Prescriptive Analytics

Prescriptive Analytics ergänzt die bisherigen Analysestufen – Descriptive, Diagnostic und Predictive Analytics – und geht noch einen Schritt weiter. Statt nur zu beschreiben oder vorherzusagen, hilft sie dabei, auf Basis der Analyseergebnisse klare Handlungsempfehlungen abzuleiten. Sie eignet sich ideal, um komplexe, dynamische Geschäftsprobleme zu lösen, bei denen viele Variablen und Unsicherheiten eine Rolle spielen, wie etwa in der Lieferkettenplanung, im Finanzwesen oder im Marketing.

Ein einfaches Beispiel ist die Vorhersage von Wetter. Nehmen wir an, unsere Algorithmen sagen voraus, dass es morgen regnen wird. Dies ist eine interessante Information, jedoch ohne Interpretation nicht gerade wertvoll. Arbeite ich von Zuhause aus? Fahre ich üblicherweise mit dem Auto zur Arbeit? Mit dem Fahrrad? Hatte ich vor, ins Freibad zu fahren? Nur durch diesen Kontext, der in der sogenannten Fitness Function eingearbeitet wird, kann ich die Vorhersage werten und entsprechende Aktionen ableiten. Werde ich also an diesem Tag im Büro arbeiten und dann mit dem Fahrrad ins Freibad fahren, würde mir ein Predictive Analytics System empfehlen, doch auf das Auto zurück zu greifen.

Zusammenfasend gesagt kombiniert Prescriptive Analytics ein statistisches Modell mit deskriptiven Faktoren um eine möglichst optimale Aktion zu empfehlen oder direkt durchzuführen.

Was ist nun genau der Unterschied zwischen Prescriptive Analytics und Predictive Analytics? Prädiktion beschreibt die Vorhersage von Ereignissen. Die Wahrscheinlichkeit für gutes Wetter, der Aktienkurs am Ende der Woche oder ob ein Kunde den Artikel kauft oder nicht sind alles Beispiele für Predictive Analytics.

Prescriptive Analytics hingegen stoppt nicht bei der Vorhersage und dessen Wahrscheinlichkeit. Die Präskription geht den nächsten Schritt und versucht die auf der oder den Vorhersagen basierten Information in eine Handlung umzuwandeln. Die Empfehlung für das Auto bei Regen, den Kauf von Aktien oder einen niedrigeren Preis für den Kunden wären alles Erweiterungen von der Prädiktion in eine Präskription.

Endlich wird der Dateneinsatz “actionable”

Der größte Vorteil von Prädiktiven Analysen ist, dass der Data Science Prozess nicht bei der Auswertung bzw. Vorhersage aufhört, sondern eben die Handlung mit einschließt. Dieser Schritt – weg von der Verarbeitung von Zahlen hin zu einer klaren Anwendung – ist fundamental für den Erfolg von datenbasierten Arbeiten.

Mit Prescriptive Analytics geht die Möglichkeit zur vollständigen Automatisierung einher. Wenn das bestmögliche Szenario basierend auf der Momentaufnahme der Daten ausgewählt und ausgespielt wird, ist der gesamte Prozess von Datenauswertung über Modellierung bis zum Einsatz ein integrierter Service. Folglich erlauben erst Prädiktive Analysen, dass auch in hoch variablen Umgebungen Entscheidungen direkt getroffen werden und entsprechende Handlung ausgespielt oder direkt umgesetzt werden.

Die Fitness-Funktion spielt eine zentrale Rolle bei der Bewertung und Optimierung möglicher Handlungsoptionen in Prescriptive Analytics. Sie dient als Maßstab dafür, wie „gut“ oder „passend“ eine Entscheidung im Hinblick auf die angestrebten Ziele ist. Dabei berücksichtigt die Fitness-Funktion eine Reihe von Parametern, die sorgfältig definiert und gewichtet werden müssen, um relevante Business-Regeln und -Ziele realitätsnah abzubilden. Zu diesen Parametern gehören häufig zentrale KPIs, Einschränkungen und Anforderungen, die sich direkt auf die jeweilige Handlung auswirken können. Eine der wesentlichen Herausforderungen bei der Entwicklung einer robusten Fitness-Funktion besteht darin, sicherzustellen, dass alle relevanten Daten verfügbar sind, in hoher Qualität vorliegen und die Komplexität des zugrunde liegenden Problems hinreichend verstanden wird.

Selbst bei einer gut durchdachten Fitness-Funktion können unerwünschte Ergebnisse auftreten. Beispiele dafür sind unrentable Preisempfehlungen, unpraktikable Vorschläge (wie negative Lagerbestände) oder andere Ergebnisse, die dem Unternehmen eher schaden als nutzen. Solche Fälle müssen sorgfältig berücksichtigt und entweder gefiltert oder besser noch angepasst werden. Andernfalls könnten solche unerwünschten Outputs zu einer schlechten Leistung des Algorithmus führen und im schlimmsten Fall erhebliche finanzielle Schäden für das Unternehmen verursachen.

Prescriptive Analytics bietet Unternehmen die Möglichkeit, fundierte Entscheidungen zu treffen und ihren Geschäftsbetrieb zu optimieren. Mit einem strategischen Ansatz zur Prescriptive Analytics können Unternehmen ihre Effizienz steigern und Wettbewerbsvorteile erlangen. Jetzt ist es an der Zeit, den ersten Schritt in Richtung datenbasierter Entscheidungsfindung zu machen.