Was ist Prescriptive Analytics?

Auf einen Blick

• Empfiehlt nicht nur, was passieren wird, sondern was zu tun ist – inklusive Begründung und Folgenabschätzung.
• Algorithmen, Simulation und mathematische Optimierung helfen, aus vielen möglichen Entscheidungen die beste auszuwählen.
• Steht auf den Schultern von Descriptive und Predictive Analytics – ohne solide Datenbasis und Prognosemodelle keine belastbaren Empfehlungen.
• Budgetallokation, Szenarioplanung und Ressourcensteuerung sind typische Anwendungsfelder in Finance und Controlling.
• Die Systeme empfehlen – Menschen entscheiden. Prescriptive Analytics ersetzt kein Urteilsvermögen, schärft es aber erheblich.

Prescriptive Analytics Definition

Prescriptive Analytics (deutsch: vorschreibende oder empfehlende Analytik) bezeichnet eine Methode der Datenanalyse, die auf Basis historischer Daten, statistischer Modelle und algorithmischer Optimierung konkrete Handlungsempfehlungen für unternehmerische Entscheidungen ableitet. Sie ist die dritte und reifste Stufe im Analytik-Stufenmodell – nach Descriptive Analytics (Was ist passiert?) und Predictive Analytics (Was wird passieren?) beantwortet sie die entscheidungsrelevanteste Frage: Welche Maßnahme führt unter den gegebenen Bedingungen zum bestmöglichen Ergebnis?

Technisch stützt sich Prescriptive Analytics auf mathematische Optimierungsverfahren, Simulationstechniken, sowie auf maschinelles Lernen und künstliche Intelligenz. Dabei gilt ein fundamentaler Grundsatz: Das System empfiehlt – der Mensch entscheidet. Prescriptive Analytics ist kein autonomes Entscheidungssystem, sondern ein Instrument zur systematischen Vorbereitung menschlicher Urteile.

Im Unternehmenskontext ist das Konzept meist dort am wirkungsvollsten, wo Entscheidungen wiederkehrend, datenreich und folgenreich sind: beispielsweise bei der Budgetallokation, der integrierten Unternehmensplanung, der Preisgestaltung oder der Risikosteuerung. Der Wert liegt dabei nicht allein in der Qualität einzelner Empfehlungen, sondern in der Konsistenz des Entscheidungsprozesses: Prescriptive Analytics sorgt dafür, dass gleiche Ausgangssituationen zu gleich guten Entscheidungen führen – unabhängig von individueller Erfahrung oder organisatorischem Silodenken.

Was sind die drei Stufen der Datenanalyse?

Descriptive vs. Predictive vs. Prescriptive Analytics im direkten Vergleich

Datenanalyse lässt sich in drei aufeinander aufbauende Stufen einteilen – von der Beschreibung über die Prognose bis zur Handlungsempfehlung:

Descriptive Analytics ist heute in den meisten Unternehmen etabliert – Berichte, Dashboards und Kennzahlensysteme sind Standard. Predictive Analytics gewinnt durch Machine Learning und verbesserte Datenverfügbarkeit zunehmend an Reife. Prescriptive Analytics dagegen ist die anspruchsvollste Disziplin: Sie kombiniert Prognosen mit Entscheidungslogik und gibt an, welche Maßnahme unter welchen Bedingungen die besten Ergebnisse liefert.

Wie funktioniert Prescriptive Analytics?

Prescriptive Analytics beantwortet nicht nur die Frage „Was wird passieren?“, sondern fügt zwei entscheidende Dimensionen hinzu:

• Warum wird es passieren? – Kausalmodelle und Erklärbarkeit
• Was sollte getan werden? – Entscheidungsempfehlung mit Folgenabschätzung

Ein Prescriptive-Analytics-System nimmt Prognosen als Input, verknüpft sie mit definierten Zielen (z. B. Deckungsbeitragsmaximierung, Lagerminimierung, Risikovermeidung) und berechnet, welche Handlungsoption die Zielfunktion am besten erfüllt. Dabei werden Nebenbedingungen wie Budgetgrenzen, Kapazitäten, regulatorische Vorgaben explizit berücksichtigt. Das Ergebnis ist ein konkreter Aktionsplan mit begründeten und quantifizierten Vorschlägen.

Beispiel aus der Praxis:

Ein Handelsunternehmen prognostiziert sinkende Nachfrage für ein Produktsegment. Prescriptive Analytics berechnet daraufhin automatisch: Welche Preisanpassung maximiert den verbleibenden Deckungsbeitrag? Welche Lagermengen sollten abgebaut werden? Welche Vertriebskanäle priorisiert werden? Die erhaltenen Empfehlungen sind nicht abstrakt, sondern unmittelbar operationalisierbar.

Welche Methoden und Technologien gehören zu Prescriptive Analytics?

Prescriptive Analytics stützt sich auf ein breites Methodenspektrum:

Was sind die Chancen und Grenzen von Prescriptive Analytics?

Chancen

• Entscheidungsqualität steigt: Empfehlungen basieren auf mehr Daten, mehr Szenarien und konsistenterer Logik als menschliche Intuition allein es erlaubt.
• Entscheidungsgeschwindigkeit wächst: Routineentscheidungen – etwa in der operativen Planung oder im Einkauf – lassen sich automatisieren oder zumindest erheblich beschleunigen.
• Komplexität wird handhabbar: Prescriptive Analytics kann Tausende von Variablen und Nebenbedingungen gleichzeitig berücksichtigen – weit jenseits menschlicher kognitiver Kapazität.

Grenzen

• Datenqualität ist Voraussetzung: Schlechte Eingangsdaten führen zu schlechten Empfehlungen. Prescriptive Analytics verstärkt Datenfehler, anstatt sie zu kompensieren.
• Modellgüte entscheidet: Die Qualität der Empfehlung hängt von der Qualität des zugrundeliegenden Modells ab. Vereinfachende Annahmen können zu gefährlich präzise wirkenden, aber falschen Empfehlungen führen.
• Erklärbarkeit ist kritisch: Entscheider müssen Empfehlungen verstehen und hinterfragen können. Black-Box-Modelle erzeugen Misstrauen und erschweren Verantwortlichkeit.
• Organisatorische Akzeptanz: Empfehlungen, die etablierte Entscheidungspraktiken infrage stellen, stoßen auf Widerstand – unabhängig von ihrer rechnerischen Güte.
• Ethik und Governance: Automatisierte Entscheidungsempfehlungen müssen auf Bias, Fairness und regulatorische Konformität geprüft werden.

Wie sieht Prescriptive Analytics mit DeltaMaster in der Praxis aus?

Mit DeltaMaster durchläuft das Controlling alle drei Analysestufen im selben System, von der erkannten Abweichung bis zur begründeten Maßnahme. Das folgende Beispiel zeigt diesen Ablauf bei einem mittelständischen Maschinenbauer, dessen Auftragseingang im Mai hinter dem Jahresplan zurückbleibt.

Die Geschäftsführung gibt Ziel und Nebenbedingung vor: Der Deckungsbeitrag darf nicht sinken, die Auftragslücke von 9 Mio. Euro soll mindestens halbiert werden. Die Simulation vergleicht die Optionen an diesen Vorgaben.

Die Simulation macht einen häufigen Fehler sichtbar: Der pauschale Rabatt bringt Volumen, kostet aber Marge und setzt nicht an der Ursache an. Nur Option B erfüllt beide Vorgaben, weil sie dort ansetzt, wo die KI-Analyse den Rückgang verortet hat. Das Controlling legt Option B mit Begründung zur Entscheidung vor.

Die Geschäftsführung entscheidet sich für Option B. Begründung und Annahmen werden als Kommentar direkt im Bericht festgehalten, Audit Trails machen Datenbasis und Entscheidungslogik prüfbar. Über den DeltaMaster Publisher erhalten die Vertriebsleitungen die Maßnahme samt Begründung. In den Folgemonaten zeigt der Plan-Ist-Vergleich, ob die Maßnahme wirkt.

Welche Beispiele gibt es für Prescriptive Analytics?

Prescriptive Analytics stützt sich auf ein breites Methodenspektrum:

Zusammenfassung

Prescriptive Analytics ist die reifste Stufe der Datenanalyse: Sie verbindet Prognosen mit Entscheidungslogik und liefert konkrete, begründete Handlungsempfehlungen – quantifiziert, operationalisierbar und konsistent. Ihr größter Wert liegt nicht in einzelnen Empfehlungen, sondern in der Systematisierung des Entscheidungsprozesses: Gleiche Ausgangssituationen führen zu gleich guten Entscheidungen – unabhängig von Erfahrung oder Silodenken. Bissantz unterstützt diesen Ansatz durch integrierte Handlungsvorschläge und Simulationen – mit dem Grundsatz: Das System empfiehlt, der Mensch entscheidet.