Prescriptive Analytics beschreibt die “vorschreibende Auswertung” von Daten zur Generierung von Handlungsempfehlungen. Somit endet der Einsatz von künstlicher Intelligenz nicht bei der Vorhersage, sondern in Kombination mit Business-Metriken werden diese in eine Aktion umgewandelt. Präskriptive Analysen bilden die Basis für viele vollautomatische Systeme und erlauben es, komplexe Datenlagen in einfache Entscheidungen umzuformen.

Zusammenfassung des Artikels

• Prescriptive Analytics bezeichnet die Empfehlung und/oder Durchführung von Handlungen mittels künstlicher Intelligenz (“prescribe”)
• Ziel ist die Schaffung von vollautomatisierten Systemen, die nur noch durch Menschen kontrolliert, aber nicht mehr manuell gepflegt werden
• Alle Industrien, vor allem Produktion, Logistik und Sales können von Prescriptive Analytics profitieren

Inhaltsverzeichnis

Definition von Prescriptive Analytics

Prescriptive Analytics, zu Deutsch “Präskriptive Analyse” oder sinngemäß “vorschreibende Auswertung” vom englischen “prescribe” hat zum Ziel, mittels künstlicher Intelligenz nicht nur Vorhersagen zu treffen, sondern direkt Handlungsempfehlungen zu geben oder diese selbst umzusetzen.

Das Ziel von Prescriptive Analytics ist also, dass die Frage “Was sollen wir tun?” direkt beantwortet wird und es nicht bei einer (statistischen) Auswertung bleibt, wie im Bereich Predictive Analytics. Vor allem in automatisierten Systemen, die mit der Umwelt oder Menschen agieren, reicht es oft nicht eine Erfolgswahrscheinlichkeit zu berechnen. Es müssen, basierend auf den Berechnungen, auch entsprechende Aktionen ausgelöst werden. 

Im einfachsten Fall ist dies ein regelbasiertes System, das entsprechend gewisser Richtlinien auf Input mit einem Output reagiert. Doch generell meint man mit Prescriptive Analytics, dass mittels Machine Learning und Deep Learning mehrere Optionen abgewogen, verglichen und dann selektiert werden (“Fitness Function”), um unter neuen Umständen nach wie vor belastbar agieren zu können. 

Ein einfaches Beispiel ist die Vorhersage von Wetter. Nehmen wir an, unsere Algorithmen sagen voraus, dass es morgen regnen wird. Dies ist eine interessante Information, jedoch ohne Interpretation nicht gerade wertvoll. Arbeite ich von Zuhause aus? Fahre ich üblicherweise mit dem Auto zur Arbeit? Mit dem Fahrrad? Hatte ich vor, ins Freibad zu fahren? Nur durch diesen Kontext, der in die Fitness Function eingearbeitet wird, kann ich die Vorhersage werten und entsprechende Aktionen ableiten. Werde ich also an diesem Tag im Büro arbeiten und dann mit dem Fahrrad ins Freibad fahren, würde mir ein Predictive Analytics System empfehlen, doch auf das Auto zurück zu greifen.

Einfach gesagt kombiniert Prescriptive Analytics ein statistisches Modell mit deskriptiven Faktoren um eine möglichst optimale Aktion zu empfehlen oder direkt durchzuführen.

Prescriptive vs. Predictive Analytics

Was ist nun genau der Unterschied zwischen Prescriptive Analytics und Predictive Analytics? Prädiktion beschreibt die Vorhersage von Ereignissen. Die Wahrscheinlichkeit für gutes Wetter, der Aktienkurs am Ende der Woche oder ob ein Kunde den Artikel kauft oder nicht sind alles Beispiele für Predictive Analytics.

Prescriptive Analytics hingegen stoppt nicht bei der Vorhersage und dessen Wahrscheinlichkeit. Die Präskription geht den nächsten Schritt und versucht die auf der oder den Vorhersagen basierten Information in eine Handlung umzuwandeln. Die Empfehlung für das Auto bei Regen, den Kauf von GameStop-Aktien oder einen niedrigeren Preis für den Kunden wären alles Erweiterungen von der Prädiktion in eine Präskription. 

Vorteile und Probleme von Prescriptive Analytics

Endlich wird der Dateneinsatz “actionable”

Der größte Vorteil von Prädiktiven Analysen ist, dass der Data Science Prozess nicht bei der Auswertung bzw. Vorhersage aufhört, sondern eben die Handlung mit einschließt. Dieser Schritt – weg von der Verarbeitung von Zahlen hin zu einer klaren Anwendung – ist fundamental für den Erfolg von datenbasierten Arbeiten.

Vollständige Automatisierung

Mit prescriptive Analytics geht die Möglichkeit zur vollständigen Automatisierung einher. Wenn das bestmögliche Szenario basierend auf der Momentaufnahme der Daten ausgewählt und ausgespielt wird, ist der gesamte Prozess von Datenauswertung über Modellierung bis zum Einsatz ein integrierter Service. Folglich erlauben erst Prädiktive Analysen, dass auch in hoch variablen Umgebungen Entscheidungen direkt getroffen werden und entsprechende Handlung ausgespielt oder direkt umgesetzt werden.

Die Fitness Function: Wie wird sie definiert?

Relativ zentral für die Bewertung einer möglichen Handlung ist die Fitness Function. Welche Parameter werden mit einbezogen, wie werden diese gewichtet, welche Business Rules müssen mitspielen. Die Fitness Function ist derart zentral in der Prädiktion, dass sie sehr genau und umfassend definiert werden muss. Damit kommt man wieder zu einem der üblichen Probleme: Habe ich alle notwendigen Daten aus der Realität abgebildet, in hoher Qualität vorliegen und verstehe ich das Problem ausreichend, um sie entsprechend einzusetzen. Nur dann kann eine verlässliche Fitness Function definiert werden, die auch bei ungewöhnlichen Situation korrekt reagiert.

Unerwünschte Ergebnisse handhaben

Selbst bei einer klug konstruierten Fitness Function kommt es desöfteren zu unerwünschten Ergebnissen. Ob nun unrentable Preisempfehlungen, unmögliche Vorschläge (z.B. negative Warensendungen) oder andere Outputs die einem Unternehmen eher schaden als helfen: All dies muss nochmal sehr explizit bedacht und ggf. gefiltert oder noch besser modifiziert werden. Sonst können unerwünschte Ergebnisse schnell zu einer schlechten Leistung des Algorithmus, im schlimmsten Fall zu erheblichen finanziellen Schäden des Unternehmens führen.

Beispiele für Prescriptive Analytics Use Cases

Manufacturing: Einstellung von Maschinen

Große Produktionsmaschinen haben eine Vielzahl an Feinjustierungen. Dabei Vorhersagen zu treffen für einen Wert zu treffen ist ein Anwendungsfall in der Prädiktion. Doch die Frage, ob ein Vorhersagewert einfach übertragen wird oder es weitere externe Faktoren zu beachten gilt, fällt dann in das Gebiet der Präskription. Dabei gilt es viele Bedingungen wie die aktuelle Produktionsplanung, Stromverbrauch, Materialverfügbarkeit und vieles mehr zu beachten. 

Pricing: Welcher Preis sollte angeboten werden?

Eines der wohl fundamentalsten Beispiele für Prescriptive Analytics ist Dynamic Pricing. Direkte Ausspielung von dynamisch generierten und an die Situation angepassten Preisen an Interessenten bedingt einer vollautomatischen Handlung. Aber vielmehr muss sich dieser Prozess sehr stark an Business-Regeln orientieren und optimiert werden. Daher werden derartige Systeme normalerweise noch weiter optimiert, indem Reinforcement Learning eingesetzt wird.

Mitarbeiterplanung: Welches Besucheraufkommen ist zu erwarten?

Ob Besucher, Kunden oder auch Logistik: Die Mitarbeiterplanung stellt einen zentralen Teil von vielen Unternehmen dar. Wieder reicht es nicht mit der Vorhersage von erwarteten Werten, sondern vielmehr muss auf auch selektiert werden welche Mitarbeiter (z.B. unter Einhaltung von rechtlichen Ruhezeiten oder Fähigkeiten) eingesetzt werden. Die Mitarbeiter haben bestimmte Arbeitszeiten, welche direkt basierend auf den Rollen zusammen optimal terminiert werden.

Logistik: Welche Ware wird wann geliefert?

Viel Retail-Logistik wird heute über Prescriptive Analytics gesteuert. Durch die Vorhersagen kann definiert werden, wie sich der Bedarf für jeden einzelnen Artikel voraussichtlich entwickelt und dann dementsprechend der Lagerbestand mit Bedarf und Sicherheitsmargen kombiniert werden, um entsprechende Bestellungen auszulösen. Dies geschieht oft in Form von Vorschlägen zur Kontrolle durch den Einkauf oder direkt automatisiert im ERP-System. Interessant ist auch der Ansatz, zusätzlich eine Anomalieerkennung auf diese automatischen Bestellungen zu setzen, damit gegebenfalls falsche Bestellung direkt identifiziert werden und eingegriffen werden kann.

Prescriptive Maintenance: Wann warten wir?

Einer der häufigsten Anwendungsfälle für Prescriptive Analytics ist die vorausschauende Wartung, vor allem im Bereich Produktion. Generell wird mittels Machine Learning berechnet, wie hoch die Wahrscheinlichkeit für einen Maschinenausfall ist. darauf basierend muss dann allerdings die Prädiktion in eine Handlung überführt werden. Verfügbares Personal, geplante Chargen, Wochentage und vieles mehr gilt es bei der Fitness Function zu beachten, um die Wartung auch wirklich zu planen und durchzuführen. 

Fazit zum Thema Prescriptive Analytics

Wie wir darstellen konnten, ist Prescriptive Analytics die Kür im Bereich Data Science. Mittels Machine Learning und anderer Algorithmen der künstlichen Intelligenz wird nicht nur versucht vorherzusagen was passieren kann, sondern auch Handlungsempfehlungen generiert oder direkt umgesetzt. Folglich ist Präskriptive Analyse oft fester Bestandteil von autonomen Systemen. Einfach gesagt heißt dies, dass der größte Wert von Datenverarbeitung darin liegt, automatisch daraus Erkenntnisse zu ziehen und auch direkt anzuwenden.