Predictive Modelling

Was ist Predictive Modelling?

Predictive Modelling ist die Verwendung von Daten, statistischen Algorithmen und maschinellen Lerntechniken in einem statistischen Modell, um die Wahrscheinlichkeit zukĂŒnftiger Ergebnisse basierend auf historischen Daten zu identifizieren. Das Ziel besteht darin, nicht nur zu wissen, was passiert ist, sondern auch zu beurteilen, was in Zukunft passieren wird.

Jedes Modell besteht aus einer Reihe von PrĂ€diktoren, bei denen es sich mit hoher Wahrscheinlichkeit um Variablen handelt, die zukĂŒnftige Ergebnisse beeinflussen können. Wenn die Daten fĂŒr relevante PrĂ€diktoren gesammelt wurden, wird ein statistisches Modell fĂŒr die Vorhersage formuliert. Das Modell kann eine einfache lineare Gleichung verwenden oder es kann sich um ein komplexes neurales Netzwerk handeln. Wenn zusĂ€tzliche Daten verfĂŒgbar werden, wird das statistische Analysemodell validiert oder ergĂ€nzt und ĂŒberarbeitet.

Anwendungsgebiete des Predictive Modelling

Predictive Modelling wird in der Meteorologie fĂŒr Wettervorhersagen und fĂŒr Spamfiltern verwendet, um die Wahrscheinlichkeit zu ermitteln, dass es sich bei einer bestimmten Nachricht um Spam handelt. Bei der Betrugserkennung werden die prĂ€diktive Modellierung verwendet, um Ausreißer in einem Datensatz zu identifizieren, die auf betrĂŒgerische AktivitĂ€ten hindeuten. Im Customer Relationship Management nutzen Unternehmen statistisch Modelle, um das Messaging auf Kunden auszurichten, die am wahrscheinlichsten einen Kauf tĂ€tigen.

Weitere Anwendungen sind die KapazitĂ€tsplanung in produzierenden Unternehmen, das Change Management, Disaster Recovery (DR), Engineering, physisches und digitales Sicherheitsmanagement sowie die Stadtplanung. Eine der hĂ€ufigsten Anwendungen der prĂ€diktiven Modellierung ist Online-Werbung und -Marketing. Marketer verwenden die historischen Daten von Kunden, um zu bestimmen, welche Arten von Produkten sie interessieren könnten und auf welches Angebot sie wahrscheinlich klicken wĂŒrden.

Predictive Modelling fĂŒr das Kundenverhalten

Die Vorhersage von Kundenverhalten und -prĂ€ferenzen ist ein wichtiger Faktor fĂŒr den Erfolg von Unternehmen wie Amazon und eBay. Die Technologie wird aber auch fĂŒr kleinere Unternehmen immer zugĂ€nglicher und relevanter.

Predictive Modelling kann genutzt werden um Kunden oder Interessenten zu identifizieren, die aufgrund ihrer demografischen Merkmale oder ihres frĂŒheren Kaufverhaltens sehr wahrscheinlich ein bestimmtes Produkt kaufen. In diesem Zusammenhang bedeutet “voraussagend” nicht einfach die Vorhersage der Zukunft. Es bedeutet, die quantitativen Faktoren zu identifizieren, die verwendet werden können, um das KĂ€uferverhalten vorherzusagen. Predictive Modelling ist ein leistungsfĂ€higes Datenanalyseverfahren, mit dem E-Mail- und Direct-Mail-AktivitĂ€ten und bis zu einem gewissen Grad das Behavioral Targeting in Online-Medien gesteuert werden können.

Es existieren eine Reihe von relativ einfachen Modelltypen, die im Marketing eine Rolle spielen. Die drei wichtigsten Vorhersagemodelle sind:

  • Cluster-Modelle: Cluster-Modelle werden fĂŒr die Kundensegmentierung verwendet. Die Algorithmen segmentieren Zielgruppen basierend auf zahlreichen Variablen, von demografischen Daten bis zur durchschnittlichen Auftragsmenge der Kunden. Zu den gĂ€ngigen Cluster-Modellen gehören das Verhaltensclustering, produktbasiertes oder kategoriebasiertes Clustering und das markenbasierte Clustering.
  • Propensity-Modelle: Hierbei handelt es sich um echte Vorhersagemodelle fĂŒr das Kundenverhalten. Zu den gĂ€ngigen Modellen gehören der prĂ€diktive Customer Lifetime Value, die Wahrscheinlichkeit des Engagements, die Neigungen der Kunden, sich abzumelden, zu konvertieren oder abzuwandern und die Kaufbereitschaft.
  • Collaborative Filtering: Collaborative Filtering wird fĂŒr die Empfehlung von Produkten, Services und Anzeigen an Kunden basierend auf einer Vielzahl von Variablen, einschließlich des Kaufverhaltens in der Vergangenheit verwendet. Amazon und Netflix verwenden das Collaborative Filtering fĂŒr Up-Sell-, Cross-Sell- und Next-Sell-Empfehlunge

Die Regressionsanalyse in ihren verschiedenen Formen ist das wichtigste Werkzeug, das Unternehmen fĂŒr die Vorhersage verwenden. Die Regressionsanalyse wird durchgefĂŒhrt, um Korrelationen zwischen bestimmten Kundenvariablen beim Kauf eines bestimmten Produkts zu erkennen. Der dabei ermittelte Regressionskoeffizienten, das heißt, der Grad, zu dem jede Variable das Kaufverhalten beeinflusst, wird anschließend genutzt, um eine Punktzahl fĂŒr die Wahrscheinlichkeit zukĂŒnftiger KĂ€ufe zu bestimmen.

Wenn Sie noch Fragen bezĂŒglich der Regressionsanalyse haben, dann können Sie gerne den jeweiligen Glossar dazu besuchen und sich ĂŒber das Thema informieren.

Mit den richtigen Inhalten die richtigen Kunden zur richtigen Zeit ansprechen

Die richtigen Kunden zum richtigen Zeitpunkt mit dem besten Angebot anzusprechen, fĂŒhrt zur Kundensegmentierung. Dies ist eine der gĂ€ngigsten Marketinganwendungen fĂŒr Vorhersagemodelle, da sie eine der einfachsten und direktesten Möglichkeiten darstellt, ein Marketingangebot zu optimieren und einen schnellen ROI zu erzielen.

Studien zeigen, das Unternehmen, die Predictive Modelling nutzen, doppelt so hĂ€ufig in der Lage sind, hochwertige Kunden zu identifizieren und das richtige Angebot zu vermarkten. Eine Reihe von prĂ€diktiven Analysemodellen kann in dieser Anwendung verwendet werden, einschließlich der AffinitĂ€tsanalyse, Antwortmodellierung und Churn-Analyse.

Die Ergebnisse des Predictive Modelling sind im hohen Maße von den proprietĂ€ren Daten abhĂ€ngig. Wichtig ist dabei, das Big Data prĂ€diktive Modelle nicht zwangslĂ€ufig genauer macht. Erfahrungswerte und Analysen zeigen, dass zusĂ€tzliche Daten die Vorhersagen ab einem gewissen Zeitpunkt nicht mehr verbessern. Durch die Analyse reprĂ€sentativer Teile der verfĂŒgbaren Informationen, das heißt durch Stichproben, kann die Entwicklungszeit und Bereitstellung von Modellen beschleunigt werden. Das Sammeln der richtigen Daten fĂŒr die Entwicklung von Algorithmen ist eine hĂ€ufig unterschĂ€tzte Herausforderung beim Predictive Modelling zu ermitteln.

HĂŒrden bei der Implementierung des Predictive Modelling

Predictive Modelling wird hĂ€ufig in erster Linie als ein mathematisches Problem angesehen. Oft sind es allerdings die technischen und organisatorischen Barrieren, die verhindern, dass die benötigten Daten gesammelt werden können. Ein weiterer potenzieller Hinderungsgrund fĂŒr die Anwendung eines Vorhersagemodells besteht darin, sicherzustellen, dass Projekte auf reale geschĂ€ftliche Herausforderungen ausgerichtet sind. Nicht selten werden beim Predictive Modelling Korrelationen entdeckt und mit zusĂ€tzlichen Algorithmen weiter analysiert, die zwar statistisch signifikant sind, aber fĂŒr das Unternehmen nur von geringem oder keinem Nutzen sind. Predictive Modelling kann nur von Nutzen sein, wenn die gewonnenen Daten eine geschĂ€ftliche Relevanz haben.

Predictive Modelling kann einem Unternehmen helfen, die Kommunikation mit Kunden effizient zu steuern und das kommerzielle Risiko im Kundenverhalten zu kontrollieren. Die Technik kann dabei sowohl fĂŒr die Marketingabteilung wie auch fĂŒr die Finanzabteilung von Nutzen sein. Im Bezug auf das Marketing kann die statistische Vorhersage Kunden identifizieren, die sowohl hohe UmsĂ€tze erzielen als auch einen hohen Lebenszeitwert haben. Gleichzeitig sind dies die Kunden, die aus Sicht der Finanzabteilung aller Wahrscheinlichkeit nach die wenigsten Probleme bereiten. Insgesamt ermöglicht es Predictive Modelling, die Ressourcen eines Unternehmens besser auszunutzen.

Tipp

Wenn Sie noch Fragen bezĂŒglich eines Online Marketing Themas haben, dann können Sie gerne unseren Glossar besuchen und sich ĂŒber das Thema informieren, wo Sie noch speziell Fragen haben.


Sie haben noch Fragen?

Kontaktieren Sie uns

Kostenloser SEO-Check der OSG


Weitere Inhalte