Prescriptive Analytics bezeichnet Verfahren, die auf Grundlage von Daten, Modellen und Zielen mögliche Handlungsoptionen empfehlen oder optimieren. Während Predictive Analytics Entwicklungen abschätzt, untersucht Prescriptive Analytics, welche Entscheidungen unter gegebenen Annahmen zweckmäßig sein könnten.
Funktionsweise und Einsatz
Für die Berechnung werden Zielgrößen, Nebenbedingungen, verfügbare Alternativen und gegebenenfalls Prognosen benötigt. Optimierungsmodelle, Simulationen und Entscheidungsregeln können daraus Vorschläge ableiten.
Abgrenzung und Grenzen
Eine mathematisch optimale Lösung ist immer nur innerhalb der berücksichtigten Modellannahmen optimal. Nicht modellierte Risiken, rechtliche Vorgaben, qualitative Ziele oder widersprüchliche Daten können Empfehlungen unbrauchbar machen. Entscheidungshoheit und Verantwortlichkeit bleiben daher zu klären.
Beispiel aus der Unternehmenspraxis
Ein Logistikunternehmen kann verschiedene Tourenpläne unter Berücksichtigung von Fahrzeugkapazitäten, Lieferfenstern und Kosten vergleichen.
Hinweise zur Anwendung
Empfehlungen sollten erklärbar, überprüfbar und bei geänderten Bedingungen anpassbar sein. Automatische Umsetzung erfordert zusätzliche technische und organisatorische Schutzmaßnahmen.
Von Vorhersagen zu Handlungsoptionen
Predictive Analytics beschäftigt sich mit möglichen zukünftigen Ereignissen. Prescriptive Analytics baut darauf auf oder nutzt andere geeignete Informationen, um Handlungsoptionen zu vergleichen. Dafür müssen Unternehmensziele und Nebenbedingungen explizit beschrieben sein. Im Logistikbereich können beispielsweise Transportkosten minimiert werden, während Lieferfristen, verfügbare Fahrzeuge und gesetzliche Vorgaben eingehalten werden. Das Modell bewertet nur die Faktoren, die tatsächlich berücksichtigt wurden. Eine mathematisch optimale Tour kann daher betrieblich ungeeignet sein, wenn etwa eine nicht erfasste Zufahrtsbeschränkung vorliegt. Die fachliche Prüfung bleibt ein wesentlicher Bestandteil des Prozesses.
Optimierung, Simulation und Entscheidungsregeln
Für Prescriptive Analytics können mathematische Optimierungsverfahren, Simulationen oder regelbasierte Entscheidungslogiken eingesetzt werden. Unterschiedliche Verfahren eignen sich für unterschiedliche Probleme. Ein Ressourcenplan mit klaren Kapazitätsgrenzen lässt sich anders behandeln als eine strategische Entscheidung unter hoher Unsicherheit. Häufig werden mehrere Zielgrößen berücksichtigt, die miteinander konkurrieren. Niedrigere Kosten können beispielsweise längere Lieferzeiten verursachen. Die Analyse sollte daher Zielkonflikte sichtbar machen und erläutern, welche Gewichtungen verwendet wurden. Ohne nachvollziehbare Prioritäten ist eine Empfehlung schwer zu bewerten.
Betriebliche Implementierung und Kontrolle
Eine Empfehlung wird erst dann handlungsrelevant, wenn sie in den organisatorischen Entscheidungsprozess passt. Verantwortliche brauchen Informationen darüber, welche Annahmen gelten, welche Alternativen geprüft wurden und welche Konsequenzen zu erwarten sind. Automatische Entscheidungen oder technische Eingriffe können im Einzelfall sinnvoll sein, erfordern aber geregelte Berechtigungen, Grenzwerte und Überwachung. Bei Veränderungen von Nachfrage, Ressourcen oder Geschäftsregeln müssen Modelle angepasst werden. Die Qualität einer Lösung sollte nicht allein an der Rechengeschwindigkeit gemessen werden, sondern auch daran, ob Vorschläge akzeptabel, umsetzbar und nachvollziehbar sind.
Grenzen automatischer Empfehlungen
Ein Optimierungsmodell kann überraschend extreme Lösungen vorschlagen, wenn wichtige Einschränkungen fehlen. Daher sollten Tests mit ungewöhnlichen Eingaben und realistischen Ausnahmefällen durchgeführt werden. Bei personenbezogenen Sachverhalten kommen mögliche Diskriminierungsrisiken und zusätzliche Datenschutzanforderungen hinzu. Auch wirtschaftliche Interessen verschiedener Beteiligter können im Modell unzureichend repräsentiert sein. Eine sachgerechte Prescriptive-Analytics-Anwendung dokumentiert deshalb Ziele, Beschränkungen, Datenquellen und Verantwortlichkeit. Sie macht Entscheidungsspielräume transparent, statt die betriebliche Verantwortung hinter einer scheinbar objektiven Empfehlung zu verbergen.
Häufige Fragen
Ist Prescriptive Analytics immer KI-basiert?
Nein. Viele Anwendungen verwenden klassische Optimierung, mathematische Modelle oder feste Geschäftsregeln. KI kann ergänzen, ist aber nicht zwingend notwendig.
Kann Prescriptive Analytics eine Entscheidung automatisch umsetzen?
Technisch ist das möglich, aber nicht automatisch vorgesehen. Dafür sind zusätzliche Berechtigungen, Kontrollen und je nach Kontext rechtliche Prüfungen erforderlich.
Praktische Prüffragen
- Formulieren Sie ein eindeutiges Optimierungsziel, bevor Handlungsempfehlungen berechnet werden; niedrige Kosten und kurze Durchlaufzeit können miteinander konkurrieren.
- Erfassen Sie verbindliche Nebenbedingungen wie Lieferfristen, Personalverfügbarkeit oder Genehmigungserfordernisse, damit die vorgeschlagenen Maßnahmen überhaupt umsetzbar sind.
- Prüfen Sie, welche Eingaben prognostiziert statt beobachtet wurden, und untersuchen Sie die Auswirkungen unsicherer Werte auf die optimale Lösung.
- Legen Sie fest, wann Verantwortliche Empfehlungen bestätigen, verändern oder verwerfen dürfen und wie wichtige Entscheidungen protokolliert werden.
- Testen Sie Ausnahmefälle und ungewöhnliche Situationen; eine mathematisch gültige Lösung kann bei fehlenden betrieblichen Regeln wirtschaftlich oder organisatorisch ungeeignet sein.
Handlungsoptionen unter Nebenbedingungen bewerten
Prescriptive Analytics baut eine Entscheidungsfrage so auf, dass Ziele und Handlungsgrenzen explizit sind. Ein Logistikunternehmen kann beispielsweise Transportkosten senken wollen, muss aber Lieferfenster, Fahrzeugkapazitäten und verfügbare Mitarbeitende berücksichtigen. Ein Optimierungsverfahren kann mögliche Tourenpläne berechnen und vergleichen. Diese Ergebnisse gelten jedoch nur für die berücksichtigten Regeln und Eingangsdaten. Fehlende Zufahrtsbeschränkungen oder unzutreffende Nachfrageannahmen können aus einer mathematisch optimalen Lösung einen betrieblich ungeeigneten Vorschlag machen. Deshalb gehören fachliche Plausibilitätskontrollen und die Dokumentation wesentlicher Annahmen zum Einsatz eines Empfehlungssystems.
Empfehlung und Entscheidung auseinanderhalten
Ein Modell kann mehrere Optionen mit unterschiedlichen Kosten- und Qualitätsfolgen liefern. Welche Alternative gewählt wird, hängt auch von strategischen Prioritäten und schwer quantifizierbaren Risiken ab. Für transparente Entscheidungen sollten die wichtigsten Zielkonflikte und die Sensitivität gegenüber unsicheren Eingaben sichtbar sein. Eine Empfehlung kann automatisiert berechnet werden, ohne dass ihre Umsetzung ebenfalls automatisch erfolgen muss. Bei folgenreichen Maßnahmen sind Freigaberechte, Kontrollschritte und Protokollierung notwendig. Außerdem muss geklärt werden, wie sich das Modell bei veränderten Rahmenbedingungen aktualisiert. Prescriptive Analytics ist somit eine mögliche Entscheidungsunterstützung und keine pauschale Ersetzung unternehmerischer Verantwortung.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Predictive Analytics, Decision Twin, Unternehmenssimulation.
Fachliche Quellen
IBM – Prescriptive Analytics und Entscheidungsoptimierung. Die Quelle belegt den genannten fachlichen Rahmen; Beispiele sind keine realen Kundenreferenzen.