Vorausschauende Analyse
Was sind vorausschauende Analysen?
Vorausschauende Analysen nutzen das kombinierte Potenzial von Algorithmen, statistischen Daten und maschinellem Lernen, um künftige Anforderungen und Ergebnisse mit optimierten Analysemodellen zu ermitteln und Unternehmen so eine bessere Nutzung von Ressourcen und Erkenntnissen zu ermöglichen.
Welche Vorteile bietet die vorausschauende Analyse?
Mit vorausschauenden Analysen, die Themen wie Big Data und Data-Mining umfassen, können Unternehmen und andere Organisationen künftiges Verhalten besser verstehen und Chancen erkennen. Wie? Durch die Nutzung historischer Daten in Verbindung mit verschiedenen anderen Methoden wie Deep Learning oder maschinellem Lernen und Datenmodellierung sind Predictive-Analytics-Modelle und -Verfahren von unschätzbarem Wert. Damit können Data-Scientists Korrelationen aufdecken, die wiederum stärkere interne Prozesse schaffen und die IT-Infrastruktur mit höherer Präzision automatisieren können.
Anwendungsfälle für vorausschauende Analysen
Predictive-Analytics-Algorithmen werden in den unterschiedlichsten Branchen eingesetzt – von der Unterhaltungsbranche über das Gesundheitswesen bis zu den Bereichen Cybersicherheit und Wetter. Im Einzelhandel unterstützen vorausschauende Analysen beispielsweise die Interpretation und Vorhersage des Käuferverhaltens und helfen Filialen so, ihren Bestand besser zu verwalten oder personalisierte Empfehlungen für Käufer zu generieren. In Branchen wie der Fertigung können Unternehmen Anlagen und Wartungsmuster proaktiv überwachen, um Ausfallzeiten zu minimieren. Sogar im Sport werden Predictive-Analytics-Modelle eingesetzt, um den Wert von Spielern über einen bestimmten Zeitraum mittels Statistiken und weiterer Daten besser vorherzusagen.
In fast jeder Branche können vorausschauende Analysen, das damit verbundene maschinelle Lernen und weitere Dateneingaben enormen Wert bieten, wenn es um die Lösung neuer und bestehender Probleme geht. Data-Scientists und die Unternehmen oder Organisationen, für die sie arbeiten, können Mitarbeiter, Prozesse, Gewinne und Verluste und eine beliebige Anzahl künftiger Trends ermitteln.
Die Geschichte vorausschauender Analysen
Vorausschauende Analysen werden schon seit Jahrzehnten genutzt, aber erst mit der zunehmenden Verfügbarkeit kostengünstigerer, schnellerer und leistungsfähigerer Computer konnte das wahre Potenzial vorausschauender Analysen ausgeschöpft werden.
Seit den 1940er Jahren weckten die Vorläufer des modernen Computings und andere Errungenschaften wie die lineare Programmierung und die Computermodellierung das wachsende Interesse von Regierungen an den Möglichkeiten vorausschauender Analysen. Im berühmten Manhattan Project, in dessen Rahmen die Atomwaffentechnologie entwickelt wurde, die zum Ende des zweiten Weltkriegs beitrug, wurde eine manuelle Analyse mit der Bezeichnung Monte-Carlo-Simulation zur Vorhersage des Verhaltens von Atomen während einer Kernreaktion verwendet.
In den 1950er Jahren wurde die Computerentwicklung mit der Entwicklung der nichtlinearen Programmierung und computerbasierten Heuristik sowie der Erfindung der Festplattenlaufwerke fortgesetzt. Diese Fortschritte bildeten die Grundlage für weitere Innovationen wie Disketten und Datenbankmanagementsysteme (DBMS).
In den 1970er und 1980er Jahren wurden vorausschauende Analysen zur Vorhersage von Aktienkursen eingesetzt, während Wissenschaftler wie E. F. Codd die theoretische Grundlage für relationale Datenbanken und relationale Datenbankmanagementsysteme, einschließlich der Anwendungsprogrammierschnittstelle (API) und Structured Query Language (SQL), legten.
In den 1990er und 2000er Jahren wurden enorm große Datenbanken mit Informationen dafür verwendet, digitale Erfahrungen und Marketingerlebnisse zu personalisieren und zu optimieren. Zu verdanken war dies der Entstehung der Technologie für maschinelles Lernen und Cloud-Computing.
Welche Arten der vorausschauenden Analyse gibt es? Wie funktionieren sie?
Vorausschauende Analysen sind kein eigenständiges Verfahren. Sie können in verschiedene Modelle mit jeweils eigenen Zwecken, Funktionen und Vorteilen für eine beliebige Anzahl von Anwendungsfällen unterteilt werden. Insgesamt können die erfassten Daten verwendet werden, um das Verständnis historischer Datenpunkte zu vertiefen, anomale Instanzen unter zahlreichen Datensätzen zu erkennen und künftige Trends vorherzusagen.
Klassifizierungsmodelle
Dieses Modell beschafft historische Daten und erfasst und unterteilt Daten in Kategorien. Unternehmen in zahlreichen Branchen nutzen dieses Modell, um komplexe Probleme zu lösen und neue Möglichkeiten zu entdecken. Mit seinem breiten Anwendungsspektrum wird dieses Modell häufig für die Entscheidung über Antragsgenehmigungen, die Ermittlung des Risikos von Zahlungsausfällen, die Erkennung betrügerischer Transaktionen und vieles mehr eingesetzt.
Ausreißermodelle
Wie der Name schon sagt, ermittelt ein Ausreißermodell Daten, die außerhalb der Norm liegen, in einem oder mehreren Datensätzen und unterstützt Schlussfolgerungen auf der Basis dieser anomalen Datenpunkte. Wie bei anderen Modellen können auch hier verschiedene Faktoren berücksichtigt werden, die von Preisen über Standorte bis zur Zahlungshistorie reichen. Aus diesem Grund sind Ausreißermodelle in Finanzwesen und Fertigung besonders hilfreich, wo sie zur Erkennung möglicher betrügerischer Aktivitäten oder zur Anzeige von Ineffizienzen und Fehlfunktionen von Anlagen eingesetzt werden.
Clustering-Modelle
Diese Variante vorausschauender Analysen trennt Daten in ausgewählte Gruppen, basierend auf gemeinsamen Kriterien. Diese Daten können in harte oder weiche Cluster einsortiert werden. Das harte Clustering ist eine einfache Kategorisierung, während das weiche Clustering die Datenwahrscheinlichkeit bei der Clusterbildung zuordnet. Im Allgemeinen werden Clustering-Modelle häufig im Marketing eingesetzt, wo sie Marketingmitarbeitern helfen, Strategien für bestimmte Zielgruppen zu planen.
Zeitreihenmodelle
Im Gegensatz zu anderen Modellen nutzen Zeitreihenmodelle Anomaliedaten statt historischer Daten. Dabei wird die Zeit als primäre Eingabe verwendet, um Einblick in künftige Zeiträume zu gewinnen. Der größte Vorteil von Zeitreihenmodellen besteht darin, dass sie ermitteln können, wie sich bestimmte Kennzahlen über einen bestimmten Zeitraum ändern, basierend auf ausgewählten Variablen wie Wetterdaten oder früheren Verkaufszahlen, häufig in Verbindung mit mehreren Vorhersagen. Sie helfen Unternehmen, Wachstum zu planen oder eine bessere Strategie für die nächsten Schritte zu entwickeln.
Vorhersagemodelle
Vorhersagemodelle prognostizieren den quantifizierbaren zukünftigen Wert eines Objekts auf der Basis historischer numerischer Daten. Einer der wichtigsten Gründe für die weit verbreitete Nutzung von Vorhersagemodellen liegt darin, dass sie mehrere Eingabeparameter wie z. B. Wetterdaten und lokale Ereignisse erlauben und so mehr Flexibilität in zahlreichen Branchen bieten. Beispielsweise können Einzelhandelsgeschäfte die voraussichtliche Zahl der Kunden oder Verkäufe in einer bestimmten Woche hochrechnen, basierend auf dem Datenverkehr der Vergangenheit, und die Abdeckung entsprechend planen.
Wie verwenden Unternehmen vorausschauende Analysen?
Moderne vorausschauende Analysen haben sich über lineare und logistische Regressionen hinaus entwickelt, da Unternehmen jeder Größe sich eine datenbasierte Lösung wünschen, um einen Wettbewerbsvorteil zu erreichen. Die heute eingesetzten vorausschauenden Analysen helfen Unternehmen, enorme Mengen digitaler Daten zu durchsuchen, maschinelles Lernen und Deep Learning zu nutzen und neu gewonnene Erkenntnisse zu beleuchten. Sie analysieren das Kundenverhalten, sagen Marktschwankungen vorher und prognostizieren, wo der nächste große Durchbruch stattfinden wird. Darüber hinaus ermöglichen vorausschauende Analysen Data-Scientists aller Art die Zusammenarbeit in Echtzeit in einem nie gekannten Ausmaß mithilfe neuer Workflow-Anwendungen und Hybrid- und Multi-Cloud-Infrastrukturen, die für eine einfachere Datenanalyse sorgen.
Während Daten und eine intelligente Infrastruktur in vielen Branchen zu unterschiedlichen Zwecken eingesetzt werden, bleiben die Vorteile weitgehend dieselben.
Der Einzelhandel sammelt mit vorausschauenden Analysen Daten, um Verkaufstrends zu ermitteln und ein stärker personalisiertes Marketing zu erreichen, z. B. verbesserte Cross-Selling-, Up-Selling- und Remarketing-Kampagnen. Derartige Daten können sogar im Bestandsmanagement und bei der künftigen Produktentwicklung verwendet werden.
Die Energieindustrie nutzt Daten nicht nur für das Management und die Verbindung großer Systeme von Anlagen und weiteren Assets, sondern auch zur Vorhersage und Planung der Versorgung und des Bedarfs aufgrund saisonaler oder widriger Wetterverhältnisse und sogar zur Vorhersage von Ausfällen.
Auch Fertigungsunternehmen verwenden vorausschauende Analysen, um ihre Assets zu überwachen. In diesem Fall geht es jedoch mehr um die Wartung und Leistungsüberwachung. Fertigungsunternehmen können jeden Rückgang der Effizienz erkennen oder vorhersagen, wann mögliche Ausfälle auftreten, und so kostenintensive Ausfallzeiten oder Reparaturen reduzieren.
Im Versicherungswesen können vorausschauende Analysen als zusätzliche Sicherheitsmaßnahme eingesetzt werden, da sie mögliche betrügerische Schadensmeldungen durch den Vergleich historischer Daten erkennen. Darüber hinaus wird künstliche Intelligenz (KI) verwendet, um Versicherungsangebote und -prämien zu personalisieren, indem relevante Risiken für jeden Antragsteller berücksichtigt und Anträge auf der Basis dieser Kriterien genehmigt oder abgelehnt werden.
Sogar Behörden können das Potenzial von Daten als Grundlage neuer Richtlinien und staatlicher Initiativen nutzen, die unser tägliches Leben sinnvoll verändern können.
HPE und vorausschauende Analysen
HPE arbeitet mit Organisationen und Unternehmen jeder Größe zusammen, um Lösungen für vorausschauende Analysen bereitzustellen, die ihnen die intelligente Infrastruktur und die Fachkompetenz bieten, die sie für ihre Anforderungen benötigen. HPE arbeitet eng mit Partnern zusammen, um deren Anforderungen in zahlreichen Branchen mit Angeboten wie HPE InfoSight, HPE GreenLake, HPE Nimble Storage und HPE Pointnext zu erfüllen.
HPE half Basefarm, einem norwegischen IT-Dienstleister, den Datenspeicherbedarf für die stark zunehmende Zahl der Kunden des Unternehmens zu handhaben und Business Continuity aufrechtzuerhalten. Durch die Ergänzung eines individuell angepassten Infrastruktur- und Funktionsangebots konnte Basefarm Probleme mit virtuellen Maschinen (VMs) um 80 Prozent schneller lösen und erreichte eine durchschnittliche konstante Bandbreite von 22 TB pro Sekunde.
Außerdem half HPE dem Agronomy Center for Research and Education (ACRE) der Purdue University bei der Intensivierung von Projekten zur digitalen Landwirtschaft. Zusammen revolutionieren sie die Agrarforschung durch die Automatisierung von Echtzeit-Felddaten und Technologien wie dem Internet der Dinge (IoT) , die zur Messung, Analyse und Anpassung des Feuchtigkeitsgehalts von Pflanzen eingesetzt werden.
In Zusammenarbeit mit Purdue unterstützt HPE auch Forscher im Center of Global Soundscapes dabei, biologische Daten aufzuzeichnen und zu analysieren, um schnellere ökologische Erkenntnisse weltweit mit einer Kombination von Edge-Computing und Datenanalysen zu gewinnen. Dadurch erhalten die Forscher detaillierteren Einblick in die Art und Weise, wie sich bestimmte Umweltfaktoren auf Wildtiergemeinschaften auswirken.