Deskriptive, prädiktive und präskriptive Analytik: Wie unterscheiden sie sich?

Geschäftsanalysen sind in Unternehmen bereits ein allgegenwärtiges Konzept, obwohl unterschiedliche Arten von Analysen unterschiedliche Ergebnisse mit unterschiedlichem Geschäftswert liefern. Während ältere Konzepte wie deskriptive Analysen mithilfe von Hand abgestimmter Skripte und/oder SQL durchgeführt werden können Bei Abfragen stützen sich neuere Modalitäten auf maschinelle Lernalgorithmen und umfangreiche Datensätze, um Informationen zu generieren von Wert.

Hier sehen Sie die wichtigsten Arten von Geschäftsanalysen und die Rolle, die sie bei Ihrer strategischen Planung und Entscheidungsfindung spielen können.

SEHEN: Funktionsvergleich: Datenanalysesoftware und -dienste (Tech Pro Research)

Was ist deskriptive Analyse?

Deskriptive Analysen basieren auf Regeln – genauer gesagt: „Jemand muss die Regeln programmieren“, so Boris Evelson, Vizepräsident und Chefanalyst bei Forrester. Mithilfe der deskriptiven Analyse werden Daten zu auf einen Blick lesbaren Ergebnissen verarbeitet. Nehmen Sie zum Beispiel Eisverkäufe: Deskriptive Analysen können verwendet werden, um Transaktionsinformationen zusammenzufassen, z. B. wie viel Eis verkauft wurde; welche Eissorten verkauft wurden, als Rangfolge oder Prozentsatz; und ob mehr oder weniger Eis verkauft wurde als am Vortag.

Was ist Predictive Analytics?

Predictive Analytics nutzt maschinelles Lernen, um anhand früherer Muster zu bestimmen, was in der Zukunft wahrscheinlich passieren wird.

Wenn wir mit dem Eiscreme-Beispiel fortfahren, können prädiktive Analysen auf Makroebene zeigen, dass die Eiscremeverkäufe im Frühling und Sommer wahrscheinlich steigen und sinken, wenn die Außentemperatur sinkt. Auf Mikroebene und mit dem richtigen Datensatz können prädiktive Analysen zeigen, dass der Umsatz an Regentagen wahrscheinlich sinkt und an sonnigen Tagen steigt.

In ähnlicher Weise sucht die diagnostische Analyse nach der Grundursache eines Szenarios.

Was ist präskriptive Analytik?

Die präskriptive Analyse schreibt, wie der Name schon sagt, eine bestimmte Vorgehensweise auf der Grundlage einer deskriptiven, diagnostischen oder prädiktiven Analyse vor, in der Regel jedoch letzterer. Dies kann relativ einfach sein – etwa eine Preissenkung, um den Umsatz zu steigern – oder komplex, abhängig von den beteiligten Datensätzen.

Besonders ausgefeilte präskriptive Analysen, bei denen Datenwissenschaftler „nicht nur sehen können, was passiert und warum es passiert ist, und vorhersagen können, was passieren wird, sondern Dann ist es ziemlich selten, in der Lage zu sein, Ratschläge zu geben, wie man sich verhalten muss, um das gewünschte Ergebnis zu erzielen“, sagte Doug Henschen, Vizepräsident und Chefanalyst bei Förster.

Welche Hürden gibt es bei der Einführung präskriptiver Analysen?

Der Bereich der präskriptiven Analytik ist noch relativ jung und es gibt einige Haupthindernisse für seinen Erfolg.

„Es gibt viele Experimente mit maschinellem Lernen, Leute entwickeln Modelle, aber dann erstellen sie so etwas „End-to-End-System, das diese Modelle für maschinelles Lernen in großem Maßstab in die Produktion umsetzt – das ist seltener“, so Henschen sagte. „Die Einschränkungen bestehen darin, dieses Modell in eine Produktionsumgebung zu bringen und eine Rückkopplungsschleife von Daten zu erhalten, die diese Modelle beibehält auf dem neuesten Stand zu halten und dann in der Lage zu sein, diese Modelle zu optimieren und zu verbessern und sie nach der Optimierung wieder in einer Produktionsumgebung einzusetzen.“

SEHEN: Datenanalyse: Ein Leitfaden für Unternehmensleiter (kostenloses TechRepublic-PDF)

Was sollten Datenwissenschaftler beim Einsatz von Analytics beachten?

Obwohl deskriptive Analysen weit verbreitet sind, erfordert der kontinuierliche Einsatz ein hohes Maß an menschlicher Planung. Bei datengesteuerten Ansätzen wie Predictive, Descriptive und Prescriptive Analytics besteht diese Abhängigkeit von der menschlichen Planung wird reduziert – zumindest soweit, dass Modellläufe mit neuen Datenströmen nach der Ersteinrichtung zuverlässig sein sollten produktiv.

„Es handelt sich um einen eher datengesteuerten Ansatz, der nicht so anfällig für Vorurteile ist, aber eine der Herausforderungen bei Modellen für maschinelles Lernen und Deep Learning ist Interpretation und Transparenz“, sagte Henschen.

Es ist auch wichtig zu verstehen, warum Modelle des maschinellen Lernens – und präskriptive Analysen als Teilmenge – die Ergebnisse liefern, die sie liefern. Entwickler dieser Systeme können unabsichtlich die von ihnen bereitgestellten Ergebnisse beeinflussen, ebenso wie die Qualität und Quantität der Daten, die in diese Systeme eingespeist werden. Aber ziehen Sie nicht den Schluss, dass diese Vorurteile böswilliger Natur sind: Der Ursprung der Voreingenommenheit liegt höchstwahrscheinlich in blinden Flecken bei der Art und Weise, wie Daten gesammelt werden.

SEHEN: Präskriptive Analytik: Ein Insider-Leitfaden (kostenloses TechRepublic-PDF)

Versuche, Voreingenommenheit zu korrigieren, können zu Gegenreaktionen führen, z der Plan des College Board, „Adversity Scores“ im SAT einzuführen, entwickelt mit dem Ziel, gleiche Wettbewerbsbedingungen für die hart umkämpfte Welt der Hochschulzulassungen zu schaffen. Der Adversity Score nutzt 15 Faktoren aus der Nachbarschaft, der Familie und dem High-School-Umfeld, um zu ermitteln, wie die Schüler im Verhältnis zu den ihnen zur Verfügung stehenden Ressourcen abgeschnitten haben.

Ranking- und Bewertungsentscheidungen lassen sich etwas einfacher anpassen, da das Hinzufügen einer höheren Granularität die Qualität der Ausgabe verbessert. Im Vergleich dazu ist die Entscheidung „Bestanden/Nicht bestanden“ oder „Ja/Nein“ schädlicher für die Abmilderung von Vorurteilen, da der Einsatz – relativ – höher ist. Henschen liefert ein Beispiel für die Erkennung betrügerischer Transaktionen mit einem Live-Datenstrom: „Natürlich möchte man keine Fälschung haben.“ Positiv und blockieren Sie eine gültige Transaktion, und Sie möchten kein falsches Negativ haben, bei dem eine betrügerische Transaktion entgeht durch."

Siehe auch

• Präskriptive Analytik: Ein Spickzettel (TechRepublic)
• Präskriptive Analytik: Ein Insider-Leitfaden (kostenloses PDF) (TechRepublic)
• Funktionsvergleich: Datenanalysesoftware und -dienste (Tech Pro Research)