Prädiktive Analytik: 5 Möglichkeiten, sie zu Ihrem Vorteil zu nutzen
Wäre es nicht großartig, wenn Sie die Zukunft sehen könnten? Menschen mit Entscheidungsverantwortung können gestresst werden, wenn sie versuchen, die nachgelagerten Ergebnisse ihrer Entscheidungen vorherzusagen. Genau darauf basiert die prädiktive Analyse, eine Methode, bei der historische Daten genutzt werden, um die Ergebnisse aktueller Entscheidungen vorherzusagen und in die Zukunft zu projizieren.
Auch wenn sie nicht völlig unfehlbar ist, kann Ihnen die prädiktive Analyse einen deutlichen Vorteil verschaffen, wenn Sie mit Daten aus historischen Eingaben arbeiten, um Trends zu erkennen und den richtigen Weg zu wählen. Sie können dieses Instrumentarium in allen möglichen Bereichen einsetzen, vom Marketing über die Personalbeschaffung bis hin zur Entwicklung der Markenleistung im Laufe der Zeit.
In diesem Artikel wird erklärt, was prädiktive Analyse ist, wie sie Ihren Ansatz für prädiktives B2B-Marketing unterstützen kann und wo Sie sie einsetzen können, um schwierige Managementprobleme zu lösen. Am Ende sollten Sie mit dem Konzept vertraut sein und bereit, prädiktive Modelle in Ihre normalen Entscheidungsbäume zu integrieren. Außerdem sollten Sie diesen Artikel mit großartigen Ideen dazu abschließen, wie Sie das Instrumentarium der prädiktiven Analyse nutzen können, um Ihre Arbeit wesentlich 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 eine Sammlung von Werkzeugen zur Modellierung zukünftiger Leistungen auf Grundlage vergangener Leistungen. Sie umfasst mathematische Verfahren, mit denen Trends aus den vorhandenen Daten auf die Ergebnisse projiziert werden, die Sie vorhersagen möchten. Indem Sie die relevanten historischen Daten auswählen und eine geeignete Zusammenstellung von Werkzeugen anwenden, können Sie die Ergebnisse von Richtlinien und Initiativen, die Sie derzeit in Betracht ziehen, zuverlässig vorhersagen.
Um das anhand eines konkreten Beispiels zu verdeutlichen, stellen Sie sich vor, Sie seien eine Personalmanagerin oder ein Personalmanager, die oder der damit beauftragt ist, Personen für das Programmieren in der IT-Abteilung Ihres Unternehmens einzustellen. Ihrer Erfahrung nach bringen Absolventinnen und Absolventen bestimmter Hochschulen bessere Leistungen bei dieser Art von Arbeit. Daher prüfen Sie Ihre Bewerberinnen und Bewerber auf Schlüsselwörter wie "CalTech", "MIT" oder "University of California Berkeley". Auf sehr einfache Weise haben Sie gerade Ihre eigene prädiktive Analyse angewandt, um einen bedeutsamen Zusammenhang zwischen der Hochschule einer bewerbenden Person und ihrer möglichen Leistung in Ihrem Unternehmen herzustellen.
Für komplexere Zusammenhänge benötigen Sie erhebliche Rechenleistung und gute Algorithmen des maschinellen Lernens. Angenommen, Ihre bisherigen 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, viel Truthahn verkauft. Aufgrund dieses weiteren recht offensichtlichen Zusammenhangs können Sie allein anhand der bisherigen Leistung und des Kalenderdatums im Voraus vorhersagen, wie sich Ihre Feuerwerks- und Truthahnverkäufe entwickeln werden.
Noch einen Schritt weiter
Wenn Sie noch weitergehen, verfügen Sie vielleicht 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 kaum jemals in die entgegengesetzte Richtung. In diesem Fall können Sie umsetzbare Erkenntnisse entwickeln, etwa eine Kampagne immer auf Twitter zu starten oder Ihre Instagram-Anhängerschaft auszubauen, um eine bessere Leistung zu erzielen.
Bisher haben wir einige sehr einfache Möglichkeiten gesehen, zukünftige Ereignisse mithilfe ausgesprochen einfacher Methoden der prädiktiven Analyse vorherzusagen, doch das Potenzial reicht noch sehr viel weiter. Ihr FICO-Kredit-Score ist eine Form der prädiktiven Analyse. Durch die Prüfung Ihrer Historie pünktlicher Zahlungen, des verfügbaren Kredits, der aktuellen Kreditauslastung und mehrerer anderer Faktoren sagt der FICO-Score mit hoher Genauigkeit voraus, wie wahrscheinlich es ist, dass Sie Ihre Schulden nicht bedienen können. Er kann sogar die Anzahl der Bonitätsprüfungen berücksichtigen, die in den letzten 2 Jahren bei Ihnen durchgeführt wurden, um festzustellen, ob Sie verzweifelt nach einer Ausweitung Ihres Kreditrahmens suchen – ein Zeichen für bevorstehende Schwierigkeiten.
Zurück am Arbeitsplatz könnten Sie als Qualitätssicherungsbeauftragte oder Qualitätssicherungsbeauftragter dafür zuständig 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 Störungen auftreten, wenn ein kritisches Bauteil verschleißt, was bei einer hohen Betriebstemperatur schneller geschieht. Die umsetzbare Erkenntnis besteht hier darin, die Maschinen mit geringerer Intensität zu betreiben oder in ein größeres Kühlsystem zu investieren, um die Temperaturen niedrig zu halten, den Verschleiß kritischer Bauteile zu verringern und die Lebensdauer der Maschinen zu verlängern – wodurch sich möglicherweise Millionen von Dollar einsparen lassen.
Prädiktive Analyse im Vergleich zur Datenanalyse
Nachdem Sie nun eine grobe Vorstellung davon haben, was prädiktive Analyse ist, soll es nun darum gehen, was sie nicht ist. Oder genauer gesagt: Hier verläuft die Trennlinie zwischen prädiktiver Analyse und anderen verwandten Konzepten, mit denen sie leicht verwechselt werden kann.
Zunächst einmal ist prädiktive Analyse nicht dasselbe wie die umfassendere Datenanalyse. Es wäre korrekt zu sagen, dass sie eine Teilmenge der Datenanalyse ist, die sich auf eine begrenzte Auswahl von Werkzeugen zur Entwicklung zukunftsorientierter Modelle konzentriert. Die anderen Arten der Datenanalyse sind:
- Deskriptive Analyse: Eine genaue und rational geordnete Darstellung dessen, was in der Vergangenheit geschehen ist, in verständlicher Form
- Diagnostische Analyse: Die Ermittlung, warum Dinge in der Vergangenheit so geschehen sind, idealerweise um Erkenntnisse für spätere prädiktive Modelle zu gewinnen
- Präskriptive Analyse: Umsetzbare Erkenntnisse darüber, welchen Weg Sie von hier aus einschlagen sollten, sowie eine Reihe von Anweisungen dazu, was Sie tun und was Sie unterlassen sollten, während Sie auf ein Ziel hinarbeiten
Es gibt wirklich keine klaren, eindeutigen Grenzen, die diese Arten der Datenanalyse voneinander trennen, und jede einzelne kann die anderen beeinflussen. Ein besonders leistungsfähiger Ansatz für die Analyse nutzt alle an der jeweils passenden Stelle, um robuste Verständnismodelle für komplexe Sachverhalte zu erstellen.
Deskriptive Analysen
Zum Beispiel könnten Sie als Ingenieur versuchen, ein sichereres Auto zu entwickeln. Sie benötigen Unmengen deskriptiver Analysedaten aus vergangenen Unfällen, einschließlich Verletzungsberichten, um ein Modell dafür zu erstellen, wie Autos beschädigt werden. Das Bild, das Sie daraus gewinnen, könnte zeigen, dass Unfallopfer häufig Verletzungen am Hals erleiden. Dies ist eine Beschreibung von Rohdaten, die so dargestellt werden, dass Sie sie lesen können, aber Sie müssen weitergehen, um sie zu verstehen.
Diagnostische Analysen
Sie wissen also, dass es bei Autounfällen viele Halsverletzungen gibt. Ihr nächster Schritt, die diagnostische Analyse, erklärt Ihnen warum. Offenbar stoßen sich viele Menschen den Kopf an Windschutzscheiben oder erleiden ein Schleudertrauma durch das Vor- und Zurückschleudern. Manchmal trifft sie während eines Unfalls ein schwerer Gegenstand von hinten, was die von Ihnen beobachteten Verletzungen verursacht.
Präskriptive Analysen
Im dritten Schritt, der präskriptiven Analyse, entwickeln Sie eine Reihe von Vorschlägen, wie sich Halsverletzungen bei Autounfällen verhindern lassen.
Sie könnten in Betracht ziehen, das Auto so zu konstruieren, dass es sich erst bewegt, wenn der Fahrer eine Halskrause trägt. Sie könnten einen Sicherheitskäfig aus schwerer 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 Arbeit fügt sich hier in der Phase der prädiktiven Analyse wirklich zusammen. Indem Sie Modelle der bisherigen Leistung ausführen, stellen Sie fest, dass sich Autobesitzer über aufdringliche Sicherheitsvorrichtungen ärgern und die Halskrausen wahrscheinlich deaktivieren würden, wodurch sie nicht infrage kommen. Zusätzliches Gewicht durch Abschirmungen 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 Haufen gibt es jedoch einige vielversprechende Ideen, wie Ihre prädiktive Analyse zeigt:
- Sicherheitsgurte sind eine kostengünstige Möglichkeit, Menschen bei einem Unfall zu stabilisieren.
- Airbags federn sich bewegende Körper ab.
- Sicherheitsglas zerbricht leicht und verringert dadurch Kopf- und Halsverletzungen.
- Kollisionsvermeidung reduziert bereits im Vorfeld das Risiko eines Unfalls.
Also integrieren Sie diese vernünftigen Ideen in Ihr verbessertes Design, von dem Ihre Analyse vorhersagt, dass es für das eingesetzte Geld die besten Ergebnisse erzielen wird. Der Kreislauf wiederholt sich anschließend, wenn eine neue Generation sichererer Autos auf den Markt kommt, in Unfälle verwickelt wird und weitere Daten erzeugt, 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 eigentlichen Werkzeuge der prädiktiven Analyse? Wie funktioniert sie? Was tun künstliche Intelligenz, maschinelles Lernen und all die verschiedenen anderen Dinge eigentlich?
Nun, für diese Art der Analyse gibt es vier grundlegende Modelle. Verschiedene Plattformen verwenden alle oder einige davon, und ihr Einsatz hängt stark vom Kontext ab. Hier ist ein kurzer Überblick über die verschiedenen Arten.
Klassifikationsmodell
Klassifikation könnte ebenso gut als Segmentierung bezeichnet werden. Dieser Ansatz unterteilt große Datensätze in Abschnitte mit aussagekräftigen Beziehungen. Wenn Sie schon einmal mit einem Marktforschungsprojekt zu tun hatten, ist Ihnen die demografische Segmentierung vertraut. 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, Entscheidungswälder mit Zufallsstichproben, neuronale Netze und die Naïve-Bayes-Analyse.
Prognosemodell
Prognosen gehören zu den am häufigsten verwendeten Ansätzen, zum Teil, weil sie so vielseitig sind, und zum Teil wegen ihrer Fähigkeit, komplexen, zahlenlosen historischen Phänomenen Echtzeitwerte zuzuordnen.
Sie können beispielsweise die Geschichte von Produkteinführungen unter Ihrer Marke nutzen, um den Webverkehr am Tag des Starts einer Kampagne vorherzusagen. Anhand dieser Zahl informieren Sie Ihren Webhost und bitten um zusätzliche Bandbreite. Dadurch erhalten Sie Unmengen an Datenverkehr, Ihre Website stürzt nicht ab und die Verkäufe sind stark.
Clusterbildungsmodell
Clusterbildungsmodelle sind äußerst leistungsfähig, und der Aufstieg von Algorithmen des tiefen Lernens hat sie erschreckend effektiv gemacht. Sie funktionieren, indem sie Zusammenhänge zwischen Dingen in der realen Welt erkennen, diese mit anderen Dingen vergleichen und anschließend auf Grundlage von Verknüpfungen Vorhersagen treffen.
Ihr Clusterbildungsmodell könnte beispielsweise feststellen, dass Menschen, die Windeln, Babynahrung, Kindermöbel und Hochstühle kaufen, in naher Zukunft sehr wahrscheinlich auch Krankenversicherungen und Schulbedarf kaufen werden. 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 schon vermutet haben, gibt es viele solcher Modelle. Zu den gängigen Clustering-Algorithmen gehören das K-Means-Clustering, das Mean-Shift-Clustering, das dichtebasierte räumliche Clustering von Anwendungen mit Rauschen (DBSCAN), das Erwartungsmaximierungs-Clustering (EM) mithilfe von Gaußschen Mischmodellen (GMM) und hierarchisches Clustering.
Zeitreihenmodelle
Man könnte argumentieren, dass die ersten Zeitreihenanalysten jene Jäger und Sammler waren, die bemerkten, dass Tiere mit den Jahreszeiten wanderten. Dieser Ansatz folgt Zyklen, um zukünftige Ereignisse vorherzusagen.
Das oben genannte Beispiel steigender Truthahnverkäufe im November 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 Sie bei Ihren Entscheidungen unterstützen, spricht vieles. Für ein klareres Bild 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 jemand irgendwann versuchen wird, die Türklinken zu drehen. Forensische Prüfprotokolle gehen davon aus, dass jemand versuchen wird, Geld zu veruntreuen.
Im Marketing könnten Ihre historischen Daten darauf hindeuten, dass Informationslecks bei Drittanbietern am häufigsten vorkommen. Daher entscheiden Sie sich, Informationen bis zum Produktstart zurückzuhalten oder sie sogar zu segmentieren, um sie sicher aufzubewahren.
Betriebliche Effizienz
Prädiktive Werkzeuge können Ihre betriebliche Effizienz erheblich verbessern, indem sie Ihnen helfen, die Nachfrage zu prognostizieren. 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 Spitzenzeiten einsetzen und die Besetzung reduzieren, sobald niemand mehr anruft, befinden sich Ihre Ressourcen genau zur richtigen Zeit am richtigen Ort. So vermeiden Sie eine Unterbesetzung während Stoßzeiten und eine Überbesetzung, wenn es ruhig ist.
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 die FICO-Scores. Sollten Sie einer Person mit schlechter 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 zu sammeln, die durch große Datensätze sichtbar werden. Datengewinnung hat einen schlechten Ruf, ist aber der erste Schritt, um sinnvolle Cluster zu bilden, 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 erreichen, 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 Leads
Die Spreu vom Weizen zu trennen, ist ein wichtiger Bestandteil der Geschäftsanalytik, insbesondere bei der Bewertung von Leads und dem Aufbau einer neuen Anhängerschaft. Neigungsmodelle zeigen, wohin sich die Öffentlichkeit wahrscheinlich mit Ihnen bewegt und welche Interessenten am vielversprechendsten sind.
Empfehlungen für Inhalte und Anzeigen
Anzeigen können lästig sein, wenn sie unerwünscht sind oder Produkte bewerben, die der Betrachter nicht benötigt. Kollaboratives Filtern blendet die lästigen Anzeigen aus und erhöht die Wahrscheinlichkeit erheblich, dass Ihre Werbebotschaften ankommen.
Personalisierung von Kundenerlebnissen
Ob Sie im Einzelhandel, im Finanzdienstleistungssektor oder in der Wettervorhersage für Transportunternehmen tätig sind: Die automatisierte Segmentierung hilft Ihnen, die Vielzahl möglicher Ergebnisse zu durchforsten und für jede Person, mit der Sie interagieren, ein maßgeschneidertes Erlebnis bereitzustellen. Dies ist Optimierung auf persönlicher Ebene und hat das Potenzial, die stärkste Wirkung in Ihrem Marketing zu erzielen, da Ihre Marke auf persönlicher Ebene mit jedem Menschen in Kontakt tritt, mit dem sie interagiert.
Auf in die Zukunft
Das war eine Menge Stoff, aber hoffentlich sind Sie nun deutlich besser über die Vorteile von Marketing-Analysesoftware und darüber informiert, wie diese Sie bei prädiktiven Analysen unterstützen kann. Wenn Sie danach suchen, steht außerdem noch viel mehr Information zur Verfügung. Abonnieren Sie den Newsletter von The CMO, um über die neuesten Tipps, Trends, Softwareempfehlungen und weitere Themen im Marketing auf dem Laufenden zu bleiben.
