Die Lineare Regression ist eine der meist verwendeten Analysemethode aus der Statistik und dem Machine Learning. Sie untersucht den linearen Wirkungszusammenhang zwischen einer zu erklärenden (abhängigen) Zielvariable (Y) und einer oder mehreren unabhängigen Variablen (X). Genauer gesagt, versucht man mit Hilfe der linearen Regression den Einfluss von X auf Y zu schätzen. Für jeden Regressor werden, i.d.R. mithilfe der Ordinary Least Squares (OLS), Koeffizienten βi geschätzt, welche die Einflussstärke (Höhe des Koeffizienten) und Einflussrichtung (Vorzeichen des Koeffizienten) beschreiben.
Übertragen auf den Marketing- und Vertriebskontext kann man anhand der linearen Regression z.B. den potenziellen Wert von Leads (gemessen in erwartetem Absatz in EUR) objektiv schätzen. Der dadurch ermittelte Wert kann wiederum für die Lead-Priorisierung von den Vertriebsmitarbeitern verwendet werden und somit eine möglichst umsatzmaximierende Lead-Bearbeitung systematisch unterstützen. Grundlage sind hierfür zum einen Absatzzahlen (in EUR) der vergangenen Perioden sowie die zugehörigen Kennzahlen (X) wie z.B. Größe des Kundenunternehmens, Adresse des Unternehmens, Anzahl der Mitarbeiter sowie Umsatz.
from sklearn.linear_model import LinearRegression
reg = LinearRegression().fit(X_train, y_train)
reg.coef
Der Code Snippet ist in der Programmiersprache Python geschrieben und basiert auf dem Modul scikit-learn.
Gleichung:
Potenzieller Wert des Leads (in EUR) = β0 + β1*Unternehmensgröße + β2*Umsatz des Unternehmens – β3*Entfernung zum Unternehmen
Je größer das Unternehmen und je höher der Umsatz des Unternehmens, desto höher der potenzielle Wert des Leads, da größere Unternehmen in der Regel eine höhere Nachfrage haben als kleinere Unternehmen. Im produzierenden Gewerbe kann die Entfernung zum Unternehmen einen negativen Einfluss auf den potenziellen Wert des Leads haben, da mit steigender Entfernung auch die Transportkosten steigen und die erwartete Nachfrage wiederum negativ beeinflusst werden kann.
Mit Hilfe der linearen Regression kann nun die Einflussstärke bzw. die Gewichtung der jeweiligen Faktoren (X) auf den potenziellen Wert des Leads (Y) ermittelt und in Form von Regressionskoeffizienten errechnet werden. Nach Berechnung der entsprechenden Regressionskoeffizienten basierend auf Vergangenheitsdaten können diese Informationen nun für die Prognose verwendet werden. Füllt nun beispielsweise ein potenzieller Kunde auf Ihrer Website ein Formular aus und gibt die entsprechenden Informationen ein, kann im Hintergrund für den Vertriebsmitarbeiter direkt der erwartete Wert des Leads errechnet und bereitgestellt werden. In vielen Fällen reicht auch schon der Unternehmensname und die restlichen Informationen können aus externen Quellen zugespielt werden.
Zu beachten ist hierbei, dass die lineare Regression geeignet ist, um metrisch skalierte Zielvariablen zu schätzen. Für binäre Zielvariable, wie Kauf vs. Nicht-Kauf oder Click vs. Nicht-Click wird die beispielsweise die Logistische Regression oder ein Entscheidungsbaum verwendet.
Die obige Regressionsgrafik könnte die lineare Beziehung zwischen zwei Variablen darstellen, zum Beispiel den potenziellen Wert des Leads (Y-Achse) und die Unternehmensgröße (X-Achse), wobei die Farben eine kategorische Variable wie das Land beschreiben können.
