{"id":100614,"date":"2022-05-17T09:17:19","date_gmt":"2022-05-17T07:17:19","guid":{"rendered":"https:\/\/www.jedox.com\/?p=100614"},"modified":"2026-03-10T19:30:02","modified_gmt":"2026-03-10T18:30:02","slug":"predictive-analytics","status":"publish","type":"post","link":"https:\/\/www.jedox.com\/de\/blog\/predictive-analytics\/","title":{"rendered":"Predictive Analytics: Chancen und Grenzen f\u00fcr die Zukunft des Controllings"},"content":{"rendered":"

Predictive Analytics als Disziplin existiert in verschiedenen Formen bereits, seitdem Berechnungen durchgef\u00fchrt werden k\u00f6nnen. Die Zukunft einsch\u00e4tzen zu k\u00f6nnen, hat die Menschen schon immer fasziniert. Das wird deutlich, wenn wir in der Geschichte zur\u00fcckgehen und an Prognostiker wie Nostradamus und andere Propheten denken: Predictive Analytics wird aktiv angewendet, seitdem mit dem ersten Liniendiagramm Unternehmenstrends abgesch\u00e4tzt wurden.<\/strong><\/p>\n

Ein kurzer Einblick in die Geschichte von Predictive Analytics<\/h2>\n

Keine Branche hat sich intensiver um das Etablieren von Predictive Analytics bem\u00fcht als die Finanzdienstleistungsbranche. Seit der Er\u00f6ffnung von Lloyd’s Coffee House im Jahr 1686 versuchen Finanzdienstleister vorherzusagen, was die Zukunft bringt. Finanzplaner, Chief Financial Officers und Analysten verwenden seitdem viel M\u00fche darauf, genaue Methoden zur Vorhersage von Ereignissen zu entwickeln.<\/p>\n

Vor den Anf\u00e4ngen der fortschrittlichen statistischen Analyse und des Machine Learnings konnten die verschiedenen Formen von Predictive Analytics in vier gro\u00dfe Kategorien aufgeteilt werden:<\/p>\n

    \n
  1. Raten:<\/strong> Die Standardmethode, auf die die meisten Menschen zur\u00fcckgreifen. Auf der Grundlage von qualitativen und quantitativen Daten sowie Fachwissen wird versucht, wahrscheinliche Ereignisse in der Zukunft zu erraten. Ob die Ergebnisse dieser Prognosen den Zufall \u00fcbertreffen, h\u00e4ngt in hohem Ma\u00dfe von den F\u00e4higkeiten des Fachexperten ab.<\/li>\n
  2. Visuelles Forecasting:<\/strong> Das visuelle Aufzeichnen von Entwicklungen ist seit Jahrzehnten beliebt, und das aus gutem Grund: Daten, die regelm\u00e4\u00dfige lineare Muster aufweisen, lassen sich gut visualisieren. Dieses Bild l\u00e4sst sich beispielsweise bei der Aktienanalyse in den Medien gut beobachten: Analysten zeichnen Linien f\u00fcr die Unter- und Obergrenze von Aktienkursen ein und k\u00f6nnen den Zuschauern so deutlich machen, ob sich ein Aktienkauf lohnt oder nicht.<\/li>\n
  3. Additives Forecasting:<\/strong> Bei dieser h\u00e4ufig angewendeten Budgetierungsmethode werden die Daten des vorangegangenen Zeitraums um einen bestimmten Prozentsatz anpasst \u2013 dies wird dann als Forecast bezeichnet. Dabei wird davon ausgegangen, dass die Zukunftsprognose identisch mit der des vorangegangenen Zeitraums ist, was aber nur unter spezifischen Voraussetzungen funktioniert. In Zeiten von Pandemien und politischer Instabilit\u00e4t stellt additives Forecasting jedoch keine solide Strategie dar \u2013 es sei denn, sie ist mit au\u00dfergew\u00f6hnlicher Agilit\u00e4t und Anpassungsf\u00e4higkeit verbunden, um sich an ver\u00e4nderte Umst\u00e4nde anzupassen.<\/li>\n
  4. Erfindungen:<\/strong> Aufgrund mangelnder Kenntnisse im Bereich des Forecastings, wird diese Methode der Vorhersage \u00fcberraschenderweise von vielen Organisationen und Stakeholdern angewendet.<\/li>\n<\/ol>\n

    Die ersten drei Techniken haben eines gemeinsam: Sie verwenden vorhandene Daten und versuchen, daraus zukunftsweisende Modelle zu erstellen. Was sich in den letzten 25 Jahren und insbesondere in den letzten 10 Jahren ge\u00e4ndert hat, ist der Einsatz fortschrittlicher statistischer und Machine Learning Software zur Erstellung von Prognosen, die mathematisch fundierter sind als die fr\u00fchen Ans\u00e4tze.<\/p>\n

    \"\"<\/a><\/p>\n

    \n

    Was ist Predictive Analytics?<\/h2>\n

    Wie der Name schon vermuten l\u00e4sst, handelt es sich bei Predictive Analytics um die Verwendung von Analysedaten und Algorithmen zur Vorhersage von Ereignissen. F\u00fcr eine erfolgreiche Anwendung st\u00fctzt sich Predictive Analytics auf zwei Datenmuster: Zyklizit\u00e4t <\/strong>und Saisonalit\u00e4t.<\/strong><\/p>\n

    Unter Saisonalit\u00e4t<\/strong> versteht man die Erkennung von Mustern in j\u00e4hrlichen Daten. Wenn wir an unsere Jahreszeiten denken \u2013 Fr\u00fchling, Sommer, Herbst und Winter \u2013 dann sind das Ereignisse, die sich in einem regelm\u00e4\u00dfigen Muster wiederholen. Im Finanzwesen wissen wir, dass es j\u00e4hrliche Ereignisse gibt, die sich erheblich auf die Daten auswirken, wie z. B. die Fristen f\u00fcr die Einreichung von Steuererkl\u00e4rungen. Auch f\u00fcr Konsumenten relevante Ereignisse, wie Feiertage, wirken sich auf die Wirtschaft aus.<\/p>\n

    Zyklizit\u00e4t<\/strong> beschreibt sich regelm\u00e4\u00dfig wiederholende Muster in Daten. So folgen beispielsweise die meisten Finanzdaten einem gemeinsamen Zyklus \u2013 viele Daten und Aktivit\u00e4ten von Montag bis Freitag, geringere Aktivit\u00e4t und Datenfluss an Wochenenden. Viertelj\u00e4hrliche Steuererkl\u00e4rungen stellen beispielsweise eine h\u00e4ufige Wiederholung dar, die sich auf Daten auswirkt und prognostiziert werden kann.<\/p>\n

    Der springende Punkt dabei ist: Daten, die zyklisch oder saisonal sind, sind Daten, die vorhersehbar sind. Daten, die vorhersehbar sind, k\u00f6nnen mit Predictive Analytics prognostiziert werden.<\/strong><\/p>\n<\/div>\n

    Was Predictive Analytics nicht vorhersagen kann<\/h2>\n

    Daten, die keinerlei Saisonalit\u00e4t oder Zyklizit\u00e4t aufweisen, k\u00f6nnen auch nicht vorhergesagt oder prognostiziert werden. Dieser Zusammenhang ist entscheidend, um die Grenzen von Predictive Analytics zu verstehen. Es gibt vier allgemeine Kategorien von Daten, die nicht genau vorhergesagt werden k\u00f6nnen:<\/p>\n