Um Predictive Analytics einzuordnen, hat sich in der Fachwelt ein vierstufiges Reifegradmodell etabliert, das die verschiedenen Arten der Datenanalyse nach ihrem Anspruch und ihrem Wertbeitrag ordnet. Diese vier Stufen bauen aufeinander auf – jede setzt gewissermaßen voraus, dass die vorherige beherrscht wird. Wer die eigene Datenreife verstehen will, findet in diesem Modell einen verlässlichen Kompass.
Das gängige Modell unterscheidet vier aufeinander aufbauende Analysearten. Deskriptive Analyse beschreibt, was in der Vergangenheit geschehen ist – klassische Berichte, Kennzahlen und Dashboards fallen hierunter. Sie ist die Grundlage jeder Datenkultur und beantwortet Fragen wie „Wie hoch war unser Umsatz im letzten Quartal?“. Diagnostische Analyse geht einen Schritt weiter und fragt nach dem Warum: Sie sucht Ursachen, Zusammenhänge und Auffälligkeiten hinter den beobachteten Zahlen, etwa „Warum ist der Umsatz in einer Region eingebrochen?“.
Auf diesen beiden rückwärtsgewandten Stufen setzt Predictive Analytics auf. Die prädiktive Analyse nutzt die Muster der Vergangenheit, um Wahrscheinlichkeiten für die Zukunft zu berechnen – „Wie wird sich der Absatz im nächsten Quartal entwickeln?“ oder „Welche Kunden werden voraussichtlich kündigen?“. Die vierte und höchste Stufe, die präskriptive Analyse, geht noch darüber hinaus: Sie leitet aus den Vorhersagen konkrete Handlungsempfehlungen ab und beantwortet die Frage „Was sollten wir tun, um das beste Ergebnis zu erzielen?“. Predictive Analytics ist damit das Bindeglied zwischen der reinen Beschreibung der Vergangenheit und der aktiven Entscheidungsunterstützung.
Ein verbreitetes Missverständnis besteht darin, Predictive Analytics als reine Rechenübung zu sehen – als Lieferant möglichst präziser Zahlen. Der eigentliche Wert entsteht jedoch erst, wenn eine Vorhersage eine Entscheidung verändert. Eine Absatzprognose ist nur dann etwas wert, wenn sie tatsächlich in die Einkaufs- und Produktionsplanung einfließt. Eine Kündigungswahrscheinlichkeit hilft nur, wenn gefährdete Kunden auch angesprochen werden. Aus unserer Beratungspraxis ist das die vielleicht wichtigste Einsicht: Nicht das Modell schafft Wert, sondern die Handlung, die es auslöst.
Predictive Analytics fällt nicht vom Himmel, sondern wächst auf einer gesunden Datenlandschaft. In der Praxis ist die vorausschauende Analyse die logische Weiterentwicklung einer bereits funktionierenden Business Intelligence: Dieselben Datenquellen, Datenmodelle und definierten Kennzahlen, die für Berichte und Dashboards aufgebaut wurden, sind zugleich das Fundament für Prognosen. Unternehmen, die ihre BI im Griff haben, sind der prädiktiven Stufe deshalb oft näher, als sie selbst vermuten – der Schritt ist evolutionär, nicht revolutionär.
Man kann die gängigen Verfahren nach der Art der Aufgabe ordnen, die sie lösen. Grob unterscheidet man zwischen Verfahren, die einen numerischen Wert vorhersagen (Regression), Verfahren, die einer Beobachtung eine Kategorie zuordnen (Klassifikation), und Verfahren, die zeitliche Entwicklungen fortschreiben (Zeitreihenanalyse). Dazu kommen Verfahren, die selbstständig Strukturen und Gruppen in Daten finden. Diese Einteilung ist keine wissenschaftliche Grenze, aber ein hilfreiches Ordnungsraster für die tägliche Arbeit.
Die Regression ist das Arbeitspferd der prädiktiven Analyse. Sie sagt einen konkreten Zahlenwert voraus, indem sie den Zusammenhang zwischen einer Zielgröße und mehreren Einflussfaktoren modelliert. Ein klassisches Beispiel: Wie hoch wird der Umsatz eines Produkts sein, abhängig von Preis, Saison, Werbeausgaben und Wettbewerbsdruck? Die einfachste Form, die lineare Regression, unterstellt einen geradlinigen Zusammenhang; komplexere Varianten erfassen auch verschlungene, nicht-lineare Muster. Ihr großer Vorteil ist, dass viele Regressionsmodelle nachvollziehbar bleiben – man kann ablesen, welcher Faktor wie stark auf das Ergebnis wirkt.
Die Klassifikation beantwortet Ja-Nein- oder Entweder-Oder-Fragen und ordnet jede Beobachtung einer von mehreren Klassen zu – oft verbunden mit einer Wahrscheinlichkeit. Typische Fragen sind: Wird dieser Kunde kündigen (ja/nein)? Ist diese Transaktion betrügerisch? In welches Kundensegment gehört ein neuer Interessent? Zu den bekannten Verfahrensfamilien zählen Entscheidungsbäume und darauf aufbauende Verfahren wie Random Forests oder Gradient-Boosting-Methoden, die in der Praxis oft sehr gute Ergebnisse liefern, sowie die logistische Regression als robuster, gut interpretierbarer Klassiker. Klassifikation ist in vielen Mittelstands-Szenarien der praktisch wertvollste Verfahrenstyp, weil Geschäftsentscheidungen häufig eine Ja-Nein-Struktur haben.
Die Zeitreihenanalyse ist auf Daten spezialisiert, die in zeitlicher Abfolge anfallen – Umsatz pro Monat, Nachfrage pro Woche, Sensorwerte pro Minute. Ihre Besonderheit ist, dass die Reihenfolge der Daten Bedeutung trägt und typische Muster wie Trends, saisonale Schwankungen oder Zyklen erkannt und fortgeschrieben werden. Sie ist das zentrale Werkzeug für das sogenannte Forecasting, etwa in der Absatz- und Bedarfsplanung. Daneben gibt es Verfahren des unüberwachten Lernens wie das Clustering, das ohne vorgegebene Zielgröße selbstständig Gruppen in Daten findet – etwa Kundensegmente – sowie die Anomalieerkennung, die Ausreißer und ungewöhnliche Muster aufspürt.
In unseren Projekten entfällt der größte Teil des Aufwands regelmäßig nicht auf die Modellierung, sondern auf die Beschaffung, Bereinigung und Aufbereitung der Daten. Das überrascht viele Auftraggeber, die die eigentliche „Intelligenz“ im Algorithmus vermuten. Tatsächlich ist die Datenarbeit die eigentliche Wertschöpfung – und der Ort, an dem Projekte am häufigsten scheitern. Wer diesen Aufwand unterschätzt, plant unrealistisch.
Für eine belastbare Vorhersage braucht es zunächst historische Daten mit dem tatsächlichen Ausgang – man muss aus der Vergangenheit lernen können, was passiert ist. Wer vorhersagen will, welche Kunden kündigen, braucht Daten über Kunden, die tatsächlich gekündigt haben, und über solche, die geblieben sind. Zweitens braucht es relevante Einflussfaktoren, sogenannte Merkmale, aus denen das Modell Muster ableiten kann. Und drittens braucht es genügend Beobachtungen, damit die gefundenen Muster verlässlich und nicht bloß Zufall sind. Wie viele Daten „genug“ sind, lässt sich nicht pauschal sagen – es hängt von der Komplexität der Frage und der Stärke der Muster ab. Für viele mittelständische Fragestellungen reichen die vorhandenen Datenbestände jedoch überraschend oft aus.
In der Praxis begegnen uns immer wieder dieselben Schwierigkeiten. Dazu zählen fehlende oder unvollständige Werte, etwa lückenhaft gepflegte Stammdaten; Inkonsistenzen, wenn derselbe Sachverhalt in verschiedenen Systemen unterschiedlich erfasst wird; fehlerhafte oder veraltete Einträge; sowie Silo-Daten, die verstreut in verschiedenen Systemen liegen und erst mühsam zusammengeführt werden müssen. Ein besonders tückisches Problem sind verzerrte Daten, die die Realität nicht neutral abbilden – etwa weil in der Vergangenheit systematisch nur bestimmte Kundengruppen erfasst wurden. Solche Verzerrungen übernimmt und verstärkt ein Modell ungefragt.
Ein oft unterschätzter, aber entscheidender Schritt ist das sogenannte Feature Engineering – das Umformen der Rohdaten in aussagekräftige Merkmale. Aus einem Kaufdatum lässt sich etwa die Zahl der Tage seit dem letzten Kauf berechnen, aus einzelnen Transaktionen ein durchschnittlicher Warenkorbwert. Genau hier fließt oft das Fachwissen der Mitarbeitenden ein: Sie wissen, welche Größen im Geschäft wirklich zählen. Diese Übersetzung von Fachwissen in Merkmale ist einer der Punkte, an denen menschliche Expertise die Qualität einer Vorhersage stärker beeinflusst als die Wahl des Algorithmus.
Klassische prädiktive Verfahren stammen aus der Statistik und wurden lange von Hand gebaut und gepflegt. Mit dem maschinellen Lernen (Machine Learning) kam ein leistungsfähiger Ansatz hinzu: Algorithmen, die Muster selbstständig aus Daten lernen, ohne dass man ihnen jede Regel vorgibt. Der Übergang ist fließend – viele der in Kapitel 02 genannten Verfahren lassen sich sowohl statistisch als auch als maschinelles Lernen einordnen. Wichtig für die Praxis: Maschinelles Lernen ist mächtig, aber kein Selbstzweck. Es ist ein Werkzeug, das man dann einsetzt, wenn die Muster in den Daten zu komplex sind, um sie mit einfachen Regeln zu erfassen.
Grundsätzlich unterscheidet man beim maschinellen Lernen zwei große Ansätze. Beim überwachten Lernen lernt das Modell aus Beispielen, bei denen das richtige Ergebnis bereits bekannt ist – etwa aus historischen Kundendaten mit der Information, wer tatsächlich gekündigt hat. Dieser Ansatz steckt hinter den meisten praktischen Predictive-Analytics-Anwendungen. Beim unüberwachten Lernen gibt es keine vorgegebene Zielgröße; das Modell sucht selbstständig nach Strukturen, etwa nach natürlichen Gruppen in den Daten. Beide Ansätze haben ihren Platz, und die Wahl hängt allein davon ab, welche Frage beantwortet werden soll und ob historische Ergebnisse vorliegen.
Ein prägender Trend der letzten Jahre ist AutoML (Automated Machine Learning): Werkzeuge, die Teile des Modellbaus automatisieren – etwa das Ausprobieren verschiedener Verfahren, die Feinabstimmung von Einstellungen und den Vergleich der Ergebnisse. AutoML senkt die Einstiegshürde erheblich und ermöglicht es auch Teams ohne tiefes Data-Science-Wissen, brauchbare Modelle zu erstellen. Für den Mittelstand, der selten ausgewiesene Data Scientists beschäftigt, ist das eine wichtige Entwicklung. Zugleich ersetzt AutoML nicht das Verständnis für die Fragestellung, die Datenqualität und die Interpretation der Ergebnisse – die Werkzeuge automatisieren das Handwerk, nicht das Urteil.
Mit dem Aufstieg der generativen KI und großer Sprachmodelle entsteht oft Verwirrung über die Abgrenzung. Generative KI erzeugt neue Inhalte – Texte, Bilder, Code – und ist damit einer anderen Aufgabenklasse zuzuordnen als die klassische prädiktive Analyse, die aus strukturierten Daten konkrete Werte oder Klassen vorhersagt. In der Praxis ergänzen sich beide zunehmend: Generative KI kann etwa helfen, prädiktive Ergebnisse verständlich zu erläutern, Analysen in natürlicher Sprache zu erfragen oder unstrukturierte Daten für die Analyse aufzubereiten. Für die Kernaufgaben von Predictive Analytics – belastbare Prognosen aus strukturierten Geschäftsdaten – bleiben jedoch die bewährten statistischen und maschinellen Lernverfahren maßgeblich.
Ein hilfreiches Ordnungsraster unterscheidet die Werkzeuge nach dem benötigten technischen Vorwissen und dem Grad der Kontrolle, den sie bieten. Grob lassen sich vier Kategorien ausmachen, die sich in der Praxis oft überlappen und ergänzen. Wichtig ist zu verstehen, dass diese Kategorien keine Rangfolge darstellen – jede hat ihre Berechtigung, je nach Anwendungsfall und Team.
An einem Ende des Spektrums stehen visuelle, code-arme Data-Science-Plattformen, in denen Analyse-Abläufe per Baukastenprinzip zusammengesetzt werden – ohne oder mit wenig Programmierung. Sie senken die Einstiegshürde deutlich und eignen sich gut für Fachabteilungen und gemischte Teams. Am anderen Ende stehen Programmiersprachen und Bibliotheken, allen voran das offene Ökosystem rund um Python und R, das maximale Flexibilität bietet, aber entsprechendes Know-how voraussetzt. Dazwischen liegen die großen Cloud- und Big-Data-Plattformen, die Datenhaltung, Rechenleistung und ML-Funktionen bündeln, sowie Business-Intelligence-Werkzeuge, die inzwischen ebenfalls prädiktive Funktionen integrieren.
Die folgende Übersicht ordnet die typischen Kategorien nach Einstiegshürde und Zielgruppe. In der Realität kombinieren Unternehmen häufig mehrere Kategorien – etwa eine visuelle Plattform für schnelle Prototypen und eine Cloud-Plattform für den produktiven Betrieb. Entscheidend ist nicht, ein einzelnes Werkzeug zu küren, sondern eine zu den eigenen Kompetenzen passende Kombination zu finden.
Die Werkzeugwahl sollte immer der Fragestellung und den vorhandenen Kompetenzen folgen, nicht dem Marketing der Anbieter. Ein Team ohne Programmiererfahrung ist mit einer visuellen Plattform meist besser bedient als mit einer Code-Umgebung, auch wenn Letztere theoretisch mächtiger ist. Umgekehrt kann ein erfahrenes Data-Science-Team in einer offenen Programmierumgebung schneller und flexibler arbeiten. Ein weiterer wichtiger Faktor ist die bestehende IT-Landschaft: Wer seine Daten ohnehin in einer bestimmten Cloud hält, wird deren native Analytik-Dienste bevorzugt prüfen. Aus unserer Sicht ist es klug, mit einem Werkzeug zu starten, das das Team beherrscht, und die Landschaft erst bei nachgewiesenem Bedarf zu erweitern.
Der zentrale Unterschied liegt in der Zeitrichtung und im Anspruch. Klassisches Reporting und Business Intelligence blicken zurück: Sie beschreiben, was passiert ist, und helfen bestenfalls, Ursachen zu verstehen. Sie sind das unverzichtbare Fundament – aber sie treffen keine Aussage über die Zukunft. Predictive Analytics blickt nach vorn und schätzt, was voraussichtlich passieren wird. Prescriptive Analytics geht noch einen Schritt weiter und empfiehlt, was zu tun ist, um ein Ziel zu erreichen. Jede Stufe baut auf der vorherigen auf und erfordert mehr Datenreife, mehr methodisches Können und mehr organisatorische Verankerung.
Business Intelligence und Reporting sind keine „veraltete“ Vorstufe, die man hinter sich lässt, sondern das dauerhafte Fundament, auf dem prädiktive Analysen ruhen. Ein Unternehmen, das seine vergangenen Zahlen nicht sauber und verlässlich abbilden kann, hat auch keine tragfähige Basis für Vorhersagen. In der Praxis ist eine gute BI-Landschaft oft schon die halbe Miete für Predictive Analytics: Die dafür aufgebauten Datenmodelle, definierten Kennzahlen und bereinigten Datenquellen sind genau das, was auch prädiktive Modelle benötigen. Wer in ein sauberes Reporting investiert, investiert damit zugleich in die Voraussetzung für Vorhersagen.
Die Grenze zwischen prädiktiver und präskriptiver Analyse ist im Alltag besonders unscharf. Eine reine Vorhersage – „dieser Kunde wird mit hoher Wahrscheinlichkeit kündigen“ – ist prädiktiv. Sobald daraus eine konkrete, optimierte Handlungsempfehlung wird – „biete diesem Kunden dieses spezifische Angebot zu diesem Zeitpunkt an, weil das die erwartete Kundenbindung maximiert“ –, betreten wir das präskriptive Feld. Prescriptive Analytics verknüpft Vorhersagen mit Zielen, Nebenbedingungen und Optimierung und ist damit anspruchsvoller und seltener vollständig umgesetzt. Für viele Mittelständler ist es realistisch und wertstiftend, zunächst die prädiktive Stufe zu meistern und die präskriptive Optimierung als spätere Ausbaustufe zu betrachten.
Als De-facto-Standard hat sich seit Jahren das Vorgehensmodell CRISP-DM (Cross-Industry Standard Process for Data Mining) etabliert. Es ist branchenunabhängig, werkzeugneutral und beschreibt sechs Phasen, die ein Datenprojekt typischerweise durchläuft. Sein größter Wert liegt darin, dass es mit dem Verständnis des Geschäfts beginnt und nicht mit der Technik – und dass es ausdrücklich Rücksprünge erlaubt, wenn sich in einer späteren Phase herausstellt, dass eine frühere überarbeitet werden muss. Wir nutzen dieses Modell sinngemäß als roten Faden, ohne es dogmatisch zu behandeln.
Der Prozess beginnt mit dem Geschäftsverständnis – der Klärung, welches Problem gelöst werden soll und woran sich Erfolg messen lässt. Darauf folgt das Datenverständnis, in dem geprüft wird, welche Daten vorliegen und ob sie die Frage beantworten können. Die Datenaufbereitung ist erfahrungsgemäß die aufwendigste Phase. Es folgt die eigentliche Modellierung, danach die Evaluation, in der geprüft wird, ob das Modell die Geschäftsziele tatsächlich erfüllt, und schließlich das Deployment, die Überführung in den produktiven Betrieb. Der Kreislauf schließt sich, weil ein Modell im Betrieb überwacht und regelmäßig überarbeitet werden muss.
Der aus unserer Sicht wichtigste Ratschlag zur Einführung lautet: Beginnen Sie mit einem klar umrissenen Pilotprojekt, das ein einzelnes, schmerzhaftes Geschäftsproblem adressiert – nicht mit einer großen, unternehmensweiten Initiative. Ein fokussierter erster Anwendungsfall liefert schnell sichtbaren Wert, schafft Vertrauen in die Methode und deckt die realen Hürden bei Daten und Organisation auf, bevor viel investiert wird. Ein häufig unterschätzter Punkt ist zudem der Betrieb: Ein Modell ist mit dem ersten Ergebnis nicht fertig, sondern muss dauerhaft überwacht und gepflegt werden, weil sich die Realität – und damit die Datenmuster – über die Zeit verändert. Dieser Aspekt, oft als „Modell-Drift“ bezeichnet, wird in Projekten regelmäßig vergessen.
Die folgenden Anwendungsfälle sind bewusst branchenübergreifend gewählt – sie lassen sich auf Handel, Produktion, Dienstleistung und viele weitere Bereiche übertragen. Ihnen gemein ist, dass sie an einer konkreten Entscheidung ansetzen, die heute oft aus dem Bauch heraus oder mit einfachen Faustregeln getroffen wird und die durch eine belastbare Vorhersage messbar besser werden kann.
Über diese vier Klassiker hinaus begegnen uns viele weitere Anwendungen: die Kundensegmentierung für gezieltes Marketing, die Betrugs- und Anomalieerkennung in Transaktionen, die Bonitäts- und Risikobewertung im Kreditgeschäft, die Preisoptimierung im Handel oder die Vorhersage von Personalbedarf in saisonalen Geschäften. So unterschiedlich diese Felder sind, verbindet sie ein roter Faden: Es geht stets darum, eine wiederkehrende Entscheidung, die heute mit Erfahrung und Faustregeln getroffen wird, durch eine datenbasierte Vorhersage zu verbessern. Genau darin liegt der pragmatische Reiz für den Mittelstand – man muss nicht das Geschäftsmodell revolutionieren, sondern bestehende Entscheidungen schärfen.
Ein erster, klar umrissener Predictive-Analytics-Anwendungsfall – von der Datensichtung über die Aufbereitung bis zu einem ersten nutzbaren Modell – ist in vielen Mittelstands-Projekten in wenigen Wochen bis wenigen Monaten machbar, sofern die Datengrundlage brauchbar ist. Der Aufbau einer breiten, unternehmensweiten Analytik-Fähigkeit mit mehreren produktiven Modellen, sauberem Betrieb und verankerter Nutzung in den Fachabteilungen ist dagegen ein fortlaufendes Programm. Wer mit einem fokussierten Piloten startet und daraus lernt, baut die Fähigkeit tragfähig aus – statt sich an einem überdimensionierten Erstwurf zu verheben. Genau an dieser Schnittstelle zwischen Technik, Daten und Organisation setzt unsere Beratungsarbeit an.
Viele der wertvollsten Anwendungsfälle – etwa Churn-Vorhersage oder Kundensegmentierung – arbeiten mit personenbezogenen Daten und fallen damit in den Anwendungsbereich der DSGVO. Zentrale Grundsätze wie die Zweckbindung (Daten dürfen nur für den Zweck genutzt werden, für den sie erhoben wurden), die Datenminimierung (nur die wirklich benötigten Daten verwenden) und eine tragfähige Rechtsgrundlage für die Verarbeitung sind hier maßgeblich. Ein oft unterschätzter Punkt: Daten, die für den ursprünglichen Geschäftszweck erhoben wurden, dürfen nicht ohne Weiteres für ein Vorhersagemodell weiterverwendet werden. Wo immer möglich, hilft die Pseudonymisierung oder Anonymisierung, das Risiko zu senken. Die DSGVO enthält zudem besondere Regeln für Entscheidungen, die ausschließlich automatisiert getroffen werden und Menschen erheblich betreffen.
Mit dem EU-AI-Act ist ein regulatorischer Rahmen für den Einsatz künstlicher Intelligenz in der Europäischen Union entstanden, der auch für Predictive-Analytics-Anwendungen relevant sein kann. Der Grundgedanke ist ein risikobasierter Ansatz: Je nach Einsatzzweck und möglichem Schadenspotenzial werden Anwendungen in unterschiedliche Risikoklassen eingeordnet, an die sich abgestufte Pflichten knüpfen – von geringen Transparenzanforderungen bis zu strengen Auflagen für als hochriskant eingestufte Systeme, etwa in sensiblen Bereichen. Für die meisten typischen Mittelstands-Anwendungsfälle wie Absatzprognosen dürften die Anforderungen überschaubar bleiben; sobald jedoch Entscheidungen über Menschen betroffen sind – etwa im Personal- oder Kreditbereich –, ist eine sorgfältige Einordnung ratsam. Da sich die konkrete Auslegung und die Fristen weiter entwickeln, ist dies ein Feld, das man aktiv beobachten sollte.
Jenseits der reinen Rechtslage stellt sich die Frage der Datenethik. Ein Modell lernt aus historischen Daten – und übernimmt damit auch die Verzerrungen der Vergangenheit. Wenn frühere Entscheidungen bestimmte Gruppen benachteiligt haben, kann ein darauf trainiertes Modell diese Benachteiligung unbemerkt fortschreiben und sogar verstärken. Deshalb gehören die kritische Prüfung auf Fairness und die Nachvollziehbarkeit der Ergebnisse zu jedem verantwortungsvollen Projekt. Gerade bei Entscheidungen, die Menschen betreffen, ist die Erklärbarkeit eines Modells kein technisches Detail, sondern eine Vertrauensfrage: Wer soll einer Vorhersage folgen, deren Zustandekommen niemand erklären kann? Aus unserer Sicht ist es klug, hier lieber ein etwas einfacheres, aber nachvollziehbares Modell zu wählen als eine undurchschaubare Blackbox.
Zusammengefasst ist verantwortungsvolle Governance kein Hemmschuh, sondern die Voraussetzung dafür, dass Predictive Analytics dauerhaft Vertrauen genießt und rechtssicher genutzt werden kann. Wer Datenschutz, Fairness und Nachvollziehbarkeit von Anfang an mitdenkt, baut robustere Lösungen – und erspart sich teure Korrekturen im Nachhinein. Der Aufwand dafür ist überschaubar, wenn er früh eingeplant wird, und wird schnell teuer, wenn er nachträglich reparieren muss.
