Predictive Analytics ist der dritte Teil unserer Analytics-Reihe. Diese Analyseform benötigt als Grundlage die im Beitrag Was ist ‚Descriptive Analytics ausgeführten Modellparameter Objekt, Dimension, Wert und Ereignis. Darauf aufbauend können Szenarien identifiziert werden, die vermieden oder gefördert werden sollen. Dieser Identifikationsprozess ist die diagnostische Analyse. Im Anschluss daran können statistische Modelle erstellt werden, die auf Basis der Wenn-Dann-Zusammenhänge eine Vorhersage für darauffolgende Ereignisse treffen. Diese prädiktive Analyse ist dabei nicht nur für zukünftige Ereignisse geeignet, sondern auch dafür, Ereignisse aus der Vergangenheit zu identifizieren, die bisher unbekannt sind: Beispielsweise bei der Emittlung eines unbekannten Straftäters auf Basis der verfügbaren Daten. Auch in der Energiewirtschaft wird sie eingesetzt, um für den prognostizierten Verbrauch rechtzeitig die notwendigen Kapazitäten zu schaffen.

Der Kern der prädiktiven Analytik ist es, Beziehungen zwischen relevanten Variablen des aktuellen Zustands und vorhergesagten Variablen aus vergangenen Ereignissen zu erfassen und diese zu nutzen, um ein unbekanntes Ergebnis vorherzusagen.

Ein Beispiel außerhalb der Intralogistik ist die Zuordnung von Texten unbekannter Herkunft zu bekannten Autoren. Dazu werden die verfügbaren Daten aufbereitet, um identifizierbare Eigenschaften im Stil des Autors und andere Datenquellen in einen gemeinsamen Kontext mit klar definierten Beziehungen zwischen den Variablen zu bringen, etwas die Lebenszeit eines Autors und zu dieser Zeit bekannte sprachliche Konstrukte. So ist es beispielsweise unwahrscheinlich, dass ein Autor aus dem 17. Jahrhundert die Redewendung „Ich verstehe nur Bahnhof“ verwendet hätte. Mit der prädiktiven Analyse und einem über die deskriptive Analyse aufbereiteten Datensatz können also Texte, deren Urheber nicht bekannt ist, mit einer gewissen Wahrscheinlichkeit einem bekannten Autor zugeordnet werden. Je mehr Zusammenhänge dabei in den verfügbaren Datensatz geknüpft werden, desto höher ist die Qualität dieser Zuordnung.

Prädiktive Analyse in der Intralogistik

Eine Frage, die uns häufig von Mitarbeitern von Distributionszentren gestellt wird, lautet: „Warum lief es gestern super, aber heute nicht, obwohl die Auftragslage die gleiche ist?“

Über Predictive Analytics können mögliche Antworten mit zugeordneten Wahrscheinlichkeiten gefunden werden. Grundlage dafür ist eine zuvor durchlaufende diagnostische Analyse, die die möglichen Zustände der verschiedenen Systeme genau beschreibt und ihnen einen qualitativen Wert zuweist. Im vorherigen Beitrag ‚Diagnostic Analytics‘ haben wir dazu das Beispiel eines Analysebaums für die verspätete Abfahrt eines LKWs verwendet, auf das wir hier kurz zurückgreifen.

Je nach Ergebnis der Daten, ergeben sich mögliche Erklärungsmodelle. Wie hier am Beispiel der langen Beladungsdauer.

Nach dem diagnostischen Part setzt die prädiktive Analyse an und weist Elementen dieses Entscheidungsbaumes eine Eintrittswahrscheinlichkeit zu: So steigt mit jedem zutreffenden Parameter, wie „Hoher Krankenstand“ oder „Großauftrag“, die Wahrscheinlichkeit, dass der Zustand „Die LKW-Beladung dauert zu lange“ eintritt. Was in der diagnostischen Analyse auf Vergangenheitsdaten angewendet wird, projiziert die prädiktive Analyse auf einen noch unbekannten oder zukünftigen Zustand. Das schafft die nötige Reaktionszeit, um auf eine Situation noch reagieren zu können. Das leitende Personal wird bei der Prognose erheblich unterstützt, da die individuelle Erfahrung mit den Geschäftsprozessen als Faktor an Gewicht verliert.

Komplexe Ereignisketten und kurze Zeitfenster als Risiko für intralogistische Prozesse

Zwei beispielhafte Szenarien, die durch prädiktive Analyse rechtzeitig erkannt werden sollen, sind der Schneeball- und der Schmetterlingseffekt. Bei Ersterem schaukeln sich zuerst unkritisch erscheinende Fehler zu schwerwiegenden auf, die im schlimmsten Fall den gesamtem Prozessfluss unterbrechen. Bei Letzterem ist der Zusammenhang zwischen gleichen oder ähnlichen Ausgangslagen und deutlich abweichender weiterer Entwicklung des Systems nicht erklärbar: Obwohl in einem Lager an zwei unterschiedlichen Tagen die Auftragslage und die verfügbare Ressourcen die gleichen sind, läuft es an Tag A reibungslos und an Tag B kommt es wider Erwarten zu Störungen.

Kann der Flügelschlag eines Schmetterlings einen Tornado in Texas auslösen?

– Edward N. Lorenz

Übertragen auf die Intralogistik ergibt sich in Distributionszentren die Situation, dass sich Störungen häufen, obwohl die Ausgangslage keine außergewöhnliche ist und bereits zu einem anderen Zeitpunkt reibungslos durchlaufen wurde. Der Zusammenhang zwischen Effekt und Verursacher ist – noch – nicht bekannt.

Durch die prädiktive Analyse können rollende Schneebälle aufgehalten werden, bevor sie sich zur Lawine entwickeln, da die problematischen Systemzustände und ihre Beziehungen erfasst sind. Anhand des Beispiels aus der diagnostischen Analyse könnte ein prädiktiver Pfad wie folgt aussehen:

Wo die diagnostische Analyse die Zusammenhänge herstellt, parametriert die prädiktive Analyse sie, um Eintrittswahrscheinlichkeiten zu ermitteln.

Durch Analysemodelle, wie die Regressionsanalyse oder Entscheidungsbäume, können die Prädiktionspfade verifiziert, falsifiziert und in ihrer Präzision verbessert werden. Das Ziel dieses fortlaufenden Prozesses ist es, unbekannte Zusammenhänge aufzudecken und die Reaktionszeit für erkannte Szenarien zu verbessern oder überhaupt erst zu ermöglichen.

Der Schlüssel neben einer soliden Datenbasis ist die Kombination aus Mustererkennung und Bewertung, die durch maschinelles Lernen unterstützt werden kann. Auf diesem Wege können Ereignisketten genauer parametriert oder unbekannte Zusammenhänge aufgedeckt werden.

Prädiktive Analyse und maschinelles Lernen

Quelle: Maimon, O. Z.; Rokach, L.: Data mining and knowledge discovery handbook. Springer, New York, 2010

In unserer TUP-Reihe KI haben wir die verschiedenen Themenfelder des maschinellen Lernens vorgestellt. Für die beiden Szenarien der Verbesserung der Prädiktion von bekannten Ereignisketten ist das überwachte Lernen ein vielversprechender Ansatz, der die Granularität und Qualität der Vorhersage verbessern kann: Das Ziel kann genau definiert werden und die damit verknüpften Bedingungen sind bekannt und beschrieben. So können neben Data-Spezialisten auch Algorithmen dabei helfen, die Modelle weiter auszubauen, vor allem wenn viele und komplex verknüpfte Ereignisse ausgewertet werden sollen.

Um unbekannte Muster überhaupt erst zu entdecken, kann unbeaufsichtigtes Maschinenlernen helfen, wenn große, gut aufbereitete Datenmengen zur Verfügung stehen.

Nutzen von prädiktiver Analyse in der Intralogistik

Neben dem Warenfluss ist die Instandhaltung ein zentraler Punkt der prädiktiven Analyse. Im Beitrag Konzepte und Methoden für prädiktive Instandhaltung in der Intralogistik von Michael Schadler, Norbert Hafner und Christian Landschützer wird aufgezeigt, dass diese Analyseform eine Grundlange für die Steigerung der Effizienz durch optimierte Wartungszyklen über die Modelle Reliability Centered Maintenance, Total Productive Maintenance oder Risk Based Maintenance ist.

Viele Unternehmen arbeiten hier noch nach reaktiven Maßnahmen oder festen Wartungsintervallen, die unter Umständen den laufenden Betrieb gefährden können.

Der Warenfluss wird durch verbesserte Prognosen unterstützt, da mehr und kleinteiligere Parameter im Vergleich zu traditionellen Nachfrageprognosen berücksichtigt werden.

Zur Beitragsübersicht
Zurück zu Startseite