Was ist Predictive Analytics? | heise regioconcept

Die wundersame Kristallkugel für das Online-Marketing gibt es natürlich nicht – Vorhersagen werden immer nur mit einer gewissen Wahrscheinlichkeit gültig sein. Aber das ist doch schon mal besser als gar nichts. Bekannte Anwendungsgebiete für Predictive Analytics wie die Wetterprognose zeigen das ganz anschaulich: Mit jedem Entwicklungsschub der Analyse von Big Data wird das Versprechen von Badewetter zuverlässiger. Den Regenschirm im Auto zu haben, ist trotzdem eine gute Idee.

Predictive Analytics als Kompass für strategische Entscheidungen ist längst nicht mehr nur für die Titanen im Geschäft wie Amazon, Netflix oder Munich Re (früher Münchener Rück) wichtig. Klein- und Mittelbetriebe brauchen das Werkzeug Predictive Analytics genauso, um zum Beispiel Kundenverhalten, Preisentwicklung oder Möglichkeiten der Retourensenkung einzuschätzen – aber auch für Optimierungen beim Wartungsmanagement (Stichwort: Predictive Maintenance) und für andere Big-Data-Analysen, die nicht zum Marketing gehören, aber spürbare Beiträge zu Effizienzsteigerung, Kostenreduktion und allgemein zur Sicherung bzw. zum Ausbau der Marktstellung leisten können.

Predictive Analytics – was ist das?

Eins der anschaulichsten Beispiele für Predictive Analytics im geschäftlichen Bereich liefert das Kreditwesen. Um die Kreditwürdigkeit eines Kunden einzuschätzen, ziehen Banken alle verfügbaren historischen und aktuellen Daten über die Bonität und Finanzgebarung dieses Kunden heran: Vermögen, Einkommen, Cashflow, bisherige Kredittilgungen, Risikoaffinität, aber auch Alter, Branche usw., außerdem externe Informationen über Erfahrungen mit Schuldnern in ähnlichen Situationen, die konkrete wirtschaftliche Lage etc. Aus all dem errechnen spezialisierte Algorithmen das Kreditrisiko und schlagen etwa auch entsprechend angepasste Konditionen für einen Kreditvertrag vor. Letzteres fällt dann bereits in den Bereich Prescriptive Analytics, das sind die aus der Analyse automatisch abgeleiteten Handlungsempfehlungen.

Das Verfahren bei Predictive Analytics umfasst verallgemeinert also

Datensammlung,
Datenaufbereitung,
Analyse,
Modellierung (Vorhersageentwicklung),
Bereitstellung (Einsatz in der Praxis) und
Modellüberwachung (Feedback für evtl. erneute Modellierung).

Im Hintergrund dieser Prozesse sind inzwischen hoch entwickelte Technologien wie künstliche Intelligenz und maschinelles Lernen im Einsatz.

Für Unternehmen bedeutet jedoch gerade das unter Umständen eine Vereinfachung, weil fachlich anspruchsvolle Arbeitsschritte automatisiert sind und von Geschäftsbereichen wie Kundendienst, Personalabteilung oder Finanzen direkt statt über die IT durchgeführt werden können. Predictive Analytics gehört hier zum größeren Bereich der Business Intelligence und gewinnt im Rahmen der digitalen Transformation an Bedeutung für das unternehmerische Handeln.

Anwendungsgebiete – Predictive Analytics in der Unternehmenspraxis

Der Schwerpunkt liegt im Folgenden auf dem Onlinemarketing für unterschiedliche Branchen – Predictive-Analytics-Einsatzgebiete reichen darüber hinaus wie erwähnt in eine große Fülle von Unternehmensbereichen, wie das Beispiel Fertigung und Logistik zeigt. Hier also nur einige Kernbereiche des Marketing-Einsatzes von Predictive Analytics:

Kunden- und Zielgruppensegmentierung sowie personalisierte Werbung: Hört sich immer gut an, aber ohne Predictive Analytics lässt sich mitunter nur schwer das ganze Potenzial der säuberlich sortierten Gruppen erschließen. Sogenannte Clusteranalysen können hier Muster herausarbeiten, die treffsicherere Marketing-Maßnahmen ermöglichen.
Neukunden-Akquise: Bei diesem Ansatz werden unter anderem vorhandene Daten dazu benutzt, Zielgruppen mit entsprechenden Merkmalen und Bedürfnissen zu ermitteln.
Quer- und Anschlusskäufe: Die gezielte Bewerbung für solche Umsätze setzt detaillierte Kenntnisse des Käuferverhaltens voraus, wenn man einen kontraproduktiven Overkill an Werbung vermeiden will. Auch hier sind vorrangig historische Kundendaten das Ausgangsmaterial.
Frühwarnsysteme: Oft ist es nicht leicht zu erkennen, inwieweit Kundenverluste und -abwanderungen hausgemacht oder die Folge externer Trends sind. So genannte Churn-Prediction-Software hilft, solche Fluktuationsprozesse richtig einzuordnen und entsprechend gegenzusteuern.
Preisgestaltung: Hier heißt das Stichwort „Pricing Analytics“; sowohl bei Geschäften mit Endkunden als auch B2B sind Preiskorridoranalysen möglich und sinnvoll, um das Preismanagement auf möglichst gesicherter Grundlage zu optimieren.
Einkauf und Lagerhaltung: Im Einzelhandel sind Sie auf eine Disposition angewiesen, die optimal an der Nachfrage orientiert ist. Je nach Branche kommen hier verschiedene Faktoren infrage, die Ihre Situation beeinflussen können – bis hin zum Wetter und den Tagesnachrichten. Angepasst kalibrierte Prognosen vermeiden dann unverkäufliche Restbestände oder ausverkaufte Lager.
Zahlungsmethoden: Die Auswahl der geeigneten Bezahlmethoden vor allem bei Online-Shops ist ein zentraler Faktor beim Abschluss von Bestellungen. Predictive Analytics untersuchen hier zum Beispiel die Auswirkungen von Zahlungsverfahren, bevor sie eingerichtet werden.
Datenvisualisierung: Haben Sie schon? Im Verbund mit Predictive Analytics entfalten aber optisch anschaulich und handlungsleitend aufbereitete Daten und Datenanalysen bei den Verantwortlichen in den verschiedenen Fachabteilungen und in der Geschäftsführung erst ein Maß an effektiver Wirkung, das selbst gut gestaltete Tabellen kaum je erreichen.

Der erste Zugang: Wie komme ich zu Predictive Analytics?

Um das Werkzeug der Predictive Analytics gewinnbringend einzusetzen, müssen Sie zunächst zwei Hausaufgaben erledigen, die sich gegenseitig bedingen werden:

Was ist das Marketing-Ziel, zu dem Sie Analysen einsetzen können?
Über welche Daten verfügen Sie in welchem Umfang, an welchen Orten und in welcher Form?

Der einfachste Fall wäre, dass Sie ein klares Ziel für Predictive Analytics haben und dass Ihre Daten dazu ausreichend und geeignet sind. Sie müssen aber auch damit rechnen, dass die Datenbasis zu schwach ist; dann müssen Sie entweder in den Prozess der zusätzlichen Datenerhebung einsteigen oder sich eben nach der Decke strecken, sprich: Ihre Ziele an der Datenbasis orientieren. Oder – gute Nachricht! – bei der Datenanalyse ergibt sich, dass ein bislang verborgener Schatz in den Daten Indizien dafür liefert, dass die Predictive Analytics Ihnen ein Feld für Ihr Marketing eröffnet, das Sie noch gar nicht am Schirm hatten.

Wie es im Einzelfall weitergeht, ist wieder recht unterschiedlich. Die folgenden Punkte bieten aber Orientierung, welche Schritte bzw. Elemente häufig im Spiel sind. Damit können Sie eine erste Checkliste erstellen, wenn Sie Anbieter für technische Tools oder Dienstleister kontaktieren.

Zuallererst prüfen Sie sorgfältig, ob Sie betriebsintern über die Ressourcen verfügen, sich nachhaltig um Predictive Analytics zu kümmern. Das ist kein Job, den irgendjemand mal eben nebenbei erledigt – auch wenn dank moderner Selfservice-Analysetools nicht mehr die ganze Zeit IT-Experten und ausgefuchste Datenanalysten erforderlich sind. Ein aktueller Überblick zu Business-Intelligence-Tools – inklusive solcher mit Gratis-Testangeboten – vermittelt Ihnen zugleich einen Eindruck über die Aufgaben, die Sie dabei erwarten.
Speziell mit Software, die für kleine und mittlere Unternehmen geeignet ist, beschäftigt sich ein sehr kompakter Beitrag von Industry Analytics.
Klären Sie dann, ob Sie Chancen haben, ausreichend Daten in eine Analyse zu schicken. Es hat wenig Sinn, in Tools und Services zu investieren, wenn Sie das erforderliche Datenmaterial für aussagekräftige Erkenntnisse nicht zusammenbekommen. Sie können sich ausrechnen, welche Fehlerquoten Ihre Analysen aus begrenzten Daten aufweisen, wenn Sie einmal in Ihrem eigenen Amazon- oder Facebook-Account darauf achten, wie viele unnütze Werbeangebote bzw. Kaufempfehlungen selbst von Unternehmen mit fast grenzenlosen Datenbeständen bei Ihnen landen.
In einem Data Warehouse, manchmal auch einem Data Lake (Datensee) sammeln Sie zentral sämtliche Daten, die für Ihre Zwecke relevant sind. Eine Grundsatzentscheidung ist dabei, ob die Predictive Analytics on premises, d. h. auf Ihren eigenen Servern läuft oder in der Cloud oder hybrid, also teils, teils.
Beteiligen Sie frühzeitig alle Geschäftsbereiche bzw. Abteilungen an Planung und Umsetzung des Prozesses. Ausschlaggebend für den Erfolg von Predictive Analytics ist, dass vom Kundendienst und Verkauf über das Lager bis hin zum Marketing und der Entwicklung bewusst ist, wie Daten erhoben, eingepflegt, abgefragt und genutzt werden. Das Denken „So etwas macht die EDV“ war gestern.
Predictive Analytics ist ein bisschen wie Maschinenbau oder Messtechnik: Es kann unmöglich alles auf Anhieb hundertprozentig sitzen. Sie werden grob anfangen und wenn Sie scharf nachgedacht haben, landen Sie auch einen Treffer. Doch dann müssen Sie neu und wieder neu kalibrieren, und wenn das Feintuning durch ist, wird wieder irgendetwas anders – es ist eigentlich alles wie ohne Predictive Analytics, nur dass Sie jetzt einen viel besseren Blick auf die Straße haben, die vor Ihnen liegt.

Fazit: Predictive Analytics ist ein Prozess, kein abgeschlossenes Projekt

„Marathon, nicht Sprint“ lautet die Devise, wenn Sie Predictive Analytics im Offline- und Online-Marketing einsetzen. Der Grund ist einfach: Die Marktlage ebenso wie Ihre eigene Marktposition ändern sich dynamisch. Die Ergebnisse von gestern sind also gerade noch aktuell, aber die Daten von vorgestern geben nur etwas her, wenn sie mit denen von heute verglichen werden. Sie haben aber gerade als kleiner oder mittelständischer Betrieb derzeit noch den Vorteil, dass Predictive Analytics längst nicht flächendeckend im Einsatz ist. Sie haben also reelle Chancen, mit diesem Werkzeug die Nase vorn zu haben.

Und selbst wenn Sie zum Schluss kommen, dass Ihr Datenpool für Predictive Analytics noch nicht reif ist: Die rasante Entwicklung etwa der künstlichen Intelligenz kann hier die Karten schnell neu mischen. Behalten Sie das Thema also im Blick.

Newsletter abonnieren