Was sind prädiktive Analysen?

Mithilfe von prädiktiven Analysen werden aktuelle und historische Daten untersucht, um Prognosen für die Zukunft erstellen zu können. Dabei werden Analysetechniken wie maschinelles Lernen, statistische Modelle und Data Mining verwendet, mit denen Organisationen Trends, Verhaltensweisen, künftige Entwicklungen sowie Geschäftschancen besser ermitteln können.

In prädiktiven Analysen wird ein Modell darin „geschult", basierend auf verschiedenen Eingabevariablen Werte für neue Daten zu prognostizieren. Das Modell erkennt Beziehungen und Muster dieser Variablen und ermittelt basierend auf seinen „Lernerfahrungen" eine Punktzahl, je nach Gegenstand der Ermittlung.

Dieser Wert kann als Business Intelligence bei der Bewertung des Risikos oder des potenziellen Nutzens einer Reihe von Bedingungen verwendet werden. Damit wird messbar gemacht, mit welcher Wahrscheinlichkeit bestimmte Ereignisse eintreten können.

Prädiktive Analysen können sowohl auf strukturierte als auch auf unstrukturierte Daten angewendet werden. Beim Data Mining (Erkennung von Mustern, Trends und Verhaltensweisen in großen Datensätzen) werden Daten aus verschiedenen Quellen wie Data Warehouses oder Data Lakes für die Analysen vorbereitet.

Sobald die Daten bereit sind, wird ein Modell für die prädiktive Analyse erstellt und getestet. Sobald dieses Modell „geschult" und evaluiert wurde, kann es auch in Zukunft für die Beantwortung neuer Fragen zu ähnlichen Daten eingesetzt werden.

Zu den gängigen Techniken prädiktiver Modellierung gehören Regressionsanalysen, maschinelles Lernen, Entscheidungsbäume, neuronale Netze und vieles mehr.

Regressionsmodelle

Diese Modelle verwenden mathematische Gleichungen, um die Beziehung zwischen Variablen zu bestimmen.

Lineare Regressionsmodelle liefern kontinuierliche Ergebnisse mit unendlichen Möglichkeiten (wie potenzielle Immobilienwerte unter Verwendung eines bekannten Quadratmeterpreises), während logistische Regressionsmodelle eine begrenzte Anzahl von Möglichkeiten ausgeben (z. B. ob ein bestimmtes Haus in dieser Nachbarschaft über oder unter einem bestimmten Preis verkauft wird).

Regressionsmodelle werden oft dazu genutzt, Kreditrisiken zu bestimmen, Kreditkartenbetrug aufzudecken und Markttrends oder die Auswirkungen neuer Richtlinien für Finanzdienstleistungen zu prognostizieren.

Entscheidungsbäume

Entscheidungsbäume sind ein weiteres beliebtes Tool der prädiktiven Analytik, mit dem Zusammenhänge zwischen aufeinanderfolgenden Entscheidungen ermittelt werden. Entscheidungsbäume lassen sich auf Modelle für maschinelles Lernen anwenden. Ausgehend von einer Liste sequenzieller und hierarchischer Fragen werden kausale Zusammenhänge bestimmt, die zu einem Ergebnis führen, das auf den Eingangsdaten basiert.

Mit dem Baumformat dieses Modells lassen sich alle möglichen Ergebnisse einer Entscheidung anzeigen, indem optisch dargestellt wird, wie eine jede Entscheidung zu bestimmten Ergebnissen führt.

Maschinelles Lernen

Maschinelles Lernen ist die natürliche Fortsetzung prädiktiver Analysen. Prädiktive Analysen basieren zwar häufig darauf, dass die Modelle von Datenwissenschaftlern und Analysten erstellt werden – die Algorithmen für maschinelles Lernen, die in künstlicher Intelligenz und Deep Learning-Software wie IBM Watson verwendet werden, sind jedoch selbstlernend. Sie verbessern und entwickeln sich mit der Verarbeitung der Daten, ohne dass sie kontinuierlich neu programmiert werden müssen.

Optimierung des Managements von KI/ML-Anwendungen

In dieser Webcast-Reihe erfahren Sie von Experten, wie das Deployment und Lifecycle-Management von KI/ML-Anwendungen (Künstliche Intelligenz/maschinelles Lernen) vereinfacht werden, damit Sie ML-Modelle und KI-Apps schneller erstellen und freigeben können. 

Neuronale Netze

Neuronale Netze sind fortschrittliche Analysetechniken, mit denen die Genauigkeit von Informationen bestimmt wird, die aus Regressionsmodellen und Entscheidungsbäumen gewonnen werden. Die neuronale Vernetzung identifiziert nichtlineare Ähnlichkeiten zwischen unterschiedlichen Daten und ist besonders nützlich, wenn es mehr darum geht zu verstehen, was passieren kann, statt warum es passiert.

Mit prädiktiven Analysen lässt sich Ihre IT-Performance verbessern, indem Risiken erkannt und Sie über potenzielle Probleme Ihrer IT-Infrastruktur benachrichtigt werden. So müssen die Operations-Teams nicht mehr auf Fehlerberichte warten, sondern können Probleme proaktiv ermitteln und beheben, bevor diese Ihre Umgebung beeinträchtigen. Damit wiederum sparen Sie viel Zeit und Geld.

Mithilfe von prädiktiven Analysen können Sie außerdem Risikobeurteilungen erstellen, Sicherheitsprobleme und unerwartete Ausfallzeiten vermeiden, indem Sie alle Aktionen in Echtzeit untersuchen und Netzwerkanomalien und potenzielle Schwachstellen sofort erkennen können.

Wenn Sie prädiktive Analysen gemeinsam mit automatisierten Prozessen einsetzen, können Probleme noch schneller ermittelt, behoben und entsprechende Änderungen basierend auf den Prognosen implementiert werden.

Red Hat gibt Ihnen die Tools für prädiktive Analysen und automatisierte Prozesse an die Hand, die Sie brauchen, um Einblicke in Ihre IT-Infrastruktur zu erhalten und Probleme automatisch beheben zu können. Zusätzlich werden Ihnen Lösungen, Services und Trainings angeboten, die Ihr Unternehmen dabei unterstützen, innovativ und zukunftsorientiert zu arbeiten.

Red Hat® Insights kombiniert prädiktive mit präskriptiven Analysen, um Ihnen schrittweise Anleitungen zur Korrektur in physischen, virtuellen, Container-, Private Cloud- und Public Cloud-Umgebungen zu geben. Sie sparen Zeit und Geld, indem Sie Probleme in Ihrer Umgebung proaktiv angehen und Risiken in Ihrer gesamten Red Hat Infrastruktur ermitteln und beheben können.

Mit Echtzeitansichten in Hybridumgebungen sind Sie jederzeit über potenzielle Probleme informiert und können diese mithilfe der bereitgestellten Lösungsschritte präventiv beheben. Automatisieren Sie die Problembehebung in Echtzeit – mit Red Hat® Ansible® Automation Platform Playbooks und Insights.