Prädiktive Modellierung ist der technische Kern der prädiktiven Analytik: Aus Beispieldaten mit bekanntem Ergebnis wird ein Modell gebaut, das für neue Fälle einen Wert oder eine Klasse vorhersagt. Typische Verfahren sind Regression, Entscheidungsbäume, Random Forests oder neuronale Netze. Ein Modell kann etwa aus Wohnfläche, Lage und Baujahr einen Immobilienpreis schätzen. Vor dem Einsatz wird es an zurückgehaltenen Daten geprüft, um Überanpassung zu erkennen.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenPrädiktive Analytik nutzt historische Daten, Statistik und maschinelles Lernen, um wahrscheinliche künftige Ereignisse abzuschätzen. Sie beantwortet Fragen wie: Welche Kunden kündigen bald? Wie viel Ware wird nächsten Monat gebraucht? Wann fällt eine Maschine voraussichtlich aus? Die Ergebnisse sind Wahrscheinlichkeiten, keine Gewissheiten. Ihr Wert hängt stark von der Datenqualität ab und davon, ob die Vorhersagen tatsächlich in Entscheidungen und Abläufe einfließen.
Die lineare Regression ist ein statistisches Verfahren, das den Zusammenhang zwischen einer Zielgröße und einer oder mehreren Einflussgrößen durch eine Gerade bzw. Ebene beschreibt. Die Koeffizienten werden meist so bestimmt, dass die Summe der quadrierten Abweichungen minimal wird. Das Verfahren ist leicht verständlich und gut interpretierbar: So lässt sich etwa abschätzen, um wie viel der Umsatz steigt, wenn das Werbebudget um 1.000 Euro erhöht wird. Bei nichtlinearen Zusammenhängen stößt es an Grenzen.
Random Forest Regression sagt Zahlenwerte voraus, indem sie viele Entscheidungsbäume kombiniert. Jeder Baum wird auf einer zufälligen Stichprobe der Daten und mit einer zufälligen Auswahl von Merkmalen trainiert; das Ergebnis ist der Durchschnitt aller Baumvorhersagen. Dadurch ist das Verfahren robuster und weniger anfällig für Überanpassung als ein einzelner Baum. Eingesetzt wird es etwa für Absatzprognosen, Preisschätzungen oder Energiebedarf – oft als solider Ausgangspunkt bei tabellarischen Daten.
Kreuzvalidierung ist ein Verfahren, um zu prüfen, wie gut ein Modell auf neue, unbekannte Daten verallgemeinert. Bei der k-fachen Kreuzvalidierung werden die Daten in k Teile geteilt; das Modell wird k-mal auf k−1 Teilen trainiert und auf dem jeweils verbleibenden Teil getestet, anschließend werden die Ergebnisse gemittelt. So lassen sich Überanpassung erkennen und Modelle oder Einstellungen fair vergleichen, besonders wenn nur wenige Daten vorliegen.
