Predictive Analytics
Predictive Analytics bezeichnet Analyseverfahren, die aus historischen Daten mithilfe von Statistik und Machine Learning Prognosen über künftige Ereignisse ableiten – etwa erwarteten Absatz, Nachfrage, Lieferverzug oder Kundenabwanderung.
Predictive Analytics ist die vorausschauende Datenanalyse: Verfahren, die aus historischen und aktuellen Daten mithilfe von Statistik und maschinellem Lernen berechnen, wie sich künftige Ereignisse wahrscheinlich entwickeln. Statt nur zu beschreiben, was passiert ist, beantwortet Predictive Analytics die Frage „Was wird voraussichtlich passieren?" – zum Beispiel, wie hoch der Absatz eines Artikels im nächsten Quartal ausfällt, welche Kunden abzuwandern drohen oder wann eine Maschine gewartet werden sollte.
Technisch beruht Predictive Analytics auf Modellen, die in Vergangenheitsdaten Muster und Zusammenhänge erkennen und diese auf neue Daten übertragen. Das Ergebnis ist keine Gewissheit, sondern eine Wahrscheinlichkeit oder ein Erwartungswert samt Unschärfe. Predictive Analytics ist damit ein Baustein der Business Intelligence, geht aber über deren klassische, rückblickende Auswertung hinaus und liefert Entscheidungsgrundlagen für das, was noch bevorsteht.
Auf einen Blick
- Prognostiziert künftige Ereignisse aus historischen Daten – Antwort auf „Was wird passieren?"
- Nutzt Statistik, Regression, Klassifikation und Machine-Learning-Modelle
- Liefert Wahrscheinlichkeiten und Erwartungswerte, keine Gewissheiten
- Typische Fälle: Absatzprognose, Nachfrageplanung, Churn, Predictive Maintenance
- Braucht saubere, ausreichende Datenbasis – oft direkt aus dem ERP-System
Wie funktioniert Predictive Analytics?
Predictive Analytics folgt einem festen Ablauf: Zunächst wird eine konkrete Frage definiert (etwa „Wie hoch ist der Absatz in vier Wochen?"), dann werden relevante historische Daten gesammelt und aufbereitet. Auf diesen Daten wird ein statistisches oder lernendes Modell trainiert, das anschließend an bislang unbekannten Daten geprüft wird. Erst wenn das Modell auf Testdaten zuverlässig genug arbeitet, wird es produktiv eingesetzt und liefert laufend neue Prognosen. Weil sich Märkte und Bedingungen verändern, müssen Modelle regelmäßig überwacht und mit frischen Daten neu trainiert werden.
Die Bausteine eines Prognosemodells
Ein Prognosemodell verknüpft Eingangsgrößen (Features) mit einer Zielgröße. Bei einer Absatzprognose sind Eingangsgrößen etwa Verkaufshistorie, Saison, Preis, Wochentag oder Marketingaktionen; die Zielgröße ist die verkaufte Menge. Je nach Fragestellung kommen unterschiedliche Verfahren zum Einsatz: Regressionsmodelle für kontinuierliche Größen wie Umsatz oder Menge, Klassifikationsmodelle für Ja/Nein-Fragen wie „wird dieser Kunde kündigen?" und Zeitreihenverfahren für zeitlich fortlaufende Werte. Moderne Ansätze nutzen zusätzlich Machine-Learning-Verfahren wie Entscheidungsbäume oder neuronale Netze, die auch komplexe, nichtlineare Zusammenhänge abbilden.
Datenqualität als Voraussetzung
Jede Prognose ist nur so gut wie die Daten, auf denen sie beruht. Lückenhafte, fehlerhafte oder uneinheitliche Daten führen zu unbrauchbaren Vorhersagen – nach dem Prinzip „garbage in, garbage out". Voraussetzung sind daher eine ausreichende Datenhistorie, konsistente Stammdaten und eine sorgfältige Aufbereitung. Auch die Menge zählt: Für belastbare Muster braucht ein Modell genügend Beobachtungen; bei seltenen Ereignissen oder sehr kurzer Historie bleiben Prognosen entsprechend unsicher.
Warum Predictive Analytics wichtig ist
Der Nutzen von Predictive Analytics liegt darin, Entscheidungen aus der Reaktion in die Vorausschau zu verlagern. Wer weiß, welche Artikel in der Hochsaison knapp werden, kann rechtzeitig disponieren, statt später Fehlmengen und Lieferunfähigkeit zu verwalten. Wer erkennt, welche Kunden abwandern könnten, kann gezielt gegensteuern, bevor der Umsatz wegbricht. Predictive Analytics macht aus vorhandenen Daten also einen Zeitvorsprung.
Typische Anwendungsfelder sind Absatz- und Nachfrageprognosen für Einkauf und Disposition, die Vorhersage von Kundenabwanderung (Churn) im Vertrieb, Betrugserkennung im Zahlungsverkehr sowie Predictive Maintenance, also die vorausschauende Wartung von Maschinen anhand von Sensordaten. In all diesen Fällen ersetzt eine datengestützte Wahrscheinlichkeit das reine Bauchgefühl. Wichtig bleibt: Eine Prognose ist eine Entscheidungshilfe, keine Garantie – sie sollte immer mit fachlichem Urteil kombiniert und regelmäßig gegen die tatsächliche Entwicklung geprüft werden.
Predictive Analytics im ERP-System
Das ERP-System ist für viele Unternehmen die wichtigste Datenquelle für Predictive Analytics, weil dort Aufträge, Verkäufe, Bestände, Einkäufe und Stammdaten in strukturierter Form zusammenlaufen. Aus dieser Historie lassen sich Absatz-, Nachfrage- und Bestandsprognosen ableiten, die direkt in operative Prozesse wie Disposition, Bestellvorschlag und Sicherheitsbestand einfließen.
In der Praxis gibt es zwei Wege: Manche ERP-Systeme bringen bereits integrierte Prognose- und Forecast-Funktionen mit, die Standardvorhersagen unmittelbar aus dem laufenden Betrieb liefern. Für anspruchsvollere Modelle oder die Verknüpfung mehrerer Quellen – etwa ERP, Shop und externe Marktdaten – werden die Daten häufig über eine API oder einen ETL-Prozess in ein Data-Warehouse oder eine spezialisierte Analyseplattform überführt. Das Ergebnis der Prognose wird dann wieder in das ERP zurückgespielt, wo es Bestellvorschläge, Nachschubsteuerung oder Kapazitätsplanung beeinflusst. So schließt sich der Kreis von der operativen Datenerfassung über die Vorhersage bis zur automatisierten Handlung.
Abgrenzung: Predictive vs. Descriptive und Prescriptive Analytics
Predictive Analytics ist eine von mehreren Analysestufen, die aufeinander aufbauen. Descriptive Analytics (beschreibende Analyse) blickt zurück und beantwortet „Was ist passiert?" – klassisches Reporting mit Kennzahlen und Dashboards. Diagnostic Analytics fragt „Warum ist es passiert?". Predictive Analytics geht einen Schritt weiter und prognostiziert „Was wird passieren?". Prescriptive Analytics schließlich beantwortet „Was sollten wir tun?" und schlägt konkrete Handlungen vor oder stößt sie automatisiert an.
Verhältnis zu Business Intelligence und Data Science
Klassische Business Intelligence ist überwiegend deskriptiv und rückblickend. Predictive Analytics erweitert diese Sicht um die Zukunftsdimension und wird in modernen BI-Plattformen zunehmend integriert – etwa als Forecast-Funktion in einem Dashboard. Data Science ist der breitere Oberbegriff für die Entwicklung solcher Modelle mit statistischen und maschinellen Lernverfahren; Predictive Analytics ist die anwendungsorientierte Nutzung dieser Methoden für konkrete Geschäftsfragen. In der Praxis verschwimmen die Grenzen, weil viele Werkzeuge deskriptive, prädiktive und teils präskriptive Fähigkeiten in einer Oberfläche bündeln.
Predictive Analytics im DACH-Mittelstand
Im deutschsprachigen Mittelstand ist Predictive Analytics längst kein reines Konzernthema mehr. Cloudbasierte Analysewerkzeuge und in ERP-Systeme eingebettete Prognosefunktionen haben die Einstiegshürde gesenkt, sodass auch kleinere Handels- und Fertigungsbetriebe Absatzprognosen oder vorausschauende Wartung nutzen. Häufig beginnt der Einstieg pragmatisch mit einer einzelnen, klar umrissenen Fragestellung statt mit einer großen Datenstrategie.
Zu beachten ist der Datenschutz: Sobald personenbezogene Daten – etwa Kundendaten für Churn-Prognosen – verarbeitet werden, gelten die Vorgaben der DSGVO, insbesondere Zweckbindung, Datenminimierung und Transparenz. Automatisierte Entscheidungen mit rechtlicher Wirkung gegenüber Personen unterliegen zusätzlichen Anforderungen. Werden Prognosemodelle zur Leistungs- oder Verhaltenskontrolle von Beschäftigten eingesetzt, ist außerdem das Mitbestimmungsrecht des Betriebsrats relevant. Für belastbare Ergebnisse bleibt in jedem Fall eine saubere Pflege der zugrunde liegenden Stamm- und Bewegungsdaten die entscheidende Voraussetzung.
Praxisbeispiel
Absatzprognose bei einem Handelsunternehmen
Ein mittelständischer Onlinehändler für Outdoor-Artikel kämpft mit stark schwankender Nachfrage: In der Saison sind Bestseller regelmäßig ausverkauft, während im Lager gleichzeitig Kapital in Ladenhütern gebunden ist. Die Disposition erfolgt bisher manuell auf Basis von Vorjahreswerten und Erfahrung – mit entsprechend vielen Fehlmengen und Überbeständen.
Mit Predictive Analytics wird auf der Verkaufshistorie aus dem ERP ein Prognosemodell trainiert, das Saison, Preis, Wetterdaten und Marketingaktionen berücksichtigt. Es sagt je Artikel den erwarteten Absatz der nächsten Wochen samt Unsicherheitsspanne voraus. Diese Prognose fließt in die Bestellvorschläge und den Sicherheitsbestand ein. Ergebnis: Die Verfügbarkeit der Top-Artikel steigt, der durchschnittliche Lagerbestand sinkt, und das gebundene Kapital wird spürbar reduziert.
Häufige Fragen
Passende ERP-Systeme
Passende Leistungen
Fragen zu Predictive Analytics in deinem ERP-Projekt?
Wir beraten herstellerunabhängig – und setzen es auf Wunsch selbst um.