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 zuk├╝nftiger 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 Pr├Ądiktoren, bei denen es sich mit hoher Wahrscheinlichkeit um Variablen handelt, die zuk├╝nftige Ergebnisse beeinflussen k├Ânnen. Wenn die Daten f├╝r relevante Pr├Ądiktoren gesammelt wurden, wird ein statistisches Modell f├╝r die Vorhersage formuliert. Das Modell kann eine einfache lineare Gleichung verwenden oder es kann sich um ein komplexes neurales Netzwerk handeln. Wenn zus├Ątzliche Daten verf├╝gbar werden, wird das statistische Analysemodell validiert oder erg├Ąnzt und ├╝berarbeitet.

Anwendungsgebiete des Predictive Modelling

Predictive Modelling wird in der Meteorologie f├╝r Wettervorhersagen und f├╝r Spamfiltern verwendet, um die Wahrscheinlichkeit zu ermitteln, dass es sich bei einer bestimmten Nachricht um Spam handelt. Bei der Betrugserkennung werden die pr├Ądiktive Modellierung verwendet, um Ausrei├čer in einem Datensatz zu identifizieren, die auf betr├╝gerische Aktivit├Ąten hindeuten. Im Customer Relationship Management┬ánutzen Unternehmen statistisch Modelle, um das Messaging auf Kunden auszurichten, die am wahrscheinlichsten einen Kauf t├Ątigen.

Weitere Anwendungen sind die Kapazit├Ątsplanung in produzierenden Unternehmen, das Change Management, Disaster Recovery (DR), Engineering, physisches und digitales Sicherheitsmanagement sowie die Stadtplanung. Eine der h├Ąufigsten Anwendungen der pr├Ądiktiven Modellierung ist Online-Werbung und -Marketing. Marketer verwenden die historischen Daten von Kunden, um zu bestimmen, welche Arten von Produkten sie interessieren k├Ânnten und auf welches Angebot sie wahrscheinlich klicken w├╝rden.

Predictive Modelling f├╝r das Kundenverhalten

Die Vorhersage von Kundenverhalten und -pr├Ąferenzen ist ein wichtiger Faktor f├╝r den Erfolg von Unternehmen wie Amazon und eBay. Die Technologie wird aber auch f├╝r kleinere Unternehmen immer zug├Ąnglicher und relevanter.

Predictive Modelling kann genutzt werden um Kunden oder Interessenten zu identifizieren, die aufgrund ihrer demografischen Merkmale oder ihres fr├╝heren 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 k├Ânnen, um das K├Ąuferverhalten vorherzusagen. Predictive Modelling ist ein leistungsf├Ąhiges Datenanalyseverfahren, mit dem E-Mail- und Direct-Mail-Aktivit├Ąten und bis zu einem gewissen Grad das Behavioral Targeting in Online-Medien gesteuert werden k├Ânnen.

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

  • Cluster-Modelle: Cluster-Modelle werden f├╝r die Kundensegmentierung verwendet. Die Algorithmen segmentieren Zielgruppen basierend auf zahlreichen Variablen, von demografischen Daten bis zur durchschnittlichen Auftragsmenge der Kunden. Zu den g├Ąngigen Cluster-Modellen geh├Âren das Verhaltensclustering, produktbasiertes oder kategoriebasiertes Clustering und das markenbasierte Clustering.
  • Propensity-Modelle: Hierbei handelt es sich um echte Vorhersagemodelle f├╝r das Kundenverhalten. Zu den g├Ąngigen Modellen geh├Âren der pr├Ądiktive 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 f├╝r die Empfehlung von Produkten, Services und Anzeigen an Kunden basierend auf einer Vielzahl von Variablen, einschlie├člich des Kaufverhaltens in der Vergangenheit verwendet. Amazon und Netflix verwenden das Collaborative Filtering f├╝r Up-Sell-, Cross-Sell- und Next-Sell-Empfehlunge

Die Regressionsanalyse in ihren verschiedenen Formen ist das wichtigste Werkzeug, das Unternehmen f├╝r die Vorhersage verwenden. Die Regressionsanalyse wird durchgef├╝hrt, um Korrelationen zwischen bestimmten Kundenvariablen beim Kauf eines bestimmten Produkts zu erkennen. Der dabei ermittelte Regressionskoeffizienten, das hei├čt, der Grad, zu dem jede Variable das Kaufverhalten beeinflusst, wird anschlie├čend genutzt, um eine Punktzahl f├╝r die Wahrscheinlichkeit zuk├╝nftiger K├Ąufe zu bestimmen.

Tipp

Wenn Sie noch Fragen bez├╝glich der Regressionsanalyse haben, dann k├Ânnen Sie gerne den jeweiligen Glossar dazu besuchen und sich ├╝ber 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, f├╝hrt zur Kundensegmentierung. Dies ist eine der g├Ąngigsten Marketinganwendungen f├╝r Vorhersagemodelle, da sie eine der einfachsten und direktesten M├Âglichkeiten darstellt, ein Marketingangebot zu optimieren und einen schnellen ROI zu erzielen.

Studien zeigen, das Unternehmen, die Predictive Modelling nutzen, doppelt so h├Ąufig in der Lage sind, hochwertige Kunden zu identifizieren und das richtige Angebot zu vermarkten. Eine Reihe von pr├Ądiktiven Analysemodellen kann in dieser Anwendung verwendet werden, einschlie├člich der Affinit├Ątsanalyse, Antwortmodellierung und Churn-Analyse.

Die Ergebnisse des Predictive Modelling sind im hohen Ma├če von den propriet├Ąren Daten abh├Ąngig. Wichtig ist dabei, das Big Data pr├Ądiktive Modelle nicht zwangsl├Ąufig genauer macht. Erfahrungswerte und Analysen zeigen, dass zus├Ątzliche Daten die Vorhersagen ab einem gewissen Zeitpunkt nicht mehr verbessern. Durch die Analyse repr├Ąsentativer Teile der verf├╝gbaren Informationen, das hei├čt durch Stichproben, kann die Entwicklungszeit und Bereitstellung von Modellen beschleunigt werden. Das Sammeln der richtigen Daten f├╝r die Entwicklung von Algorithmen ist eine h├Ąufig untersch├Ątzte Herausforderung beim Predictive Modelling zu ermitteln.

H├╝rden bei der Implementierung des Predictive Modelling

Predictive Modelling wird h├Ąufig in erster Linie als ein mathematisches Problem angesehen. Oft sind es allerdings die technischen und organisatorischen Barrieren, die verhindern, dass die ben├Âtigten Daten gesammelt werden k├Ânnen. Ein weiterer potenzieller Hinderungsgrund f├╝r die Anwendung eines Vorhersagemodells besteht darin, sicherzustellen, dass Projekte auf reale gesch├Ąftliche Herausforderungen ausgerichtet sind. Nicht selten werden beim Predictive Modelling Korrelationen entdeckt und mit zus├Ątzlichen Algorithmen weiter analysiert, die zwar statistisch signifikant sind, aber f├╝r das Unternehmen nur von geringem oder keinem Nutzen sind. Predictive Modelling kann nur von Nutzen sein, wenn die gewonnenen Daten eine gesch├Ąftliche 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 f├╝r die Marketingabteilung wie auch f├╝r die Finanzabteilung von Nutzen sein. Im Bezug auf das Marketing kann die statistische Vorhersage Kunden identifizieren, die sowohl hohe Ums├Ątze 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 erm├Âglicht es Predictive Modelling, die Ressourcen eines Unternehmens besser auszunutzen.

Tipp

Wenn Sie noch Fragen bez├╝glich eines Online Marketing Themas haben, dann k├Ânnen Sie gerne unseren Glossar besuchen und sich ├╝ber das Thema informieren, wo Sie noch speziell Fragen haben.


Sie haben noch Fragen?

Kontaktieren Sie uns

Kostenloser SEO-Check der OSG


Weitere Inhalte