Definition und Abgrenzung
Im Business Intelligence Framework ist Prescriptive Analytics wohl der am schwierigsten zu definierende und am wenigsten greifbare Bereich.
Prescriptive Analytics bedient sich der Ergebnisse der Bereiche Descriptive Analytics und Predictive Analytics und leitet daraus Handlungsempfehlungen ab, um zu einem optimalen Ergebnis zu gelangen. Dies können beispielsweise die Maximierung des Gewinns, die Maximierung von Kaufwahrscheinlichkeiten oder die Minimierung von Kosten oder Risiken sein.
Prescriptive Analytics liefert konkrete Handlungsempfehlungen, um getroffene Vorhersagen zu beeinflussen. Damit schätzt es den Einfluss von bestimmten Aktionen auf zukünftige Ereignisse und Zustände.
Ein Beispiel für den Vertrieb
Im Folgenden veranschaulichen wir einen Business Intelligence Case für den Vertrieb mit Fokus auf dem Prescriptive Analytics Teil. Die Frage, welche sich stellt, sei nun: Welche Maßnahmen sollte ich ergreifen, um die Abwanderungsraten meiner Kunden zu reduzieren?
Descriptive Analytics
Zuerst wird analysiert, welche Personen tendenziell in der Vergangenheit gekündigt haben. Sprich, welche Charakteristika weisen Kündiger im Durchschnitt häufig auf? Hierbei mag beispielsweise herauskommen, dass Personen mit einer hohen Anzahl an Beschwerden durchschnittlich häufiger kündigen.
Predictive Analytics
Nun werden Machine Learning Modelle geschätzt, welche das Abwanderungsrisiko als Wahrscheinlichkeit quantifizieren. Hierfür eignen sich besonders Verfahren wie Random Forest, Gradient Boosting oder Neuronale Netze. Es fließen auch Erkenntnisse aus Descriptive Analytics ein, um das Modeling (Modelbuilding) vorzunehmen.
Prescriptive Analytics
Jetzt sind Abwanderungsrisiken als Wahrscheinlichkeiten pro Person quantifiziert. Damit steht jedoch noch nicht fest, welche Maßnahmen getroffen werden sollten, um Personen vom Abwandern bzw. Kündigen abzuhalten. Hier kommt Prescriptive Analytics ins Spiel.
Es stehen definierte Optionen zur Auswahl, welche das Abwanderungsrisiko senken könnten. In unserem simplen und hypothetischen Beispiel stehen drei Optionen zur Auswahl. Diese basieren auf Erkenntnissen aus der Descriptive Analytics Phase. Die Anzahl der Beschwerden sollte gesenkt werden, damit Personen nicht kündigen.
- Vertriebler könnten Kunden mit hoher Abwanderungswahrscheinlichkeit häufiger kontaktieren, um das Abwanderungsrisiko zu senken und präventiv Beschwerden vorzubeugen.
- Innerhalb der Beschwerden könnten Muster identifiziert werden. Diese werden zur Produktverbesserung genutzt, um die durchschnittliche Anzahl an Beschwerden zu verringern.
- Potenziellen Kündigern könnten bessere Preiskonditionen angeboten werden.
Prescriptive Analytics rechnet und schätzt nun Simulationen mit mathematischen und statistischen Modellen für die jeweiligen Szenarien und berechnet Zielgrößen wie Senkung der globalen Abwanderungsrate, resultierende Kosten und prognostizierte Gewinne. Die Veränderung der Abwanderungsraten würden wie folgt aussehen:
- -3.1.%
- -4.7%
- -1.8%
Nun werden unter Berücksichtigung der Kosten die drei Szenarien in Hinblick auf den erwarteten Gewinn bewertet. Obwohl Maßnahme 1 eine kleinere Senkung in der Abwanderungsrate prognostiziert zur Folge hätte, weist sie geschätzt eine höhere Gewinnveränderung auf als Maßnahme 2.
Damit würde Prescriptive Analytics die Antwort liefern, welche Maßnahme umgesetzt werden sollte. Business Cases können beliebig in ihrer Komplexität in Prescriptive Analytics gestaltet und skaliert werden. Es sind multiple Szenarien, Kombinationen und Interaktionen derer denkbar. Jedoch steigt mit wachsender Komplexität auch die Unschärfe der prognostizierten Resultate.
Fazit
Dieses Beispiel beschreibt einen hypothetischen Use Case von Prescriptive Analytics. Maßnahmen könnten durch die Systeme in Echtzeit und automatisiert angestoßen oder realisiert werden. Mit der Zeit würden die dem Prescriptive Analytics zugrunde liegenden Modelle (via Machine Learning) durch Feedback in Form von neuen Daten verbessert werden. Sie werden präziser.