Präskriptive Analytik (Prescriptive Analytics)
Präskriptive Analytik ist der Bereich der Analytik, der empfiehlt, welche Maßnahme ergriffen werden soll. Dazu nutzt sie Optimierung, Simulation und Entscheidungsregeln auf Basis von Vorhersagen, um die Option zu finden, die ein Ziel unter realen Restriktionen am besten erfüllt.
Was ist präskriptive Analytik?
Präskriptive Analytik beantwortet die Frage „Was sollten wir tun?“ – den Schritt nach den Fragen, was passiert ist, warum und was passieren wird. Diese früheren Fragen gehören zur deskriptiven, diagnostischen und prädiktiven Analytik, einer Abfolge, die oft als Reifegradleiter der Analytik dargestellt wird.
Ein präskriptives System hat drei Bestandteile:
Eine Prognose oder ein Score: erwartete Nachfrage, Abwanderungsrisiko oder Konversionswahrscheinlichkeit.
Ein Ziel: Marge maximieren, Kosten minimieren oder ein Service-Level erreichen.
Restriktionen: Budgets, Kapazität, Lagerbestand, Personalstunden, Vorschriften.
Das Ergebnis ist eine priorisierte Empfehlung oder ein konkreter Plan, etwa eine Bestellmenge pro SKU oder ein Tagesbudget für Anzeigen pro Kampagne. Gute Systeme zeigen auch das Warum: den erwarteten Gewinn bei Befolgung der Empfehlung und welche Restriktion bindend ist, sodass eine Führungskraft sie in Sekunden beurteilen kann.
Welche Techniken nutzt präskriptive Analytik?
Die Technik hängt davon ab, ob das Problem eine klare Formel hat, mit großer Unsicherheit behaftet ist oder schlicht konsistente Regeln braucht.
Mathematische Optimierung: Lineare und ganzzahlige Programmierung finden die beste Zuteilung unter Restriktionen, zum Beispiel für Dienstpläne oder Lieferrouten.
Simulation: Monte-Carlo-Methoden testen Tausende Szenarien, wenn die Eingangsgrößen unsicher sind.
Entscheidungsregeln: „Wenn das Abwanderungsrisiko über 0,7 liegt und der Vertrag innerhalb von 60 Tagen verlängert wird, einen Success-Call zuweisen.“
Reinforcement Learning und Bandit-Algorithmen: Systeme, die die beste Maßnahme durch Ausprobieren lernen, eingesetzt bei Preisgestaltung und Empfehlungen.
Regeln sind der einfachste Ausgangspunkt und leicht zu prüfen; Optimierung lohnt sich, wenn viele Entscheidungen um dieselbe begrenzte Ressource konkurrieren.
Wie sieht präskriptive Analytik in der Praxis aus?
Der Nutzen zeigt sich, wenn eine Empfehlung eine Bauchentscheidung ersetzt, die jeden Tag getroffen wird. Nehmen wir eine regionale Bäckereikette mit 25 Filialen, die jeden Morgen backt und unverkauftes Brot bei Ladenschluss entsorgt.
Angenommen, das Team hat bereits ein prädiktives Modell, das die Nachfrage pro Produkt und Filiale aus Verkaufshistorie, Wetter und lokalen Veranstaltungen prognostiziert. Es ergänzt einen Optimierungsschritt in Python mit Google OR-Tools: die erwartete Marge pro Filiale maximieren, unter Berücksichtigung der Ofenkapazität, der Kosten für jedes entsorgte Brot und einer Strafe für Ausverkauf vor 16 Uhr.
Jeden Abend erhalten die Filialleitungen eine empfohlene Backliste in ihrer Bestell-App. Sie können sie übersteuern, und jede Übersteuerung wird protokolliert. Nach einer Testphase vergleicht das Team Ausschuss und Fehlbestände in Filialen, die dem Plan folgen, mit deren eigener Historie und nutzt das Übersteuerungsprotokoll, um herauszufinden, wo dem Modell lokales Wissen fehlt.
Wann sollten Sie keine präskriptive Analytik einsetzen?
Präskriptive Analytik scheitert, wenn die zugrunde liegenden Prognosen schwach sind oder das Ziel falsch ist. Ein Optimierer lenkt Ressourcen selbstbewusst dorthin, wo das Modell belohnt, Fehler eingeschlossen.
Unklare Ziele: Wenn sich die Führung zwischen Marge und Wachstum uneinig ist, kann der Optimierer nicht für sie entscheiden.
Fehlende Restriktionen: Wird eine reale Grenze wie Lieferzeitfenster vergessen, entstehen Pläne, die niemand umsetzen kann.
Entscheidungen mit geringem Volumen: Eine Entscheidung, die einmal im Jahr fällt, rechtfertigt selten die Entwicklungskosten.
Blackbox-Ergebnisse: Mitarbeitende ignorieren Empfehlungen, die sie nicht verstehen.
Sorgen Sie dafür, dass Menschen übersteuern können, und protokollieren Sie die Gründe; diese Übersteuerungen sind die beste Quelle für Modellverbesserungen.
Worin unterscheidet sich präskriptive von prädiktiver Analytik?
Prädiktive Analytik schätzt, was wahrscheinlich passieren wird; präskriptive Analytik entscheidet, was dagegen zu tun ist. Ein Churn-Modell, das Kunden bewertet, ist prädiktiv; ein System, das jedem Kunden innerhalb eines Rabattbudgets das beste Halteangebot zuweist, ist präskriptiv.
Präskriptive Arbeit baut meist auf Prognosen aus Machine Learning und Baselines aus deskriptiver Analytik auf. Gängige Tools sind Gurobi, IBM CPLEX, Google OR-Tools und PuLP für die Optimierung, AnyLogic und SimPy für die Simulation sowie Python oder R für eigene Modelle. Einige Planungssuiten wie Kinaxis oder o9 haben präskriptive Engines für die Supply Chain integriert.
Prädiktive vs. präskriptive Analytik
Prädiktive Analytik | Präskriptive Analytik | |
|---|---|---|
Beantwortete Frage | Was wird wahrscheinlich passieren? | Was sollten wir dagegen tun? |
Typisches Ergebnis | Ein Score oder eine Prognose | Eine empfohlene Maßnahme oder ein Plan |
Kernmethoden | Regression, Klassifikation, Zeitreihen | Optimierung, Simulation, Entscheidungsregeln |
Typische Tools | scikit-learn, Azure ML, Prophet | Gurobi, OR-Tools, PuLP |
Benötigt | Historische Daten | Prognosen plus Ziele und Restriktionen |
Wie setzt VIZIO AI präskriptive Analytik um?
VIZIO AI macht aus Vorhersagen konkrete Handlungsempfehlungen in den Tools, die Teams bereits nutzen. Für einen US-Anbieter von Audiologie-Dienstleistungen baute unser DX Studio Modelle mit Python und Azure ML, die gefährdete Patienten markieren, und stellte praktische Empfehlungen und Frühwarn-Alerts für Nachsorgetermine der Kliniken in Power BI bereit. Die Rückgabequoten von Hörgeräten sanken in den Pilotkliniken um 12–15 %.
Für einen regionalen Anbieter für Heizung, Klima und Sanitär ergänzte unser Growth Studio Anomalie-Markierungen bei Ausgaben und Konversionen, um Entscheidungen zur Budgetoptimierung zu unterstützen, und reduzierte den manuellen Reporting-Aufwand um 60 %. Beides sind regel- und modellbasierte Empfehlungen, keine vollständigen mathematischen Optimierer.
Wo Sie anfangen sollten: Wählen Sie eine tägliche Entscheidung mit klarem Ziel und schreiben Sie die Regel auf, der eine gute Führungskraft folgen würde.
Präskriptive Analytik (Prescriptive Analytics) in Fallstudien von VIZIO AI
- Patient Retention Analytics ›Prädiktive Risikomarkierungen wurden zu empfohlenen Nachsorgeterminen in den Kliniken und senkten die Rückgabequoten von Hörgeräten in den Pilotkliniken um 12–15 %.
- Advertising Performance Analytics ›Anomalie-Markierungen bei Werbeausgaben und Konversionen unterstützten Budgetentscheidungen und reduzierten den manuellen Reporting-Aufwand um 60 %.