Wer die Zukunft kennt, kann sie gestalten – die Schlüssel zu einer solchen Zeitmaschine sind Daten und deren kluge Verwendung. Predictive Analytics ist eine vorwärtsgerichtete Disziplin der Advanced Analytics und wie diese im Bereich der Business Intelligence angesiedelt. Auf Grundlage von Daten aus der Vergangenheit entwerfen Data Scientists mathematische Modelle, die auf aktuelle Daten angewendet werden und Prognosen für die Zukunft erstellen.
Mit Predictive Analytics können Unternehmen auf Ereignisse reagieren, bevor sie eintreten, allerdings bestehen noch große Defizite in der tatsächlichen Umsetzung. Vor allem fehlt es an Fachpersonal, also fitten IT’ler:innen wie Dir! Zu sehen, was passieren wird, ist in jeder Branche nützlich. Die gewonnenen Erkenntnisse dienen zur Instandhaltung von Geräten genauso wie für eine Einschätzung des Marktes oder zur Generierung von Customer Value. Schauen wir uns mal ein paar Einsatzbeispiele für Predictive Analytics in der Gegenwart – und natürlich in der Zukunft – an!
Predictive Analytics im Einsatz
Predictive Ability ist die durch fortgeschrittene Analysemethoden eröffnete Fähigkeit, auf zukünftige Ereignisse zu reagieren. Das bedeutet für Unternehmen, dass sie ihre Geschäftsmodelle proaktiv statt reaktiv entwickeln können. Voraussetzung ist eine Kultur, die auf Daten vertraut und sich von Bauchgefühl und reinen Experteneinschätzungen verabschiedet. Die bisherigen Erfolge geben dieser Methodik recht, weshalb für immer mehr Unternehmen technische und geschäftliche Daten die “Single Source of Truth” und damit die Grundlage für zukünftige Entscheidungen bilden. Predictive Analytics funktioniert dort, wo sehr viele Daten aus unterschiedlichen Quellen und verschiedenen Fachbereichen vorhanden sind.
Predictive Maintenance: Maschinen warten, ehe sie kaputt gehen
Ein fast schon klassisches Feld für prädikative Modelle sind die Branchen Industrie 4.0, Maschinenbau und Automotive. Durch eingebettete Systeme und Interkonnektivität werden über Sensoren unzählige Gerätedaten wie Temperatur, Leistung, Drehzahl, Cloud-Auslastung uvm. gesammelt und hinsichtlich Nutzung, Nutzung und Verschleiß analysiert. Daraus lässt sich Wartungsbedarf frühzeitig und verlässlicher als im Rahmen von Stichproben oder Inspektionen erkennen und wird entlang einer automatisierten Prozesskette ans System gemeldet. Auf diese Weise können auch Schwachstellen in der Produktion entdeckt und behoben werden. Geht immer dasselbe Teil als erstes kaputt? Genügt die Qualität des bisherigen Anbieters den Anforderungen?
Diese Fragen spielen auch in der Automobilindustrie eine wichtige Rolle. Bereits im Entwicklungsprozess werden in Echtzeit Daten gesammelt und über Nacht in einer Analysesoftware ausgewertet, damit die Testfahrt am nächsten Tag von den Erkenntnissen profitieren kann. Dadurch beschleunigt man den Entwicklungsprozess und senkt Kosten.
Never out of Stock: Predictive Analytics in Handel und Logistik
Der Handel strebt stark in Richtung digitalisierter Prozesse und smarter Supply Chains, die eine bedarfsgerechte Aussteuerung der Waren erlauben, um "Out-of-stock bzw. -shelf-Ereignisse" zu vermeiden. Ein aktuelles Beispiel ist die Toilettenpapiersituation im Lockdown: Wetten, dass die Regale nie mehr so leer werden wie bei der ersten Welle? Komplexe Algorithmen gleichen Millionen von internen und externen Daten ab, um Informationen entlang der gesamten Lieferkette – von der Produktion bis zum Supermarkt – zu verarbeiten und Handlungen auszulösen, die unsere Versorgung sicherstellen.
Logistikkonzerne sind daher essenzielle Partner in der Supply Chain und setzen Predictive Analytics zur Prognose von Mengen- und Preisentwicklungen ein, machen sich bei der Klassifizierung von Packstücken die KI-basierte Bilderkennung zunutze, interpretieren Trackingdaten und steuern autonome Maschinen und Fahrzeuge. Dafür sind in der Logistik 4.0 alle Fahrer mit Tablets ausgestattet, um den Echtzeittransfer der Sendungsdaten zu garantieren. So weiß man im Supermarkt genau, wann welche Produkte eintreffen.
Und hier ist noch lange nicht Schluss: Bei Größen wie Rewe, Aldi oder Lidl tüfteln hochkarätige Teams an Zukunftslösungen für kassenlose Märkte, Ansprache von Kund:innen mittels Gesichtserkennung, Preisoptimierungs-Software und Prognosetools, die neben historischen Daten auch Wetter- und Tagestrends, bestimmte Ereignisse und standortbezogene Besonderheiten einberechnen. Entsprechend reizvoll und auch aussichtsreich ist es, als gewiefter Junior Data Scientist oder Datenbankentwickler:in Deine Karriere hier zu starten!
Medizin/Life Science: KI zwischen Hoffnung und Datenschutz
Für Machine Learning und Künstliche Intelligenz im Sinne neuronaler Netzwerke sind Trainingsdaten die wichtigste Voraussetzung. Aufgrund von Datenschutzregularien stößt die Forschung gerade in den Bereichen Medizin und Pharma/Life Science hier oft an ihre Grenzen oder muss sich mit weniger Daten zufriedengeben, als sie problemlos verarbeiten könnte. Hier versuchen Unternehmen aus dem E-Health-Bereich anzusetzen und das Vertrauen der Kund:innen gewinnen. Das ist bei so sensiblen Daten nicht einfach und wird deshalb in modernen Anwendungen wie elektronischen Gesundheitsakten, Portalen oder Wearables mit “Belohnungen” verbunden.
In Pharmakonzernen werden Daten für die Forschung an Medikamenten ausgewertet, um neue Mittel zu entwickeln oder bestehende Präparate und Therapien zu verbessern. Auch vor dem Einsatz von Advanced Analytics wurden bei der Herstellung von Medikamenten Unmengen an Daten gesammelt – aber dann nicht weiter genutzt. Die Zusammenführung und Bereinigung vorhandener Daten hat im Bereich Medizin/Life Sciences schon zu vielen Durchbrüchen geführt und einige Entwicklungen signifikant beschleunigt.
Warum sprechen manche Patienten besser auf ein Medikament an als andere? Gibt es Gemeinsamkeiten unter denen, die ein Präparat nicht vertragen? Solche Fragen lassen sich mit Predictive Analytics beantworten. Pharmakonzerne sind daher grundsätzlich interessiert an Nachwuchs für die Bereiche Big Data, Advanced Analytics und Machine Learning. Eine gute Voraussetzung hierfür ist ein Bioinformatik-Studium.
Energie: Smart Grids für nie versiegenden, günstigen Strom
In der Energiewirtschaft ist das "Smart Grid" die Zukunft, und Predictive Analytics einer seiner Grundpfeiler. Das intelligente Stromnetz kann mittels Mustererkennung in Smart Metering-Daten den zukünftigen Stromverbrauch vorhersagen. Anhand der gespeicherten Verhaltensdaten der Verbraucher lassen sich der Strombedarf und daher die Energieeinspeisung und -verteilung exakt planen. Außerdem liefert das Smart Grid Lastprognosen für Predictive Maintenance, die eine mögliche Netzüberlastung im Vorfeld abwenden können.
Quelle: Bild von macrovector auf Freepik
Startups wie GridX, Next Kraftwerke oder Node.Energy arbeiten bereits am nächsten Schritt: zentralen Plattformen, auf denen sämtliche Stromerzeuger und Verbraucher vernetzt sind. Hier sollen alle Aufgaben (Energiemanagement, Strombezug und Monitoring) herstellerunabhängig zusammengeführt werden. Als Stromkund:in hättest Du entscheidende Vorteile: ein IoT-Gerät misst und analysiert den Verbrauch und schlägt Dir Einsparungen vor – Ökostrom ist auch mit drin.
Predictive Policing zur Verbrechensprävention
In den USA ist es schon Gang und Gäbe, in Europa gibt es Kritik seitens der Datenschützer und Menschenrechtsorganisationen: Predictive Policing, oder vohersagebasierte Polizeiarbeit, ist nicht unumstritten. Aber durchaus wirksam – bereits im Pilotprojekt 2011 konnte die kalifornische Stadt Santa Cruz einen fast 10%-igen Rückgang der Einbrüche und Autodiebstähle verzeichnen – bei einem signifikanten Anstieg der Verhaftungen.
Predictive Policing nutzt bestehende Falldaten, um die Wahrscheinlichkeit für zukünftige Straftaten zu berechnen. In der Realität spielen jedoch (bislang) nicht, wie etwa im Film Minority Report, Täterdaten und Profiling die Hauptrolle. Im Verständnis der Kriminologen setzt sich eine Straftat aus drei Faktoren zusammen: “motivierter Täter”, “tattaugliches Tatobjekt” und “fehlende Schutzmechanismen”. Sie wird verhindert, wenn einer der Faktoren eliminiert werden kann.
Da personenbezogenes Policing in Deutschland bislang weder ethisch noch technisch umsetzbar ist, konzentrieren die Prognosen sich eher auf Risikogebiete und -zeitpunkte: Ein Viertel, in dem es ab Mitternacht häufig zu Einbrüchen kommt, kann geschützt werden kann, indem dort um diese Zeit mehr Streife gefahren wird. Deshalb sind die Erfolge auch besonders groß bei wiederkehrenden Straftaten, die sich an kriminellen Hotspots ereignen. In einigen Bundesländern werden bereits Systeme wie PRECOBS (Pre Crime Observation System) eingesetzt. Generell bedeutet die Vernetzung und Echtzeit-Verfügbarkeit von relevanten Informationen einen Meilenstein für die Polizeiarbeit, und die Speicherung dieser Infos macht den Weg frei für die Mustererkennung durch lernende Maschinen.
Shortlist Techs
Der deutsche ERP-Spezialist SAP hat mit der SAP Analytics Cloud in Verbindung mit SAP HANA eine beliebte Allround-Plattform für Forecasting auf dem Markt. Zwar ist sie für alle Unternehmengrößen skalierbar, aber sehr teuer – monatlich ist man locker im zweistelligen Tausenderbereich. Ähnlich sieht es mit den Lösungen anderer Big Player wie SAS (Advanced Analytics), Angoss (KnowledgeStudio), MATLAB, Mathematica oder Microsoft (Azure Machine Learning) aus. Alteryx oder IBM (SPSS Statistics) bewegen sich preislich in der Mittelklasse. Es gibt jedoch auch günstigere Angebote, zum Beispiel RapidMiner, TIBCO oder H2O. Die KNIME Analytics Plattform gibt es sowohl Open Source als auch als kommerzielle Version.
Ein beliebtes Big Data-Framework ist Hadoop, ein Open-Source-Projekt der Apache Software Foundation. Hadoop speichert Riesenmengen an unstrukturierten Daten aus beliebigen Quellen und lässt sich mit den Analytics-Plattformen verbinden. Mithilfe von Cassandra verwaltest Du die Datenbank, mit Spark oder Kafka geht es dann an die Analyse.
Die wichtigsten Programmiersprachen für die lernenden Algorithmen im Umfeld von Advanced Analytics und Machine Learning sind R und/oder Python, seltener auch Scala. Dazu werden Tools für Natural Language Processing (NLP), also vor allem Text Mining, wie MonkeyLearn, IBM Watson oder SpaCy verwendet, denn eine Vielzahl unserer Daten liegt in anderer Form als Zahlen vor: Auch Bilder und vor allem Texte aller Art werden in Predictive Analytics einbezogen.
Für Predictive Maintenance gibt es zahlreiche Speziallösungen, die teilweise von denselben Unternehmen angeboten werden, die sie ursprünglich für ihren eigenen Bedarf entwickelt haben, so zum Beispiel die Predictive Diagnostics Software von Bosch für das Condition Monitoring und die Instandhaltung von Fahrzeugen. Andere Lösungen kommen von spezialisierten Anbietern, die im IoT-Bereich Namen tragen wie Device Insight, Augury Mechanical Diagnostics, Recogizer oder Konux.
Auch im Gebäudemanagement ist Bosch weit vorn: Mit dem Cross Domain Development Kit (XDK) bietet der Konzern eine eigenentwickelte Predictive-Maintenance-Lösung für modernes Facility Management an. Sie basiert auf nachträglich installierbarer Sensorik, IoT und einer Software, in dem alle Daten zusammenlaufen und analysiert werden. Diese Innovation verspricht eine 60%-ige Einsparung von Energiekosten.
- Die Business Intelligence-Disziplin Predictive Analytics gehört zu den Advanced Analytics. Mittels Big Data, statistischen Modellen und Machine Learning werden Prognosen über zukünftige Ereignisse getroffen.
- Unternehmen, die die Zukunft vorhersagen können, sind in der Lage, proaktiv und zu ihrem Vorteil handeln. Deshalb spielt das Thema in Umfragen für die meisten Unternehmen eine wichtige Rolle. Allein an der Umsetzung hapert es – hier sind fitte Data Analysts und Scientists gefragt!
- Predictive Analytics spielen in allen Branchen eine Rolle: Im Marketing wie auch im Bankenwesen dienen die Erkenntnisse zur Generierung von Customer Insights und dem Abschöpfen des Customer Value durch individualisierte Angebote zur rechten Zeit.
- In der Industrie 4.0, dem Maschinen- und Fahrzeugbau und Bereichen, in denen vernetzte Geräte im Einsatz sind, sorgt Predictive Maintenance für eine effiziente Instandhaltung.
- Auch zur Einschätzung der Marktentwicklung oder der Risikominimierung sind Predictive Analytics nützlich. Voraussetzung ist es, dass ein Unternehmen sich von Bauchgefühlen verabschiedet und Vertrauen in die Daten setzt.
