Predictive Analytics: Daten in Entscheidungen verwandeln

Die meisten Analyseprojekte erstellen ein Dashboard. Ein guter führt zu einer Entscheidung. Der Unterschied ist der springende Punkt, und genau daran scheitern viele Bemühungen stillschweigend.

Was ist Predictive Analytics im Klartext?

Predictive Analytics nutzt Ihre historischen Daten, um abzuschätzen, was wahrscheinlich als nächstes passieren wird, sodass eine Person oder ein System reagieren kann, bevor es dies tut. Es ist der Schritt über die Berichterstattung hinaus. Durch die Berichterstattung erfahren Sie, was bereits passiert ist. Predictive Analytics sagt Ihnen, was auf Sie zukommt, und gibt Ihnen Zeit, etwas dagegen zu unternehmen, während Sie noch eine Entscheidung treffen müssen.

Eine Vorhersage ohne Aktion ist ein Hobby

Es ist zufriedenstellend, vorherzusagen, welche Kunden das Unternehmen verlassen werden oder wie viel Lagerbestand Sie im nächsten Quartal benötigen werden. Es ist nur dann wertvoll, wenn diese Prognose das verändert, was jemand am Montagmorgen tut. Entscheiden Sie vor dem Erstellen eines Modells, welche Aktion seine Ausgabe auslösen soll. Wenn Sie die Aktion nicht benennen können, sind Sie noch nicht bereit, das Modell zu erstellen, und ein Dashboard, auf das niemand reagiert, ist nur eine teure Möglichkeit, sich informiert zu fühlen.

Wie baut man Analysen auf, die die Leute tatsächlich nutzen?

Der zuverlässige Weg, nützliche Analysen zu erstellen, besteht darin, am Ende mit der Entscheidung zu beginnen und rückwärts zu den Daten zu arbeiten.

1. Nennen Sie die Entscheidung. Welche Entscheidung möchten Sie verbessern und wer trifft sie? Ein benannter Eigentümer und eine benannte Wahl sorgen dafür, dass das Projekt ehrlich bleibt.
2. Definieren Sie den Schwellenwert. Bei welcher Zahl ändert sich die Entscheidung? Ein Abwanderungswert von 0,8 bedeutet nichts, bis Sie vereinbart haben, was bei 0,8 passiert, was bei 0,6 nicht passiert.
3. Dann wählen Sie das Modell. Erst wenn Sie die Entscheidung und den Schwellenwert kennen, macht die Frage, welche Technik Sie anwenden sollen, überhaupt Sinn.

Diese Reihenfolge ist wichtig. Teams, die von den Daten ausgehen und nach etwas Interessantem suchen, neigen dazu, etwas Interessantes und Nutzloses zu finden. Teams, die von der Entscheidung ausgehen, bauen das kleinste Modell, das sie bewegt.

Warum ist Vertrauen das eigentliche Produkt?

Eine Prognose wird nur umgesetzt, wenn die Personen, die sie verwenden, ihr vertrauen, und Vertrauen ist nicht dasselbe wie Genauigkeit. Es wird auf drei Arten verdient. Indem wir ehrlich mit der Unsicherheit umgehen, damit ein Benutzer weiß, wann das Modell rät. Indem man oft genug Recht hat, um wichtig zu sein, gemessen an der Entscheidung und nicht an einer Bestenliste. Und indem es erklärbar ist, damit die Person am Haken ihre Entscheidung verteidigen kann. Es wird ein Modell verwendet, das besagt: „Eine Erneuerung ist unwahrscheinlich, und hier ist der Grund.“ Eine Blackbox, die eine bloße Zahl ausgibt, wird stillschweigend ignoriert, egal wie gut die Mathematik dahinter ist.

Die Kalibrierung ist hier genauso wichtig wie die reine Genauigkeit. Ein Modell, das in 70 Prozent der Fälle Recht hat und seine Unsicherheit ehrlich signalisiert, ist nützlicher als eines, das in 75 Prozent der Fälle Recht hat, aber in allem gleich sicher klingt, weil das erste einem Benutzer sagt, wann er genauer hinsehen soll, und das zweite nicht. Zu einer guten Nutzung gehört es, zu wissen, wann man dem Modell misstrauen sollte.

Wo zahlt sich Predictive Analytics zuerst aus?

Die schnellsten Siege haben eine gemeinsame Form: eine oft getroffene Entscheidung zu einem bestimmten Termin, bei dem es sich lohnt, früh zu sein, echtes Geld. Ein paar wiederkehrende Beispiele:

• Abwanderung. Erkennen der Kunden, die gerade gehen, solange noch Zeit ist, sie zu behalten.
• Nachfrage und Lagerbestand. Prognostizieren Sie, was Sie benötigen, damit Ihnen weder das Bargeld ausgeht noch es in den Regalen klemmt.
• Wartung und Risiko. Kennzeichnen des Vermögenswerts, Anspruchs oder Kontos, der/die im Begriff ist, ein Problem zu werden, bevor es dazu kommt.

Bei jedem davon handelt es sich um eine mit einer klaren Aktion verbundene Prognose, die sich genau deshalb auszahlt. Wenn Ihr Unternehmen auf jahrelangen Aufzeichnungen basiert, die Sie nie wirklich genutzt haben, ist diese Lücke zwischen Daten und Entscheidungen eines der deutlichsten Anzeichen dafür, dass es an der Zeit ist, darauf zu reagieren. Ein Modell in ein System umzuwandeln, das Ihr Team jeden Tag ausführt, ist eine eigene Disziplin, und hier geht die Arbeit von der Beratung zu etwas in der Produktion über (/blog/how-ai-reshapes-consulting). Es ist auch das Herzstück unserer prädiktiven Analysearbeit.

Das Essen zum Mitnehmen

Bei einer guten Predictive Analytics kommt es nicht auf den cleversten Algorithmus an. Es geht darum, die Lücke zwischen einer Zahl auf einem Bildschirm und einer besseren Entscheidung im Raum zu schließen. Beginnen Sie mit der Entscheidung, gewinnen Sie das Vertrauen, und das Modell wird für sich selbst sorgen.