Wer sich gerne über neue Technologien auf dem Laufenden hält, ist mit Sicherheit schon auf mehrere Fachartikel über Predictive Analytics (PA) gestoßen.
Predictive Analytics, so sind sich die Experten laut Harvard Business Review einig, liefert einen großen Gewinn aus Ihren Daten: handlungsrelevante Informationen. Präzise Prognosen sind der heilige Gral für Vertriebsentscheidungen im B2B-Bereich.
Doch wer Predictive Analytics gewinnbringend nutzen will, sollte es auch verstehen. Aus diesem Grund haben wir vier Fakten über PA zusammengestellt, die in der Praxis häufig unterschätzt oder ignoriert werden.
Als kurze Auffrischung: Predictive Analytics ist eine Technologie, die aus historischen Daten lernt, um zukünftige Ereignisse vorherzusagen.
Eine Technologie, um in die Zukunft zu schauen.
Ein relevantes Beispiel für den B2B-Vertrieb wäre die Vorhersage von Kundenabwanderung. Im Prinzip ein Warnsignal, bevor der Kunde abwandert.
1. Predictive Analytics liegt nicht immer richtig.
Keiner kennt die Zukunft – auch keine superschlauen Analysen. Das ist eine Tatsache. Wozu dann der ganze Aufwand? Das Stichwort lautet: Wahrscheinlichkeiten.
Predictive Analytics errechnet die Wahrscheinlichkeiten verschiedener zukünftiger Ereignisse.
Und das auch noch ziemlich treffsicher. Mit neuen Technologien kann eine 90 %ige Trefferquote erreicht werden. Die Technologie versucht also möglichst nah an die tatsächliche Zukunft zu gelangen. Wenn Ihnen jemand sagt, dass etwas zu 100 % stattfinden wird, steckt KEIN Predictive Analytics dahinter.
Eine Vorhersage liegt, per Definition, in der Zukunft und kann deshalb nicht immer richtig sein.
Tatsächlich gibt es zwei Arten von Prognosefehlern: „Falsch positiv“ und „Falsch negativ“. Was das bedeutet lässt sich am leichtesten an einer vereinfachten Wetterprognose erklären:
Das Bild zeigt auf der vertikalen Achse, die Prognose und auf der horizontalen Achse, das tatsächlich eingetretene Wetter.
Dadurch ergeben sich zwei Prognosefehler: Das Modell sagt „es sollte regnen“, aber es regnet nicht. Das wäre „falsch positiv“. Das Gegenteil ist somit „falsch negativ“ (das Modell sagt „es sollte nicht regnen“, aber es regnet).
Ein PA-Modell kann immer einen Fehler auf Kosten des anderen Fehlers minimieren. Das heißt, möchte man weniger „falsch positive“ Ergebnisse, werden es automatisch mehr „falsch negative“ Prognosen.
Die Frage lautet also: welcher Fehler ist schlimmer? Bei unserem Wetterbeispiel wären die Folgen von einem „falsch positiv“, dass man den ganzen Tag einen Schirm mit sich trägt und ihn nicht braucht.
Die Folgen von einem „falsch negativ“ führen allerdings dazu, dass man evtl. nass wird, sich daraufhin erkältet und nicht arbeiten gehen kann.
Sie können also damit rechnen, dass Wettervorhersagen immer etwas „pessimistischer“ sind, um ein „falsch negativ“ (und erkältete Menschen) zu vermeiden.
2. Predictive Analytics ist nicht nur ein einziges Modell.
Predictive Analytics ist ein Überbegriff für alle Modelle, mit dem Ziel, Zukünftiges aus Vergangenem vorherzusagen. Das fängt schon bei ganz einfachen Prinzipien an.
Bleiben wir beim Wetter:
Folgende Annahmen sind plausible (und oft nicht mal allzu schlechte) Möglichkeiten das Wetter vorherzusagen:
„Morgen wird das Wetter so sein wie morgen vor einem Jahr.“
Oder „Morgen wird es so sein wie heute.“
Was fällt Ihnen noch ein?
„Morgen wird es um genauso viel Grad Celsius kälter sein, wie von gestern auf heute.“
Diese einfachen Aussagen sind schon (natürlich sehr simple) Modelle und fallen unter den Begriff „Predictive Analytics“.
Glücklicherweise gibt es etwas kompliziertere (und genauere) Modelle und Algorithmen aus der Statistik, die sehr präzise Prognosen auf Basis von tausenden Merkmalen und Daten erstellen.
3. KI und Predictive Analytics stärken sich gegenseitig.
Sind Sie verwirrt? Was ist jetzt der Unterschied zwischen Predictive Analytics und künstlicher Intelligenz (KI) – ist Predictive Analytics immer KI?
Nein, Predictive Analytics und künstliche Intelligenz sind im Prinzip zwei unterschiedliche Fachbereiche. Es gibt allerdings einen Überschneidungspunkt. Es werden nämlich Methoden der künstlichen Intelligenz (genauer gesagt des maschinellen Lernens) dazu verwendet, Prognosen zu optimieren.
Laut einer Studie der Plattform Business of Fashion, reduzieren KI-basierte Algorithmen Prognosefehler um bis zu 50 %. Das heißt, KI und maschinelles Lernen haben eine weitaus höhere Trefferquote als statische, regelbasierte Prognosemodelle.
Wie kann Predictive Analytics für meinen Vertrieb funktionieren?
4. Predictive Analytics hat viele Einsatzgebiete.
Prinzipiell kann Predictive Analytics (PA) überall dort eingesetzt werden, wo es historische Daten gibt. Eine weitere Voraussetzung ist jedoch, dass sich gewisse Muster in den Daten erkennen lassen.
Wir wurden einmal von einem Kunden gefragt, ob unsere Software die Lottozahlen vorhersagen kann. Schön wäre es – dann wären wir jetzt vermutlich kein Startup mehr.
Nein, wir können keine Lottogewinne vorhersagen. Lottozahlen werden nach einem absoluten Zufallsprinzip gezogen. Wenn es in der Historie der Lottozahlen Korrelationen gibt, sind es nur Scheinkorrelationen. Für korrekte Lottovorhersagen braucht man eine Glaskugel und übernatürliche Fähigkeiten. Oder eine gute Portion Glück.
Glücksspiele fallen also nicht unter die Einsatzgebiete von PA.
Eines der bekanntesten Einsatzgebiete und auch Vorreiter von Predictive Analytics ist wohl die Versicherungsbranche. Anhand persönlicher Merkmale können Wahrscheinlichkeiten für später auftretende Krankheiten oder sogar Unfälle berechnet werden.
Doch das ist natürlich nicht alles. Allein für den B2B-Vertrieb, gibt es viele Cases für Predictive Analytics.
Wir haben häufig die Erfahrung gemacht, dass unsere Kunden zu Beginn nur die Funktion „Cross-Selling“ (also das Vorschlagen von zusätzlichen Produkten, die ein Kunde auch kaufen könnte) unter Predictive Analytics verstehen.
Das ist auch verständlich, denn Amazons Vorschläge „andere Kunden kauften auch…“ oder „Dies könnte für Sie interessant sein…“ sorgen für eine große Bekanntheit der „Cross-Selling“ Funktion.
So ein „Recommender-System“ ist jedoch nicht das einzige, wozu Sie Predictive Analytics verwenden können:
Es können Preisvorschläge mit der höchsten Akzeptanzwahrscheinlichkeit pro Kunde und Produkt gemacht werden. Auch bekannt unter dem Begriff „Dynamic Pricing“.
Oder das PA-Modell macht Sie auf Kunden aufmerksam, die höchstwahrscheinlich zum Konkurrenten abzuwandern. Der Fachbegriff hierfür heißt „Churn Prediction“ (Abwanderungsvorhersage).
Die Liste ist noch länger. Sobald Sie historische Daten von etwas besitzen, können PA-Modelle Prognosen erstellen: Leads mit der höchsten Kaufwahrscheinlichkeit, Lagerbestandsprognosen oder es analysiert die von Ihnen gestellten Angebote, die am ehesten angenommen werden.
Auch außerhalb vom B2B-Vertrieb wird Predictive Analytics eingesetzt, wie z.B. bei der Polizei (Predictive Policing).
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Vier Fakten über Predictive Analytics – Fazit:
Warum ist es so wichtig, ein paar grundlegende Fakten über Predictive Analytics (PA) zu wissen?
Die Anwendungsgebiete von Predictive Analytics sind sehr vielfältig. Es kann also gut sein, dass auch Sie in Ihrem Arbeitsumfeld mit diesem Thema konfrontiert werden.
Insbesondere wenn Sie im B2B-Vertrieb tätig sind, können Sie sicher sein, dass Predictive Analytics auf Sie zukommen wird.
Und wenn es soweit ist, hängt der Erfolg von einer Predictive Sales Software auch von Ihnen ab. Sie wissen jetzt, dass die Prognosen nicht immer richtig sein können – aber, dass über hunderte Prognosen hinweg, eine deutliche Mehrzahl ins Schwarze trifft.
Was Sie auch wissen, ist dass es KI-basierte PA Modelle gibt und nicht KI-basierte Modelle (diese sind manuell und regelbasiert). Künstliche Intelligenz hat die herkömmlichen PA-Modelle stark optimiert.
Jetzt sind Sie für Ihre eigenen Erfahrungen mit Predictive Analytics gewappnet! Viel Erfolg.
ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN VERTRIEB!
Kostenloses eBook zum gratis Download: Predictive Analytics – Was es ist und wie Sie beginnen können
Predictive Analytics: Methoden, Daten und Ideen aus der Praxis
Downloaden Sie jetzt das kostenlose eBook.
- Wir verwenden diese Daten nur zur Beantwortung Ihre Anfrage. Hier können Sie unsere Datenschutzerklärung finden.
Literaturnachweis:
Kathleen Walch (2019): Predictive Analytics und KI stärken sich gegenseitig. Hg.: Computer Weekly
McKinsey & Business of Fashion (2018): AI Gets Real.
Theo Kieschnick (2019): Predictive Analytics. Hg.: Trend Report.