Predictive Analytics: Blick in die Zukunft

Predictive Analytics: Blick in die Zukunft

Predictive Analytics ist eine Technologie, die aus Erfahrungen (Daten) lernt, um das zukünftige Verhalten von Individuen zu prognostizieren und dementsprechend Entscheidungen zu treffen.

“Die einzige Wissensquelle ist Erfahrung.” – Albert Einstein

Um Wissen basierend auf Erfahrungen geht es auch bei Predictive Analytics. Denn im Zeitalter von Digitalisierung, Big Data und Business Intelligence werden diese fortgeschrittenen Analysemethoden mehr und mehr genutzt. Laut einer Salesforce Studie ist Predictive Analytics der Sales Technik Trend mit der höchsten Wachstumsrate.

Bei Predictive Analytics werden mathematische und statistische Formeln sowie Algorithmen genutzt um Informationen zu gewinnen, Muster zu erkennen und schließlich Entwicklungen und deren Wahrscheinlichkeiten vorauszusagen. Aus Datensätzen werden mithilfe von Machine Learning Prognosen erstellt. 

So weit, so gut. Doch so richtig greifbar und konkret wird das Konzept durch seine Definition noch nicht… Deshalb haben wir einige Predictive Analytics Beispiele zusammengestellt. Somit wird schnell erkennbar, wie und wo Predictive Analytics Methoden erfolgreich genutzt werden:

“Churn”: Kündiger Frühwarnsystem

Ein Churn Prediction System dient dazu, herauszufinden, welche Kunden wann kurz vor einem Absprung oder einem Wechsel zu einem anderen Anbieter stehen. Hierfür können mithilfe von Text-Mining Methoden Nachrichten untersucht werden. Dazu können zum Beispiel E-Mails, Social Media Messages und Facebook Kommentare ausgewertet werden.

Darüber hinaus werden mithilfe von Kundendaten Analysen durchgeführt und Abwanderungsprognosen aufgestellt. Beispielsweise können Automobilkonzerne Daten wie Kontakt mit dem Service, Werkstattbesuche, Zeitpunkt des letzten Kaufes und soziodemografische Faktoren des Käufers zu Rate ziehen. Telekommunikationsunternehmen hingegen basieren ihre Prognosen auf Faktoren wie Handynutzung, Rechnungsinformationen oder Telefonanbieter der Kontakte.

Ziel ist es, die Zahl der Kündigungen zu reduzieren. Dies kann erreicht werden indem die betroffenen Kunden zum richtigen Zeitpunkt kontaktiert werden, beispielsweise mit Rabatt Aktionen. Hierfür ist ein effizientes Customer-Relationship-Management (CRM) System notwendig.

Hewlett-Packard ordnet jedem seiner weltweit mehr als 300.000 Mitarbeiter ein Kündigungsrisiko zu. Dementsprechend kann ein Manager bei erhöhter Kündigungswahrscheinlichkeit im Voraus eingreifen oder entsprechend planen.

No Risk no Fun? Lieber nicht! Risikobewertung

Mithilfe von Predictive Analytics kann außerdem hervorgesagt werden, welche Vorgänge für ein Unternehmen wahrscheinlich rentabel sind und welche nicht, bzw. bei welchen es zu Problemen kommen kann. Ein Beispiel ist der Bankensektor, denn hier wird entschieden welche Kunden einen Kredit bekommen, um das Ausfallrisiko möglichst gering zu halten.

Dafür genutzte Datensätze sind soziodemografische Faktoren (Geschlecht, Alter, Familienstand, Bildungsgrad), Produktdetails (Kreditbetrag, Rechnungen) und das Kundenverhalten (vergangene Zahlungen, Mahnungen). 

Vorhersage: Es könnte vereinzelt zu Shitstorms kommen

Mithilfe von Verfahren wie Text Mining können Kundeninhalte (User Generated Content) auf den Social Media Kanälen gefiltert und analysiert werden. Dies tun Unternehmen beispielsweise mit den Kommentaren auf Facebook, um bei aufkommenden Shitstorms schnell einzugreifen und diese bestmöglich zu verhindern.

Beispielsweise kann das mithilfe von Algorithmen geschehen, welche positive und negative Nachrichten voneinander unterscheiden. So überwacht die Telekom automatisch Hashtags mit Markenbezug wie #drosselkom.

Predictive Analytics im Alltag

Die Hopper App soll helfen, den besten Deal beim Flugticket kaufen zu bekommen. Sie empfiehlt dem Nutzer, ob er beim Ticketkauf warten oder zuschlagen soll. Dies geschieht basierend auf der geschätzten Flugpreis Entwicklung.

Das Streaming-Portal Netflix schrieb einen Preis von einer Million US-Dollar für die Verbesserung ihres Empfehlungssystem aus. Dieses prognostiziert, welche Filme dem Nutzer gefallen werden und schlägt diese vor. Hierfür wird analysiert, welche Genres der Nutzer schaut. Demzufolge werden seine Vorlieben Kategorien zugeordnet. Da Netflix die Filme sehr spezifisch einteilt, existieren 30.000 Kategorien, wie beispielsweise die Kategorie „Von der Kritik gelobte Sci-Fi aus den 80ern“. Dementsprechend werden die Daten aller 150 Millionen Nutzer anonym ausgewertet und jedem wird ein bevorzugter Genre Mix zugeordnet. Dasselbe gilt übrigens auch für Spotify.

Das Uplift Model: Kann ich Sie überzeugen?

Jetzt könnten Sie natürlich sagen, dass Sie sich doch von einem Unternehmen nicht in der Auswahl Ihrer Filme beeinflussen lassen. Oder, dass Ihnen der Telefonanbieter noch so viele Rabatte schicken kann, Sie bleiben nicht.

Auch hierfür hält Predictive Analytics ein Ass im Ärmel: Das Uplift Model. Das Uplift Model ist ein Modell zur Vorhersage. Es soll den Einfluss einer Aktion (zum Beispiel ein Kundenrabatt) auf das individuelle Verhalten voraussagen. Folglich kann prognostiziert werden welche Änderung im Verhalten einer Zielperson erzeugt werden kann.

Nehmen wir den US-Wahlkampf von Obama als Beispiel. Denn keine andere Präsidentschaftskampagne zuvor hat sich so stark auf die Analytik gestützt. Ganze 50 Analytik Experten wurden rekrutiert um mithilfe von Daten Vorhersagen zu Abstimmungsmustern zu erstellen.

Für einen liberalen Präsidentschaftskandidaten ist zum Beispiel Kalifornien schnell eine sichere Nummer. Andere Staaten gelten jedoch als unüberzeugbar. Die Aufmerksamkeit wird deshalb vollends den „Swing States“, den unentschiedenen Staaten, gewidmet. Allerdings tickt auch dort jeder Wähler anders. Denn einige lassen sich von einem Anruf, andere einem Flyer oder durch TV-Werbung beeinflussen. Wieder andere stören sich an einem Kontakt. Das Modell der Wissenschaftler konnte das Potenzial für jeden von Millionen „Swing“ Wähler voraussagen. Dementsprechend konnten diejenigen, die am ehesten überzeugt werden können, identifiziert werden. Darüber hinaus konnten die Personen, bei denen jede Kontaktaufnahme vermieden werden sollte, definiert werden.