Skip to main content

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 zukünftiger 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 Prädiktoren, bei denen es sich mit hoher Wahrscheinlichkeit um Variablen handelt, die zukünftige Ergebnisse beeinflussen können. Wenn die Daten für relevante Prädiktoren gesammelt wurden, wird ein statistisches Modell für die Vorhersage formuliert. Das Modell kann eine einfache lineare Gleichung verwenden oder es kann sich um ein komplexes neurales Netzwerk handeln. Wenn zusätzliche Daten verfügbar werden, wird das statistische Analysemodell validiert oder ergänzt und überarbeitet.

Anwendungsgebiete des Predictive Modelling

Predictive Modelling wird in der Meteorologie für Wettervorhersagen und für Spamfiltern verwendet, um die Wahrscheinlichkeit zu ermitteln, dass es sich bei einer bestimmten Nachricht um Spam handelt. Bei der Betrugserkennung werden die prädiktive Modellierung verwendet, um Ausreißer in einem Datensatz zu identifizieren, die auf betrügerische Aktivitäten hindeuten. Im Customer Relationship Management nutzen Unternehmen statistisch Modelle, um das Messaging auf Kunden auszurichten, die am wahrscheinlichsten einen Kauf tätigen.

Weitere Anwendungen sind die Kapazitätsplanung in produzierenden Unternehmen, das Change Management, Disaster Recovery (DR), Engineering, physisches und digitales Sicherheitsmanagement sowie die Stadtplanung. Eine der häufigsten Anwendungen der prädiktiven 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 würden.

Predictive Modelling für das Kundenverhalten

Die Vorhersage von Kundenverhalten und -präferenzen ist ein wichtiger Faktor für den Erfolg von Unternehmen wie Amazon und eBay. Die Technologie wird aber auch für kleinere Unternehmen immer zugänglicher und relevanter.

Predictive Modelling kann genutzt werden um Kunden oder Interessenten zu identifizieren, die aufgrund ihrer demografischen Merkmale oder ihres früheren 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 Käuferverhalten vorherzusagen. Predictive Modelling ist ein leistungsfähiges Datenanalyseverfahren, mit dem E-Mail- und Direct-Mail-Aktivitäten 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 für die Kundensegmentierung verwendet. Die Algorithmen segmentieren Zielgruppen basierend auf zahlreichen Variablen, von demografischen Daten bis zur durchschnittlichen Auftragsmenge der Kunden. Zu den gängigen Cluster-Modellen gehören das Verhaltensclustering, produktbasiertes oder kategoriebasiertes Clustering und das markenbasierte Clustering.
  • Propensity-Modelle: Hierbei handelt es sich um echte Vorhersagemodelle für das Kundenverhalten. Zu den gängigen Modellen gehören der prädiktive 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 für 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 für Up-Sell-, Cross-Sell- und Next-Sell-Empfehlunge

Die Regressionsanalyse in ihren verschiedenen Formen ist das wichtigste Werkzeug, das Unternehmen für die Vorhersage verwenden. Die Regressionsanalyse wird durchgeführt, 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 für die Wahrscheinlichkeit zukünftiger Käufe zu bestimmen.

Mit den richtigen Inhalten die richtigen Kunden zur richtigen Zeit ansprechen

Die richtigen Kunden zum richtigen Zeitpunkt mit dem besten Angebot anzusprechen, führt zur Kundensegmentierung. Dies ist eine der gängigsten Marketinganwendungen für 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 häufig in der Lage sind, hochwertige Kunden zu identifizieren und das richtige Angebot zu vermarkten. Eine Reihe von prädiktiven Analysemodellen kann in dieser Anwendung verwendet werden, einschließlich der Affinitätsanalyse, Antwortmodellierung und Churn-Analyse.

Die Ergebnisse des Predictive Modelling sind im hohen Maße von den proprietären Daten abhängig. Wichtig ist dabei, das Big Data prädiktive Modelle nicht zwangsläufig genauer macht. Erfahrungswerte und Analysen zeigen, dass zusätzliche Daten die Vorhersagen ab einem gewissen Zeitpunkt nicht mehr verbessern. Durch die Analyse repräsentativer Teile der verfügbaren Informationen, das heißt durch Stichproben, kann die Entwicklungszeit und Bereitstellung von Modellen beschleunigt werden. Das Sammeln der richtigen Daten für die Entwicklung von Algorithmen ist eine häufig unterschätzte Herausforderung beim Predictive Modelling zu ermitteln.

Hürden bei der Implementierung des Predictive Modelling

Predictive Modelling wird häufig 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 für die Anwendung eines Vorhersagemodells besteht darin, sicherzustellen, dass Projekte auf reale geschäftliche Herausforderungen ausgerichtet sind. Nicht selten werden beim Predictive Modelling Korrelationen entdeckt und mit zusätzlichen Algorithmen weiter analysiert, die zwar statistisch signifikant sind, aber für das Unternehmen nur von geringem oder keinem Nutzen sind. Predictive Modelling kann nur von Nutzen sein, wenn die gewonnenen Daten eine geschäftliche 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 für die Marketingabteilung wie auch für die Finanzabteilung von Nutzen sein. Im Bezug auf das Marketing kann die statistische Vorhersage Kunden identifizieren, die sowohl hohe Umsätze 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.

Sie haben noch Fragen?

Kontaktieren Sie uns

Kostenloser SEO-Check der OSG

Predictive Modelling
Beitrag bewerten