Was ist prädiktive Analyse und wie setzt man sie gewinnbringend ein? 5 Anfängertipps

Veröffentlicht am 17.9.2019 von Gitanjali Maria und Ines Bahr

Artikel teilen

Vorhersagen, Prognosen, Prophezeiungen – man nenne es, wie man wolle, aber der Blick in die Zukunft hat die Menschen schon immer fasziniert. Vielleicht weil es schwierig ist, eine solche These aufzustellen, und noch schwieriger, die Zukunft auch wirklich vorherzusagen.

Gelingt einem jedoch genau das und man stellt eine richtige Marktprognose auf, spart man seinem Unternehmen damit eine Menge Geld und liefert erstklassige Ergebnisse.

Laptop Prädiktive Analyse

BEISPIEL:

  • Ein kleiner Coffee Shop in New York war in der Lage, 38 Prozent seiner Marketingkosten einzusparen, indem sie voraussagten, welche Kund*innen wahrscheinlich nicht wiederkommen würden. Diesen Kund*innen sendeten sie gezielt Rabattangebote und bemühten sich gleichzeitig weniger um treue Kund*innen und hoffnungslose Fälle.
  • Forscher*innen in Deutschland sagen voraus, welche Produkte nach der Verkaufssaisonwahrscheinlich von bestimmten Kund*innen zurückgeschickt werden. E-Commerce-Unternehmen können ihre Auslieferungsteams dadurch besser organisieren und sparen Kosten ein.

Wie aber gelangt man zu solchen Thesen und stellt dabei auch noch fest, welche davon realistisch sind und welche weniger zutreffen?

Die Antwort ist ganz einfach: Daten.

Mit den richtigen Daten lassen sich zukünftige Geschäftsergebnisse akkurater hervorsagen.

BEISPIEL:

  • 66 Prozent der befragten Vertriebsprofis berichten, dass prädiktive Analyse ihre Absatzgeschwindigkeit steigert.
  • Die Wahrscheinlichkeit, dass ein Verkaufsteam mithilfe von Prognosen hervorragende oder sehr gute Leistung erzielt, ist dreimal so hochwie bei einem Vertrieb, der keine Analyse einsetzt.

Die erfolgreiche Implementierung von prädiktiver Analyse ist jedoch besonders für kleine Unternehmen mit begrenzten Datenmanagement-Ressourcen eine Herausforderung. Und das Sammeln, Organisieren und Speichern der richtigen Daten ist eine Grundvoraussetzung für diesen Schritt.

Um genauere Prognosen treffen zu können, muss man bei der Datenhandhabung einem strikten Ansatz folgen. Eine schlechte Datensammlung und Vorbereitung führen zu ungenauen Vorhersagen und die wiederum zu schlechten Geschäftsentscheidungen.

Im Folgenden betrachten wir die prädiktive Analyse in verschiedenen Geschäftsszenarien zusammen mit Beispielen aus dem realen Leben und stellen auch die Schritte zu einer erfolgreichen Implementierung in den Geschäftsprozess vor.

Was ist prädiktive Analyse?

Gartner definiert Predictive Analytics (deutsch: Prädiktive Analyse) als eine Form der erweiterten Analyse, bei der Daten oder Inhalte auf Antworten zu Fragen wie „Was wird wahrscheinlich passieren?“ untersucht werden.

Dabei werden historische Daten, künstliche Intelligenz und maschinelles Lernen zur Vorhersage zukünftiger Ereignisse herangezogen.

Software-Lösungen für die prädiktive Analyse nutzen statistische Werkzeuge wie Regressionsanalyse, Datenmodellierung, Prognosen und multivariate Verfahren.

3 Beispiele für prädiktive Analyse in verschiedenen Geschäftsszenarien

Mithilfe der prädiktiven Analyse lassen sich nicht nur Lösungen für geschäftliche Herausforderungen finden, sondern darüber hinaus hilft sie auch beim Erreichen von Geschäftszielen. Hier einige Szenarien, bei denen sie zu einem besseren Geschäftsergebnis führte:

1. Prädiktive Analyse sorgt mit persönlichen Angeboten für weniger Kundenabwanderung

Einen neuen Kunden anzuwerben kostet sechs- bis siebenmal so viel, wie einen bereits vorhandenen zu halten. Minimiert man die Kundenabwanderung, spart ein Unternehmen nicht nur Kosten, sondern fördert auch ein loyale Kundenbasis.

Nicht zufriedene Kund*innen aufzuspüren und ihnen persönliche Angebote zu unterbreiten ist eine der häufigsten Situationen, in denen Predictive Analytics eingesetzt wird.

Zur Berechnung der Abwanderungswahrscheinlichkeit müssen Daten zum Kundenprofil, zu Transaktionen und Feedback gesammelt werden. Mit diesen Daten füttert man dann seine Software, die mithilfe von Korrelationsanalyse und multipler Regressionsanalysen die entsprechenden Kund*innen herausfiltert.

Diesen Kund*innen lässt man dann im Rahmen eines Kundenbindungsprogramms personalisierte Werbeaktionen wie Rabatte, exklusive Mitgliedschaften oder weitere Sonderbedingungen zukommen, um sie zu halten.

BEISPIEL:

Coyote optimiert sein Treueprogramm mithilfe der prädiktiven Analyse.

Geschäftsziel: Das französische Unternehmen Coyote stellt Echtzeitinformationen über das Straßennetz bereit und wollte seine Kundenbasis mit einem effektiven Kundenbindungsprogramm stärken. Zu diesem Zweck sollten die Kund*innen segmentiert, eingehende Daten geprüft und die Gerätenutzung gemessen werden.

Eingeleitete Maßnahmen: Coyote setzte die Software Dataiku Data Science Studio (Dataiku DSS) ein, um ein vorhersehendes Tool zur Verhaltensanalyse zu implementieren und die Kund*innen in verschiedene Gruppen aufzuteilen. Die Anwendung fasste automatisch heterogene Daten wie Gerätedaten in Echtzeit, Vertragsdaten und Kundeninformationen zusammen. Die Software bereinigte dann die Daten und modellierte das Verhalten der Nutzer mithilfe von maschinellem Lernen. Letztendlich wurden die Ergebnisse zur Optimierung von Marketingkampagnen eingesetzt.

 

Ergebnis: Coyote konnte seine Kund*innen mit hoher Genauigkeit segmentieren, die Leistung mit ausgehenden Anrufkampagnen um 11 Prozent steigern und die Kundenabwanderung durch personalisierte Marketingkampagnen senken.

Analysetool - Prädiktive Analyse

Prognosetool zur Kundenabwanderung von Dataiku DSS (Quelle)

2. Prädiktive Analyse ermöglicht genauere Absatzprognosen

Viele Geschäftsentscheidungen wie das Einstellen von neuem Personal, der Aufbau neuer Niederlassungen und das Aufstocken von Lagerbeständen basieren auf Umsatzprognosen.

Wie häufig sind diese aber – selbst nach Abzug einer Fehlerspanne – richtig?

Traditionelle Umsatzprognosen werden immer noch häufig aus dem Bauch heraus getroffen und beziehen nur begrenzte Daten ein

Aussage über Geschäftsabschlüsse

(Quelle)

Prädiktive Analysemodelle, die mit internen und externen Datenquellen wie Marketingautomatisierungsdaten, historischen Abverkaufsdaten, Informationen zu zukünftigen Projekten, der Erfolgsquote einzelner Verkäufer*innen usw. arbeiten, sagen Verkaufsabschlüsse mit einer 82 %-igen Genauigkeit voraus.

BEISPIEL:

Daten aus mehreren Quellen steigern die Genauigkeit von Umsatzprognosen.

Herausforderung: Eine öffentliche Dienstleistungsagentur in den USA überschritt aufgrund unzutreffender Umsatzprognosen ständig das Budget. Der Bedarf wurde konsistent zu hoch eingeschätzt, sodass unnötige Ausgaben für zusätzliche Mitarbeiter*innen und Materialeinkäufe getätigt wurden.

Eingeleitete Maßnahmen: Anstatt sich nur auf Betriebsdaten aus den vergangenen Jahren zu verlassen, sammelte die Agentur weitere Daten durch Marktforschung, Umfragen zum Kundenbedarf, Trends in der Google-Suche und frühere Verkaufsinformationen. Diese neuen und weitergefassten Daten wurden in ein Prognosemodell eingepflegt, das mithilfe eines externen Beraters entwickelt wurde.

HinweisAnstelle eines möglicherweise zu teuren Beraters kann man auch Softwareanwendungen für die prädiktive Analyse mit integrierten Modellen nutzen, die individuelle Berechnungen durchführen und die Daten von verschiedenen Quellen unterstützen.

Ergebnis: Das neue Prognosemodell für den Umsatz war 13 Mal präziser und erlaubte es der Agentur, zukünftigen Kundenbedarf besser einzuschätzen und sich schneller an Marktveränderungen anzupassen.

3. Prädiktive Analysetools ermöglichen das Festlegen von optimalen Produktpreisen

Das Festlegen des richtigen Preises für ein Produkt oder eine Dienstleistung ist eine knifflige Angelegenheit. Ein hoher Preis kann Kund*innen abschrecken und die Verkaufszahlen senken, wohingegen ein niedriger Preis zu einer geringen Gewinnspanne führt.

Mit der prädiktiven Analyse kann der ideale Preis für Waren und Dienstleistungen ermittelt werden.

Prognostiziert man die Verbrauchernachfrage und versteht zudem noch das Kunden- und Kaufverhalten sowie die Marktentwicklung, gelangt man zu einem optimalen Preis und verbessert den Umsatz und das Bestandsmanagement.

BEISPIEL:

Rue La La steigert durch Preisoptimierung den Umsatz um 10 Prozent.

Herausforderung: Rue La La vertreibt Markenmode zu niedrigen Preisen. Das Unternehmen muss häufig Verkäufe prognostizieren und Preise für Produkte festsetzen, die zum ersten Mal im Onlineshop angeboten werden, sodass es keine Vergleichsdaten gibt. Ihren Erfahrungen zufolge sind Produkte entweder innerhalb weniger Stunden ausverkauft oder gehen überhaupt nicht weg, was zu Einnahmeverlusten führt.

Eingeleitete Maßnahmen: Rue La La hat für seine Produkte eine Reihe von quantitativen Merkmalen erarbeitet und zukünftigen Bedarf basierend auf historischen Verkaufsdaten prognostiziert. Mithilfe von statistischen und Computing-Technologien wie Regressionsanalyse und maschinellem Lernen konzipierten sie ein Prognosemodell zur Bedarfsermittlung und Preisoptimierung. Bei der Entwicklung des Support-Tools für die automatische Preissetzung wurden sie vom Massachusetts Institute of Technology (MIT) unterstützt.

Ergebnis: Indem die Firma bei der Preissetzung den Vorschlägen des Tools folgte, konnte sie über verschiedene Abteilungen hinweg ihren Umsatz um 10 bis 13 Prozent steigern. Und auch weitere Maßnahmen führten zu positiven Ergebnissen.

Andere Bereiche (in verschiedenen Branchen), bei denen Prognosen hilfreich sind:

  • Mitarbeiterfluktuation
  • Kreditausfälle
  • Bestimmung von Patienten, die wahrscheinlich wiederkommen (Medizin)
  • Geräte, die innerhalb eines Jahres gewartet oder ersetzt werden müssen

Dies sind nur einige der vielen Möglichkeiten, die sich durch die prädiktive Analyse ergeben, zuvor müssen jedoch einige Voraussetzungen erfüllt werden.

Prädiktive Analyse erfordert eine datengestützte Kultur: 5 Anfängertipps

Um genau die Daten zu generieren, die für eine aussagekräftige prädiktive Analyse erforderlich sind, ist eine datengestützte Kultur innerhalb des Unternehmens unerlässlich.

5 Schritte zur Vorbereitung auf die prädiktive Analyse

5 Schritte - Prädiktive Analyse

1. Das gewünschte Geschäftsergebnis festlegen

Zur Erinnerung: Die prädiktive Analyse dient zur Visualisierung zukünftiger Geschäftsergebnisse. Sind die entsprechenden Ziele klar definiert, ist es einfacher, die Software so anzupassen, dass sie optimale Ergebnisse liefert.

Hier einige Beispiele für Fragen, auf die die prädiktive Analyse mögliche Antworten liefert:

  • Welche meiner Kund*innen bzw. Kundensegmente bleiben wahrscheinlich auch ohne Anreize weiterhin loyal?
  • Welche Produkte sind im Ausverkauf wahrscheinlich gefragt?
  • Welche meiner B2B-Kund*innen geraten wahrscheinlich in Zahlungsverzug?
  • Welche meiner Lieferanten liefern Rohmaterialien wahrscheinlich nicht pünktlich?
  • In welchen Produktionsbereichen werden im kommenden Quartal die Kosten wahrscheinlich steigen?

Sehr wahrscheinlich liegen in den meisten Unternehmen die Daten zur Beantwortung dieser Fragen nicht vor. In diesen Fällen müssen die Daten entweder über einen bestimmten Zeitraum gesammelt oder die Fragen angepasst werden, um dieselben Herausforderungen aus einem anderen Blickwinkel zu betrachten.

2. Relevante Daten aus allen verfügbaren Quellen sammeln

Die Modelle der prädiktiven Analyse beruhen auf Daten. Es ist daher von äußerster Wichtigkeit, die richtigen Daten zur Beantwortung einer Frage zu identifizieren.

Arbeitet ein Unternehmen mit Tabellenkalkulationen, kann es sehr mühsam und in einigen Fällen sogar unmöglich sein, diese in die Prognose einzubeziehen.

An diesem Punkt ist es ratsam, CRM-Anwendungen, Point-of-Sale-Software, Marketing-Tools und weitere Software zu nutzen, um die relevanten Daten zu speichern. Mithilfe dieser Tools können große Datenmengen in der Cloud gespeichert werden, was auch Kosten für die IT-Infrastruktur spart.

Data-Extraction-Software wiederum ruft Daten aus verschiedenen Quellen ab und mehrere Apps können mit APIs zur Datensammlung verbunden werden.

Datenbank-Software, Data-Warehouse-Systeme und Data Lakes sind weitere Ressourcen, die zur Speicherung großer Datenmengen eingesetzt werden können.

3. Datenqualität mit Bereinigungstechniken verbessern

„Garbage In, Garbage Out“ ist ein scherzhafter Ausdruck aus der Informatik, der besagt, dass eine Eingabe mit geringer Qualität auch zu einem schlechten Ergebnis führt.

Und genauso werden Prognosen, die basierend auf mangelhaften Daten erstellt wurden, salopp gesagt kräftig danebenliegen. Für eine aussagekräftige Prognose ist es wichtig, dass Vertriebsmitarbeiter*innen, Vermarkter*innen und andere Beteiligte die richtigen Datenwerte eingeben – und dies im vorgeschriebenen Format. Auf diese Weise wird Zeit bei der Datenbereinigung und Formatierung eingespart.

Auch doppelte Datensätze sollten vermieden bzw. gelöscht werden und eine Normierung hilft bei der Konsistenz der Aufzeichnungen. Die meisten Business-Intelligence-Tools bieten Funktionen zur Datenreinigung wie Datenlöschung, Datenstandardisierung, Datenharmonisierung und Daten-Profiling.

4. Predictive Analytics-Software oder eigene Modelle zum Testen von Daten einsetzen

Möchte man seine eigenen prädiktiven Analysemodelle erstellen, benötigt man Datenwissenschaftler*innen oder jemanden mit tiefreichenden analytischen Kenntnissen, denn nur Personen mit Expertenwissen können ein Prognosemodell von Grund auf erstellen.

Diese Arbeit kann an ein Beratungsunternehmen mit Prognosediensten ausgelagert werden oder man sucht sich gut vernetzte Forscher*innen an Universitäten als Unterstützung.

Sollten die Kosten einen jedoch zurückschrecken, gibt es alternativ viele Softwarelösungen mit Prognosetools.

Diese Tools bieten zwar nicht das fundierte Wissen von qualifizierten Datenwissenschaftler*innen, sind jedoch einfach einzusetzen und kostengünstiger. Predictive-Analytics-Software ist ein guter Ausgangspunkt für kleine Unternehmen.

Auf diese Funktionen sollte man bei der Auswahl von Predictive-Analytics-Software achten:

Data-Mining:   Extrahiert Daten aus verschiedenen Quellen, um miteinander in Beziehung stehende Informationen bereitzustellen und Muster aufzudecken.

 

Datenaufbereitung: Analysiert und bereinigt Daten mit Techniken wie Deduplizierung, Datennormalisierung, Data-Wrangling usw.

 

Prädiktive Modellierung: Mit statistischen Werkzeugen wie Regression, Korrelationsanalyse, Clustering usw. werden komplexe Gleichungen aufgestellt, die Verhaltensweisen und Auswirkungen vorhersagen.

 

Vorhersageerkenntnisse: Maschinelles Lernen und künstliche Intelligenz verarbeiten große Datensätze in Echtzeit und erstellen sich bei neuen Erkenntnissen bzw. Umständen aktualisierende Prognosen.

 

Datenvisualisierung: Stellt Schaubilder, Grafiken und Karten zur Darstellung der Prognosen bereit, sodass sie einfacher zu lesen sind.

 

Integration mit R, Python: Lässt sich in häufig eingesetzte Programmiersoftware für die Analyse wie R und Python integrieren, sodass Nutzer*innen u. a. ihre eigenen Modelle erstellen, bereits vorhandene Modelle anpassen und größere Datensätze hinzufügen können.

 

Unser Verzeichnis für Predictive-Analytics-Software bietet eine Übersicht aller Lösungen mit Prognosefunktionen. Vor dem Kauf kann man die Softwareoptionen basierend auf Funktionen oder Preisen vergleichen und Nutzerrezensionen lesen.

5. Prognosemodell evaluieren und validieren, um die Stabilität des Systems zu gewährleisten

Evaluiert und validiert man das Prognosemodell mit alternativen Datensätzen, lassen sich Schwachstellen aufdecken. Darüber hinaus stellt man sicher, dass das Modell auch bei verschiedenen Szenarien gute Ergebnisse liefert.

Es gibt verschiedene Ansätze für die Validierung von Vorhersagemodellen wie das Kreuzvalidierungsverfahren und das Regressionsverfahren.

Viele Predictive-Analytics-Lösungen enthalten jedoch auch automatisierte Validierungsfunktionen, mit denen die Stabilität des Modells getestet werden kann.

Abschließend muss das Prognosemodell nur noch in die Geschäftsprozesse integriert werden und schon können die Ergebnisse für bessere Entscheidungen genutzt werden.

Herausforderungen bei der Implementierung von Predictive-Analytics-Lösungen

Bei der Implementierung von Prognosemodellen müssen durchaus einige Herausforderungen gemeistert werden.

Bei der prädiktiven Analyse werden Wahrscheinlichkeiten prognostiziert, keine sicher eintreffenden Ereignisse

Wie sehr wir uns auch wünschen, dass anhand der Daten definitive und absolut genaue Vorhersagen getroffen werden könnten, so ist doch nur eine Wahrscheinlichkeitsanalyse möglich. Jede Prognose – auch wenn sie aufgrund der richtigen Daten getroffen wird – enthält einen Unsicherheitsfaktor.

Eine Geschäftsentscheidung sollte daher letztendlich aus einer Kombination verschiedener Faktoren wie Datenergebnissen, dem eigenen Urteil, der Tragweite der Entscheidung usw. getroffen werden und nicht allein auf einem Aspekt beruhen.

Die Eingliederung des Prognosemodells in die Geschäftsabläufe kann viel Zeit in Anspruch nehmen

Prädiktive Analysen werden nicht über Nacht implementiert. Es kann Wochen oder je nach bereits vorhandenen Kenntnissen sogar Monate dauern, bis robuste Prognosemodelle erstellt und integriert wurden.

Gerade für die Testphase sollte man viel Geduld mitbringen und auf die Nuancen der Vorhersagen achten. Robuste, wiederverwendbare Prognosemodelle sorgen langfristig für Umsatzzuwächse und Kosteneinsparungen.

Zu Beginn fallen für Software, Schulungen und Prüfsysteme Kosten an

Predictive-Analytics-Software ist in den letzten Jahren zwar günstiger geworden, doch es handelt sich immer noch um ein kostspieliges Unterfangen. Zusätzlich zu den Tools müssen auch die Mitarbeiter*innen in verschiedenen Konzepten geschult werden.

In den USA werden für kleine Unternehmen jährliche Ausgaben zwischen 8.000 USD und 20.000 USD für Implementierungskosten ohne Schulungen geschätzt. Unternehmen mit 500 bis 5.000 Mitarbeitern sehen jährlichen Kosten von bis zu 100.000 USD entgegen und Großunternehmen sollten 500.000 USD und mehr einkalkulieren.

Nächste Schritte zur Einführung der prädiktiven Analyse

Es ist ratsam, zuerst im Kleinen mit der prädiktiven Analyse zu experimentieren und mit zunehmender Erfahrung und nach einigen positiven Ergebnissen das Unterfangen auszuweiten.

Zu Anfang sollte man Geschäftsfälle identifizieren, in denen Prognosemodelle bereits erfolgreich eingesetzt wurden (z. B. bei der Reduzierung von Kundenabwanderung oder der Vorhersage von Nachfrage) und diese an das eigene Unternehmen anpassen.

Anfängertipps - Prädiktive Analyse

Weitere Ressourcen

Wirf einen Blick auf das GetApp-Verzeichnis für prädiktive Analyse-Lösungen und erhalte eine umfassende Liste der Softwaretools mit Prognosefunktionen.

Lufthansa hat eine Studie in Auftrag gegeben, in der die Relevanz von Predictive Analytics für Unternehmen in den nächsten Jahren bewertet wird.

Hinweis: Die Informationen in diesem Artikel stammen aus Quellen, die als vertrauenswürdig beurteilt wurden. Die ausgewählten Anwendungen dienen als Beispiele, um Funktionen im Kontext zu präsentieren. Dies stellt keine Empfehlung oder Befürwortung dar.

 

Artikel teilen


Dieser Artikel kann auf Produkte, Programme oder Dienstleistungen verweisen, die in deiner Region nicht verfügbar sind oder die durch die Gesetze oder Vorschriften des Landes eingeschränkt sein können. Wir empfehlen, sich direkt an den Softwareanbieter zu wenden, um Informationen über die Produktverfügbarkeit und Rechtskonformität zu erhalten.