Predictive Analytics konstruiert mathematische Modelle auf historischen Daten, um Vorhersagen für die Zukunft zu machen. Dies ist ein sehr nützliches Werkzeug für Unternehmen aus nahezu allen Branchen. Im folgenden Beitrag werden einige Grundlagen sowie beispielhafte Anwendungen skizziert.

Planungssicherheit für Unternehmen

Die Antizipierung der Zukunft ist ein wichtiges Element des unternehmerischen Handelns. Ob für die Festlegung der Quartalsziele in einer Abteilung oder für die Ausrichtung des gesamten Unternehmens in den nächsten fünf Jahren – eine optimale Strategie ist von zentraler Bedeutung. Hierbei spielt vor allem Planungssicherheit eine entscheidende Rolle. Was sind mögliche Szenarien, auf welche zukünftig reagiert werden muss? Mit welchen Entwicklungen kann gerechnet werden? Wie würde eine mögliche Strategie die Geschäftszahlen beeinflussen?

Es entsteht unweigerlich der Eindruck, dass es für eine erfolgreiche Unternehmensführung nicht weniger als den Laplaceschen Dämon braucht, welcher die Zukunft exakt vorhersagt. Dies ist in der Realität jedoch leider nicht möglich, da die Welt ein komplexes System ist, in dem unvorhersagbare Zufallsphänomene eine wichtige Rolle spielen.

Aber auch wenn die Zukunft nicht genau vorhersagbar ist, so gibt es dennoch Möglichkeiten, sie in einem nützlichen Ausmaß zu quantifizieren. Hier bietet Data Science eine Reihe wertvoller Werkzeuge, welche trotz Unsicherheit belastbare Vorhersagen generieren. Diese Methoden werden häufig unter dem Begriff Predictive Analytics zusammengefasst, und sind in vielen Unternehmen bereits ein fester Bestandteil von Business Intelligence und Advanced Analytics.

Was ist Predictive Analytics?

Die Grundidee von Predictive Analytics-Verfahren ist es, Vorhersagen über die Zukunft auf Basis einer Kombination von historischen und aktuellen Daten zu generieren. Dieses generische Setting ist auf nahezu alle Branchen und Unternehmensbereiche anwendbar. So könnte eine Firma für Holzverarbeitung ihren zukünftigen Holzbedarf basierend auf vergangenen Bedarfsdaten sowie der aktuellen Marktsituation vorhersagen. Eine Telekommunikationsfirma könnte den zu erwartenden Absatz von Smartphones mithilfe von früheren Absatzzahlen, des Werbebudgets und gegenwärtigen Verbrauchertrends quantifizieren. Hier lassen sich dann auch verschiedene Szenarien betrachten, wie etwa zur Frage „Was ist der erwartete Smartphone-Absatz unter der Annahme, dass Betrag X für Werbung aufgewendet wird“.

Die zentrale Prämisse von Predictive Analytics ist, dass in historischen Daten strukturelle Muster existieren. Diese strukturellen Muster können sich sowohl auf die Werte einer Variablen im Zeitverlauf als auch auf die wechselseitige Beziehung zwischen Variablen beziehen. Um dies zu verstehen, müssen wir zunächst den Begriff der Variablen sowie mögliche Muster erörtern.

Variable

Eine Variable ist in diesem Kontext eine Größe, welche zu verschiedenen Zeitpunkten unterschiedliche Werte annimmt. Beispiel: die Anzahl der verkauften Smartphones pro Monat.

Muster im Zeitverlauf

Muster in den Werten einer Variablen im Zeitverlauf werden im einfachsten Fall anhand dreier Komponenten identifiziert:

• Trendkomponente: Wie entwickelt sich der Smartphone-Absatz langfristig?
• Saisonale Komponente: Gibt es konjunkturbedingte Variation im Smartphone-Absatz, bspw. im Frühling mehr Nachfrage als im Herbst?
• Irreguläre Komponente: Gibt es Schwankungen im Smartphone-Absatz, welche sich nicht durch Trend- und Saison-Effekte erklären lassen?

Die historischen Werte einer Variablen werden dann durch mathematische Operationen auf diese drei Komponenten heruntergebrochen und anschließend analysiert. Dies wird häufig mit dem Begriff Zeitreihenanalyse umschrieben. Dies wird anhand der folgenden Grafik skizziert.

Muster zwischen Variablen

Muster zwischen zwei Variablen äußern sich durch statistische Zusammenhänge in ihren historischen Werten. Im Falle eines positiven Zusammenhangs bedeutet dies, dass hohe Werte einer Variablen tendenziell mit hohen Werten einer anderen Variablen einhergehen. Somit ist es möglich Aussagen zu treffen, wie etwa „In Marktsituation A steigert ein Euro Werbebudget den Smartphone-Absatz um durchschnittlich X Geräte“. Der Einfachheit halber haben wir hier Marktsättigungseffekte ignoriert. Ein beispielhafter positiver (linearer) Zusammenhang wird in der nachfolgenden Grafik visualisiert.

Wenn solche strukturellen Muster in den historischen Daten existieren, dann lassen sich diese mittels Algorithmen automatisch erkennen und extrahieren. In der Praxis ist es häufig der Fall, dass eine Mischung aus beiden Musterarten vorliegt. Hier braucht es eine fundierte Analyse sowie praktische Erfahrung, um alle relevanten Strukturen zu erfassen. Wenn die Muster erst einmal extrahiert worden, kann das so gewonnene Datenwissen dazu verwendet werden, um Vorhersagen für die Zukunft zu machen. Diese Vorhersagen sind dann als Schätzwerte zu verstehen. Sie bilden Aspekte wie Trend und Saisonalität gegeben der Daten wahrheitsgetreu ab, es kann jedoch zu kleineren Abweichungen aufgrund von Zufallsschwankungen kommen (siehe Grafik 1: Abweichung von „Gemessener Wert“ und „Saisonalität+Trend“).

Predictive Analytics im Marketing

Predictive Analytics ist keineswegs nur in Entwicklungs- und Strategie-Abteilungen relevant. Auch im Marketing gibt es viele Anwendungen, bei welchen entsprechende Verfahren wertvolle Dienste leisten können. Nachfolgend wird hierfür ein Beispiel skizziert.

Ein wichtiger Aspekt für ein effektives Social Media Marketing ist die Maximierung der organischen Reichweite produktbezogener Posts. Hierfür braucht es vor allem ein stabiles Follower-Wachstum auf den firmeninternen Social-Media-Kanälen, wie etwa auf Facebook oder Instagram. Dieses wird durch verschiedene Komponenten stimuliert, wie bspw. attraktive Beitragsinhalte oder auch eine optimale Beitrags-Frequenz und -Zeit für die jeweilige Zielgruppe. Predictive Analytics Verfahren können dazu verwendet werden, die vergangenen Aktivitäten einer Firma sowie deren Performance zu analysieren. Hier werden dann strukturelle Muster zwischen sogenannten Key Performance Indikatoren und den Metriken der Social Media Kanalführung identifiziert, welche an der Stelle als Variablen betrachtet werden.  Auf dieser Basis kann dann bspw. nachvollzogen werden, welche Inhalte für ein maximales positives Engagement innerhalb der relevanten Zielgruppe sorgen.

Mithilfe dieser Erkenntnisse können im Anschluss Vorhersagen über das Follower-Wachstum vor dem Hintergrund möglicher Szenarien gemacht werden. Ein Beispiel: Mit wie viel Follower-Wachstum kann die Firma in einem Quartal rechnen, wenn zukünftig einmal in der Woche das Thema „Nachhaltigkeit“ in den Beiträgen adressiert wird? Auf Basis solcher Vorhersagen lässt sich im nächsten Schritt eine für die Zielgruppe optimale Social Media Marketing Strategie erarbeiten, welche die Reichweite der Kanäle maximiert und somit die bestmögliche Wahrnehmung der eigenen Produkte ermöglicht.

Fazit

Auch wenn die Zukunft nie exakt vorhergesagt werden kann, so ist Predictive Analytics dennoch ein wertvolles Werkzeug für Unternehmen jeder Größe und Branche. Ob in Entwicklung, Business Intelligence oder Marketing – seine Predictive Analytics Verfahren können in vielen Anwendungen und Fragestellungen einen entscheidenden Mehrwert bieten.

CURE Intelligence beschäftigt erstklassige Data Science Experten, welche flexible Predictive Analytics Verfahren maßgeschneidert für die Anforderungen Ihres Unternehmens entwickeln. Lassen Sie uns gerne wissen, wie wir Sie unterstützen können!

Sie interessieren sich für Themen des datengetriebenen Marketings? Bleiben Sie immer up-to-date mit unserem monatlichen D²M-Newsletter.