Prescriptive Analytics
Ein Analytics-Paradigma, das Daten, Vorhersagen und Optimierung verbindet, um konkrete Handlungsanweisungen zu liefern.
Klassifikation
- KomplexitätHoch
- AuswirkungGeschäftlich
- EntscheidungstypOrganisation
- OrganisationsreifeFortgeschritten
Technischer Kontext
Prinzipien & Ziele
Use Cases & Szenarien
Kompromisse
- Fehlende Validierung führt zu falschen Handlungsempfehlungen.
- Überautomatisierung kann menschliches Urteilsvermögen verdrängen.
- Verletzung von Regularien bei fehlerhaften Optimierungen.
- Iterativ starten: MVP mit klaren KPIs entwickeln.
- Governance definieren für Automatisierungsentscheidungen.
- Transparente Erklärungen zu Empfehlungen bereitstellen.
I/O & Ressourcen
- Historische Transaktions- und Ereignisdaten
- Business-Constraints und Kostenmodelle
- Externe Einflussgrößen (z. B. Preise, Wetter)
- Priorisierte Handlungsempfehlungen
- Szenarioanalysen und Prognosen
- Implementierbare Aktionspläne
Beschreibung
Prescriptive Analytics kombiniert historische Daten, prädiktive Modelle und Optimierungsverfahren, um konkrete, umsetzbare Handlungsempfehlungen und Prioritäten zu erzeugen. Es erweitert Predictive Analytics durch Abwägung von Zielen, Restriktionen und Unsicherheiten und liefert priorisierte Entscheidungsoptionen für operative sowie strategische Einsätze. Typische Anwendungsfelder sind Preisgestaltung, Lieferketten- und Ressourcenoptimierung.
✔Vorteile
- Ermöglicht automatisierte, priorisierte Handlungsempfehlungen.
- Verbessert wirtschaftliche Kennzahlen durch Optimierung von Zielen.
- Reduziert Entscheidungszeit in operativen Prozessen.
✖Limitationen
- Abhängigkeit von Datenqualität und Verfügbarkeit.
- Komplexe Modelle können schwer erklärbar sein.
- Einsatz kostet Rechenressourcen und Implementierungsaufwand.
Trade-offs
Metriken
- Umsatzsteigerung
Messung der zusätzlichen Erlöse, die durch empfohlene Maßnahmen erzielt wurden.
- Kostenreduktion
Einsparungen durch optimierte Ressourcennutzung oder Prozessanpassungen.
- Empfehlungsgenauigkeit
Anteil umgesetzter Empfehlungen mit erwarteter Wirkung.
Beispiele & Implementierungen
Einzelhandel: dynamische Rabattkampagnen
Ein Händler nutzt Prescriptive Analytics, um Rabattaktionen zu priorisieren und Lagerabbau mit Margenzielen abzugleichen.
Luftfahrt: Crew- und Flottenplanung
Eine Fluggesellschaft optimiert Crew-Zuweisungen und Flugzeugrotationen unter regulatorischen Restriktionen.
Produktion: Feinplanung der Fertigung
Ein Hersteller plant Fertigungsaufträge so, dass Engpässe minimiert und Liefertermine eingehalten werden.
Implementierungsschritte
Problem und Ziele definieren; KPI vereinbaren.
Dateninventar erstellen und Qualität sicherstellen.
Modelle für Prognose und Optimierung entwickeln.
Empfehlungen in einer Testumgebung evaluieren.
Stapleweise ausrollen, überwachen und iterieren.
⚠️ Technische Schulden & Engpässe
Tech Debt
- Provisorische Datenpipelines, die später schwer zu skalieren sind.
- Monolithische Modellimplementierungen ohne Schnittstellen.
- Fehlende Monitoring- und Reproduzierbarkeitsmechanismen.
Bekannte Engpässe
Beispiele für Missbrauch
- Empfehlungen aus historischen Daten ohne Anpassung an Marktveränderungen einsetzen.
- Optimierung nur auf Kostenminimierung ausrichten und Qualitätsziele ignorieren.
- Modelle ohne Governance automatisch in Produktionssysteme schreiben.
Typische Fallen
- Unterschätzung des Aufwands für Datenaufbereitung.
- Fehlende Integration in operative Prozesse führt zu Nichtnutzung.
- Nichtberücksichtigung seltener, kritischer Ereignisse in Optimierung.
Erforderliche Fähigkeiten
Drivers (Architectural Drivers)
Constraints
- • Gesetzliche Vorgaben und Compliance
- • Limitierte Echtzeit-Rechenkapazität
- • Organisatorische Akzeptanz der Empfehlungen