In den verschiedensten Branchen hat sich die Einbeziehung von Predictive Analytics bereits bewährt. Neben wissenschaftlichen High-Tech-Unternehmen nutzt beispielsweise das Gesundheitswesen die Methode zur Voraussage von Krankheitsverläufen. Ein prominenter Anwendungsbereich ist auch die Energiebranche, wo das intelligente Stromnetz der Zukunft als „Smart Grid“ tituliert wird. Hierbei kann der Stromverbrauch anhand von gespeicherten Verhaltensmustern der Kunden (Smart Customer Data) vorausgesagt werden, um die benötigte Einspeisung von Wind- und Wasserkraftenergie exakt zu regulieren.
Als weiteres Beispiel lässt sich die sogenannte Predictive Maintenance heranziehen. Hierbei werden die aktuellen Daten einer laufenden Maschine eingespeist, um deren zukünftige Beanspruchung und den daraus resultierenden Verschleiß vorauszusagen. Schwachstellen innerhalb der Produktionskette können so schnell identifiziert und ausgebessert werden, um beispielsweise einen Gesamtausfall der Produktion zu verhindern.
Am besten lässt sich Predictive Analytics dann nutzen, wenn verschiedenste, möglichst umfangreiche und gereinigte Datenpakete zur Verfügung stehen. Alle Datenpakete werden daraufhin in die Analyse integriert, deren Ergebnis desto präziser ausfällt, je mehr Daten aus den verschiedensten Bereichen verfügbar sind. Die meisten Unternehmen machen sich Synergie-Effekte zunutze, indem sie ihre bereits vorhandene Business-Intelligence-Struktur um die Funktionen von Predictive Analytics erweitern. Zu den beliebtesten Tools zur Anwendung von Predictive Analytics gehören:
- IBM SPSS Statistics and IBM SPSS Modeler
Als nächster Schritt in der Datenanalyse lässt sich Prescriptive Analytics definieren. Diese Methode setzt da an, wo Predictive Analytics an seine Grenzen stößt: Man versucht Vorgaben zum Handeln abzulesen, um den weiteren Verlauf eines Trends gezielt zu lenken. Angestrebte Szenarien sind so u. U. leichter zu realisieren und ein bisheriger Verlauf in eine andere Richtung zu navigieren. Dieses Vorgehen wird ermöglicht durch analytische Strukturen auf der Basis von komplexen Modellen und stochastischen MC-Simulationen. Wie bei Predictive Analytics gilt auch hier: Je mehr bekannte und verlässliche Variablen man in diese Modelle implementiert, desto treffsicherer sind die Ergebnisse.