Predictive Analytics – Mit Zukunftsprognosen den Umsatz steigern

Im Marketing reagieren wir auf die Wünsche und Anforderungen unserer Kunden. Wir schauen, wie sich unsere Kunden verhalten, welche Interessen und Präferenzen sie haben und liefern ihnen daraufhin ein individuelles Angebot.

Predictive Analytics geht noch einen Schritt weiter. Diese Marketing-Methode sagt das zukünftige Kundenverhalten und die zukünftigen Kundenreaktionen voraus. Mit diesem Wissen kann die Kundenansprache noch effektiver gestaltet werden und Umsatz und Gewinn erhöht werden.

Ist das Ganze nur fiktive Vorhersagerei oder ist diese Methode praxistauglich und leicht anwendbar? Dieser Frage gehen wir in diesem Artikel nach und beleuchten das Thema mit Hilfe von Praxisbeispielen.

Was ist Predictive Analytics / Predictive Marketing?

Das Wichtigste vorweg: Natürlich kann niemand in die Zukunft schauen und die Daten von morgen analysieren. Im Predictive Marketing werden Methoden genutzt, bei denen aus bereits gesammelten Daten zukünftige Entwicklungen abgeleitet werden. Da das Entdecken von Zusammenhängen in einer Datenmenge in das Konzept der Analytik fällt, spricht man vorwiegend von Predictive Analytics.

Predictive Analytics wird von dem Forschungs- und Beratungsunternehmen Gartner als eine Form der erweiterten Analytics definiert, welche Daten auswertet, um auf die Frage “Was wird (wahrscheinlich) passieren?” eine Antwort zu bekommen.

Welche Prozesse stecken hinter Predictive Analytics?

Laut Gartner reiht sich Predictive Analytics mit der Fragestellung “Was wird passieren?” zwischen Diagnostic Analytics (“Warum ist etwas passiert?”) und Prescriptive Analytics (“Wie können wir etwas geschehen lassen?”) ein.

Predictive Analytics stellt einen Teil von Business Analytics dar und hat viele Berührungspunkte mit Data Mining und Machine Learning. Diese und andere statistische Methoden können Vorhersagen über die Wahrscheinlichkeit von zukünftigen Ereignissen treffen.

Während beim Data Mining große Datenmengen auf Muster, Trends und Zusammenhänge hin untersucht werden, erwerben Computerprogramme beim Machine Learning selbständig neues Wissen und erzeugen Datenmodelle, die für Prognosen und Entscheidungen eingesetzt werden.

Die bei Predictive Analytics eingesetzten Modelle entwickeln sich im Laufe der Zeit immer weiter. Daher stellt es einen kontinuierlichen Prozess dar mit immer präziser werdenden Vorhersagen. Hieraus resultieren somit immer konkreter werdende Erkenntnisse, die Unternehmen für ihre Strategieentwicklung und die Planung von Marketingmaßnahmen nutzen können.

In welchen Branchen und Bereichen wird Predictive Analytics angewendet?

Predictive Analytics ist kein neues Phänomen – Unternehmen aus unterschiedlichen Branchen nutzen diese Methode, um Geschäftsprozesse zu optimieren, wettbewerbsfähig zu bleiben und flexibel agieren zu können. Mögliche zukünftige Ereignisse zu messen nimmt u.a. bei Banken und Versicherungen, Einzelhandel und E-Commerce einen hohen Stellenwert ein.

Banken & Versicherungen

Prognosen im Rahmen von Predictive Analytics spielen insbesondere beim Risikomanagement von Finanzdienstleistern eine große Rolle. Banken können beispielsweise beim Kredit-Scoring das Risiko berechnen, dass zukünftige Ratenzahlung nicht geleistet werden können. Versicherungen können unter anderem zukünftige Schäden und potenzielle Kosten prognostizieren und so passende Tarife ermitteln. Aber auch das Aufdecken von Betrugsfällen stellt ein Einsatzgebiet dar.

Einzelhandel

Die Disposition im Einzelhandel ist beim bedarfsgerechten Wareneinkauf auf Predictive Analytics angewiesen. Mit präzisen Prognosen können Über- bzw. Unterbestände im Lager vermieden werden. So lassen sich Kosten sparen, die bei Leerverkäufen anfallen würden und die Verfügbarkeit des Sortiments ist stets gewährleistet. Genaue Absatzprognosen sind insbesondere für frische und leicht verderbliche Produkte von großer Bedeutung. Einflussfaktoren sind u.a. Sonderaktionen, Feiertage und das Wetter.

E-Commerce

Der E-Commerce kann durch gesammelte Kundendaten, wie Informationen zu bereits gekauften Produkten, zukünftiges Kaufinteresse ableiten und somit die Wahrscheinlichkeit für ein erfolgreiches Cross- bzw. Up-Selling erhöhen. Ein bekanntes Beispiel sind Kaufempfehlungen in einem Online-Shop. Auf Basis der gekauften Produkte werden ähnliche Produkte identifiziert, für die der Kunde sich auch noch interessieren könnte.

Die Basics: Das sollten Sie im Marketing über Predictive Analytics wissen

Predictive Analytics dient einer besseren Entscheidungsfindungen im Marketing. Das übergeordnete Ziel ist es, auf Basis von Fakten bzw. der prognostizierten Ereignisse geeignete Maßnahmen abzuleiten. Diese Aufgabe übernehmen meist Manager oder Fachexperten aus dem Marketingbereich.

Wissen über die statistischen Zusammenhänge hinter den Modellen ist dabei nicht erforderlich. Voraussetzung ist jedoch, dass man die Daten interpretieren kann, um die richtigen Schlüsse daraus ziehen zu können. Außerdem ist ein Grundwissen über Predictive Analytics sinnvoll, damit die Ergebnisse mit Analysten diskutiert werden können und so in den entsprechenden Kontext gesetzt werden. So können die erforderlichen Bewertungen und Interpretationen folgen.

Mit folgender Wissensbasis über Predictive Analytics sollte man sich auskennen, um die gewonnenen Ergebnisse letztlich für eine Optimierung der Customer Experience einsetzen zu können.

Von Big Data zu Smart Customer Data

Meist stellt nicht der unzureichende Zugriff auf quantitative Daten ein Problem dar, sondern der auf qualitative Daten. Um Vorhersagen über das Verhalten von Kunden zu treffen, werden konsolidierte Kundendaten von den Touchpoints der verschiedenen Online- und Offline-Kanäle benötigt. Diese Daten können beispielsweise über Treuekarten und Webanalysen gesammelt werden und sind die Grundlage für eine erfolgreiche Durchführung von Predictive Analytics. Es ist sinnvoll die gesammelten Daten übersichtlich zusammenzuführen um ein komplettes und klares Bild zu erhalten.

Regressionsanalyse als Prognosemodell

Die Regressionsanalyse ist die am häufigsten verwendete Methode bei Predictive Analytics. Mit Hilfe einer Regressionsgleichung lassen sich Parameter abschätzen, welche wiederum auf unbekannte Kunden angewendet werden, um Zukunftsprognosen zu generieren. Wichtig ist hier erneut die Qualität der verwendeten Daten sowie eine saubere Arbeit der Analysten. Basierend auf den zur Verfügung stehenden Daten sind auch andere Data-Mining-Verfahren wie Entscheidungsbäume und neuronale Netze denkbar.

Kontinuierliche Bewertung der Prognosequalität

Das Kundenverhalten, die Märkte und andere Einflussfaktoren verändern sich stetig. Die verwendeten Prognosemodelle müssen daher kontinuierlich hinsichtlich ihrer Aktualität geprüft und gegebenenfalls optimiert werden. Es muss stets mit aktuellen Daten gearbeitet werden, um die gegenwärtige Situation zu beschreiben und falsche bzw. unzutreffende Vorhersagen zu vermeiden.

6 Use Cases für eine marketing-zentrierte Anwendung von Predictive Analytics

Die durch Predictive Analytics erhobenen Daten bringen Marketern keinen Mehrwert, wenn daraus nicht entsprechende Maßnahmen abgeleitet und durchgeführt werden. Diese Maßnahmen können in Use Cases überführt werden, um die Geschäftsstrategien noch effektiver auszurichten.

Die folgenden Use Cases aus dem Marketing können mit Hilfe von Predictive Analytics-Daten effektiv unterstützt und umgesetzt werden.

Kundenabwanderung verhindern

Unternehmen können mit Hilfe von Predictive Analytics herausfinden, was Kunden dazu bewegt abzuwandern. Wenn die Gründe definiert sind, kann man entsprechend gegensteuern, um die Abwanderungsrate zukünftig zu reduzieren. Bei diesem Fall wird analysiert, welche Kunden das Unternehmen in der Vergangenheit verlassen haben und welche Gemeinsamkeiten diese Kunden hatten. Oft lässt sich ein Muster bzw. ähnliche Eigenschaften erkennen, wie beispielsweise überdurchschnittlich viele Retouren und Abbrüche beim Online-Kaufprozess. Im zweiten Schritt wird geschaut, auf welche aktiven Kunden diese Eigenschaften zutreffen. Die identifizierten Kunden werden mit individuellen Aktionen angesprochen, um eine Abwanderung in der Zukunft zu vermeiden.

Cross- und Up-Selling

Cross- und Up-Selling-Kampagnen sind äußerst erfolgsversprechend, wenn sie für den Kunden inhaltlich relevant sind. Um die Kundenbedürfnisse besser zu verstehen, kommen Muster- und Klickpfad-Analysen zum Einsatz. Kundensegmente können so optimiert werden und deren Interessen mit Cross- und Up-Selling-Kampagnen verbunden werden. So werden beispielsweise alle Kunden identifiziert, die in der Vergangenheit ein bestimmtes Produkt X gekauft haben. Dieses Kundensegment wird hinsichtlich seiner Muster und Eigenschaften analysiert. Anschließend wird eine Marketingkampagne für Produkt X konzipiert, die Kunden mit den gleichen Eigenschaften ausgespielt wird.

Personalisierte Suchtechniken

Startpunkt auf einer Website bzw. einem Online-Shop ist häufig eine interne Suche. Ohne passende Suchergebnisse werden die Aktivitäten von den potenziellen Kunden jedoch schnell abgebrochen. “Vorausschauende Suchtechniken” können dieses Problem beheben, indem sie Konsumenten personalisierte Ergebnisse anzeigen. Hierzu wird das Klickverhalten und die Kunden- bzw. Bestellhistorie analysiert, um herauszufinden wofür der User sich interessieren könnte. Daraufhin werden Suchempfehlungen in Echtzeit erstellt und angezeigt, die den User, aufgrund der hohen Relevanz auf der Seite halten sollen.

Preisoptimierung

Preise lassen sich Online, insbesondere durch Suchmaschinen und Vergleichsportale, von Usern ganz einfach vergleichen. Für Unternehmen ist es daher essentiell, die eigenen Preise an den marktüblichen Preis anzugleichen, um den passenden Preis zum richtigen Zeitpunkt anzubieten. Durch das Kombinieren von Kunden- und Vertriebsdaten mit externen Daten (z.B. zum Wetter, zu Feiertagen etc.) können analytische Verfahren eingesetzt werden, die automatisch den besten Preis für ein Produkt kalkulieren.

Retourenmanagement

Eine hohe Anzahl von Retouren bedeutet für die meisten Unternehmen einen Verlust. Neben liegengelassenen Umsätzen und erhöhten Versandkosten kommt öfter eine Wertminderung hinzu. Ein wirksames Retourenmanagement ist daher unverzichtbar und lässt sich durch Prognosemodelle unterstützen. Predictive Analytics setzt hier an und berechnet die zu erwarteten Retouren. Hier spielen Einflussfaktoren wie das Weihnachtsgeschäft genauso eine Rolle wie Warenkörbe, die z.B. identische Produkte in unterschiedlichen Größen beinhalten.

Diese Daten können Unternehmen nutzen, um auf Basis des prognostizierten Arbeitsaufwandes die Personalplanung zu optimieren. Zudem können durch Analysen die häufigsten Gründe für eine Retoure ermittelt werden. Daraufhin können Features entwickelt werden, die diesen entgegenwirken, indem sie beispielsweise Nutzer vorab besser über die Produkte informieren.

Payment Mix

Online-Händler bieten ihren Kunden eine breite Palette an Zahlungsoptionen. Diese spiegeln allerdings oft nicht die Nachfrage der Kunden wider. Welche Zahlungsmöglichkeit sich positiv auf die KPIs eines Online-Shops auswirkt, lässt sich vor einer Implementierung durch Analysen wie einem A/B-Test schlecht sagen. Viele Auswirkungen wie z.B. ein verändertes Risikoprofil lassen sich erst nach längerer Zeit identifizieren. Eine nützliche Analysemöglichkeit stellen daher Prognosen durch Kausalmodelle dar. Hierbei können Auswirkungen von Zahlungsverfahren getestet werden, bevor sie integriert werden.

Die Use Cases dienen als Beispiele für den praxisbezogenen Einsatz von Predictive Analytics im Marketing. Die Liste lässt sich noch um einige Einsatzszenarien erweitern, jedoch macht sie jetzt schon deutlich, dass der Einsatz von Predictive Analytics nicht den Big Playern vorbehalten ist. Auch kleinere Unternehmen haben bei der zunehmenden Komplexität des Marktes Bedarf an Investitionen in Big Data und Predictive Analytics Lösungen.

Fallbeispiel Netflix

Der Einsatz von Predictive Analytics bei NetflixNetflix ist ein Musterbeispiel für den erfolgreichen Einsatz von Predictive Analytics. Netflix nutzt die zahlreichen Kundeninformationen über deren Vorlieben, Interessen und Gewohnheiten, um einen Empfehlungs-Algorithmus zu erstellen und somit Vorhersagen über die Kundennachfrage zu treffen.

Wenn Netflix Verträge mit Hollywood-Schauspielern schließt und neue Serien produziert, basiert dies einzig und allein auf einem Datenmodell und nicht auf einem siebten Sinn. Das Datenmodell sagt auf Grundlage der bereits gesammelten Informationen voraus, welche Kombination aus Talent und Handlung die größte Wahrscheinlichkeit auf Erfolg hat und welche Kunden eine bestimmte Serie anschauen werden.

Checkliste – Was man für den Einsatz von Predictive Analytics wissen sollte

Wir haben uns nun genau angeschaut, welche Ziele Predictive Analytics verfolgt und welche Anwendungsbereiche Predictive Analytics in unterschiedlichen Branchen findet. Zudem wurden die wesentlichen Use Cases für das Marketing definiert. Damit Sie nun den nächsten Schritt gehen können, um Predictive Analytics in Ihrem Unternehmen zu implementieren, haben wir die wichtigsten Punkte noch einmal zusammengefasst:

• Mit Predictive Analytics treffen Sie Vorhersagen über die Wahrscheinlichkeit des zukünftigen Verhaltens Ihrer Kunden
• Mit den gewonnenen Erkenntnissen können Sie individuell auf die Kundenwünsche reagieren und verbessern die Customer Experience
• Mit Predictive Analytics können Entscheidungen über passende Marketingaktivitäten getroffen werden. Dies unterliegt meist der Zuständigkeit von Managern und Fachexperten aus dem Marketing
• Die Verantwortlichen brauchen kein statistisches Fachwissen, sollten jedoch die Daten richtig interpretieren können. Dafür ist Wissen über die folgenden Prozesse erforderlich:
  Smart Customer Data – Wie wird die große Menge an gesammelten Daten in Smart Customer Data umgewandelt und wie bekomme ich ein einheitliches Bild über den Kunden mithilfe von konsolidierten Daten über alle Touchpoints hinweg?
  Regressionsanalyse – Welche Methoden gibt es, um die einem zur Verfügung stehenden Daten im Rahmen von Predictive Analytics auszuwerten? Wie wird die häufig genutzte Methode – die Regressionsanalyse – angewendet?
  Prognosequalität – Wie steht es um die Qualität der vorhandenen Daten? Spiegeln diese noch den Kunden, den Markt und sonstige Einflussfaktoren wider?
• Im Marketing können durch die Erkenntnisse von Predictive Analytics Maßnahmen für die folgenden Marketingziele und -Aktivitäten abgeleitet werden: Kundenabwanderung verhindern, Cross- und Up-Selling, Suchtechniken, Preisoptimierung, Retourenmanagement und Payment-Mix

Fazit

Predictive Analytics ist keine Fiktion mit einem Blick in die Glaskugel. Mit einer vorausschauenden Planung sind die meisten Menschen und Unternehmen schon lange vertraut, um so die eigenen Ressourcen effektiv einzusetzen. Einzuplanen, wie die Kunden sich in Zukunft verhalten werden, um so einen strategischen Nutzen zu ziehen, ist jedoch für die meisten Neuland. Das kommt nicht von ungefähr, schließlich erfordern Business Analytics- und Data Mining-Methoden hohe Investitionen und Know-how.

Aufgrund des steigenden Wettbewerbs und der immer größeren Menge an gesammelten Daten werden Predictive Analytics-Methoden jedoch auch bei kleinen und mittelständischen Unternehmen immer alltagstauglicher. Die beschriebenen Use Cases unterstreichen zudem die Praxistauglichkeit und die hohe Bedeutung von Predictive Analytics bei der Unterstützung von wichtigen Marketingmaßnahmen. Durch eine an die jeweilige Situation angepasste Kundenansprache wird die Customer Experience verbessert und letztlich der Umsatz gesteigert.