Predictive Analytics: Grundlagen, Projektbeispiele und Lessons Learned

Zusammenfassung

• Predictive Analytics zielt darauf ab, auf Basis von strukturierten Daten Prognosen für zukünftige Ereignisse/Entwicklungsverläufe zu treffen.
• Die Verfügbarkeit großer Datenmengen bei gleichzeitiger Fähigkeit, diese effizient zu verarbeiten, eröffnet heute neue Möglichkeiten und Anwendungsgebiete.
• Algorithmisch erstellte Prognosen sind gegenüber klassischen Prognosen höher automatisiert, objektiviert und (mindestens) genauso akkurat.
• Praktische Anwendungsmodelle kombinieren i. d. R. mehrere Algorithmen und stellen diese in eine Input-Output-Sequenz.
• Das Zusammenspiel aus Mensch und Maschine liefert Stand heute noch immer die besten Ergebnisse.

1 Begriff und Anwendungsbereiche

1.1 Definition

Unter Predictive Analytics (PA) versteht man Prozesse, Konzepte und Methoden, mit denen auf Basis von strukturierten (Vergangenheits-)Daten und mithilfe von klassischer Statistik und/oder maschinellem Lernen (Machine Learning), Vorhersagen von Ereignissen gemacht werden können. Vereinfacht geht es darum eine Vorhersage zu machen, welche Entwicklung sich auf Basis einer vorliegenden (limitierten) Datenlage absehen lässt; im zweiten Schritt geht es konsequenterweise darum abzuleiten, was getan werden kann, um die prognostizierten Entwicklungsverläufe zu beeinflussen. Vergangenheitsdaten stellen die Basis und den Ausgangspunkt von PA dar. Algorithmen bewerkstelligen die rechentechnische Verarbeitung dieser Daten i. S. v. prozessierbaren Mustern und Trends, aus denen sich die Prognose errechnet.

Aus wissenschaftlicher Sicht sind die (mathematischen) Grundlagen für die Modellierung von Predictive-Analytics-Problemstellungen bereits seit langem bekannt. Arbeiten zur Regressionsanalyse gehen bis in 19. Jahrhundert zurück. Pioniere des maschinellen Lernens wie Frank Rosenblatt und Marvin Minsky arbeiteten schon in den 1950er Jahren an Künstl...