Predictive Analytics umfasst analytische Verfahren zur Abschätzung zukünftiger oder unbekannter Ereignisse anhand historischer und aktueller Daten. Dazu zählen statistische Modelle und maschinelles Lernen.
Funktionsweise und Einsatz
Für einen Anwendungsfall werden eine Zielgröße, geeignete Merkmale und ein Bewertungsverfahren definiert. Modelle werden auf Trainingsdaten entwickelt und anhand unabhängiger Daten getestet. Im Betrieb sollten Vorhersagequalität und Veränderungen der Daten regelmäßig überwacht werden.
Abgrenzung und Grenzen
Vorhersagen sind probabilistisch und hängen von der Datenbasis ab. Eine hohe Genauigkeit im Rückblick garantiert keine gleich gute Leistung unter neuen Bedingungen. Korrelationen begründen zudem nicht automatisch kausale Wirkungen.
Beispiel aus der Unternehmenspraxis
Ein Serviceteam kann anhand von Ausfallhistorien die Wahrscheinlichkeit bestimmter Störungen einschätzen. Ob daraus wirtschaftlich sinnvolle Wartungsmaßnahmen entstehen, muss zusätzlich geprüft werden.
Hinweise zur Anwendung
Insbesondere bei personenbezogenen Daten sind Datenschutz, mögliche Verzerrungen und die Folgen automatisierter Entscheidungen zu beachten. Ergebnisse benötigen eine verständliche Einordnung.
Von der Geschäftsfrage zum Vorhersagemodell
Ein Predictive-Analytics-Vorhaben sollte mit einer messbaren Fragestellung beginnen. Beispielsweise muss präzise definiert werden, was ein bevorstehender Ausfall ist und welchen Zeitraum eine Vorhersage abdecken soll. Danach werden relevante Datenquellen und Merkmale ausgewählt. Eine hohe Zahl von Variablen garantiert keinen Erkenntnisgewinn. Entscheidend ist, dass die zum Zeitpunkt der späteren Prognose benötigten Informationen auch tatsächlich verfügbar sind. Werden bei der Modellentwicklung Informationen verwendet, die erst nach dem Ereignis entstehen, wirken Testergebnisse besser als die spätere betriebliche Leistung. Solche Datenleckagen müssen ausdrücklich verhindert werden.
Validierung und veränderte Datenbedingungen
Ein Modell wird anhand geeigneter Daten trainiert und mit bislang nicht verwendeten Beobachtungen geprüft. Bei zeitabhängigen Vorgängen muss die Testaufteilung die Reihenfolge der Daten berücksichtigen. Abhängig vom Anwendungsfall werden unterschiedliche Fehlerarten bewertet: Bei der vorausschauenden Wartung können übersehene Ausfälle teurer sein als zusätzliche Prüfungen. Im laufenden Betrieb verändern sich jedoch Daten und Zusammenhänge. Dieser sogenannte Drift kann die Prognosequalität verschlechtern. Unternehmen benötigen deshalb Regeln zur Überwachung, Neubewertung und gegebenenfalls Aktualisierung von Modellen. Eine einmalige hohe Testgenauigkeit ist kein dauerhafter Leistungsnachweis.
Wie Vorhersagen in Entscheidungen übersetzt werden
Eine Prognose liefert zunächst eine Einschätzung, nicht die Entscheidung selbst. Wenn ein Modell für eine Maschine ein erhöhtes Ausfallrisiko ermittelt, muss feststehen, ab welchem Schwellenwert eine Inspektion durchgeführt wird. Dazu gehören Kosten der Maßnahme, verfügbare Techniker und Folgen eines Fehlalarms. Erst die Verbindung aus Vorhersage und geeigneten Handlungsregeln schafft betrieblichen Nutzen. Prescriptive Analytics kann ergänzend verschiedene Maßnahmen bewerten. Die Grenzen zwischen analytischer Empfehlung und automatischer Umsetzung sollten ausdrücklich dokumentiert werden, insbesondere wenn sicherheits- oder personenbezogene Auswirkungen möglich sind.
Verantwortung, Transparenz und Datenschutz
Prognosemodelle können verzerrte Ergebnisse liefern, wenn die historischen Daten bestimmte Gruppen oder Situationen ungleichmäßig abbilden. Bei personenbezogenen Anwendungen sind deshalb Datenschutz, Diskriminierungsrisiken und mögliche Auswirkungen auf Betroffene gesondert zu untersuchen. Nicht jede Form automatisierter Analyse unterliegt denselben Rechtsanforderungen; entscheidend sind Zweck, Daten, Kontext und konkrete Entscheidung. Auch für rein technische Modelle sollten Herkunft und Qualität der Daten, Modellversionen und Verantwortlichkeiten dokumentiert sein. Fachabteilungen müssen verstehen, wann eine Empfehlung belastbar ist und wann zusätzliche Prüfung notwendig bleibt.
Häufige Fragen
Ist Predictive Analytics dasselbe wie KI?
Nein. Das Feld umfasst statistische und maschinelle Lernverfahren. Manche Anwendungen nutzen KI, andere arbeiten mit klassischen Prognosemodellen.
Warum reichen historische Daten nicht immer aus?
Bei Strukturbrüchen, geänderten Abläufen und bislang nicht beobachteten Ereignissen können vergangene Muster ungeeignet für zukünftige Vorhersagen sein.
Praktische Prüffragen
- Definieren Sie präzise das vorherzusagende Ereignis und den Zeitabstand zur benötigten Entscheidung; sonst fehlt eine fachlich brauchbare Zielvariable.
- Schließen Sie Daten aus, die bei einer späteren produktiven Vorhersage noch gar nicht verfügbar wären, um Datenleckage zu verhindern.
- Wählen Sie Fehlermetriken passend zu Kosten und Risiken: Ein übersehener Maschinenausfall hat andere Folgen als eine unnötige Inspektion.
- Überwachen Sie Änderungen von Datenverteilungen und Modellleistung, weil die Zuverlässigkeit nach organisatorischen oder technischen Änderungen sinken kann.
- Klären Sie bei personenbezogenen Vorhersagen Datenschutz, Verzerrungen und Verantwortlichkeiten, bevor Prognosen Grundlage folgenreicher Entscheidungen werden.
Vorhersageziel und Fehlerfolgen festlegen
Predictive Analytics sollte ein klar definiertes Ereignis und einen passenden Zeitraum betrachten. Für eine Wartungsanwendung könnte die Frage lauten, ob bei einer Maschine innerhalb der nächsten Betriebsstunden ein bestimmter Fehler wahrscheinlich wird. Die Prognose benötigt Merkmale, die zum Entscheidungszeitpunkt tatsächlich verfügbar sind. Daten aus späteren Reparaturberichten dürfen nicht versehentlich in die Vorhersage eingehen. Die Kosten unterschiedlicher Fehler sind ebenfalls zu berücksichtigen: Ein übersehener Ausfall hat andere Folgen als eine unnötige Inspektion. Modellgüte und Schwellenwerte sollten daher anhand des praktischen Risikos bewertet werden, nicht ausschließlich anhand einer abstrakten Genauigkeitszahl.
Von der Prognose zur operativen Maßnahme
Selbst eine technisch gute Vorhersage verbessert einen Prozess nur dann, wenn anschließend eine sinnvolle Handlung möglich ist. Wird ein erhöhtes Ausfallrisiko erkannt, muss beispielsweise feststehen, welche Prüfung angeordnet wird, wer sie ausführt und wie sie mit der Produktionsplanung vereinbar ist. Die Wirkung der Maßnahme sollte später anhand realer Ergebnisse bewertet werden. Zudem müssen Modelle überwacht werden, weil sich Maschinenkonfigurationen, Geschäftsregeln und Datenverteilungen ändern können. Besonders bei personenbezogenen Anwendungen sind Datenschutz und potenzielle Verzerrungen einzubeziehen. Predictive Analytics ist eine Entscheidungsunterstützung; die Auswahl und Umsetzung einer Maßnahme bildet eine eigene organisatorische Verantwortung.
Verwandte Wiki-Begriffe
Weiterführende Erklärungen: Forecasting, Prescriptive Analytics, Business Intelligence.
Fachliche Quellen
IBM – Predictive Analytics. Szenarien und Beispiele sind redaktionelle Veranschaulichungen.