Prädiktive Analysen: 5 Möglichkeiten, sie zu Ihrem Vorteil zu nutzen
Prädiktive Analysen verwenden historische Daten, um zukünftige Ergebnisse vorherzusagen und Ihnen dabei zu helfen, bessere Entscheidungen zu treffen, indem Muster und Trends erkannt werden.
In diesem Artikel erläutere ich, was prädiktive Analysen sind, zeige Ihnen, wie sie Ihre B2B-Marketingstrategie erheblich verbessern, und gebe Ihnen konkrete Möglichkeiten an die Hand, sie zur Lösung realer Managementherausforderungen einzusetzen. Sie erfahren genau, wie Sie prädiktive Analysen in Ihren Entscheidungsprozess integrieren, um intelligentere und weniger stressige Ergebnisse zu erzielen.
Was sind prädiktive Analysen?
Prädiktive Analysen umfassen eine Reihe von Werkzeugen zur Modellierung zukünftiger Leistungen auf Grundlage vergangener Leistungen. Sie bestehen aus mathematischen Verfahren, mit denen sich Trends aus den vorhandenen Daten auf die Ergebnisse hochrechnen lassen, die Sie vorhersagen möchten. Indem Sie die relevanten historischen Daten auswählen und eine geeignete Kombination von Werkzeugen anwenden, können Sie die Ergebnisse von Richtlinien und Vorhaben, die Sie derzeit in Betracht ziehen, zuverlässig vorhersagen.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Um das anhand eines praktischen Beispiels zu verdeutlichen, stellen Sie sich vor, Sie seien ein Personalleiter, der damit beauftragt ist, Mitarbeiter für das Programmieren in der IT-Abteilung Ihres Unternehmens einzustellen. Ihrer Erfahrung nach bringen Absolventen bestimmter Hochschulen bessere Voraussetzungen für diese Art von Arbeit mit. Daher durchsuchen Sie Ihre Bewerbungen nach Schlüsselwörtern wie "CalTech", "MIT" oder "University of California Berkeley". Auf sehr einfache Weise haben Sie gerade Ihre eigene prädiktive Analyse angewendet, um einen aussagekräftigen Zusammenhang zwischen der Hochschule eines Bewerbers und seiner möglichen Leistung in Ihrem Unternehmen herzustellen.
Für komplexere Zusammenhänge benötigen Sie erhebliche Rechenleistung und gute Algorithmen für maschinelles Lernen. Angenommen, Ihre früheren Verkaufsdaten zeigen, dass Ihr Unternehmen in den Wochen vor Neujahr und dem 4. Juli mehr Feuerwerk verkauft, während Ihre Tochtergesellschaft im November, kurz vor Thanksgiving, große Mengen Truthahn verkauft. Auch in diesem ziemlich offensichtlichen Zusammenhang können Sie im Voraus vorhersagen, wie sich Ihre Feuerwerks- und Truthahnverkäufe allein anhand der bisherigen Leistungen und des Kalenderdatums entwickeln werden.
Noch einen Schritt weiter
Darüber hinaus verfügen Sie möglicherweise über Erfahrung mit der Einführung von Marken in sozialen Medien, aber Ihre bisherige Leistung war unbeständig und enttäuschend. Mithilfe von Marketingtools mit fortschrittlichen Modellen für prädiktive Analysen zeigt Ihre Datenanalyse, dass sich Markenbotschaften gut von Twitter zu Instagram verbreiten, aber nur äußerst selten in die entgegengesetzte Richtung. In diesem Fall können Sie konkrete Erkenntnisse ableiten, etwa eine Kampagne immer auf Twitter zu starten oder Ihre Instagram-Followerbasis auszubauen, um bessere Ergebnisse zu erzielen.
Bisher haben wir einige sehr einfache Möglichkeiten kennengelernt, zukünftige Ereignisse mithilfe äußerst einfacher Methoden der prädiktiven Analyse vorherzusagen, aber das Potenzial reicht noch viel weiter. Ihr FICO-Kredit-Score ist eine Form der prädiktiven Analyse. Anhand Ihrer Historie pünktlicher Zahlungen, Ihres verfügbaren Kredits, Ihrer aktuellen Kreditauslastung und mehrerer anderer Faktoren sagt der FICO-Score mit hoher Genauigkeit voraus, wie wahrscheinlich es ist, dass Sie Ihre Schulden nicht begleichen. Er kann sogar die Anzahl der Kreditanfragen berücksichtigen, die Sie in den letzten 2 Jahren gestellt haben, um festzustellen, ob Sie verzweifelt nach einer Verlängerung Ihrer Kreditlinien suchen – ein Zeichen für bevorstehende Schwierigkeiten.
Zurück am Arbeitsplatz könnten Sie als Qualitätssicherungsbeauftragter dafür verantwortlich sein, dass die Maschinen laufen. Jeder Ausfall könnte Ihr Unternehmen Geld kosten, daher müssen Sie vorhersagen, wann und wo es wahrscheinlich zu Störungen kommt. Ihr maschinelles Lernen wertet jahrelange historische Daten aus und stellt fest, dass Ausfälle auftreten, wenn ein kritisches Bauteil verschleißt, was bei hoher Betriebstemperatur schneller geschieht. Die daraus gewonnene konkrete Erkenntnis besteht darin, die Maschinen mit geringerer Intensität zu betreiben oder in ein größeres Kühlsystem zu investieren, um die Temperaturen zu senken, den Verschleiß kritischer Bauteile zu reduzieren und die Lebensdauer der Maschinen zu verlängern – wodurch möglicherweise Millionen von Dollar eingespart werden.
Prädiktive Analysen im Vergleich zu Datenanalysen
Nachdem Sie nun eine grobe Vorstellung davon haben, was prädiktive Analysen sind, erfahren Sie hier, was sie nicht sind. Oder genauer gesagt: Hier verläuft die Grenze zwischen prädiktiven Analysen und anderen verwandten Konzepten, mit denen sie leicht verwechselt werden können.
Zunächst einmal sind prädiktive Analysen nicht dasselbe wie die umfassenderen Datenanalysen. Genau genommen handelt es sich um eine Teilmenge der Datenanalyse, die sich auf eine begrenzte Anzahl von Werkzeugen zur Erstellung zukunftsorientierter Modelle konzentriert. Die anderen Arten der Datenanalyse sind:
- Deskriptive Analysen: Eine genaue und logisch geordnete Darstellung dessen, was in der Vergangenheit geschehen ist, verständlich aufbereitet
- Diagnostische Analysen: Die Ermittlung, warum Dinge in der Vergangenheit so geschehen sind, idealerweise um Erkenntnisse für spätere prädiktive Modelle zu gewinnen
- Präskriptive Analysen: Umsetzbare Erkenntnisse darüber, welchen Weg Sie von hier an einschlagen sollten, sowie eine Reihe von Anweisungen dazu, was Sie tun und was Sie vermeiden sollten, während Sie auf ein Ziel hinarbeiten
Es gibt keine wirklich klaren, eindeutigen Grenzen zwischen diesen Arten der Datenanalyse, und jede von ihnen kann die anderen beeinflussen. Ein besonders leistungsfähiger Analyseansatz verwendet alle an der jeweils richtigen Stelle, um robuste Verständnismodelle für komplexe Sachverhalte zu entwickeln.
Deskriptive Analysen
Sie könnten beispielsweise Ingenieur sein und versuchen, ein sichereres Auto zu entwickeln. Für die Erstellung eines Modells darüber, wie Autos beschädigt werden, benötigen Sie große Mengen deskriptiver Analysedaten aus vergangenen Unfällen, einschließlich Verletzungsberichten. Das daraus entstehende Bild könnte zeigen, dass Unfallopfer häufig Verletzungen am Hals erleiden. Dies ist eine Beschreibung von Rohdaten, die so aufbereitet ist, dass Sie sie lesen können, aber um sie sinnvoll zu interpretieren, müssen Sie noch weiter gehen.
Diagnostische Analytik
Sie wissen also, dass es bei Autounfällen viele Nackenverletzungen gibt. Ihr nächster Schritt, die diagnostische Analyse, erklärt Ihnen, warum. Offenbar stoßen sich viele Menschen den Kopf an Windschutzscheiben oder erleiden ein Schleudertrauma, bei dem ihr Kopf hin und her geschleudert wird. Manchmal trifft sie während eines Unfalls ein schwerer Gegenstand von hinten, was die Verletzungen verursacht, die Sie beobachten.
Präskriptive Analytik
Im dritten Schritt, der präskriptiven Analytik, entwickeln Sie eine Reihe von Vorschlägen, wie sich Nackenverletzungen bei Autounfällen verhindern lassen.
Sie könnten erwägen, das Auto so zu konstruieren, dass es sich erst bewegt, wenn der Fahrer eine Halskrause trägt. Sie könnten einen Sicherheitskäfig aus einer schweren Bleiverkleidung um den Kopf des Fahrers bauen. Sie könnten einen automatischen Schleudersitz installieren, der Probleme erkennt und den Fahrer beim ersten Anzeichen einer Gefahr aus dem Fahrzeug katapultiert. Und so weiter. In dieser Phase gibt es keine schlechten Ideen, sondern nur Ideen.
Ihre eigentliche Arbeit kommt hier in der Phase der prädiktiven Analyse zusammen. Indem Sie Modelle auf Basis vergangener Leistungen durchlaufen lassen, stellen Sie fest, dass Autobesitzer sich über aufdringliche Sicherheitsvorrichtungen ärgern und die Halskrausen wahrscheinlich deaktivieren würden, wodurch diese Lösung von vornherein ausscheidet. Zusätzliches Gewicht durch Verkleidungen und eine Einschränkung des Sichtfelds der Fahrer wirken kontraproduktiv. Vergangene Daten aus der Luft- und Raumfahrtindustrie zeigen Ihnen, dass automatische Schleudersitze im Allgemeinen keine gute Idee sind.
In dem Stapel befinden sich jedoch einige vielversprechende Ideen, die Ihre prädiktive Analyse zutage fördert:
- Sicherheitsgurte sind eine kostengünstige Möglichkeit, Menschen bei einem Unfall in ihrer Position zu halten.
- Airbags federn sich bewegende Körper ab.
- Sicherheitsglas zerbricht leicht und verringert dadurch Kopf- und Nackenverletzungen.
- Die Kollisionsvermeidung senkt das Unfallrisiko von vornherein.
Sie integrieren diese vernünftigen Ideen also in Ihre verbesserte Konstruktion, von der Ihre Analyse vorhersagt, dass sie für das eingesetzte Geld die besten Ergebnisse liefern wird. Der Zyklus wiederholt sich anschließend: Eine neue Generation sichererer Autos kommt auf den Markt, gerät in Unfälle und erzeugt weitere Daten, mit denen gearbeitet werden kann, sodass Autos in Zukunft immer sicherer werden.
Häufige Arten prädiktiver Modelle
Das alles klingt bisher großartig, aber was sind die Werkzeuge der prädiktiven Analytik eigentlich? Wie funktioniert sie? Was tun künstliche Intelligenz, maschinelles Lernen und die verschiedenen anderen Verfahren tatsächlich?
Nun, für diese Art der Analytik gibt es vier grundlegende Modelle. Verschiedene Plattformen verwenden alle oder einige davon, und ihre Nutzung hängt stark vom jeweiligen Kontext ab. Hier ist ein kurzer Überblick über die verschiedenen Arten.
Klassifikationsmodell
Klassifikation könnte ebenso gut Segmentierung genannt werden. Dieser Ansatz unterteilt große Datensätze in Teilmengen mit sinnvollen Beziehungen. Wenn Sie schon einmal mit einem Marktforschungsprojekt zu tun hatten, kennen Sie die demografische Segmentierung. Wenn Sie versucht haben, Skateboards an Senioren zu vermarkten, haben Sie bereits gelernt, wie wichtig manche Klassifikationen sein können.
Zu den spezifischen Modellen für eine präzise Klassifikation gehören die logistische Regressionsanalyse, Entscheidungsbäume, Zufallswälder, neuronale Netze und die Naïve-Bayes-Analyse.
Vorhersagemodell
Vorhersagen gehören zu den am häufigsten verwendeten Ansätzen, zum einen, weil sie so vielseitig sind, und zum anderen, weil sie komplexen historischen Phänomenen ohne Zahlen einen konkreten Zahlenwert in Echtzeit zuordnen können.
Beispielsweise können Sie die Geschichte von Produkteinführungen unter Ihrer Marke nutzen, um den Webverkehr an dem Tag vorherzusagen, an dem Sie eine Kampagne starten. Anhand dieser Zahl informieren Sie Ihren Webhost und bitten um zusätzliche Bandbreite. Dadurch erhalten Sie massenhaft Traffic, Ihre Website stürzt nicht ab und die Verkäufe sind stark.
Clusterbildungsmodell
Clusterbildungsmodelle sind äußerst leistungsfähig, und der Aufstieg von Algorithmen für tiefes Lernen hat sie beängstigend effektiv gemacht. Sie funktionieren, indem sie Korrelationen zwischen Dingen in der realen Welt erkennen, diese mit anderen Dingen vergleichen und anschließend auf Grundlage von Zusammenhängen Vorhersagen treffen.
Ihr Clusterbildungsmodell könnte beispielsweise feststellen, dass Menschen, die Windeln, Babynahrung, Kindermöbel und Hochstühle kaufen, in naher Zukunft mit sehr hoher Wahrscheinlichkeit auch Krankenversicherungen und Schulbedarf kaufen. Wenn diese Information gespeichert wird, kann sie die Grundlage für ein erfolgreiches Verkaufsgespräch bilden, das sich bis zu 18 Jahre später an diese Personen richtet, wenn ein Kunde Studienkredite vermarktet.
Wie Sie vielleicht vermutet haben, gibt es viele dieser Modelle. Zu den gängigen Algorithmen für die Clusterbildung gehören die k-Mittelwert-Clusterbildung, die Mean-Shift-Clusterbildung, die dichtebasierte räumliche Clusterbildung von Anwendungen mit Rauschen (DBSCAN), die Erwartungsmaximierungs-Clusterbildung (EM) unter Verwendung von Gaußschen Mischverteilungsmodellen (GMM) und die hierarchische Clusterbildung.
Zeitreihenmodelle
Wahrscheinlich waren die ersten Zeitreihenanalysten Jäger und Sammler, die bemerkten, dass Tiere mit den Jahreszeiten wanderten. Dieser Ansatz verfolgt Zyklen, um zukünftige Ereignisse vorherzusagen.
Das Beispiel von oben, bei dem die Verkäufe von Truthähnen im November ansteigen, ist ein Beispiel für Zeitreihenanalyse. Zu den spezifischen Modelltypen, die Sie hier verwenden könnten, gehören autoregressive Modelle (AR), Modelle mit gleitendem Mittelwert (MA), ARMA und ARIMA.
3 Vorteile der prädiktiven Modellierung
Für diese prädiktiven Modelle und die Art und Weise, wie sie Ihre Entscheidungsfindung unterstützen, spricht vieles. Für einen klareren Überblick finden Sie hier drei Bereiche, in denen Sie die Modelle anwenden können, um hervorragende Ergebnisse zu erzielen.
Sicherheit und Risikoreduzierung
Bei Sicherheit geht es größtenteils darum, das Verhalten von Menschen vorherzusagen und es im Voraus zu berücksichtigen. Schlösser an Ihren Türen sagen voraus, dass Menschen irgendwann versuchen werden, die Türklinken zu betätigen. Forensische Prüfpfade gehen davon aus, dass jemand versuchen wird, Geld zu veruntreuen.
Im Marketing könnten Ihre historischen Daten darauf hindeuten, dass Informationslecks am häufigsten bei Drittanbietern auftreten. Daher entscheiden Sie sich, Informationen bis zum Produktstart zurückzuhalten oder Informationen sogar aufzuteilen, um sie sicher zu halten.
Operative Effizienz
Prädiktive Werkzeuge können Ihre betriebliche Effizienz erheblich steigern, indem sie Ihnen bei der Prognose der Nachfrage helfen. Wenn Ihr Callcenter am frühen Morgen und am späten Nachmittag sehr stark ausgelastet ist, zu allen anderen Zeiten jedoch wie ausgestorben wirkt, verfügen Sie über Daten, die Ihnen bei der Planung der Schichten helfen.
Wenn Sie Ihre Stundenkräfte zu Stoßzeiten einsetzen und die Kapazitäten dann reduzieren, wenn niemand anruft, befinden sich Ihre Ressourcen genau zur richtigen Zeit am richtigen Ort, anstatt während der Stoßzeiten unterbesetzt und in ruhigen Zeiten überbesetzt zu sein.
Verbesserte Entscheidungsfindung
Das ist der wichtigste Punkt. Sie greifen im Grunde auf prädiktive Analysen zurück, um einen Geheimcode für die zukünftige Leistung zu erhalten. Denken Sie noch einmal an FICO-Scores. Sollten Sie einer Person mit geringer Bonität und einem niedrigen Score einen Kredit gewähren? Sollten Sie sich weigern, einer Person mit einem Score von 790 eine neue Kreditkarte zu schicken? Das Analysemodell hilft Ihnen, zukünftige Ergebnisse auf Grundlage vergangener Leistungen vorherzusagen.
5 Möglichkeiten, prädiktive Analysen zu Ihrem Vorteil zu nutzen
Segmentierung von Kunden und Zielgruppen
Sie wissen bereits, dass sich Ihre Kunden voneinander unterscheiden, aber sie neigen dazu, sich in Gruppen zusammenzufinden, die große Datensätze sichtbar machen. Datenanalyse hat einen schlechten Ruf, ist aber der erste Schritt zum Aufbau sinnvoller Cluster, über die Sie verallgemeinerbare Aussagen treffen und die Sie effizienter ansprechen können.
Gewinnung neuer Kunden
Neue Kunden zu gewinnen ist großartig, und die Möglichkeit, dies mit Ihren Marketingkampagnen zuverlässig zu tun, verschafft Ihrer Marke einen Wettbewerbsvorteil. Techniken wie lineare Regressionsmodelle helfen Ihnen, Ihre Arbeitsabläufe zu optimieren und das Beste aus Kampagnen zur Gewinnung neuer Kunden herauszuholen.
Bewertung von Interessenten
Die Spreu vom Weizen zu trennen, ist ein wichtiger Bestandteil der Geschäftsanalytik, insbesondere bei der Bewertung von Interessenten und dem Aufbau einer neuen Anhängerschaft. Neigungsmodelle zeigen, wohin die Öffentlichkeit Ihnen wahrscheinlich folgen wird und welche potenziellen Kunden am vielversprechendsten sind.
Empfehlungen für Inhalte und Anzeigen
Anzeigen können störend sein, wenn sie unerwünscht sind oder für Produkte werben, die der Betrachter nicht benötigt. Kollaboratives Filtern blendet das Störende aus und sorgt dafür, dass Ihre Werbebotschaften mit deutlich höherer Wahrscheinlichkeit Anklang finden.
Personalisierung von Kundenerlebnissen
Ganz gleich, ob Sie im Einzelhandel, im Finanzdienstleistungsbereich oder in der Wettervorhersage für Transportunternehmen tätig sind: Durch die automatisierte Segmentierung können Sie die Vielzahl der Ergebnisse, die Sie generieren könnten, filtern und jedem, mit dem Sie interagieren, ein maßgeschneidertes Erlebnis bieten. Dies ist Optimierung auf persönlicher Ebene und hat das Potenzial, die stärkste Wirkung in Ihrem Marketing zu erzielen, da sie auf persönlicher Ebene eine Verbindung zu jedem herstellt, mit dem Ihre Marke interagiert.
Aufbruch in die Zukunft
Das waren viele Informationen, aber hoffentlich sind Sie nun deutlich besser über die Vorteile von Marketing-Analysesoftware und darüber informiert, wie diese bei prädiktiven Analysen helfen kann. Wenn Sie danach suchen, stehen Ihnen außerdem noch viele weitere Informationen zur Verfügung. Abonnieren Sie den Newsletter von The CMO, um über die neuesten Tipps, Trends, Softwareempfehlungen und mehr im Marketing auf dem Laufenden zu bleiben.
