Focus Predictive Analytics

Predictive Analytics – vom Gesundheitswesen bis zu einer gesunden Logistik

Uhr
von Alexander Jung, Data Scientist, Data & Analytics, PwC Schweiz und Philip van Hövell, Health Analytics Lead, Data & Analytics, PwC Schweiz

Die Einsatzmöglichkeiten von Predictive Analytics sind gross. Klassische Anwendungsgebiete finden sich speziell in Banken- und Versicherungsunternehmen, der Telekommunikationsbranche und im Handel. Vermehrt entdecken aber auch andere Industrien das Potenzial. Zwei Praxisbeispiele aus dem Gesundheitswesen und der Logistikbranche zeigen, welche weiteren Vorteile Predictive Analytics für Organisationen und Kunden – anders gesagt, Patienten – bietet.

Predictive Analytics nutzt statistische Methoden oder maschinelles Lernen, um datenbasierte Voraussagen zu machen. Mit einer stetig wachsenden Datenmenge und -qualität wird Predictive Analytics immer wichtiger. Zwei Bereiche, in denen standardisierte Datensätze vermehrt erfasst und genutzt werden, sind Predictive Healthcare und Logistik.

Dank Predictive Analytics zur personalisierten MS-Therapie

Die Behandlung von komplexen und heterogen verlaufenden Krankheiten stellt für Ärzte eine grosse Herausforderung dar. Nicht alle Patienten sprechen gleich gut auf ein Medikament an. Oft müssen erst mehrere Medikamente getestet werden, bis eine optimale Behandlung gefunden wird. Dabei steigt das Risiko für irreversible Schäden durch den fortschreitenden Krankheitsverlauf.

Mittels Predictive Analytics können massgeschneiderte Therapievorschläge für einen spezifischen Patienten vorgenommen werden (personalisierte Medizin). Eine Software erlaubt es dem Arzt, Rückschlüsse – basierend auf den historischen, anonymisierten Daten tausender Patienten – zu machen und auf anonymisierte Weise die bestmögliche Therapie abzuleiten.

Die Software "Phrend" ist ein Beispiel, wie mit künstlicher Intelligenz die Behandlung von Multipler Sklerose (MS) unterstützt wird. "Phrend" basiert auf elf Patienten­eigenschaften, welche die bisherige Krankheitsgeschichte und demografische Charakteristik eines Patienten zusammenfassen. Basierend auf diesen Eigenschaften sagt das Programm den zukünftigen Krankheitsverlauf unter Einfluss verschiedener MS-Medikamente voraus.

Das Modell wird trainiert, indem der Einfluss von Patienteneigenschaften und Medikament auf den Verlauf der MS (basierend auf einer Population von über 20'000 Patienten) mittels maschinellen Lernens bestimmt wird. Für jeden neuen Patienten ist es so möglich, einen auf ihn zugeschnittenen, bestmöglichen Therapievorschlag zu erhalten. Es konnte bereits nachgewiesen werden, dass Patienten bei Anwendung des empfohlenen Medikaments im Durchschnitt einen günstigeren Krankheitsverlauf haben.

Predictive Analytics in der Logistik

Durch die Skalierbarkeit unterschiedlicher Geschäftsprozesse bietet der Logistikbereich ein ideales Umfeld, um neue KI-Lösungen zu entwickeln. Bereits heute werden in der Logistik historische, kaufmännische und technische Daten gesammelt, um eine reibungslose Lieferungskette sicherzustellen. Mit Predictive Analytics und Predictive Maintenance können gewisse Komponente wie Materialverbrauch und Reparaturen vorhergesagt und besser gesteuert werden. International tätige Logistikkonzerne arbeiten aktuell daran, die Daten mehrerer tausend Transporteinheiten, Schadensarten und Einsatzmaterialien zu untersuchen und den Verbrauch, die Schadensabwicklung sowie die Verfügbarkeit von Transportvehikeln zu optimieren beziehungsweise die Kosten zu senken.

Als Erstes müssen sie eine statistische Analyse der Daten durchführen, wo etwa Folgeschäden und Substitut-Materialien detektiert werden. Darauf aufbauend kann das Entwicklerteam ein Modell für den Materialbedarf sowie für die Schadensvorhersage trainieren. Die neuen Modelle können heute nicht nur Schadensfälle prognostizieren, sondern auch die benötigten Materialien kalkulieren. Predictive Analytics erlaubt es einem Logistikunternehmen, Kapazitäten bei Transport und Instandhaltung besser abzuschätzen und seine Prozesse effizient sowie ganzheitlich zu planen.

Um mit Predictive Analytics nachhaltig Nutzen stiften zu können, müssen sich Unternehmen und Institutionen stärker mit ihren Daten und den Bedarf auseinandersetzen. Denn nicht alle Daten sind gewinnbringend. Für eine breite Anwendung von Predictive Analytics ist es wichtig, dass sich Organisationen stärker mit verfügbaren Daten und ihrem effektiven Bedarf auseinandersetzen. Entscheidend sind nicht nur der Umfang der Informationen, sondern auch deren Tiefe und Relevanz.

Weitere Focus-Beiträge zu Predictive Analytics:

Lesen Sie hier den Beitrag von Matthias Mohler von Swisscom, in dem er erklärt, wie KMUs Predictive Analytics einsetzen.

Im Interview mit Krzysztof Kryszczuk, Leiter der Predictive Analytics Group bei der ZHAW, erfahren Sie mehr über seine Projekte, den Wert von hochqualitativen Daten und die Zukunft von Predictive Analytics.

Webcode
DPF8_130848