Predictive Analytics: Definition, Big Data und Anwendungsbeispiele

Predictive Analytics ist ein Teilbereich von Business Analytics, der sich mit dem Erkennen von Mustern und der Vorhersage von zukünftigen Ereignissen befasst. Predictive Analytics wird in verschiedensten Bereichen genutzt: Finanzen, Marketing, Wetter, Sicherheit, und viele weitere.

In diesem Artikel legen wir den Fokus auf den Bereich Wirtschaft und Marketing.

Predictive Analytics Definition

Predictive Analytics nutzt historische Datenquellen als Input, um daraus ein mathematisches Modell zu erstellen, was eine Vorhersage für die Zukunft trifft. Auf Basis dieser Vorhersagen (engl.: „predictions“, „predictive“= vorausschauend) können Unternehmen bessere Entscheidungen treffen oder mögliche Risiken frühzeitig erkennen.

Synonyme die häufig für Predictive Analytics genutzt werden: Data Mining, Data Science, Machine Learning, Künstliche Intelligenz und Data Science.

Big Data für Prognosen mit Predictive Analytics

Je größer die Datenmenge, desto besser die Algorithmen und genauer die Vorhersagen.

Naturgemäß liegen gerade Unternehmen wie Amazon oder eBay, die über einen riesigen Schatz an Kundendaten verfügen, beim Einsatz von Analytics-Verfahren zum Herausfiltern von Kundenpräferenzen, Trends und deren Veränderungen weit vorne.

Predictive Analytics findet das richtige Produkt aus vielen
Predictive Analytics findet das richtige Produkt aus tausenden.

Aber auch kleine und mittelständische Unternehmen können auf verlässliche Verfahren aus maschinellem Lernen zurückgreifen. Diese lassen sich heute mit wenig Programmierkenntnissen implementieren.

Heute sind solche Anwendungen meist cloudbasiert und extrem leistungsstark, ohne hohe Speicherkapazitäten auf dem eigenen Server zu beanspruchen.

Einsatz von Predictive Analytics

Predictive Analytics wird eingesetzt, damit Unternehmen wirtschaftlich effizienter arbeiten und um zukünftige Ereignisse bestmöglich einzuschätzen.

Zu wichtigen Einsatzgebieten der Predictive Analytics zählen:

  • Marketing (Segmentierung, Kundenverhalten prognostizieren, Kundenbedürfnisse vorhersagen, Customer Lifetime Value, Entwicklung zielgerichteter Cross-Channel-Maßnahmen),
  • Preisgestaltung (Preisstrukturen und Konditionsmodelle, agile Bepreisung je nach prognostiziertem Nachfrageverhalten),
  • Produktion (Entwicklung neuer Angebote, voraussichtlicher Wartungsbedarf, Optimierung des Supply-Chain-Managements),
  • Betrugserkennung (Fraud Prevention),
  • Personalmanagement (Fluktuation, zukünftiger Stellenbedarf, automatisierte Auslese geeigneter Bewerber).

So funktioniert Predictive Analytics

Ein Predictive-Analytics-Workflow besteht aus einer Reihe von Schritten, die aufeinander aufbauen. Der gesamte Prozess ist iterativ, sprich, man nähert sich dem gewünschten Ergebnis in mehreren Durchläufen; die Schritte können sich also wiederholen.

  • Schritt 1, die Zielsetzung: Hierbei werden die Ziele der Analyse fürs Unternehmen und die Branche festgelegt. Auch die Datenquellen potentielle 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.

Wenn Sie mehr über den Prozess erfahren wollen, wir haben bereits ausführlich über den CRISP-DM Prozess berichtet. Dies ist ein internationaler Standard für Predictive Analytics und Data Mining Projekte.

Predictive Marketing

Durch präzise Vorhersagen zu Kundenbedürfnissen können Unternehmen den Marketingerfolg und die Verkaufschancen bei unterschiedlichen Zielgruppen signifikant steigern.

Welcher Kunde braucht ein bestimmtes Angebot?
Welcher Kunde braucht ein bestimmtes Angebot?

Eine Studie von Forrester zeigt, dass der Einsatz von Predictive Marketing Analytics mit besseren Geschäftsergebnissen einhergeht. Im Rahmen der Predictive-Analytics-Studie 2018, an deren Durchführung unter anderem auch die Lufthansa Industry Solutions beteiligt war, erklären 60 % aller befragten Unternehmen, der Einsatz von Predictive-Analytics-Modellen sei erfolgreich gewesen, unter den kleineren Unternehmen sind es sogar 90 %.

Beispiele für predictive Marketing

Anwendungsbeispiele für predictive Analytics im Marketing

Predictive Analytics kann in vielen verschiedenen Bereichen eingesetzt werden. Da wir bei datasolut auf den Bereich CRM und Kundendaten spezialisiert sind, schauen wir uns hier jetzt ein paar Beispiele aus diesem Bereich an. Oft ist auch die Rede von predictive Marketing.

Kundensegmentierung mit Clustering-Verfahren

Cluster-Verfahren teilen Kunden in Segmente ein. Dazu werden Algorithmen eingesetzt, die Unterscheidungen auf der Grundlage demografischer Daten (Geschlecht, Alter, etc.) treffen oder die durchschnittliche Auftragssumme einer Person für die Segmentierung zugrunde legen.

Cluster können auch zu Kundenverhalten, Präferenzen, Produkten bzw. Produktkategorien, Marken oder der Kanalproliferation abbilden. Aus diesen Mustern wird dann eine Prognose für das Kaufverhalten der Gruppen abgeleitet.

Next Best Offer

Anstatt nach dem Gießkannenverfahren ein one-size-fits-all-Angebot zu unterbreiten, stimmt ein Unternehmen mit einem maßgeschneiderten NBO (Next Best Offer) sein Angebot individuell auf die Präferenzen seiner Kunden ab, um diese langfristig an sich binden.

Vorhersage von Kaufverhalten

Aus dem historischen Kaufverhalten wird anhand von predictive Analytics für jeden Kunden eine Prognose erstellt, die beispielsweise aussagen kann: welche Produkte in welcher Menge gekauft werden.

Somit wird für jeden Kunden ermittelt, mit welcher Wahrscheinlichkeit er sich wann für welches Produkt interessiert. In einem zuvor berechneten Zeitfenster kann dann individuell auf den Kunden eingegangen werden und über personalisierte Empfehlungen der Umsatz gesteigert werden.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Den datasolut Blog abonnieren und Expertentipps zu Marketingoptimierung mit künstlicher Intelligenz erhalten.

  • Spannende Interviews
  • Interessante Case Studies
  • Bewährte Praxistipps

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.