Definition und Abgrenzung
Predictive Analytics betrachtet- im Gegensatz zu Descriptive Analytics – die Zukunft und trifft Vorhersagen über diese. Zukünftige Ereignisse und Zustände werden prognostiziert. Schließt ein Kunde einen Vertrag ab oder kauft ein Produkt? Für welches Produkt interessiert sich der Kunde am ehesten? Wie sehen meine Absatzzahlen in der Zukunft aus?
Um Prognosen tätigen zu können, bedient sich Predictive Analytics verschiedener Methoden aus dem Bereich der Statistik und des Machine Learnings (siehe nächster Abschnitt). Dafür werden innerhalb der Modelle Rückschlüsse aus vergangenen Daten gezogen. Diese dienen als Grundlage für die Vorhersage zukünftiger Ereignisse und Zustände.
Stärken und Schwächen von Predictive Analytics
Darin liegt einerseits die große Stärke aber auch die große Schwäche von Predictive Analytics. Oftmals sind Vergangenheitsdaten sehr gut geeignet, um die Zukunft vorherzusagen. In der Regel präziser, als Heuristiken oder zufälliges Raten (engl. Random Guessing). Jedoch ist die Zukunft ungewiss und von derartig vielen Faktoren abhängig, sodass diese niemals abgebildet werden können. D.h. Prognosen sind immer Unsicherheit verbunden. Die Muster, welche in der Vergangenheit galten, gelten nicht zwangsläufig auch in der Zukunft. Zudem ist es möglich, dass bestimmte Muster aus der Vergangenheit nicht wiederholt werden sollen (Garbage in, Garbage out).
Um den Sinn von Predictive Analytics in einem Satz zusammenzufassen: Es geht darum, präzisere Vorhersagen zu tätigen, als durch einfache Heuristiken oder blindes Raten (engl. Random Guessing) zustande kämen. Es ist nicht entscheidend, in jedem Einzelfall eine exakte Prognose zu treffen. Sondern im Durchschnitt präzisere Vorhersagen zu liefern.
Methoden des Predictive Analytics
Die Verfahren können in ökonometrische und „Machine Learning“-Verfahren, mitunter auch als Verfahren der Künstlichen Intelligenz bezeichnet, unterschieden werden. Darüber hinaus sollte danach unterschieden werden, ob eine Kategorie, z.B. Kauf oder Nicht-Kauf, oder eine kontinuierliche Variable, z.B. der Umsatz oder Gewinn, prognostiziert werden soll.
Bei kategorischen Ereignissen werden Wahrscheinlichkeiten geschätzt. Bei ökonometrischen Verfahren wird häufig auf binäre Logit-Modelle, auch logistische Regression genannt, oder binäre Probit-Modelle zurückgegriffen. Im Bereich „Machine Learning“ kommen traditionell Entscheidungsbaumverfahren („decision trees“), häufig kombiniert mit Ensemblemethoden („ensemble methods“) wie Bagging, Boosting und Random Forest, zum Einsatz. Häufiger werden in jüngster Zeit auch neuronale Netze („neural networks“) eingesetzt. Weniger häufig kommen „Support Vector Machine“-Verfahren zum Einsatz.
Bei kontinuierlichen Variablen wird häufig auf Regressionsanalysen zurückgegriffen. Im Bereich des Machine Learning finden sich auch Regression Trees, Model Trees und „Nearest Neighbor“-Verfahren.
Einsatzbereich im Vertrieb
Unterstützung des Vertrieblers
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
Steuerung und Controlling des Vertriebs
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 erfolgen.
