Personalisierungslösung epicAi wird AI MASTER 2019
WINNER  2019

Predictive Analytics für Ihr digitales Business

Predictive Analytics ist ein Werkzeug, um Business-Ziele zu erreichen. epicinsights begleitet Sie mit Beispielen und Erklärungen Schritt für Schritt in diese Welt! Lassen Sie sich inspirieren…

Auf dieser Seite beantworten wir folgende Fragen:

Was ist Predictive Analytics?

Prädiktive bzw. vorhersagende Analysetechniken ermöglichen die Voraussage von unbekannten, in der Zukunft liegenden Ereignissen. Mit bestehenden Informationen werden Algorithmen trainiert, die daraufhin in der Lage sind, zukünftige Aktionen und Zustände vorherzusagen. Für die datengetriebene Zukunft digitaler Geschäftsmodelle kann Predictive Analytics zu einer echten Verheißung werden und gehört damit in jeden Künstliche Intelligenz-Werkzeugkasten.

Die deutsche Übersetzung für Predictive Analytics lautet sinngemäß: vorhersagende, explorative Analyse. Folglich treffen sich hier eigentlich zwei unterschiedliche, aber komplementäre Themenfelder. Dies sind zum einen die Wissensentdeckung mit explorativen Datenanalysen und zum anderen Verfahren maschinellen Lernens.

Was kommt vor der Vorhersage?

Die Effektivität jedes prädiktiven Algorithmus hängt stark von der Qualität der verarbeiteten Daten ab. Aus diesem Grund beginnen Predictive-Analytics-Projekte immer mit einer Potentialanalyse der zugrunde liegenden Datenbasis. Für die Entwicklung von Predictive Analytics-Algorithmen müssen Datenwissenschaftler und Analysten verstehen, welche Strukturen und Determinanten den kundenspezifischen Datenmix kennzeichnen. Daraufhin werden verschiedene Vorhersagemodelle entwickelt, die optimal auf den jeweiligen Case passen.

Ein wichtiger Baustein: die Datenmodellierung

Datenmodellierung ist der Prozess, bei dem die Kundendaten für die Verarbeitung durch Algorithmen vorbereitet werden. Dazu gehören z.B. das Auffinden, Entfernen oder Verbessern problematischer Datenpunkte (Cleaning), das Entfernen irrelevanter bzw. redundanter Daten (Reduzierung) und das vereinheitlichen der Daten auf entsprechende Metriken und Aussagen, die zur Fragestellung passen (Normalisierung & Glättung).

Ein weiterer Schwerpunkt der datenwissenschaftlichen Modellbildung betrifft die Bewertung eines Modells, z.B. um sicherzustellen, dass es robust und damit zuverlässig ist. Dafür werden Methoden aus dem Bereich des maschinellen Lernens bzw. des Künstliche Intelligenz-Werkzeugkasten genutzt.

Was unterscheidet Descriptive Analytics und
Prescriptive Analytics von Predictive Analytics?

Descriptive Analytics beschreibt die kundenspezifischen Daten und entdeckt die Geschichten darin; wie etwa den Einfluss von Social Media auf den Kaufentscheidungsprozess. Vor allem Data Mining-Methoden finden hierbei ihren Einsatz. Beschreibende Analysen beantworten z.B. Fragen nach dem aktuellen Wirkungsgrad von produktionsnahen Prozessketten oder der Retourenquote in einem zurückliegenden Zeitraum. Ebenso ermöglicht Descriptive Analytics neue Perspektiven auf die eigene Kundenansprache. Die Aussagekraft steht und fällt mit der Zuverlässigkeit der Datenquellen und dem korrekten Export der notwendigen Informationen.

Predictive Analytics baut auf der beschreibenden Analyse auf und identifiziert die entscheidenden Einflussfaktoren für die Veränderung wichtiger Kennzahlen und Verhaltensweisen. Predictive Analytics-Tools sind damit in der Lage, aus Vergangenheit und Gegenwart auf die Zukunft zu schließen. Dies mündet z.B. in einer Effizienzsteigerung digitaler Geschäftsmodelle durch die Vorhersage von relevanten Nutzereigenschaften, durch ein aktives Retourenmanagement oder eine optimierte Allokation von Budgets.

Prescriptive Analytics belässt es nicht bei der Vorhersage mit prädiktiven Algorithmen, sondern ermöglicht die proaktive Steuerung von Geschäftsprozessen. Nachdem der vorhergesagte Wert als Output des Modells vorliegt, führt dieser Bereich entsprechende Handlungen aus, die sich aus diesem Wert ergeben. Hier geht es also darum, die wahrscheinlichsten Zukunftszenarien mit der bestmöglichen Reaktion des Systems zu koppeln. Prescriptive Analytics erlaubt die Benennung spezifischer und umsetzbarer nächster Schritte zur Steuerung der – mit Hilfe von Predictive Analytics – identifizierten Entwicklung.

Im produktionsnahen Kontext lassen sich damit z.B. Ausschussquoten verbessern, indem eine Maschine mögliche Probleme erkennt und eine Aussortierung der zukünftig mangelhaften Ware veranlasst. In kundennahen Geschäftsbereichen wird Prescriptive Analytics dazu verwendet, das optimale Zeitintervall für den nächsten E-Mail-Kontakt vorherzusagen und die E-Mail auch direkt dann zu versenden, wenn der darauf folgende Kauf am wahrscheinlichsten ist.

Prädiktive Algorithmen sagen Ihnen, was passieren wird, wann es passieren wird und warum; während Prescriptive Analytics Ihnen im Sinne eines intelligenten Assistenten entweder Handlungsoptionen vorschlägt, um ein optimiertes Outcome zu erzielen, oder diese Handlungen direkt selbst ausführt.

Sind Predictive Analytics und Künstliche Intelligenz deckungsgleich?

Der Blick in die Zukunft ist ein wichtiger Bestandteil von Künstlicher Intelligenz. KI-Projekte beginnen meist mit der Anwendung von Big Data Analytics. Deren Möglichkeiten der explorativen Datenanalyse versetzen Unternehmen in die Lage, aus komplexen Datenströmen mit neuen Informationen die Güte ihrer Entscheidungen iterativ und immer weiter zu optimieren. Erst dieser Informationsvorsprung erlaubt eine zielgerichtete Datenmodellierung und in der Folge die Entwicklung maßgeschneiderter KI-Anwendungen.

KI-gestützte Maßnahmen zur Effizienzsteigerung

Effizienzsteigerung bezeichnet die Ausgestaltung von Geschäftsprozessen auf eine Weise,
welche den Wirkungsgrad dieser Geschäftsprozesse optimiert.

ERFAHREN SIE MEHR!

Für welche Geschäftsprozesse wird
Predictive Analytics verwendet?

Vorhersagende Analysetechniken können von Mustern und Regelmäßigkeiten auf zukünftige Ereignisse schließen. Die Informationen über Vergangenheit und Gegenwart erlauben einen Blick in die Zukunft. Predictive Analytics eignet sich daher für alle Geschäftsbereiche, die digitale Informationen verarbeiten.

Risikoanalyse und Predictive Analytics

Mit der Verzahnung von prädiktiven Algorithmen und Risikoanalysen identifizieren Unternehmen mögliche Probleme im Zusammenhang mit einem bestimmten Geschäftsbereich. Algorithmen verbinden und untersuchen relevante Daten und schätzen das Risiko ein, dass sich die Profitabilität einzelner Geschäftsprozesse verändern wird. Damit sind z.B. Logistikdienstleister in Lage, auf Basis historischer und aktueller Flotteninformationen, die zukünftige Auslastung der Flotte KI-gestützt und risikominimiert zu optimieren und Dispositionsentscheidungen auf einer deutlich größeren Datengrundlage zu treffen.  

E-Commerce und Predictive Analytics

Onlineshops leben von einer zielgerichteten Kundenansprache. Prädiktive Algorithmen, verbunden mit der E-Commerce-Infrastruktur, ermöglichen die Optimierung von Onlineshops mit Hilfe Künstlicher Intelligenz in Form von verbesserten Produktempfehlungen oder durch die Personalisierung von Content und UX.

Absatzprognose und Predictive Analytics

Die Betrachtung der Vergangenheit, der saisonalen Effekte, der Marktentwicklungen usw. führt zu immer realistischeren Absatzprognosen, die ein wesentlicher Eckpfeiler der Unternehmensplanung sind. Wesentliche Vorteile beim Einsatz von Predictive Analytics für die Erstellung von Forecasts für die Entwicklung von Umsatz oder Produktverkäufen liegt in der schnellen Verarbeitungsmöglichkeit großer Datenmengen und in der Anpassung der Prognosen am dynamischen Tagesgeschäft mit all seinen Schwankungen. Vorhersagemodelle können z.B. das Verhalten der Shop-Besucher und die Veränderung ihrer Interessen einbeziehen, da Predictive Analytics-Modelle eine hohe Anzahl der beeinflussenden Faktoren berücksichtigen. Im Hinblick auf eine datengestützte Unternehmenssteuerung werden Business Intelligence-Informationen somit um den notwendigen Blick in die Zukunft ergänzt.

Retourenprävention und Predictive Analytics

Der Mehrwert einer automatisierten Retourenprävention wird immer mehr E-Commerce-Spezialisten bewusst, denn die hohen Retourenquoten verursachen branchenübergreifend durchschnittliche Kosten von 15€ je Bestellung! Ein präventives Retourenmanagement ist unerlässlich um diese Kosten zu verhindern, bevor sie entstehen. Mit Predictive Analytics wird die Wahrscheinlichkeit einer Retoure schon vor dem Kaufabschluss berechnet. Daraufhin lassen sich Angebote für den bestmöglichen Umsatz bei gleichzeitig geringerer Retourenwahrscheinlichkeit gezielt triggern.

Informationsarchitektur und Predictive Analytics

Passen die Inhalte meiner Website zu den Erwartungen meiner Zielgruppe? Passen Struktur und Content zueinander oder verlaufen sich User in der Komplexität meiner Inhalte? Welche Informationen müssen miteinander gekoppelt werden, wo sind Informationslücken, die User zum Absprung bringen? Für die Analyse der Informationsarchitektur einer Website auf Basis des Nutzerverhaltens benötigt man das passende Besteck, damit dieses Unterfangen auch gelingt. Die Anwendung von Predictive Analytics und Natural Language Processing-Methoden bietet hier derzeit die spannendsten Einblicke. Vor allem in Kombination mit eigenen Attributionsmodellen werden vielversprechende neue Erkenntnisse für das gesamte Unternehmen generiert. Sie identifizieren nicht nur die entscheinden Rythmen der eigenen Webseitenarchitektur, sondern auch den Zeitpunkt, wann ein Nutzer für welchen Informationsbruchteil und Detailtiefe der Information bereit ist.

Kommunikationsmanagement und Predictive Analytics

Unternehmen und die dort arbeitenden Menschen sind jeden Tag mit einer großen Menge an Informationen konfrontiert. Um einem Information Overload proaktiv zu begegnen, lohnt sich eine Optimierung des eingehenden Informationsflusses. Gezielt auf die Themenfelder trainierte Algorithmen sorgen z.B. beim Support im Callcenter für eine verbesserte Distribution eingehender Nachrichten via E-Mail und Chats. Die Verteilung der Kundenanfragen wird Dank eines stetig lernenden KI-Assistenten z.B. abhängig von Kapazität, Fachgebiet und Kundenzufriedenheit automatisiert übernommen.

Zielgruppensegmentierung und Predictive Analytics

Eine Zielgruppensegmentierung ist die Unterteilung von Nutzern in heterogen Gruppen von Personen, die sich in spezifischer Weise ähneln. Prädiktive Algorithmen können für jeden neuen Nutzer vorhersagen, zu welchem bestehenden Cluster (resp. Gruppe) dieser Nutzer gehört.

Im E-Commerce führt dieses Vorgehen zu einen relevanteren Informationsangebot oder einer höheren Click-Through-Rate im Warenkorb. Im Bereich Streaming Media kann der Content auf den spezifischen Nutzer – nicht: den Account – zugeschnitten werden. In diesem Szenario nutzen unterschiedliche Personen (Kinder, Erwachsene, Männer, Frauen, Teenager, Rentner) den selben Account und erhalten dennoch relevanten Content.

Kundenbindung und Predictive Analytics

Moderne Kundenbindung ist bestrebt, vorherzusagen, welche Kunden, wann und warum ihre Beziehung zu einer Marke beenden werden und welches Bedürfnis entlang der zeitlichen Achse der Kundenbeziehung relevant wird. Hier geht es um die Optimierung des Customer Lifetime Value. Durch die Verknüpfung von Big Data Analytics (resp. explorativer Datenanalyse) und Predictive Analytics können Unternehmen prädiktiven Modelle entwickeln, die ein proaktives Handeln ermöglichen, bevor es zu spät ist. Dies wird z.B. für die Personalisierung von Content in Newslettern oder zur Aktivierung von Anreizen wie Rabatten genutzt. Bei der Kopplung mit Marketing-Cases wird aus Predictive Analytics im Marketing: Predictive Marketing mit Bottom-Up-Perspektive.

Wissensdurstig? Stöbern Sie weiter:

Newsletter Anmeldung