In diesem Artikel lesen Sie:

  • Definition Predictive Analytics
  • Vorteile von Predictive Analytics
  • Beispiele: Predictive Analytics in der Praxis
     

Definition: Das bedeutet “Predictive Analytics”

Predictive Analytics ist per Definition ein mathematisches Prinzip, das mithilfe von Algorithmen und Künstlicher Intelligenz (KI) Wahrscheinlichkeiten aus historischen und aktuellen Daten ableitet. So lassen sich generell Muster, Zusammenhänge und Trends aufdecken. Ursprünglich aus dem Bereich der Statistik kommend, setzen Unternehmen das Verfahren heute für Prognosen unterschiedlicher Art ein, unter anderem auch für Preisvorhersagen.

So funktioniert Predictive Analytics

Die Methode verwendet strukturierte und unstrukturierte Daten, beispielsweise aus internen und externen IT-Systemen (Big Data/Data Mining). Diese Informationen sammelt Predictive Analytics unter anderem per Text Mining und kombiniert sie mit Elementen der Spieltheorie und/oder Simulationsverfahren. Dank Machine Learning ziehen die Algorithmen selbstständig Erkenntnisse aus ihrer eigenen Datenverarbeitung und entwickeln auf dieser Basis automatisch Vorhersagen.

Die zugrundeliegende Software ist im Laufe der Zeit dank fachbereichstauglicher Benutzeroberflächen zugänglicher und anwendungsfreundlicher geworden. Das sowie ihre zunehmende Genauigkeit machen die Methode für den Einkauf interessant.

Vorteile von Predictive Analytics

Bedarfs- und Preisprognosen gehören zu den wichtigsten Elementen strategisch angelegter Beschaffungsprozesse, weil sie Entscheidungen stark beeinflussen. Deshalb kommt Predictive Analytics beispielsweise für Lieferantenmanagement, Controlling, Warengruppenmanagement, Vertrieb und Ausgabenmanagement zum Einsatz. Diese und weitere Bereiche können das Verfahren etwa für folgende Zwecke nutzen:
 

  • Zahlungs- und Zahlungszielanalysen
  • Rechnungsanalysen
  • Auftragsvergabe
  • Risikobewertung
  • Servicekontrolle
  • Compliance-Regelüberwachung
     

Besonders interessant ist Predictive Analytics für Preisvorhersagen und – damit eng verbunden – Absatzmengenkalkulation. Unterschiedliche Lieferanten, Produktionsverfahren, Transportwege sowie von Land zu Land abweichende politische Umstände und rechtliche Vorgaben erschweren manuell berechnete Prognosen. Software für Predictive Analytics hat hier Vorteile, weil sie deutlich schneller und präziser ist. Sie bietet beispielsweise:
 

  • Kontrolle von Preisen in Echtzeit
  • Entwicklung von Szenarien
  • Long-Term-Preisvorhersagen für neue Produkte
     

In der Praxis bedeutet das, dass Unternehmen mit Predictive Analytics den Markt und den Wettbewerb im Blick haben und dank der Software die künftige Nachfrage- und Preisentwicklung einschätzen können. Damit ist es möglich, den eigenen Bedarf zum günstigsten Zeitpunkt zu ordern.
 

Beispiele: Predictive Analytics in der Praxis

Seine Fähigkeiten empfehlen Predictive Analytics für eine ganze Reihe von Anwendungsgebieten. Deshalb bedienen sich zahlreiche Branchen der Methode für unterschiedliche Zwecke. Eine Auswahl von Beispielen:
 

  • Finanzdienstleistungen: Finanzinstitute verwenden Machine-Learning-Techniken und quantitative Tools, um Kreditrisiken vorherzusagen.
  • Automobilbranche: Unternehmen, die autonome Fahrzeuge entwickeln, analysieren Sensordaten von vernetzten Automobilen und verbessern so Fahrerassistenz-Algorithmen.
  • Medizintechnik: Ein Asthma-Management-Gerät zeichnet die Atemgeräusche von Patienten auf, analysiert sie und bietet sofortiges Feedback über eine Smartphone-App, um Betroffenen den Umgang mit Asthma und der Lungenerkrankung COPD zu erleichtern.
  • Luft- und/Raumfahrt: Um die Betriebszeit von Flugzeugen zu verbessern und Wartungskosten zu verringern, hat ein Triebwerkshersteller eine Echtzeit-Analyseanwendung erstellt, die die Leistung der Teilsysteme für Öl, Treibstoff, Flugzeugstart, mechanischen Zustand und Steuerung vorhersagt.
  • Automatisierung und Maschinenbau: Ein Kunststoff- und Folienhersteller spart monatlich 50.000 Euro mit einer Anwendung für die Zustandsüberwachung und vorausschauende Instandhaltung, die Ausfallzeiten reduziert und Verschwendung minimiert.
  • Energieversorgung: Fortschrittliche Vorhersage-Apps verwenden Modelle, die die verfügbare Kapazität von Kraftwerken, das Wetter sowie den jahreszeitabhängigen Verbrauch überwachen.