Was sind prädiktive Analysen?

Prädiktive Analysen werden im Rahmen einer Methode eingesetzt, bei der aktuelle und historische Daten analysiert werden, um Prognosen für die Zukunft erstellen zu können. Dabei werden Techniken wie maschinelles Lernen, statistische Modelle und Data Mining verwendet, mit denen Organisationen Trends, Verhaltensweisen, künftige Entwicklungen sowie Geschäftschancen besser ermitteln können.

Bei prädiktiven Analysen werden Modelle so trainiert, dass sie auf Grundlage eingegebener Variablen Werte für neue Daten vorhersagen. Das Modell erkennt innerhalb der Variablen Beziehungen und Muster, und liefert dann je nach dem, worauf es trainiert wurde, einen Score.

Dieser Score kann als Business Intelligence dazu verwendet werden, das Risiko oder den potenziellen Nutzen bestimmter Bedingungen zu bewerten. Er wird dazu verwendet, die Wahrscheinlichkeit von etwas zu bestimmen.

Prädiktive Analysen können sowohl auf strukturierte als auch unstrukturierte Daten angewendet werden. Mithilfe von Data Mining, bei dem Muster, Trends und Verhaltensweisen in großen Datensätzen erkannt werden, können Daten aus mehreren Quellen, wie etwa Data Warehouses oder Data Lakes, zur Analyse vorbereitet werden.

Sobald die Daten für die Analyse bereit sind, folgt der Prozess der prädiktiven Modellierung, bei dem ein Modell für prädiktive Analysen erstellt und getestet wird. Ist ein Modell einmal trainiert und getestet, kann es in der Zukunft zum Beantworten neuer Fragen mit ähnlichen Daten herangezogen werden.

Gängige Techniken der prädiktiven Modellierung sind Verfahren wie Regression und maschinelles Lernen sowie Entscheidungsbäume und neuronale Netzwerke, aber es gibt noch viele andere Optionen.

Regressionsmodelle

Regressionsmodelle bestimmen die Beziehung zwischen Variablen basierend auf mathematischen Gleichungen.

Lineare Regressionsmodelle geben fortlaufende Ergebnisse mit unendlichen Möglichkeiten aus (wie etwa potenzielle Grundstückswerte unter Verwendung eines bekannten Quadratmeter-Preises), während logistische Regressionsmodelle eine begrenzte Anzahl an Möglichkeiten ausgeben (beispielsweise ob der Verkaufspreis einer speziellen Immobilie in jener Nachbarschaft über oder unter einem bestimmten Preis liegen wird).

Regressionsmodelle werden oft von Banken oder anderen Einrichtungen im Finanzsektor eingesetzt, um ein Kreditrisiko zu bestimmen oder einen Kreditkartenbetrug aufzudecken, Markttrends vorauszusagen und die Auswirkungen neuer Regelungen im Bereich Finanzdienstleistungen vorauszusehen.

Entscheidungsbäume

Ein weiteres beliebtes Verfahren im Bereich der prädiktiven Analysen sind Entscheidungsbäume. Sie veranschaulichen, wie eine Entscheidung zur nächsten führt. Ein mögliches Szenario für den Einsatz von Entscheidungsbäumen liegt im Bereich der ML-Modelle (maschinelles Lernen). Dabei wird basierend auf einer Liste aufeinanderfolgender und hierarchischer Fragen eine Reihe von „wenn das, dann das”-Bedingungen abgearbeitet, die auf Grundlage der Eingabedaten zu einem Ergebnis führt.

Dieses sich verzweigende Format des Modells kann auch praktisch alle möglichen Ergebnisse einer Entscheidung veranschaulichen, indem es zeigt, wie jede Entscheidung zu einem bestimmten Ergebnis führen kann.

Maschinelles Lernen

Beim maschinellen Lernen werden die prädiktiven Analysen weitergeführt. Prädiktive Analysen sind häufig darauf angewiesen, dass Data Scientists oder Analysten Modelle erstellen, aber die Algorithmen beim maschinellen Lernen — eingesetzt bei künstlicher Intelligenz (KI) und Deep Learning-Software wie Watson von IBM — lernen von selbst. Sie werden durch das Verarbeiten von Daten besser und entwickeln sich weiter, ohne kontinuierlich neu programmiert werden zu müssen.

Besseres Management von KI/ML-Anwendungen

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

Neuronale Netzwerke

Neuronale Netzwerke sind fortgeschrittene Analyseverfahren, die dazu verwendet werden, die Genauigkeit von Informationen, die aus Regressionsmodellen und Entscheidungsbäumen gewonnen wurden, zu bestimmen. Neuronale Netzwerke erkennen nichtlineare Ähnlichkeiten zwischen unterschiedlichen Daten und sind besonders nützlich, wenn der Umfang dessen, was passieren könnte, wichtiger ist, als das Verständnis dafür, warum diese Möglichkeiten vielleicht auftreten.

Mit prädiktiven Analysen lässt sich Ihre IT-Performance verbessern, indem Risiken erkannt und Sie über potenzielle Probleme Ihrer IT-Infrastruktur benachrichtigt werden. Anstatt auf einen Fehlerbericht zu warten, der Sie beispielsweise über defektes Equipment informiert, können Operations-Teams mithilfe prädiktiver Analysen proaktiv Probleme finden und beheben, bevor sie Ihre Umgebung betreffen. So spart Ihr Unternehmen unter Umständen auch noch Zeit und Geld.

Sie können zudem mithilfe von prädiktiven Analysen Kernbereiche priorisieren, indem Sie Störsignale herausfiltern und sich auf das konzentrieren, was Ihre Aufmerksamkeit am nötigsten benötigt. Erstellen Sie Risikobeurteilungen, beugen Sie Sicherheitsproblemen vor, vermeiden Sie Ausfallzeiten, indem Sie Unregelmäßigkeiten in einem Netzwerk aufspüren und erkennen Sie potenzielle Schwachstellen, indem Sie eine Vielzahl von Aktionen in Echtzeit überprüfen.

Begleitend zu prädiktiven Analysen können Tools zur Automatisierung eingesetzt werden, um identifizierte Probleme zu beheben oder auf Grundlage vorhergesagter Ergebnisse Änderungen vorzunehmen.

Red Hat stellt Ihnen die Tools für prädiktive Analysen und zur Automatisierung zur Verfügung, die Sie benötigen, um Ihre IT-Infrastruktur immer besser zu verstehen und Probleme auf automatisiertem Wege zu beheben. Außerdem unterstützt Sie Red Hat mit Lösungen, Services und Trainingsangeboten, die es Ihnen ermöglichen, sich auf Innovationen zu konzentrieren und nach vorne zu blicken.

Unsere Subskriptionen schließen Red Hat® Insights mit ein. Das ist unser As-a-Service-Tool für prädiktive Analysen. Verwenden Sie es mit Red Hat Ansible® Automation Platform, um Probleme mittels Event-Driven Ansible automatisiert zu beheben. Finden (und fixen) Sie Red Hat Enterprise Linux®-Bugs von Ihrem Browser aus. Lassen Sie sich den Status Ihrer gesamten Hybrid Cloud auf console.redhat.com anzeigen. Und verwenden Sie die Telemetrie von Red Hat Insights, um kritische Probleme aufzuspüren, die zum Versagen von Red Hat OpenShift® Clustern führen könnten.