Was ist eigentlich Predictive Analytics?
Eine wissenschaftliche Erklärung vorweg: Predictive Analytics ermöglicht zukünftige Analysen über das Kaufverhalten von Kunden, Ereignisse in Vertriebszenarien bestimmter Zielgruppen oder auch Ausfallrisiken aufzustellen.
Das bedeutet, dass Vertrieb und Marketing vor der Herausforderung stehen, immer noch passgenauere Produktangebote für ihre Zielgruppen zu finden. Es werden im Kaufprozess Unmengen von Daten generiert, insbesondere über Online-Kanäle, die dem Unternehmen zur Kunden-Clusterung zur Verfügung stehen. Jetzt sollten diese Kundendaten intelligent gefiltert und mit Predictive Analytics systematisch analysiert werden, um Angebote individuell generieren zu können.
Eine Möglichkeit für Prognosen zum künftigen Kaufverhalten von Kunden und ihrem wahrscheinlichen Produktbedarf bietet Predictive Analytics. Der Begriff stammt aus dem Data Mining, der systematischen Anwendung statistischer Methoden auf große Datenbestände (insbesondere „Big Data“ bzw. Massendaten) mit dem Ziel, neue Querverbindungen und Trends zu erkennen. Die Grundlagen für Predictive Analytics kommen in der Regel aus kundeninternen Datenbeständen, die Kundendaten, Kaufverhalten, Informationen aus Kundenkarten etc. enthalten. Gerne können solche Daten auch durch weitere Quellen angereichert werden, wie beispielsweise eingekaufte Daten zu geographischer Kaufkraft, demographische Merkmalen oder trendbezogenen Verhaltensmustern.
Wie lassen sich Erkenntnisse zielführend gewinnen?
Drei zentrale Fragen, mit denen beispielsweise der Vertrieb Erkenntnisse mithilfe von Predictive Analytics erhält, lauten:
- Welcher Markt besitzt das größte Vertriebspotenzial?
- Mit welchem Produkt kann welcher Zielkunde überzeugt werden?
- Wann sollte das Angebot erfolgen?
Der Erfolg solcher Analysen steht und fällt jedoch mit der Datenqualität. Viele Unternehmen sammeln daher „einfach mal alles“, was sie von ihren Kunden an Daten generieren können und entscheiden dann später, was damit geschehen soll. Dies ist einerseits unter dem Gesichtspunkt der DSGVO nicht nur bedenklich, es schafft daneben überhaupt keinen umsetzbaren bzw. messbaren Mehrwert.
Für das klassische B2B-Geschäft sind CRM und ERP Data Mining aufgrund der wertvollen Verkaufsdaten für den Anfang zunächst ausreichend. Wer mehr in Datenanalyse investieren möchte, sollte vorher eine Return-on-Investment-Berechnung aufstellen, wo und wie eine Investition Sinn machen kann. Auch eine externe Beratung kann hier gut investiertes Geld sein…
Darüber hinaus ist es entscheidend, die einzelnen Datenquellen nicht isoliert zu bewerten und zu verwenden, denn die nötige Datenqualität in internen Quellen zu erzeugen, ist nur der erste Schritt. Die Daten miteinander müssen nun intelligent miteinander verknüpft werden, um eine ganzheitliche Betrachtung zu ermöglichen. Wie geht man da nun am besten heran:
Vorgehen in der Predictive Analysis
Ein Predictive-Analytics-Prozess besteht aus einer Reihe von iterativen, also aufeinander aufbauenden und sich möglicherweise wiederholenden Schritten. Das nachfolgende Modell ist ein internationaler Standard für Predictive Analytics und Data Mining Projekte.
Schritt 1 – die Zielsetzung: Hierbei werden die Ziele der Analyse für das Unternehmen und die Branche festgelegt. Auch die Datenquellen und deren Verfügbarkeit werden hier geprüft.
Schritt 2 – die Datenerfassung: Die vereinheitlichende Datensammlung aus unterschiedlichen Datenquellen erfolgt als Zweites.
Schritt 3 – Prüfung und Verarbeitung der Daten: Das Wichtigste an Daten ist deren Qualität und die Zuverlässigkeit der Lieferung. Deshalb erfolgt nach der Erfassung die Prüfung und Bereinigung sowie die Bereitstellung der Daten für anstehende Analysen.
Schritt 4 – Erstellung von prädiktiven Modellen: Präzise prädiktive Modelle werden erstellt. Die Zukunftsprognosen können sich entweder auf Zeitpunkte und Werte beziehen (wie etwa Abverkaufvoraussagen für einen definierten Zeitpunkt), oder auf Klassifizierungen (wie z.B. eine Risikoanalyse).
Schritt 5 – Modelltest und Anpassung: Die Modelle werden mit den Daten „gefüttert“ und getestet, eventuelle Korrekturen vorgenommen.
Schritt 6 – Bereitstellung für die Integration in Unternehmensprozesse: Nun kann man die Erkenntnisse für die Entscheidungen im Unternehmen nutzen.
Mit Cluster-Analysen Zusammenhänge aufspüren
Zum Beginn sind Clustering-Analysen und Apriori-Algorithmen geeignet. Unter Clusteranalysen versteht man Verfahren zur Entdeckung von Ähnlichkeitsstrukturen in Datenbeständen. Die so gefundenen Gruppen von „ähnlichen“ Objekten werden als Cluster bezeichnet, die Gruppenzuordnung als Clustering. Der Apriori-Algorithmus ist laut Wikipedia ein Verfahren zur Assoziationsanalyse. Er dient der Auffindung sinnvoller und nützlicher Zusammenhänge in transaktionsbasierten Datenbasen, die in Form sogenannter Assoziationsregeln dargestellt werden. Eine häufige Anwendung des Apriori-Algorithmus ist die Warenkorbanalyse.
Mit solchen Analysen spüren Unternehmen sinnvolle Zusammenhänge in transaktionsbasierten Datenmaterial auf, um so zum Beispiel ein ganzheitliches Datenbild eines Kundenprofils zu erhalten. Predictive Analytics basiert auf dem Data Mining, um Trends, bestimmte Kaufmuster von Kunden oder Verknüpfungen zwischen Daten aus einzelnen Datenquellen zu identifizieren und so Wahrscheinlichkeiten zu ermitteln. Auch ein Kundenmodell zur Berechnung und Optimierung der Absatzplanung, das auf Prognosen mithilfe von Predictive Analytics aufbaut, ist sinnvoll, um Umsatzvolumina einschätzen zu können.
Diese Werkzeuge sind erforderlich, damit ein Unternehmen seine Bemühungen effektiv auf die gesamte Breite seines Kundenstamms ausrichten und konzentrieren kann. Sie müssen die Produkte, die nachgefragt werden oder das Potenzial für eine hohe Nachfrage haben, analysieren und verstehen, die Kaufgewohnheiten der Kunden vorhersagen, um relevante Produkte an mehreren Berührungspunkten zu bewerben, und proaktiv Probleme identifizieren und entschärfen, die das Potenzial haben, Kunden zu verlieren oder ihre Fähigkeit, neue Kunden zu gewinnen, zu verringern. Analytisches Kundenbeziehungsmanagement kann während des gesamten Lebenszyklus des Kunden angewendet werden (Akquisition, Beziehungswachstum, Kundenbindung und Rückgewinnung).
Fazit
Es gibt unzählige Beispiele für die Anwendung und das Funktionieren von Predictive Analytics. Die Methode steht und fällt mit der Menge und Qualität der eingepflegten Daten. Dennoch werden die angewendeten Algorithmen immer feinmaschiger, wodurch sich auch die Vorhersagen immer präziser gestalten lassen.
