Prädiktive Analytik: 5 Wege, sie zu Ihrem Vorteil zu nutzen
Wäre es nicht großartig, wenn man die Zukunft sehen könnte? Menschen mit Entscheidungsverantwortung können unter Druck geraten, wenn sie versuchen, die Auswirkungen ihrer Entscheidungen vorherzusehen. Genau hier setzt die prädiktive Analyse an – eine Methode, mit der historische Daten genutzt werden, um die Ergebnisse aktueller Entscheidungen vorauszusagen und in die Zukunft zu projizieren.
Auch wenn sie nicht völlig narrensicher ist, verschafft die prädiktive Analyse einen echten Vorteil, wenn man mit historischen Daten arbeitet, um Trends zu erkennen und die richtige Richtung zu wählen. Sie können dieses Toolkit in verschiedensten Bereichen nutzen – ob Marketing, Personalwesen oder die Entwicklung der Markenperformance über die Zeit hinweg.
In diesem Artikel erfahren Sie, was prädiktive Analyse ist, wie sie Ihren Ansatz im B2B Predictive Marketing unterstützen kann und wo Sie sie einsetzen können, um schwierige Führungsprobleme zu lösen. Am Ende sollten Sie mit dem Konzept vertraut sein und bereit, prädiktive Modelle in Ihre Entscheidungsbäume einzubauen. Außerdem nehmen Sie aus diesem Beitrag sicherlich einige starke Ideen mit, wie Sie die Werkzeuge der prädiktiven Analyse nutzen können, um Ihre Arbeit produktiver und weniger stressig zu gestalten.
Mehr von The CMO gewünscht?
Melde dich für eine kostenlose Mitgliedschaft an, um diesen Artikel vollständig zu lesen:
Have an account? Log In
Was ist prädiktive Analyse?
Prädiktive Analyse ist ein Werkzeugkasten zur Modellierung zukünftiger Entwicklungen auf Basis vergangener Leistungen. Sie nutzt mathematische Verfahren, um aus vorhandenen Daten Trends in die Zukunft fortzuschreiben und die Ergebnisse abzuschätzen, die Sie vorhersagen möchten. Indem Sie die relevanten historischen Daten auswählen und passende Methoden anwenden, lassen sich die Auswirkungen von geplanten Strategien und Initiativen zuverlässig prognostizieren.
Um es greifbar zu machen: Stellen Sie sich vor, Sie sind HR-Manager und sollen Programmierer für die IT-Abteilung Ihres Unternehmens einstellen. Aus Erfahrung wissen Sie, dass bestimmte Universitäten besonders geeignete Absolventen hervorbringen. Also achten Sie in Bewerbungen auf Stichwörter wie „CalTech“, „MIT“ oder „University of California Berkeley“. Auf ganz einfache Weise haben Sie gerade Ihre eigene prädiktive Analyse angewandt, indem Sie einen sinnvollen Zusammenhang zwischen der Hochschule eines Bewerbers und dessen potenzieller Arbeitsleistung in Ihrem Unternehmen herstellen.
Für komplexere Zusammenhänge brauchen Sie jedoch ordentliche Rechenleistung und gute Algorithmen für maschinelles Lernen. Nehmen wir an, Ihre Verkaufsdaten aus der Vergangenheit zeigen: Ihr Unternehmen verkauft mehr Feuerwerkskörper in den Wochen vor Neujahr und dem 4. Juli, aber Ihre Tochterfirma verkauft im November viele Truthähne, direkt vor Thanksgiving. Auch das ist ein klarer Zusammenhang, mit dem Sie dank der bisherigen Verkaufszahlen und des Kalenders künftige Absätze von Feuerwerkskörpern und Truthähnen voraussehen können.
Die nächste Stufe
Stellen Sie sich vor, Sie haben Erfahrung im Aufbau von Marken über Social Media, aber bisher waren die Ergebnisse eher dürftig. Mit Marketing-Tools, die fortgeschrittene Modelle prädiktiver Analysen nutzen, zeigt Ihre Datenanalyse: Markenbotschaften verbreiten sich gut von Twitter zu Instagram, aber fast nie in die entgegengesetzte Richtung. Daraus lassen sich Handlungsempfehlungen ableiten, zum Beispiel immer mit einer Kampagne auf Twitter zu starten oder gezielt die Instagram-Reichweite auszubauen, um die Performance der Markenkommunikation zu verbessern.
Bisher haben wir einige sehr einfache Möglichkeiten gesehen, wie sich mit prädiktiven Analyse-Methoden zukünftige Ereignisse vorhersagen lassen. Doch das Potenzial ist viel größer. Ihr FICO-Score ist beispielsweise eine Form der prädiktiven Analyse: Anhand Ihrer Historie mit pünktlichen Zahlungen, verfügbarem Kredit, aktueller Ausnutzung und weiteren Faktoren prognostiziert der FICO-Score mit hoher Wahrscheinlichkeit, ob Sie Ihre Schulden begleichen werden. Die Anzahl an Bonitätsprüfungen in den letzten zwei Jahren kann zeigen, ob Sie verzweifelt auf der Suche nach weiteren Krediten sind – ein Warnzeichen für Risiken.
Am Arbeitsplatz sind Sie vielleicht für die Qualitätssicherung zuständig und sollen Maschinen funktionsfähig halten. Jede Ausfallzeit kostet Geld, also müssen Sie voraussagen, wann und wo es wahrscheinlich zu Ausfällen kommt. Ihr maschinelles Lernen wertet jahrelange Daten aus und stellt fest: Ausfälle passieren, wenn ein zentrales Bauteil verschleißt – und das geht schneller, wenn die Betriebstemperatur hoch ist. Die konkrete Empfehlung: Die Maschinen mit geringerer Intensität laufen lassen oder in ein größeres Kühlsystem investieren, um Temperaturen niedrig zu halten, Verschleiß zu reduzieren und die Lebensdauer der Anlagen zu verlängern. Damit lassen sich im Zweifel Millionen sparen.
Prädiktive Analyse vs. Datenanalyse
Nachdem Sie nun ein grobes Verständnis davon haben, was prädiktive Analyse ist, widmen wir uns der Frage, was sie nicht ist. Oder vielmehr: Wo ist die Grenze zwischen prädiktiver Analyse und anderen, verwandten Konzepten, mit denen sie leicht verwechselt werden kann?
Zunächst: Prädiktive Analyse ist nicht dasselbe wie allgemeine Datenanalyse. Es stimmt zwar, dass sie ein Teilgebiet davon ist – nämlich eines, das sich darauf konzentriert, mit bestimmten Methoden zukunftsgerichtete Modelle zu erstellen. Die weiteren Typen der Datenanalyse sind:
- Deskriptive Analyse: Eine präzise und logisch aufgebaute Darstellung dessen, was in der Vergangenheit passiert ist – verständlich aufbereitet.
- Diagnostische Analyse: Die Ursachenforschung dafür, warum Dinge in der Vergangenheit so verlaufen sind wie sie es taten – idealerweise, um daraus Erkenntnisse für spätere Prognosemodelle zu gewinnen.
- Präskriptive Analyse: Konkrete Handlungsempfehlungen, wie Sie von Ihrem aktuellen Stand aus weiterkommen – samt Anweisungen, was Sie tun oder unterlassen sollten, um Ihr Ziel zu erreichen.
Zwischen diesen Analysearten gibt es in Wahrheit keine klaren, scharfen Grenzen – und jede kann die anderen bereichern. Ein wirklich leistungsfähiger Analyseansatz nutzt alle im passenden Kontext, um robuste Modelle für komplexe Sachverhalte zu entwickeln.
Deskriptive Analytik
Stellen Sie sich vor, Sie sind Ingenieur und wollen ein sichereres Auto konstruieren. Dafür benötigen Sie Unmengen von deskriptiven Analysedaten aus früheren Unfällen, einschließlich Verletzungsberichte, um ein Modell zu erstellen, wie Autos bei Unfällen beschädigt werden. Das Bild, das Sie daraus gewinnen, könnte zeigen, dass Unfallopfer häufig Nackenverletzungen erleiden. Das ist eine Beschreibung von Rohdaten, die verständlich aufbereitet ist, doch um wirklich daraus zu lernen, müssen Sie noch weitergehen.
Diagnostische Analytik
Sie wissen also, dass es bei Autounfällen viele Nackenverletzungen gibt. Ihr nächster Schritt, die diagnostische Analyse, erklärt Ihnen warum. Offenbar stoßen viele Menschen mit dem Kopf gegen die Windschutzscheibe oder erleiden ein Schleudertrauma. Manchmal werden sie bei einem Unfall von einem schweren Gegenstand von hinten getroffen, was zu den von Ihnen beobachteten Verletzungen führt.
Präskriptive Analytik
Im dritten Schritt, der prädiktiven Analytik, entwickeln Sie verschiedene Vorschläge, wie sich Nackenverletzungen bei Autounfällen vermeiden lassen.
Sie könnten zum Beispiel überlegen, das Auto so zu gestalten, dass es sich nur startet, wenn der Fahrer eine Halskrause trägt. Vielleicht bauen Sie einen Schutzkäfig aus schwerem Bleischutz um den Kopf des Fahrers. Oder Sie installieren einen automatischen Schleudersitz, der bei Problemen den Fahrer umgehend aus dem Auto katapultiert. Und so weiter. In diesem Stadium gibt es keine schlechten Ideen, nur Ideen.
Ihre eigentliche Arbeit kommt hier in der prädiktiven Analyse zusammen. Anhand von Modellen aus vergangenen Erfahrungen finden Sie heraus, dass Autobesitzer von aufdringlichen Sicherheitsvorrichtungen genervt sind und diese vermutlich deaktivieren – daraus resultiert, dass die Halskrausen keine Lösung sind. Mehr Gewicht durch Schutzschilde und eine Einschränkung des Sichtfelds für die Fahrer sind kontraproduktiv. Aus Erfahrungen der Luftfahrtbranche geht hervor, dass automatische Schleudersitze im Allgemeinen keine gute Idee sind.
Aber unter den Ideen befinden sich einige vielversprechende Ansätze, was Ihre prädiktive Analyse zeigt:
- Sicherheitsgurte sind eine kostengünstige Methode, Personen bei einem Unfall zu fixieren.
- Airbags dämpfen die Bewegung der Insassen.
- Sicherheitsglas zerbricht leicht und verringert Kopf- und Nackenverletzungen.
- Kollisionsvermeidung reduziert das Risiko eines Unfalls von vornherein.
Sie nehmen also diese praktikablen Ideen in Ihr verbessertes Design auf, das laut Analyse das beste Kosten-Nutzen-Verhältnis bietet. Der Kreislauf beginnt von vorn, wenn eine neue Generation sicherer Autos auf die Straße kommt, in Unfälle verwickelt wird und wiederum neue Daten liefert. So werden Autos auch in Zukunft immer sicherer.
Gängige Arten prädiktiver Modelle
Bis hierher ist alles gut, aber was sind eigentlich die Werkzeuge der prädiktiven Analytik? Wie funktioniert das? Was genau machen künstliche Intelligenz, maschinelles Lernen und all die anderen Dinge eigentlich?
Es gibt grundsätzlich vier Modelle für diese Art von Analytik. Je nach Plattform werden alle oder nur einige davon verwendet, und ihr Einsatz ist oft stark vom jeweiligen Kontext abhängig. Hier ein kurzer Überblick über die verschiedenen Typen.
Klassifikationsmodell
Klassifikation könnte genauso gut Segmentierung genannt werden. Bei diesem Ansatz werden große Datensätze in sinnvolle Gruppen mit relevanten Beziehungen aufgeteilt. Wer schon mal an einer Marktforschungsstudie beteiligt war, kennt die demografische Segmentierung. Wer versucht hat, Skateboards an Senioren zu verkaufen, weiß bereits, wie wichtig manche Klassifikationen sein können.
Spezielle Modelle für eine genaue Klassifikation sind logistische Regressionsanalyse, Entscheidungsbäume, Random Forest, neuronale Netze und die Naive-Bayes-Analyse.
Prognosemodell
Das Prognosemodell gehört zu den am häufigsten verwendeten Ansätzen – zum einen wegen seiner Vielseitigkeit und zum anderen, weil es komplexe, historische Phänomene ohne Zahlen in Echtzeitwerten ausdrücken kann.
Beispielsweise lässt sich anhand der bisherigen Produkteinführungen Ihrer Marke der Webtraffic für den Tag einer Kampagnenveröffentlichung vorhersagen. Mit dieser Zahl können Sie Ihren Webhost informieren und sich zusätzliche Bandbreite sichern. Das Ergebnis: Viele Besucher, keine Abstürze und starke Verkaufszahlen.
Clustering-Modell
Clustering-Modelle sind besonders leistungsstark, und der Aufstieg der Deep-Learning-Algorithmen hat sie erschreckend effektiv gemacht. Sie funktionieren, indem sie Zusammenhänge zwischen Objekten der realen Welt erkennen, mit anderen Dingen vergleichen und anschließend auf Basis dieser Verbindungen Prognosen treffen.
Ihr Clustering-Modell könnte zum Beispiel feststellen, dass Menschen, die Windeln, Babynahrung, Kinderzimmermöbel und Hochstühle kaufen, mit hoher Wahrscheinlichkeit bald auch eine Krankenversicherung abschließen und Schulmaterial erwerben. Diese Informationen können gespeichert werden und sind später die Grundlage einer erfolgreichen Vertriebsstrategie – auch noch 18 Jahre später, etwa wenn jemand Studienkredite vermarktet.
Wie Sie vielleicht vermuten, existieren davon zahlreiche Varianten. Zu den gängigen Clustering-Algorithmen gehören k-means, Mean-Shift, dichtebasierte räumliche Clusteranalyse mit Rauschen (DBSCAN), EM-Clustering mit Gaußschen Mischmodellen (GMM) und hierarchisches Clustering.
Zeitreihenmodelle
Man könnte sagen, die ersten Zeitreihenanalysten waren die Jäger und Sammler, die bemerkten, dass Tiere mit den Jahreszeiten wandern. Dieser Ansatz folgt Zyklen, um zukünftige Ereignisse vorherzusagen.
Das oben genannte Beispiel, wonach die Verkaufszahlen von Truthähnen im November steigen, ist ein Beispiel für Zeitreihenanalyse. Modelle, die Sie dafür verwenden könnten, sind unter anderem autoregressive Modelle (AR), gleitender Durchschnitt (MA), ARMA und ARIMA.
3 Vorteile der prädiktiven Modellierung
Es gibt viel Gutes über diese prädiktiven Modelle zu sagen und darüber, wie sie Ihre Entscheidungsfindung unterstützen. Um ein klareres Bild zu vermitteln, finden Sie hier drei Bereiche, in denen Sie die Modelle anwenden können, um hervorragende Ergebnisse zu erzielen.
Sicherheit und Risikominderung
Sicherheit ist im Grunde die Kunst, menschliches Verhalten vorherzusehen und im Voraus darauf zu reagieren. Schlösser an Türen sind eine Annahme, dass jemand irgendwann versucht, die Türklinke zu drehen. Forensische Prüfpfade nehmen an, dass jemand versucht, Geld zu unterschlagen.
Im Marketing könnten Ihre historischen Daten darauf hindeuten, dass Informationslecks am häufigsten bei Drittanbietern vorkommen. Also entscheiden Sie sich, Informationen erst zu einem Produktlaunch herauszugeben oder sie sogar zu segmentieren, um sie sicher aufzubewahren.
Betriebliche Effizienz
Prädiktive Werkzeuge können Ihre Betriebseffizienz erheblich verbessern, indem sie Ihnen helfen, die Nachfrage vorherzusagen. Wenn Ihr Callcenter zum Beispiel morgens und am späten Nachmittag besonders ausgelastet ist, zu anderen Zeiten jedoch wie ausgestorben wirkt, haben Sie Daten, die Ihnen bei der Schichteinteilung helfen.
Indem Sie Ihr Stundenpersonal zu Stoßzeiten einsetzen und in ruhigen Zeiten reduzieren, bringen Sie Ihre Ressourcen genau dann und dorthin, wo sie benötigt werden – statt während des Ansturms unterbesetzt und in ruhigen Zeiten überbesetzt zu sein.
Verbesserte Entscheidungsfindung
Das ist der entscheidende Vorteil. Sie setzen prädiktive Analytik letztlich ein, um für die Zukunft einen "Cheat-Code" zu bekommen. Denken Sie wieder an FICO-Scores. Sollten Sie einer Person mit schlechtem Rating einen Kredit gewähren? Oder eine neue Kreditkarte an jemanden mit dem Score von 790 versenden? Das analytische Modell hilft Ihnen, zukünftige Ergebnisse aus vergangenen Leistungen vorherzusagen.
5 Wege, Predictive Analytics zu Ihrem Vorteil zu nutzen
Kunden- und Zielgruppensegmentierung
Sie wissen bereits, dass Ihre Kunden sich voneinander unterscheiden, sie gruppieren sich jedoch oft in Cluster, die große Datensätze aufdecken. Data Mining genießt keinen guten Ruf, aber es ist der erste Schritt, um sinnvolle Gruppen zu bilden, über die man Verallgemeinerungen treffen und die gezielter ansprechen kann.
Neukundengewinnung
Neue Kunden zu gewinnen ist großartig, und die Fähigkeit, dies mit Ihren Marketingkampagnen zuverlässig zu tun, verschafft Ihrer Marke einen Wettbewerbsvorteil. Techniken wie lineare Regressionsmodelle helfen Ihnen, Ihre Workflows zu optimieren und das maximale Potenzial aus Ihren Kampagnen zur Neukundengewinnung herauszuholen.
Lead-Scoring
Die Spreu vom Weizen zu trennen, ist ein zentraler Bestandteil von Business Intelligence, insbesondere beim Lead-Scoring und beim Aufbau von Neukundenkontakten. Propensity Modeling zeigt, wohin Ihr Publikum wahrscheinlich gehen wird und welche Interessenten besonders heiß sind.
Empfehlungen für Inhalte und Werbung
Werbung kann nerven, wenn sie unerwünscht ist oder Produkte bewirbt, die der Betrachter nicht braucht. Collaborative Filtering filtert diese Irritationen heraus und sorgt dafür, dass Ihre Werbebotschaften mit viel höherer Wahrscheinlichkeit ankommen.
Personalisierte Kundenerlebnisse
Ob Sie nun Einzelhändler sind, im Finanzdienstleistungsbereich tätig sind oder Wettervorhersagen für Schifffahrtsunternehmen erstellen: Automatisierte Segmentierung hilft Ihnen, alle möglichen Ergebnisse zu durchforsten, die Sie generieren könnten, und jedem Ihrer Kontakte ein individuelles Erlebnis zu bieten. Das ist Optimierung auf persönlicher Ebene und hat das Potenzial, den stärksten Marketing-Effekt zu erzielen, da sie auf individueller Ebene mit jedem Kontakt Ihrer Marke verbunden ist.
Der Weg in die Zukunft
Das war eine ganze Menge, aber hoffentlich sind Sie nun deutlich besser informiert über die Vorteile von Marketing-Analytik-Software und wie diese bei Predictive Analytics helfen kann. Es gibt auch noch viele weitere Informationen, wenn Sie danach suchen. Abonnieren Sie den The CMO Newsletter, um immer am Puls der neuesten Tipps, Trends, Software-Empfehlungen und vielem mehr in der Marketingwelt zu bleiben.
