Was ist Predictive Analytics?

Predictive Analytics (vorausschauende Analyse) bezeichnet Verfahren, die aus historischen und aktuellen Daten mit Statistik und maschinellem Lernen abschätzen, was wahrscheinlich passieren wird: wie viel verkauft wird, wann eine Maschine ausfällt, welcher Kunde abspringt oder wann eine Rechnung bezahlt wird. Das Ergebnis ist eine Wahrscheinlichkeit, keine Gewissheit.

Jedes Unternehmen prognostiziert ohnehin – im Kopf des Disponenten, in der Excel-Tabelle des Controllers, im Bauchgefühl des Vertriebs. Predictive Analytics macht daraus ein nachvollziehbares, wiederholbares Verfahren, das mehr Einflussgrößen gleichzeitig berücksichtigt, als ein Mensch überblicken kann.

Vier Stufen der Datenanalyse

Die meisten Unternehmen sind bei den ersten beiden Stufen gut aufgestellt, meist mit Berichten und einem KPI-Dashboard. Predictive Analytics ist der Schritt vom Rückspiegel zur Windschutzscheibe.

So entsteht eine Prognose

1. Frage festlegen. Nicht „Wir wollen KI im Vertrieb“, sondern „Wie viele Einheiten von Artikel X brauchen wir in Kalenderwoche 12?“.
2. Daten zusammenführen. Absätze, Aufträge, Preise, Aktionen, Saison, oft auch externe Größen wie Wetter oder Feiertage.
3. Modell wählen und trainieren. Von klassischer Regression und Zeitreihenverfahren bis zu Machine Learning. Einfache Modelle schlagen komplexe erstaunlich oft.
4. Rückwärts testen. Das Modell „prognostiziert“ vergangene Monate, deren Ausgang bekannt ist. So zeigt sich, wie treffsicher es wirklich ist.
5. In den Ablauf einbauen. Die Prognose erscheint dort, wo entschieden wird: im Bestellvorschlag, im Wartungsplan, in der Liquiditätsübersicht.
6. Beobachten. Prognose und tatsächliche Werte werden laufend verglichen; weicht das Modell ab, wird es nachjustiert.

Anwendungen im Mittelstand

• Absatz und Bedarf: Ein Großhändler für Sanitärbedarf plant Bestellungen pro Artikel und Standort, statt pauschal auf Vorjahreswerte aufzuschlagen.
• Vorausschauende Wartung: Aus Vibration, Temperatur und Laufzeit einer Anlage lässt sich abschätzen, wann ein Lager verschleißt. Die Wartung wird in eine ruhige Schicht gelegt, bevor es zum Stillstand kommt. Mit einem digitalen Zwilling lassen sich solche Szenarien zusätzlich durchspielen.
• Zahlungseingänge: Auf Basis des bisherigen Zahlungsverhaltens wird geschätzt, wann offene Rechnungen tatsächlich eingehen – ein wichtiger Baustein der Liquiditätsplanung.
• Kundenabwanderung: Sinkende Bestellfrequenz und mehr Reklamationen zeigen früh, welche Stammkunden gefährdet sind.
• Personaleinsatz: Ein Handwerksbetrieb schätzt die Auftragslage der kommenden Wochen und plant Kolonnen entsprechend.
• Vertrieb: Anfragen werden nach ihrer Abschlusswahrscheinlichkeit sortiert, damit der Außendienst die vielversprechenden zuerst bearbeitet.

Welche Daten Sie brauchen

Die wichtigste Voraussetzung ist nicht Datenmenge, sondern Datenqualität und Geschichte. Für saisonale Prognosen brauchen Sie mehrere vollständige Jahreszyklen. Artikelnummern müssen über die Jahre gleich geblieben sein, oder es muss eine Zuordnung alter zu neuen Nummern geben. Sonderereignisse wie eine Großbestellung oder ein Lieferengpass sollten markiert sein, sonst hält das Modell sie für normal.

Häufig liegen die Daten verteilt in ERP, Warenwirtschaft, Buchhaltung und Tabellen. Sie zusammenzuführen – etwa in einem Data Warehouse – ist in vielen Projekten der größte Arbeitsschritt.

Predictive Analytics, BI und Machine Learning

Business Intelligence bereitet vorhandene Daten auf und zeigt, was war und was ist. Predictive Analytics blickt nach vorn. Machine Learning ist eines der Werkzeuge dafür, aber nicht das einzige: Viele gute Prognosen beruhen auf klassischer Statistik. Und generative KI, also Sprachmodelle, ist für Zahlenprognosen meist das falsche Werkzeug – sie kann Ergebnisse gut erklären, rechnet aber nicht zuverlässig.

Grenzen von Prognosen

• Strukturbrüche. Ein Modell lernt aus der Vergangenheit. Kommt etwas völlig Neues – ein neuer Wettbewerber, eine Gesetzesänderung, eine Krise –, liegt es daneben.
• Zusammenhang ist nicht Ursache. Dass zwei Größen gemeinsam steigen, heißt nicht, dass die eine die andere bewirkt.
• Scheingenauigkeit. Eine Prognose von „1.247 Stück“ wirkt präzise. Seriös ist eine Spanne mit Wahrscheinlichkeit.
• Entscheidungen über Menschen. Prognosen zu Kreditwürdigkeit, Leistung oder Gesundheit einzelner Personen sind rechtlich heikel und oft als Hochrisiko-Anwendung eingestuft.

In der Praxis: Prognosen dort, wo entschieden wird

Eine Prognose, die in einem Bericht verstaubt, bringt nichts. Bei der KI-Implementierung beginnen wir mit einer konkreten Entscheidung – Bestellmenge, Wartungstermin, Liquidität –, prüfen, ob Ihre Daten dafür reichen, und bauen die Prognose direkt in das System ein, in dem Ihr Team arbeitet. Liegen die Daten verstreut, verbindet die Systemintegration ERP, Buchhaltung und Tabellen zu einer gemeinsamen Grundlage.

Häufige Fragen

Was ist Predictive Analytics einfach erklärt?

Die Vorhersage zukünftiger Werte oder Ereignisse aus vorhandenen Daten, zum Beispiel wie viel nächsten Monat verkauft wird oder wann eine Maschine gewartet werden sollte.

Wie genau sind Prognosen mit Predictive Analytics?

Das hängt von Daten und Aufgabe ab. Stabile, wiederkehrende Muster lassen sich gut vorhersagen, seltene Ereignisse schlecht. Seriöse Modelle geben immer eine Spanne an und werden gegen echte Werte geprüft.

Wie viele Daten brauche ich für Predictive Analytics?

Für saisonale Themen mehrere vollständige Jahre, für andere Fragen weniger. Wichtiger als die Menge sind vollständige, einheitlich gepflegte Datensätze.

Brauche ich dafür eine eigene Data-Science-Abteilung?

Nein. Für den Mittelstand ist es meist sinnvoller, ein klar umrissenes Prognosemodell von außen bauen und in bestehende Systeme integrieren zu lassen und intern eine Person zu benennen, die die Ergebnisse verantwortet.