Predictive Analytics

Predictive Analytics (deutsch: Vorhersageanalyse) nutzt historische Daten, um mit Statistik und Machine Learning (lernende Rechenverfahren) zu schätzen, wie wahrscheinlich ein zukünftiges Ereignis ist, welcher Wert erwartet wird oder wie sich Kunden verhalten werden. Sie beantwortet die Frage „Was wird passieren?" und liefert die Grundlage für Entscheidungen im Tagesgeschäft und in der Planung.

Was ist Predictive Analytics?

Predictive Analytics ist die Familie von Auswertungsverfahren, die aus Vergangenheitsdaten (was ist bisher passiert) und Kontextdaten (Umfeld, Zeitpunkt, Kunde) eine konkrete Zahl über die Zukunft ableitet. Das Ergebnis ist üblicherweise eine Wahrscheinlichkeit (Kündigung in den nächsten 90 Tagen: 0,72), ein erwarteter Wert (Absatz kommende Woche: 1.240 Stück) oder eine Rangliste (die 10 Prozent Kunden mit dem höchsten Abwanderungsrisiko). Dazu kommt regelmäßig ein Maß für die Unsicherheit der Schätzung, also wie verlässlich die Vorhersage ist.

Der Begriff ist durch das Analytik-Reifegradmodell von Gartner geprägt, das vier Stufen unterscheidet: descriptive („Was ist passiert?"), diagnostic („Warum ist es passiert?"), predictive („Was wird passieren?") und prescriptive („Was sollte getan werden?"). Die ersten beiden Stufen zählen zur klassischen Business Intelligence, die dritte Stufe ist Predictive Analytics, die vierte baut auf ihr auf. Populär gemacht wurde der Begriff im Business-Kontext unter anderem durch Eric Siegel („Predictive Analytics", Wiley 2013) und die Analytik-Verbände; Gartner nutzt ihn seit den frühen 2010er-Jahren als Standard-Kategorie neben Business Intelligence und Advanced Analytics.

Inhaltlich lassen sich zwei Aufgabenfamilien unterscheiden. Die Regression schätzt eine numerische Zielgröße (Absatzmenge, Erlös, Netzlast, Preis); der zeitreihen- und mengenorientierte Teil dieser Familie heißt Forecasting. Die Klassifikation und Ereignisvorhersage schätzt die Wahrscheinlichkeit einer diskreten Klasse oder eines Ereignisses (Kündigung, Betrug, Kreditausfall, Konversion, Maschinenausfall). Beide Familien greifen auf denselben Methodenkasten zu: statistische Verfahren wie lineare und logistische Regression, klassisches Machine Learning wie Random Forest oder Gradient Boosting (XGBoost, LightGBM, CatBoost), Deep Learning wie LSTM oder Temporal Fusion Transformer für sequenzielle Daten sowie Spezialmethoden wie Survival-Modelle (Zeit-bis-Ereignis) und Uplift-Modelle (kausale Wirkungsschätzung für Kampagnen).

Predictive Analytics ist eine Methodenkategorie, kein Produkt und keine Rolle. Die technische Grundlage bilden heute meist Data-Lakehouse-Plattformen mit Feature Store, ML-Umgebung und Modell-Lifecycle-Werkzeugen; die Ergebnisse werden über BI-Werkzeuge, Marketing-Automation, Disposition oder eingebettete Anwendungen ausgeliefert. Die Bewertungsmetriken hängen an der Aufgabe: für Regressionen MAPE, WAPE, MASE, RMSE und Pinball-Loss für Quantile; für Klassifikationen AUC-ROC, PR-AUC, F1, Precision/Recall, Log-Loss sowie Kalibrierungsmaße wie Brier-Score und Reliability-Diagramm; für Uplift-Aufgaben die Qini-Kurve.

Abgrenzung zu verwandten Begriffen

Predictive Analytics wird häufig mit vier benachbarten Begriffen verwechselt. Die Abgrenzung verläuft entlang verschiedener Achsen: Methoden-Rahmen, organisatorische Ebene, Aufgabentyp und Werkzeug.

Am häufigsten verwechselt werden Predictive Analytics und Advanced Analytics: Advanced Analytics ist der weitere Rahmen und umfasst neben der predictive-Stufe auch prescriptive Verfahren, Simulation, Optimierung und explorative Data-Mining-Techniken. Ebenfalls verbreitet ist die Verwechslung mit Machine Learning. ML ist die dominante Methodenfamilie für heutige Predictive-Modelle, aber die beiden Begriffe sind nicht deckungsgleich: ML umfasst auch nicht-prädiktive Aufgaben (Clustering, Dimensionsreduktion, generative Modelle), und Predictive Analytics umfasst auch klassische statistische Verfahren ohne ML-Bezug. Die dritte häufige Verwechslung betrifft Forecasting: Forecasting bezieht sich auf Zeitreihen und Mengen mit expliziter Zeitachse, Predictive Analytics beantwortet zusätzlich Fragen ohne Zeitkomponente wie Klassifikations- und Ereigniswahrscheinlichkeiten.

Beispiel: Kündigungs-Vorhersage im Telko-Kundenbestand

Ein Telekommunikationsanbieter berechnet monatlich für jeden aktiven Vertragskunden eine Kündigungswahrscheinlichkeit der nächsten 90 Tage. Das Modell ist ein Gradient-Boosting-Klassifikator mit rund 200 Features aus fünf Datenquellen: Nutzungsverhalten (Verbrauch, App-Aktivität, Roaming), Vertragsdaten (Laufzeit, Tarifwechsel, Rabattstruktur), Servicekontakte (Ticket-Häufigkeit, Themen, Sentiment), Rechnungs- und Zahlungshistorie (Mahnungen, Zahlungsart, Rechnungsschock) und Kontext (Wechselaktionen von Wettbewerbern, Netzqualität am Wohnort). Der Trainings-Datensatz umfasst 24 Monate Historie mit dem Kündigungsereignis als Zielvariable.

Das Modell liefert pro Kunde einen Score zwischen 0 und 1. Die Marketing-Automation priorisiert Bindungsangebote nach diesem Score: das Top-Decile erhält proaktive Anrufe mit erweiterten Angeboten, das nächste Quartil erhält digitale Bindungsimpulse, der Rest bleibt unbearbeitet. Modelltechnisch relevant sind AUC-ROC und Precision im Top-Decile, geschäftlich zählt die Rückgewinnungsrate der bearbeiteten Kohorte gegenüber einer Kontrollgruppe. Regelmäßig durchläuft das Modell einen Retrain-Zyklus mit Concept-Drift-Prüfung, weil Wechselaktionen und Tarif-Portfolio-Änderungen die Feature-Verteilung verschieben.

Weitere typische Predictive-Anwendungen in Unternehmen sind Absatzprognosen pro SKU und Filiale (Demand Forecasting), Lead-Scoring auf Basis von Web- und CRM-Signalen, Ausfall- und Wartungsprognosen in Fertigung und Netz (Predictive Maintenance), Betrugserkennung auf Transaktionsströmen, Kreditausfall-Scoring im Retail-Banking sowie Customer-Lifetime-Value-Prognosen als Grundlage der Kundensteuerung.