Ein prädiktives Score-Modell ist eine Formel zur Berechnung einer Wahrscheinlichkeit.
Es besteht eine Wahrscheinlichkeit von 70 %, dass Sie diesen Artikel vollständig lesen werden. Woher ich das weiß? Weil ich ein prädiktives Score-Modell verwendet habe. Die Punktzahl ist die Wahrscheinlichkeit, dass Sie den Artikel bis zum Ende lesen (oder eins minus die Wahrscheinlichkeit, dass Sie es nicht tun – das genaue Gegenteil).
Mein Beispiel im obigen Absatz ist eine bekannte Anwendung der Predictive Analytics (prädiktiven Analytik) im Marketing. Die gängigsten Beispiele für den Business-to-Business-Vertrieb (B2B) sind Lead-Scoring, Kundenabwanderungsvorhersagen (oder Kundenschwund), Cross-Selling Potenziale finden und die Preisgestaltung verbessern.
Scoring-Modelle können regelbasiert sein, auf maschinellem Lernen basieren oder eine Kombination aus beidem sein. Und schließlich sollten Sie nicht vergessen, dass ein Modell selbst nur so gut ist wie seine Anwendung. Mit anderen Worten: Die Entwicklung eines Modells ist nur die halbe Miete. Die Anwendung des Modells ist es, die es wertvoll macht.
Lassen Sie uns diese Punkte im Detail betrachten.
Prädiktives Score-Modell: technische Definition und Beispiel
Ein prädiktives Score-Modell ist eine mathematische Methodik zur Berechnung einer Wahrscheinlichkeit. Dieser Wert ist in der Regel eine Zahl zwischen null und eins, die die Wahrscheinlichkeit beschreibt, dass ein Ereignis in der Zukunft eintritt. Wie diese Wahrscheinlichkeit berechnet wird, ist das Modell selbst.
Um ein prädiktives Score-Modell zu erstellen, müssen Sie zunächst verstehen, was Sie vorhersagen wollen. Außerdem sollten Sie die Daten auswählen, aus denen Sie Ihr Vorhersage-Score-Modell erstellen. Wenn Sie mit maschinellem Lernen arbeiten, wird dieser letzte Schritt als „Training eines Modells“ bezeichnet.
Was Sie mit dem Score vorhersagen wollen, wird in der Regel in Form von Klassen diskutiert. Was ist eine Klasse? Eine Klasse definiert ein Element, das zu einer Gruppe gehört. Zum Beispiel: Wird Kunde ABC das Produkt XYZ kaufen? Oder wird der Kunde CDF abwandern? Die Kunden sind die Elemente, und die Klassen sind der Kauf von Produkt XYZ bzw. die Abwanderung. Natürlich gibt es noch ausgefeiltere Möglichkeiten, Klassen zu definieren.
Um eine Score-Modellierung zu erstellen, benötigen Sie historische Daten zu Ihrem Element und Ihren Klassen. In dem oben genannten Beispiel benötigen Sie Kunden, die das Produkt XYZ gekauft haben oder nicht mehr kaufen. Diese Kunden sind Ihre Ziele oder gekennzeichneten Elemente. Ihr Score-Modell nimmt nun weitere Daten auf und sagt die Wahrscheinlichkeit voraus, zu welcher dieser Klassen Ihre Kunden bald gehören werden.
Kurz gesagt, ein prädiktives Score-Modell für die Kundenabwanderung gibt Ihnen als Score die Zahl zwischen null und eins aller Ihrer Kunden zurück, die zur Klasse „abgewandert“ gehören. In ähnlicher Weise liefert ein prädiktives Score-Modell für Cross-Selling einen Wert zwischen null und eins für jede beliebige Kunden-Produkt-Kombination. Beide Scores sind hilfreich, um Kunden zu binden oder den Umsatz zu steigern (oder beides zusammen).
Sehen wir uns an, wie Sie Ihr prädiktives Score-Modell erstellen können.
Wie erstellen Sie Ihr prädiktives Score-Modell?
In der Vergangenheit haben Sie vielleicht schon mit prädiktiven Score-Modellen für Lead Scoring, Churn oder Cross-Selling Bekanntschaft gemacht. Die Liste ist noch lange nicht zu Ende, aber ein Beispiel soll ihre Prinzipien verdeutlichen. Nehmen wir zur Veranschaulichung das Lead-Scoring.
„Lead“ ist in der Regel der Name, den wir einer vielversprechenden neuen Geschäftsbeziehung geben. In diesem Fall wäre die Punktzahl die Wahrscheinlichkeit, dass dieses neue Geschäft in der Zukunft zustande kommt. Die meisten B2B-Vertriebsexperten sind mit dem Konzept des Lead Scoring vertraut. Sie verwenden diesen Score zum Beispiel, um Kundenkontakte zu priorisieren.
Sie können einen Lead-Score auf unterschiedliche Weise berechnen, je nachdem, wie viele Daten Ihnen zur Verfügung stehen und welche technischen Möglichkeiten Sie haben. Wenn Sie beispielsweise zehn Leads – zehn mögliche neue Geschäftsmöglichkeiten – haben, müssen Sie zunächst einmal wissen, wie Sie diese voneinander unterscheiden können.
In der Terminologie des maschinellen Lernens werden die verschiedenen Möglichkeiten, diese Leads zu unterscheiden, als „Merkmale“ bezeichnet. Ein Merkmal ist eine Eigenschaft, die ein Element von einem anderen unterscheidet. Ein Merkmal könnte zum Beispiel sein, wie groß das potenzielle Unternehmen ist oder wie viele Euro Sie der Verkaufschance zuordnen. Abhängig von der Anzahl der Merkmale und der Anzahl der Leads, können Sie verschiedene Modelle erstellen.
Was ist ein regelbasiertes Scoring-Modell?
Das am häufigsten verwendete Scoring-Modell ist meist regelbasiert. Regelbasierte Modelle arbeiten, wie ihr Name schon sagt, mit Regeln. Im Gegensatz zu Computern werden diese Regeln von Menschen erstellt. Dabei kann es sich um einfache oder komplexe Anweisungen handeln. Eine Regel ist eine Möglichkeit, dem Score einen Wert zuzuweisen.
In der Tat sind wir alle mit regelbasierten Modellen vertraut. Wenn Ihr Lead beispielsweise zu einer bestimmten Branche gehört, könnten Sie ihm eine höhere Wahrscheinlichkeit zuweisen. Diese Wahrscheinlichkeit kann aus Ihrem bisherigen Wissen oder der Erfahrung Ihrer Vertriebsleiter stammen.
Regelbasierte Vorhersagemodelle sind einfach zu erstellen und können bei einer begrenzten Menge an Daten hilfreich sein.
Wenn die Anzahl der Elemente oder Leads und die verfügbaren Merkmale zunehmen, ist ein regelbasiertes Modell möglicherweise nicht mehr ausreichend.
KI-basiertes prädiktives Bewertungsmodell
Stellen Sie sich vor, Sie sind ein Unternehmen, das 50.000 Kunden betreut und mit jedem von ihnen etwa 5 bis 10 neue Geschäfte pro Monat abschließt.
Stellen Sie sich außerdem vor, dass es zahlreiche Merkmale und Eigenschaften für diese Unternehmen gibt. In diesem Fall kann nur eine Software die notwendigen Regeln erstellen, um die Wahrscheinlichkeit des Abschlusses neuer Geschäfte zu berechnen.
Diese Methodik wird als maschinelles Lernen bezeichnet. Eine KI-Disziplin.
Das maschinelle Lernen ist, einfach ausgedrückt, eine viel ausgefeiltere Methode, um die Wahrscheinlichkeit des Eintretens eines Ereignisses zu bestimmen und zuzuordnen. Es gibt verschiedene Methoden des maschinellen Lernens, mit denen man eine Wahrscheinlichkeit oder einen Wert berechnen kann. Es muss nicht unbedingt ein neuronales Netz sein. Einfachere Methoden des ML, wie Entscheidungsbäume oder Gradient-Boosting-Trees, reichen völlig aus und können die Aufgabe erfüllen.
Um die Leistung und Effizienz dieser Methoden zu steigern, erstellen Datenwissenschaftler häufig Hunderte – wenn nicht Tausende – von Modellen. Schließlich konkurrieren die Modelle miteinander und ergänzen sich gegenseitig, um eine optimale Kombination zu finden.
Empirische Untersuchungen haben gezeigt, dass die besten prädiktiven Bewertungsmodelle sobald die Komplexität zunimmt, eine Mischung aus regelbasiertem und maschinellem Lernen verwenden. Diese Kombination unterstützt einen menschlichen Agenten bei der Durchführung der Vorhersage und gibt Vertriebsmitarbeitern die Fähigkeit, in die Zukunft zu blicken. Ein Orakel der Zahlen im Dienste Ihres Teams.
Es stellt sich nun die Frage: Wenn Sie ein perfektes Orakel haben, sollten Sie dann Ihre Vertriebsmitarbeiter entlassen? Oder wie kann man ein prädiktives Score-Modell im Vertrieb einsetzen?
Wie man prädiktive Score-Modelle im Vertrieb einsetzt
Unternehmen setzen prädiktive Score-Modelle auf unterschiedliche Weise ein. Automatisch, manuell oder als Ergänzung – das sind die typischen Strategien.
Ein Produktempfehlungssystem im E-Commerce ist im Wesentlichen ein Predictive-Score-Modell, das automatisch im Vertrieb eingesetzt wird. Das Empfehlungssystem ist ein prädiktives Bewertungsmodell, das für jeden Kunden die Wahrscheinlichkeit des Kaufs eines Produkts angibt. Amazon, der E-Commerce-Titan, setzt unter anderem diese Art von Modellen ein, um vorzuschlagen, welche zusätzlichen Produkte Sie kaufen könnten. Ein Viertel des Umsatzes wird auf diese Weise verbucht.
Auch Unternehmen im Vertrieb und in der Produktion setzen sie ein. Sie nutzen sie, um vorherzusagen, welche zusätzlichen Produkte jeder Kunde aus ihrem umfangreichen Katalog kaufen kann.
Die automatische Verwendung von prädiktiven Score-Modellen bedeutet, dass die Ergebnisse der Modelle nicht von Menschen überprüft werden. Sie werden direkt an eine Anwendung weitergeleitet, in der ein Mensch (oder eine Maschine) sie auswertet.
Ein weiteres Beispiel für automatisch eingesetzte prädiktive Bewertungsmodelle sind Preismodelle für Flugtickets. Bei der Menge an Vorhersagen, die das Modell erstellen muss, kann der Mensch nur das Modell selbst, nicht aber die einzelnen Vorhersagen überwachen.
Auf der anderen Seite sind manuell angewandte prädiktive Bewertungsmodelle Modelle, die nicht automatisch eingesetzt werden. Der Mensch überprüft den Score vorher. Im Vertrieb erstellen einige Unternehmen beispielsweise Modelle zur Vorhersage von Preisklassen. Die Vertriebsmitarbeiter im Innendienst überprüfen dann die Preisklassen, Kategorien oder Rabatte, die das Modell vorhersagt. Schließlich verhandeln sie mit jedem Kunden. Der Endkunde sieht oder verwendet das Bewertungsmodell selbst nie. Und für die Vertriebsmitarbeiter nimmt dieses Modell nur einen Teil ihrer Arbeit ab. Das Verhandeln und Festlegen der Preise ist immer noch ihre Aufgabe.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Der Autopilot für den B2B-Vertrieb
Der effektivste Einsatz liegt schließlich irgendwo dazwischen: die erfolgreiche Anwendung und Nutzung eines prädiktiven Score-Modells zur Unterstützung einer menschlichen Entscheidung.
Wie bei der manuellen Anwendung liegt der entscheidende Unterschied darin, dass ein Mensch auf der Grundlage eines Modells (oder mehrerer Modelle) operativ entscheiden muss. Operativ zu entscheiden bedeutet, kontinuierlich zu entscheiden.
Stellen Sie sich Modell und Mensch wie einen Autopiloten und einen Piloten vor. Der Autopilot wird das Flugzeug automatisch fliegen. Der Pilot prüft ständig seine Instrumente und bestimmt die beste Vorgehensweise.
Da der B2B-Vertrieb komplex ist, setzen sich die für Erweiterungen verwendeten Prognosemodelle in der Regel aus verschiedenen Modellen zusammen – zum Beispiel Kundenabwanderung, Preisgestaltung und Cross-Selling. Ein Scoring-Modell, das nur die Kundenabwanderung vorhersagt, reicht nicht aus, um eine Entscheidung zu treffen. Der menschliche Akteur benötigt also noch zusätzliche Prognosemodelle, um die beste Vorgehensweise auszuwählen.