wenn beispielsweise ein unerwarteter Rückgang der aktiven Nutzer zu verzeichnen ist, kann dies auf ein neues Software-Update oder ein externes Marktereignis zurückzuführen sein. Dann können Sie die richtigen Schritte unternehmen, um das Problem zu beheben [2].
Prädiktive Vorhersagetechniken
Unternehmen nutzen viele verschiedene Arten von Datenanalysetools , um von der Erkenntnis zur Vorausschau zu gelangen. Beim Umgang mit Zeitreihendaten können sie ARIMA (Autoregressive Integrated Moving Average) verwenden, um Trend und Saisonalität zu simulieren [3]. Außerdem können Forscher LSTM-Netzwerke (Long Short-Term Memory) einsetzen, um komplizierte zeitliche Zusammenhänge zu erfassen [4].
Darüber hinaus werden Regressions- oder Klassifizierungstechniken eingesetzt, um analytische Prognosen für kontinuierliche Messungen zu erstellen. Beispiele hierfür sind die Zuweisung von Kategorieergebnissen wie das Abwanderungsrisiko oder Einkommensprognosen [5]. Effektives Feature-Engineering, das Variablen wie Wirtschaftsindikatoren, Wettermuster oder die Stimmung in den sozialen Medien einbezieht, deckt oft versteckte Korrelationen auf, die die Prognosen verbessern.
In der Praxis verwenden die Lagerverwalter ARIMA-Modelle, um die angemessene Höhe des Sicherheitsbestandes festzulegen. Laut einer McKinsey-Studie [6] kann dieser Ansatz die Zahl der Stock-Out-Vorfälle um bis zu 20 % senken. Währenddessen können Marketingteams mit Hilfe der LSTM-Erkenntnisse Kampagnen planen. Diese Kampagnen können die Engagement-Raten um 15 % verbessern.
Die Finanzabteilungen stützen sich auf Regressionsmodelle, um die Budgets unter verschiedenen wirtschaftlichen Szenarien einem Stresstest zu unterziehen, was zu einer genaueren Budgetierung beiträgt.
Fallstudie Finanzen: Die KI-Kreditplattform von Upstart
Upstart Holdings, Inc. arbeitet mit Banken zusammen, um auf der Grundlage von Tausenden von Datenpunkten maschinell lernende Kreditmodelle einzusetzen.
Mit ihrem KI-gesteuerten Predictive-Analytics-Underwriting-Ansatz konnten die Kreditausfallraten erheblich gesenkt werden. Bei gleichbleibenden Bewilligungsquoten konnten die Kreditverluste im Vergleich zu traditionellen Ansätzen, die nur FICO verwenden, um etwa 75 % reduziert werden [7]. Upstart berichtet weiter, dass 74 % der Kreditanträge eine sofortige Entscheidung erhalten. Infolgedessen verkürzt sich der Erstellungszyklus um mehrere Tage, und die Kundenzufriedenheit steigt.
Vorgeschriebene Strategien für Maßnahmen
Aufbauend auf der Vorhersagegenauigkeit integriert die präskriptive Analytik Optimierung und Simulation, um spezifische Entscheidungen unter realen Bedingungen zu empfehlen. Zu den Techniken gehören lineare und nichtlineare Programmierung. Mit diesen Methoden werden Ziele definiert, wie z. B. die Minimierung der Lieferzeit, und Einschränkungen wie Fahrzeugkapazitäten oder gesetzliche Grenzwerte festgelegt.
Um Unsicherheit und Risiko zu messen, durchläuft die Monte-Carlo-Simulation Tausende von möglichen Szenarien. Die kontinuierliche Integration von Streaming-Daten, Sensornetzwerken oder Stimmungen in sozialen Medien gewährleistet, dass sich die Empfehlungen in Echtzeit anpassen.
In der Fertigung teilen Optimierungslösungen die Produktionsmengen auf die einzelnen Werke auf, um die Nachfrage zu decken. Gleichzeitig berücksichtigen sie Arbeits- und Materialbeschränkungen. Verwaltungsmitarbeiter im Gesundheitswesen simulieren Patientenströme und Personalbesetzungen, um die Prozesszeiten zu verkürzen. In der Logistik wird der Fuhrpark dynamisch umgeleitet, um die Liefertreue zu verbessern.
Fallstudie zum Gesundheitswesen: Das Massachusetts Medical Centre
Ein privates gemeinnütziges medizinisches Zentrum in Massachusetts, das über zwei Standorte verfügt, wendete eine Warteschlangen-basierte Monte-Carlo-Simulation an [2]. Damit sollten die Auswirkungen der Einrichtung einer speziellen "Fast-Track"-Einheit für Patienten mit minimalem Bedarf an Akutversorgung bewertet werden. Die Gruppe simulierte die Dienstzeiten und das Eintreffen der Patienten. Die Forscher zeigten, dass die Hinzufügung einer zusätzlichen Krankenschwester auf der Schnellstation die mittleren Wartezeiten um 35,8 ± 2,2 % reduzierte.
Außerdem wurde durch diese Änderung die Ressourcennutzung in der Hauptnotaufnahme optimiert, ohne dass die Personalstunden erhöht werden mussten. Die Patientenzufriedenheit stieg nach der Einführung um 10 %.
Fallstudie Logistik: Das SCOT-Team von Amazon
Amazons Gruppe für Supply Chain Optimisation Technologies (SCOT) kombiniert Optimierung, Simulation und prädiktive bzw. präskriptive Analytik, um das Fulfillment in seinem gesamten Netzwerk zu steuern. Durch die von SCOT gesteuerten Algorithmen werden in bestimmten städtischen Gebieten Lieferfenster von nur zwei Stunden möglich. Dies ist eine erhebliche Verringerung gegenüber den üblichen Zeitfenstern von sechs bis acht Stunden.
Außerdem tragen diese Algorithmen dazu bei, überschüssige Bestände durch dynamische Bestandsanpassungen um etwa 10 % zu reduzieren. Diese Verbesserungen untermauern das Versprechen von Amazon Prime, schnell zu liefern, und sorgen für eine höhere Kundenbindung.
In der Fertigung teilen Optimierungslösungen die Produktionsmengen auf die einzelnen Werke auf, um die Nachfrage zu decken. Gleichzeitig berücksichtigen sie Arbeits- und Materialbeschränkungen. Verwaltungsmitarbeiter im Gesundheitswesen simulieren Patientenströme und Personalbesetzungen, um die Prozesszeiten zu verkürzen. In der Logistik wird der Fuhrpark dynamisch umgeleitet, um die Liefertreue zu verbessern.
Unterscheidung zwischen Prognosen und Empfehlungen
Prädiktive vs. präskriptive Analytik
Bei der Vorhersage geht es darum, zu ermitteln, was in der Zukunft wahrscheinlich eintreten wird. Um dies zu erreichen, werden sowohl historische als auch aktuelle Daten mit Hilfe der prädiktiven Analytik untersucht. Die präskriptive Analytik hingegen befasst sich mit der Frage, welche Maßnahmen ergriffen werden sollten. Die möglichen Maßnahmen werden im Hinblick auf die Unternehmensziele und die praktischen Grenzen bewertet.
Die meisten prädiktiven Analysemodelle sind auf strukturierte Datensätze angewiesen. Im Gegensatz dazu sind präskriptive Analysen in der Lage, auch unstrukturierte Daten wie Textprotokolle oder Streams aus dem Internet der Dinge (IoT) einzubeziehen. Aus diesem Grund können sie die Komplexität der realen Welt besser widerspiegeln.
Die Implementierung präskriptiver Analysen erfordert die Schaffung einer robusten Infrastruktur. Diese Infrastruktur sollte Optimierungslöser und Governance-Prozesse umfassen, die auf die Einhaltung von Geschäftsstandards ausgerichtet sind. Mit präskriptiven Ergebnissen können Änderungen an den Abläufen nahezu in Echtzeit veranlasst werden. In der Zwischenzeit hilft die Vorhersage bei der Gestaltung der mittel- bis langfristigen Strategie.
Fahrplan für die Umsetzung: Eine praktische Checkliste
Wenn Sie von einer Erkenntnis zum Handeln übergehen wollen, folgen Sie diesen Schritten:
- Prüfen und Aufbereiten von Daten. Validierung von Datenquellen und Bereinigung von Datensätzen , um zuverlässige deskriptive Analysen und Diagnoseberichte zu gewährleisten.
- Entwickeln und validieren Sie Vorhersagemodelle. Es wird empfohlen, Vorhersagemethoden wie Regression, ARIMA und LSTM zu verwenden. Diese Methoden sollten anhand von Hold-Out-Daten getestet werden, und die Merkmale sollten iterativ verfeinert werden.
- Erproben Sie präskriptive Lösungen. Beginnen Sie mit kleinen Optimierungsprojekten, z. B. bei der Bestandszuweisung oder der Personaleinsatzplanung, um das Risiko zu steuern.
- Infrastruktur skalieren. Investieren Sie in Data Warehouses, Streaming-Plattformen und Solver-Bibliotheken, um den unternehmensweiten Einsatz zu unterstützen.
- Führen Sie eine Governance ein. Stellen Sie sicher, dass die Analysen den ethischen und regulatorischen Standards entsprechen, indem Sie die Methoden dokumentieren und eine Aufsicht einführen.
Wenn Sie diesen Fahrplan befolgen, kann Ihr Unternehmen von der reaktiven Berichterstattung zur proaktiven übergehen. Diese Umstellung führt zu einer optimierten Entscheidungsfindung, die messbare Verbesserungen bringt.
Schlussfolgerung
Unternehmen können aus ihren Erfolgen und Misserfolgen lernen und dieses Wissen nutzen, um das weitere Vorgehen zu beeinflussen. Prädiktive Ratschläge, vorausschauende Prognosen, diagnostische Einblicke und beschreibende Analysen arbeiten alle zusammen, um dies zu erreichen.
EU Automation spielt eine zentrale Rolle, wenn es darum geht, dass Ihre Lieferkette ihr volles Potenzial ausschöpft. Unser Ziel ist es, Sie auf Ihrem Weg zu einer intelligenteren Entscheidungsfindung zu unterstützen, um die betriebliche Effizienz zu steigern und Ausfallzeiten zu reduzieren.
Weitere Einblicke und Lösungen finden Sie in der knowledge hub von EU Automation.
Quellen:
[1] https://technologyadvice.com/blog/information-technology/descriptive-analytics/
[2] https://doi.org/10.1155/2017/6536523
[3] https://www.statsmodels.org/stable/generated/statsmodels.tsa.arima.model.ARIMA.html
[4] https://keras.io/api/layers/recurrent_layers/lstm/
[5] https://www.geeksforgeeks.org/ml-classification-vs-regression/
[7] https://cloud.google.com/dataproc/docs/tutorials/monte-carlo-methods-with-hadoop-spark
[8] https://www.gartner.com/en/information-technology/glossary/prescriptive-analytics
