Was Unternehmen mit Predictive Analytics erreichen

Wie funktioniert Predictive Analytics?

Im besten Fall kann Predictive Analytics einen tiefen Einblick in zukünftige Ereignisse geben. Andererseits können schlecht implementierte Systeme schnell unser Vertrauen verspielen. Dennoch haben alle Systeme einige Prozesse gemeinsam, und es gibt einige gemeinsame Schlüssel für Erfolg und Misserfolg. Der grundlegende Prozess sieht folgendermaßen aus:

• Wir analysieren unsere vorhandenen Daten, um statistische Muster zu erkennen.
• Aus diesen Mustern erstellen wir einen Satz von Regeln – ein Modell –, das beschreibt, wie die Muster auf neue Daten anzuwenden sind.
• Anschließend lassen wir neue Daten durch das Modell laufen, und die Regeln machen Vorhersagen darüber, was in Zukunft passieren könnte.

So können wir beispielsweise vorhandene Kundendaten analysieren und feststellen, dass jüngere Menschen Produkte mit mehr Funktionen bevorzugen, während ältere Käufer bereit sind, für Produkte aus höherwertigen Materialien einen Aufpreis zu zahlen. Anhand dieser Muster können wir Regeln auf die Reaktionen neuer Kunden anwenden, sobald sie sich in unserem System registrieren. Wenn sie jünger sind, können wir ihnen erfolgreich mehr Funktionen anbieten, und wenn sie älter sind, höherwertige Produkte. Auf diese Weise hoffen wir, unseren Absatz zu optimieren.

Wir wiederholen diesen Prozess regelmäßig, um das Modell auf dem neuesten Stand zu halten: Es lernt neue Muster, weshalb man diesen Teil des Predictive-Analytics-Prozesses auch oft als maschinelles Lernen (Machine Learning) bezeichnet.

Der Schlüssel für Predictive Analytics sind vier Punkte:

1. Am wichtigsten ist, dass gute Vorhersagen auf guten Daten beruhen. Wenn Ihre aktuellen Aufzeichnungen unvollständig oder ungenau sind, können Sie nicht wirklich erwarten, dass Predictive Analytics gute Prognosen erstellen. Verfügen Sie beispielsweise über demografische Daten über Ihre Kunden, und wenn ja, sind diese gründlich und auf dem neuesten Stand?
2. Gute Ergebnisse für die Zukunft hängen davon ab, dass Sie bei der Suche nach Mustern die besten Prognosemodellierungsverfahren auswählen. Darin liegt eine gewisse Kunst, die zum Fachwissen des Datenwissenschaftlers gehört. Heutzutage wird bei Predictive Modeling jedoch automatisiertes maschinelles Lernen eingesetzt, das selbständig recht komplexe statistische Modellierungen experimentell durchführen kann, um die besten praktischen Ergebnisse zu erzielen.
3. Mehrdeutigkeit ist bei Vorhersagen unvermeidlich, und wir müssen lernen, mit unvollkommenen Ergebnissen zu arbeiten. Wir können die Zukunft nicht mit Sicherheit vorhersagen – vor allem, wenn es um das Kundenverhalten geht. Wir müssen die Genauigkeit unseres Modells verstehen und wissen, mit welcher Sicherheit wir seine Ergebnisse verwenden können. All dies mag sich schwierig anhören, aber wir tun es ständig, zum Beispiel mit der Wettervorhersage, die im Allgemeinen genau genug ist, um nützlich zu sein, aber selten perfekt.
4. Die getroffenen Vorhersagen sollten verwertbare Erkenntnisse liefern. Das heißt, Sie sollten in der Lage sein, etwas Nützliches mit der Vorhersage anzufangen und auch in der Zukunft zu testen, ob die Vorhersage genau genug war, um hilfreich zu sein.

Was ist neu an Predictive Analytics?

Predictive Analytics klingt vielleicht neu. Ist es aber nicht. Einige der statistischen Techniken, zum Beispiel die Bayessche Statistik, gibt es schon seit über 200 Jahren. Dennoch hat die moderne Form von Predictive Analytics erst mit der Entwicklung der digitalen Datenverarbeitung ab den 1950er Jahren richtig Fahrt aufgenommen, als moderne Algorithmen, einschließlich neuronaler Netze, entwickelt wurden. In den letzten Jahren gab es jedoch erhebliche Verbesserungen, die sowohl zu einfacheren alltäglichen Analysen als auch zu fortgeschrittener künstlicher Intelligenz führten.

Die Triebkräfte für diese neuen Entwicklungen sind einfach, aber wirkungsvoll:

• Wir haben mehr Daten als je zuvor, und die Speicherung dieser Daten ist kostengünstig, insbesondere in der Cloud.
• Wir verfügen auch über komplexere Daten als je zuvor, da wir nicht nur auf strukturierte Datensätze, sondern auch auf Bilder, Tondateien und Dokumente zugreifen können.
• Es steht uns mehr Rechenleistung zur Verfügung, oft in der Cloud, was bedeutet, dass wir diesen Umfang und diese Komplexität bewältigen können.
• Und schließlich macht sich ein besseres Softwaredesign all diese Entwicklungen zunutze, um die Entwicklung, das Testen, den Einsatz und die Nutzung von Predictive Analytics einfacher und zuverlässiger als je zuvor zu machen.

Wo wird Predictive Analytics eingesetzt?

Mit diesen neuen Fähigkeiten ist Predictive Analytics in einer ständig wachsenden Anzahl von Anwendungsfällen und Branchen zu finden. Hier sind einige Beispiele:

Finanzdienstleistungen. Die Vorhersage von Aktienkursen und anderen Finanzindikatoren ist ein wichtiges Verfahren. Banken, Hypothekenkreditgeber und Kreditkartenunternehmen wollen aber auch betrügerische Transaktionen erkennen, ihren besten Kunden die besten Tarife anbieten und neue Finanzprodukte an neue Kunden verkaufen. In all diesen Fällen erweist sich Predictive Analytics als wertvoll.

Einzelhandel, andere verbrauchernahe Branchen. Andere verbrauchernahe Unternehmen wie der Einzelhandel und die Telekommunikationsbranche verwenden ähnliche Algorithmen bei der Pflege ihrer Kundenbeziehungen. Sie wollen auch im Voraus wissen, ob Kunden möglicherweise unzufrieden sind oder zu einem anderen Anbieter oder einem anderen Dienst wechseln werden – was sie als Abwanderungsanalyse bezeichnen.

Fluggesellschaften. Fluggesellschaften sagen voraus, wie viele Sitze sie füllen können – nicht immer mit Erfolg. Denken Sie daran, was wir über den Umgang mit Mehrdeutigkeit und Ungenauigkeit gesagt haben.

Transport- und Logistikunternehmen. Predictive Analytics wird zur Optimierung von Lieferketten eingesetzt – auch hier haben wir uns mit den Unklarheiten vertraut gemacht.

Insgesamt hat Predictive Analytics moderne Unternehmen sehr effizient gemacht.

Wie fängt man an?

Wie kann man nun mit Predictive Analytics beginnen? Es gibt drei einfache Szenarien, die in verschiedenen Unternehmen angewandt werden. Außerdem sind die beteiligten Techniken relativ einfach. Und schließlich können Sie die Ergebnisse leicht implementieren und testen.

Zeitreihenanalyse

Eine Zeitreihe ist einfach jede Art von Daten, die eine Veränderung der Werte im Laufe der Zeit aufzeichnen. Denken Sie an tägliche Verkäufe, wöchentliche Rechnungen, Ihre monatlichen Kosten oder Ihr Jahresbudget. Sie können aber auch die Betriebstemperatur eines Geräts oder die Anzahl der Besucher einer Website betrachten.

Wie Ihr Unternehmen davon profitiert. Stellen Sie sich nun vor, was Sie tun können, wenn Sie auf der Grundlage Ihrer vorhandenen Daten Vorhersagen treffen. Wie hoch wird unser Umsatz im nächsten Monat sein? Wie hoch wird unser durchschnittlicher Rechnungswert im nächsten Jahr sein? Läuft dieses Gerät heißer als sonst?

Nahezu jedes Unternehmen kann von diesen Prognosen in irgendeiner Form profitieren. Moderne Algorithmen, die dies tun, können ziemlich ausgeklügelt sein, aber Sie können auch einfachere Methoden wählen. Gleitende Mittelwerte sind sehr einfach – man kann mit ihnen in Excel arbeiten – und immer noch sehr beliebt in der Börsen- und Rohstoffanalyse. Mathematik-, Statistik- oder Wirtschaftswissenschaftsstudenten lernen im Studium häufig Algorithmen wie ARIMA (AutoRegressive Integrated Moving Average) und die in vielen Business Intelligence Tools verfügbaren Techniken. Diese Algorithmen können sogar saisonale Schwankungen ausgleichen.

Mit einer einfachen Zeitreihenanalyse können Sie gut informierte, effektive Geschäftsgespräche über aktuelle Trends und zukünftige Möglichkeiten führen.

Clusteranalyse

Greifen wir auf Beispiel zurück, dass junge Leute Produkte mit mehr Funktionen kaufen und ältere Kunden mehr für bessere Qualität bezahlen. Wenn wir das Alter der Kunden mit dem Betrag, den sie ausgeben, in ein Diagramm einzeichnen, können wir auf der Seite Gruppen erkennen. Ältere Kunden, die mehr Geld ausgeben, jüngere Kunden, die weniger ausgeben, und in der Mitte vielleicht Kunden, die am meisten von allem kaufen. Und an den Rändern gibt es einige Ausreißer, die in keine Gruppe fallen.

Wie Ihr Unternehmen davon profitiert. Die Clusteranalyse findet diese Muster, natürlich auf sehr viel raffiniertere Weise als gerade beschrieben. Sie können diese Gruppen dann für gezieltes Marketing nutzen oder Ihnen helfen, Produkte zu entwickeln, die für alle Gruppen möglichst attraktiv sind. Sie können sich sogar die Ausreißer ansehen. Vielleicht sind ihre Ausgaben verdächtig hoch oder enttäuschend niedrig. Vertriebsmitarbeiter wollen das wissen.

Empfehlungssysteme

Wir alle kennen diesen Anwendungsfall. Im besten Fall bemerken wir nicht einmal, dass eine Analysemaschine uns zu einem neuen Kauf oder Verhalten anregt. Die einfachste Empfehlung ist, dass Kunden, die X gekauft haben, auch Y gekauft haben. Oder sie haben A und B gesehen, also empfehlen wir Ihnen, B auszuprobieren.

Solche Systeme können mit einfachen Daten aufgebaut werden – oft nur mit der ID eines Kunden, der ID des Produkts oder der Dienstleistung, für die er sich entschieden hat, und vielleicht einigen Daten, wann diese Ereignisse stattgefunden haben. Anspruchsvollere Analysen beinhalten alle möglichen Daten über Preise, Genres, Stile und so weiter. Aber man kann auch ganz einfach anfangen.

Wie man mögliche Herausforderungen vermeidet. Diese Systeme gehen schief, wenn wir nicht darauf achten, dass wir nur Muster und Regeln verwenden, die eine starke Unterstützung haben. Wenn nur ein Kunde A und B gekauft hat, ist das keine gute Empfehlung. Wir müssen uns auch bewusst sein, was unsere Kunden in der Vergangenheit bereits gekauft haben – nichts sieht ungeschickter aus als Algorithmen, die etwas empfehlen, was der Verbraucher bereits gekauft hat.

Empfehlungen müssen sich nicht auf Verkäufe oder Sehgewohnheiten beziehen. Sie können auch auf die Wartung von Geräten und sogar auf Fahrtrouten für Navigationsanwendungen angewendet werden.