Predictive Analytics – prädiktive Analyse oder Vorhersageanalyse – ist die dritte Stufe im Analytics-Spektrum. Sie nutzt historische Daten, statistische Modelle und Machine-Learning-Algorithmen, um zukünftige Ereignisse, Verhaltensweisen oder Ergebnisse vorherzusagen. Predictive Analytics beantwortet die Frage „Was wird wahrscheinlich passieren?“ – mit einer quantifizierten Wahrscheinlichkeitsaussage, nicht mit Sicherheit.
Predictive Analytics ist der Übergang von reaktivem zu proaktivem Handeln: Statt auf ein Problem zu reagieren, wenn es bereits eingetreten ist, ermöglicht Predictive Analytics, es vorherzusehen und präventiv zu handeln. Für automatisierte Prozesse bedeutet das: Statt bei Kapazitätsengpässen zu skalieren, wird skaliert, bevor der Engpass entsteht. Statt einen Maschinenausfall zu reparieren, wird er vorhergesagt und verhindert.
Predictive-Analytics-Anwendungsfälle in der Automation
Demand Forecasting
Nachfragemengen vorhersagen für optimale Bestellmengen und Kapazitätsplanung
Predictive Maintenance
Maschinenausfälle vorhersagen bevor sie passieren – auf Basis von Sensordaten
Anomalieerkennung
Abweichungen im Datenstrom erkennen, die auf Fehler oder Betrug hindeuten
Churn-Prognose
Welche Kunden werden wahrscheinlich abwandern? Frühzeitig gegensteuern.
Auslastungsprognose
Systemlast für die nächsten Stunden/Tage vorhersagen – proaktives Auto-Scaling
Kreditrisiko
Ausfallwahrscheinlichkeit von Forderungen schätzen – automatisierte Bonitätsbewertung
Predictive Analytics und automatisierte Entscheidungen
Predictive Analytics entfaltet seinen größten Wert, wenn er direkt in automatisierte Entscheidungsprozesse integriert wird: Das Modell gibt eine Vorhersage ab – dieser Workflow schlägt fehl zu 73 Prozent Wahrscheinlichkeit, weil die Eingangsdaten einem bekannten Fehlermuster ähneln – und der automatisierte Prozess reagiert direkt: Vorprüfung, Weiterleitung zur manuellen Kontrolle, oder alternativer Verarbeitungspfad. Vorhersagen werden zu automatischen Aktionen.
Praxisbeispiel
Ein Logistikdienstleister nutzt Predictive Analytics zur Auslastungssteuerung seiner Automatisierungsplattform. ML-Modell trainiert auf 18 Monate historische Volumendaten, ergänzt um Kalenderinformationen (Wochentag, Feiertage, Monatsende, Kampagnenphasen des Hauptkunden). Das Modell prognostiziert täglich die zu erwartende Sendungsmenge für die nächsten 48 Stunden mit 87 Prozent Genauigkeit. Automatische Kapazitätsreaktion: Bei prognostiziertem Volumen über dem Threshold werden Kubernetes-Pods bereits 2 Stunden vor der erwarteten Lastspitze hochgefahren – statt reaktiv bei tatsächlicher Überlastung. Ergebnis: Keine einzige Warteschlangen-Überlastung seit 6 Monaten. Reaktionszeiten konstant, auch bei Lastspitzen.
