Deskriptive Analyse

Definition und Abgrenzung

Descriptive Analytics betrachtet vor allem die Vergangenheit. Mit Hilfe von historischen Daten wird untersucht und visuell dargestellt, was passiert ist. Wörtlich übersetzt bedeutet Descriptive Analytics (deskriptive Datenanalyse) die Beschreibung von Daten. Diese Daten (ohne Predictive Analytics) können einerseits den Vergangenheitsverlauf oder den Ist-Zustand beschreiben. Der Ist-Zustand ist wiederum das Resultat aus allen Ereignissen der Vergangenheit. Descriptive Analytics beinhaltet dementsprechend sowohl einen Blick in die Vergangenheit (Retrospektive) als auch in die Gegenwart. Dahingegen sind Predictive und Prescriptive Analytics in die zukunftsgerichtet.

Einsatz von Descriptive Analytics

Wir verwenden Descriptive Analytics mit einem Schwerpunkt auf ide zwei folgenden Ziele. Einerseits können mittels Descriptive Analytics Erkenntnisse für das spätere Predictive Analytics gewonnen werden. Andererseits bieten die Methoden des Descriptive Analytics hervorragende Möglichkeiten, BI-Dashboards für das Controlling aufzubauen.

Descriptive Analytics ist ein elementarer Bestandteil des Data Mining. Es wird dem CRISP-DM folgend, in der Phase des Data Understanding verwendet. Die explorative Datenanalyse ist ein Teilbereich von Descriptive Analytics. Wenn wir uns im Data Understanding befinden, geht es darum, die Daten zu verstehen ohne Zuhilfenahme etwaiger Modelle. Es wird ein erstes Verständnis generiert, wie die Daten strukturiert sind, zusammenhängen, korrelieren und sich in der Vergangenheit verhalten haben. Diese Erkenntnisse können im späteren Verlauf in Predictive Analytics (sprich das Modeling) oder in BI-Dashboards einfließen.

Dafür existieren in der zahlreiche Methoden, Vorgehensweisen und Visualisierungen.

Statistische Methoden umfassen:

• Zusammenfassende Statistiken wie Mittelwerte, Standardabweichungen, Quantile, Minimum und Maximum
• Kreuztabellen
• Korrelationen

Visualisierungen umfassen:

• Boxplots
• Scatterplots
• Barplots
• Histogramme
• Dichteplots
• Korrelationsplots

Idealerweise werden deskriptive Analysen in BI-Dashboards eingebunden, die einen interaktiven Umgang mit deskriptiven Analysen und deren visueller Darstellung ermöglicht. Auch hier ermöglicht Descriptive Analytics die Darstellung des Vergangenheitsverlaufs (Retrospektive) oder der Gegenwart (Ist-Zustand). Die Dashboards, welche wir bei unseren Kunden einsetzen, kennzeichnen sich durch Interaktivität. Das bedeutet, verschiedene Dimensionen, wie Zeit oder kategoriale Variablen (wie bspw. Regionen) lassen sich interaktiv verändern. Daraus ergeben sich in Echtzeit angepasste Grafiken sowie Tabellen.

BI-Dashboards im Vertrieb

Dashboards können im Vertrieb sinnvollerweise auf zwei Arten eingesetzt werden: Zur Unterstützung des Vertrieblers und zum Vertriebs-Controlling.

Unterstützung des Vertrieblers

In diesen Dashboards kommt optimalerweise eine Kombination aus Descriptive Analytics und Predictive Analytics zum Einsatz. Descriptive Analytics zeigt die Retrospektive und den Ist-Zustand, während Predictive Analytics Vorhersagen für die Zukunft schreibt.

Descriptive Analytics

Generell sind den Möglichkeiten für diese Dashboards nahezu keine Grenzen gesetzt. Descriptive Analytics kann zum Beispiel visualisieren, welche Produkte der Kunde besitzt, wann diese gekauft wurden, in welcher Frequenz gekauft wurde und welcher Wert den Käufen im Durchschnitt zugrunde lag. Weiterhin kann der Kunde mit ähnlichen Kunden oder anderen Kunden in der Region verglichen werden (Benchmarking). Auch können Interaktionen, Touchpoints (vertrieblich und marketingtechnisch) visualisiert werden. Die Ziele und Aussagekraft der jeweiligen Visualisierungen und Tabellen sind im Einzelfall individuell abzustimmen.

Predictive Analytics

Predictive Analytics unterstützt die Vertriebler bei der Priorisierung der Kunden. Modelle können für jeden Kunden pro Produkt einen Score liefern, der es den Vertrieblern ermöglicht, zuerst die vielversprechendsten Kunden anzugehen. Predictive Analytics ermöglicht z.B. folgende Vorhersagen:

• Abschluss-Scores für verschiedene Produkte
• Customer Lifetime Value (CLV)
• Zugeordnete Segmente (Clustering)
• Next-Best-Action
• Abwanderungs-Score

Vertriebs-Controlling

Während die einzelnen Vertriebler aus Datensicht auf der Kundenebene arbeiten, werden beim Vertriebs-Controlling die Daten aggregiert betrachtet. Aggregationen können über geographische Regionen, Produktsparten oder anderen beliebigen Zuordnungen erfolgen. Auch hier kann die Unterscheidung zwischen Descriptive Analytics und Predictive Analytics getroffen werden. In beiden Bereichen lassen sich sinnhaftige Dashboards für das Vertriebs-Controlling einsetzen.

Die zu betrachtenden Zahlen und Metriken unterscheiden sich oftmals nicht stark, von denen, welche die einzelnen Vertriebler verwenden. Jedoch werden diese Daten nun aggregiert, um Vergleichbarkeiten zwischen, beispielsweise geographischen Regionen oder Produktsparten zu ermöglichen.

Im Folgenden einige Beispiele für Kennzahlen und Metriken, wie sie bereits in Dashboards von unseren Kunden eingesetzt werden:

Descriptive Analytics

• Anzahl verkaufter Einheiten in Region X im Zeitraum X
• Anzahl Kunden in Regionen
• Monetärer Beitrag aller Kunden in Region X

Predictive Analytics

• Verkaufspotenzial in Region X
• Summierter Wert (CLV) der Kunden in Region X
• Erwarteter Umsatz in Region X

Die Darstellung kann über interaktive Tabellen, Grafiken und geographische Karten wie die untere erfolgen.