Wie stehen Predictive- und Prescriptive Analytics in Beziehung zueinander? Ist ein Teil besser oder wichtiger als der andere?
Im besten Fall ergänzen sich Predictive- und Prescriptive Analytics perfekt und erhöhen so noch einmal den Mehrwert für Ihr Unternehmen. Wie das gehen kann, erläutern wir in diesem Artikel zunächst theoretisch und dann am praktischen Beispiel.
Wie in der Abbildung zu sehen, können die Vorhersagen eines Machine-Learning-Modells als zusätzliche Input-Variablen in einem Prozess der Entscheidungsoptimierung (engl. Decision Optimization) genutzt werden.
Zusätzlich zur Beantwortung der Frage
kann das Unternehmen so noch eine optimale Lösung für die Frage
finden.
Wie predictive und prescriptive mit Entscheidungsoptimierungen zusammenhängen
Das Training eines Machine-Learning-Modells zur Vorhersage zukünftiger Ereignisse, ist ein komplexer und mitunter langwieriger Prozess. Dieser als “Predictive Analytics” bezeichneter Teil ist Hauptbestandteil der meisten Data-Science-Projekte. Ein ebenso bedeutender Komplex wird dabei jedoch häufig außer Acht gelassen: “Prescriptive Analytics”.
Prescriptive Analytics untersucht die Auswirkungen von verschiedenen Umsetzungsmöglichkeiten auf ein Ergebnis.
Ziel ist es hierbei möglichst optimale Lösungen für das Unternehmen zu finden. Die Entscheidungsoptimierung ist eine Data-Science-Technik, welche hierfür genutzt werden kann.
Entscheidungsoptimierung oder auch Decision Optimization ist dabei immer dann besonders nützlich, wenn sehr viele verschiedene Möglichkeiten und Nebenbedingungen existieren, welche zwar alle zu einem Ergebnis führen, aber nicht gleichwertig in der Umsetzung sein müssen. Mittels Decision Optimization werden alle potenziellen Möglichkeiten analysiert und diejenige ausgewählt, welche eine definierte Zielstellung am besten erfüllt.
- Optimierung von Lieferketten
- Predictive Maintenance sowie
- Produktions- & Zeitplanung
Use Case: Erstellung eines optimalen Zeitplans
Kommen wir nun zu einem Optimierungsproblem aus der Praxis, mit welchen wir im Rahmen eines Kundenprojekts beschäftigt waren. Zielstellung im Rahmen des predictive Analytics-Projekts war es einen OP-Plan zu erstellen, der eine möglichst hohe Auslastung aller OP-Räume aufweist.
Gleichzeitig sollten gewisse Variablen bei der Planung berücksichtigt werden. Diese wurden in einer Tabelle erfasst.
| OP | Mögliche Räume | Dauer | Priorität |
|---|---|---|---|
| OP 10 | 1,3 | 45 min | 3 (!!!) |
| OP 6 | 2, 3 | 25 min | 1 (!) |
| ... | ... | ... | ... |
Zusätzlich wurden weitere Nebenbedingungen genannt, die eingehalten werden sollten:
- Die Zeitintervalle eines OP-Raums dürfen sich nicht überschneiden.
- Zwischen den einzelnen Zeitintervallen müssen jeweils 10 min Pause liegen.
- Operationen dürfen (der Einfachheit halber) nur zwischen 7:00 - 10:00 Uhr durchgeführt werden.
- Operationen mit einer hohen Priorität sollen möglichst früh am Tag stattfinden.
- In OP-Raum 1 findet von 7:00 - 7:30 Uhr eine Reparatur statt.
- In OP-Raum 3 findet von 7:00 - 8:00 Uhr eine Reparatur statt.
Durch die Implementierung eines Decision Optimization-Modells, welches diese Bedingungen berücksichtigt, kann im Produktiveinsatz Zeit bei der Planung gespart und gleichzeitig die Ressourcenauslastung maßgeblich erhöht werden. Letztendlich wurde die Entscheidung für die optimale Planung der OP-Räume weitestgehend automatisiert.
mit Input aus einem Machine-Learning-Modell (Predictive Analytics)
Bei der Umsetzung Ihres Prescriptive-Analytics-Projektes unterstützen wir Sie kompetent.
Hierbei setzen wir auf IBM Decision Optimization oder eine speziell für Sie entwickelte Lösung mit Open-Source-Werkzeugen.
Sprechen Sie uns gerne an!
Silvio Bergmann
Senior Manager
Analytics & Insights
silvio.bergmann@isr.de
+49(0)151 422 05 418
