Mit Predictive Analytics können Unternehmen aus Kundendaten Prognosen und Eintrittswahrscheinlichkeiten ermitteln und die Ergebnisse werden meistens im CRM (Customer Relationship Management System) sichtbar gemacht. Als Ergebnis steht dann z.B. etwa ein wahrscheinlich erreichbares Umsatzziel. In der Deutung dieser Ergebnisse unterliegen viele aber einem Denkfehler.
Schon einmal hatte ich in einem anderen Blog-Artikel beschrieben, dass Geschäftsführer oder auch Führungskräfte im Vertrieb nur allzu gerne wissen würden, warum bestimmte Ereignisse eintreten oder nicht. Warum bestimmte Kunden abwandern. Warum sich ein Produkt nicht oder schwieriger als ein anderes verkauft. Warum aus einem erfolgversprechenden Lead am Ende doch kein Kunde wird und es bei einem unverbindlichen Kontakt bleibt.
Dieses Streben nach 100-prozentiger Gewissheit ist mehr oder weniger angelernt. Menschen sind darauf trainiert, rationale Gründe für das Eintreten oder Nicht-Eintreten von Ereignissen zu suchen. Gerade im Business kommt das zur praktischen Anwendung, wenn es um harte KPIs und um Controlling geht.
Wer zum Beispiel eine (einfache) Erklärung hat, warum das anvisierte Umsatzziel nicht erreicht wurde, kann das leichter im Unternehmen kommunizieren, als wenn die Ursache dafür nicht so eindeutig ist.
Predictive Analytics fragt: „Was wird (wahrscheinlich) passieren?“
Führungskräfte im Vertrieb sind deshalb ständig auf der Suche. Sie suchen nicht nur nach Gründen für verfehlte Umsatzziele in der Vergangenheit, um daraus die vermeintlich richtigen Schlüsse zu ziehen und ihre Ziele zu korrigieren. Sie suchen auch nach möglichst verlässlichen Anhaltspunkten, die ihnen das Festlegen zukünftiger Vertriebsziele erleichtern.
Diese Anhaltspunkte versuchen sie immer häufiger mit Hilfe von Methoden zur Datenanalyse zu finden, die auf künstlicher Intelligenz (KI) beruhen.
Diese analytischen Methoden, anhand derer (wahrscheinliche) zukünftige Entwicklungen prognostiziert werden, sind angesiedelt im Bereich Business Analytics. Hier geht es einerseits um rückwärts gerichtete, also auf die Vergangenheit bezogene Datenanalysen, andererseits um vorausschauende Prognosen und Entscheidungsempfehlungen.
Dabei möchte man möglichst verlässliche Vorhersagen für Situationen und Ereignisse erreichen. Genau das ist das Ziel von Predictive Analytics. Will man dieses Fachgebiet anhand einer konkreten Frage beschreiben, so lautet diese:
„Was wird (wahrscheinlich) passieren?“
Wo der Vertrieb einen Denkfehler macht.
Stellen wir uns einen Vertriebsleiter im Großhandel vor, der für das Produkt A das jährliche Umsatzziel festlegen soll. Nachdem er zu dem Schluss gekommen ist, dass Algorithmen verlässliche Rechenkünstler sind, um aus einer Unmenge von Kundendaten Prognosen für (wahrscheinliche) Umsätze erstellen zu können, bemüht er eine Software für Predictive Analytics.
Die berechnet einen möglichen Umsatz, sagen wir 10 Millionen Euro. Der Vertriebsleiter frohlockt und glaubt, sein Umsatzziel gefunden zu haben. Doch er macht einen Denkfehler!
Erinnern wir uns an die Frage, die die Methode Predictive Analytics umschreibt: „Was wird (wahrscheinlich) passieren?“ Angewendet auf unser Beispiel heißt das: Es ist wahrscheinlich, dass der Großhändler mit Produkt A einen Jahresumsatz von 10 Millionen Euro erzielen wird „Wahrscheinlich“ ist aber nicht gleichzusetzen mit „wahr“.
„Wahr“ würde bedeuten, dass das Prognoseergebnis, also die 10 Millionen Euro, gleich dem Umsatzziel sind. Dass das Ergebnis exakt dem Wert entspricht, den der Vertriebsleiter als Umsatzziel ausgeben soll.
Dieser Schluss ist aber falsch. Es handelt sich „lediglich“ um die Summe, die am Ende des Jahres am wahrscheinlichsten umgesetzt werden kann.
Predictive Analytics hat also nichts mit einer Glaskugel gemein, die bekanntlich zum Hellsehen verwendet wurde, um bestimmte Ereignisse als sicher vorherzusagen.
Ein Glaskugel-Denken schließt implizit aus, dass in der Zeit bis zum Eintreten des vorhergesagten Ereignisses nichts mehr passiert, was den Eintritt gefährden oder verhindern könnte.
Prognosen sind immer nur Orientierungswerte.
Was soll der Vertriebsleiter aber nun tun, wenn der wahrscheinlich zu erwartende Umsatz 10 Millionen Euro beträgt? Welche Summe soll er als tatsächliches Ziel ausgeben? Die Antwort: Das liegt nach wie vor in seinem eigenen Ermessen. In unserem Beispielfall sind 10 Millionen Euro lediglich ein Orientierungswert.
Ein Orientierungswert, der sehr wahrscheinlich erreicht werden kann. „Kann“ bedeutet natürlich, dass am Ende immer auch eine Abweichung nach oben und unten möglich ist. Ob der Vertriebsleiter das Umsatzziel also bei 5 Millionen oder 15 Millionen Euro ansetzt, bleibt nach wie vor seine Sache.
Ob ein einmal gesetztes Umsatzziel nämlich tatsächlich erreicht wird, hängt von vielen Faktoren ab. Einige sind zum Zeitpunkt der Festlegung des Ziels noch gar nicht bekannt.
Vergleichen wir das einmal mit der Reiseroute an einen bestimmten Ort Y. Um nach Y zu gelangen, geben wir ihn als Ziel ins Navigationssystem ein. Dieses liefert uns – ebenfalls auf Basis einer aufwändigen Datenanalyse – die Route, auf der wir am schnellsten an unser Ziel gelangen. Als Ergebnis stehen die Fahrstrecke und die dafür benötigte Zeit.
Allerdings ist auch dieses Ergebnis eines, dass „wahrscheinlich“ so eintreten wird. Niemand kann mit 100-prozentiger Gewissheit sagen, dass er oder sie die vom Navigationssystem berechneten drei Stunden Fahrzeit braucht, um von X nach Y zu kommen.
Auf dem Weg können wir zum Beispiel einen Unfall haben. Oder wir geraten in einen noch nicht vorhergesehenen Stau. Oder das Wetter schlägt um und wir müssen unser Fahrtempo den Wetterbedingungen anpassen. Oder …
Mit einem Navigationssystem ist es wie mit Predictive Analytics:
Hier die Verkehrsdaten, dort die Kundendaten. Hier die wahrscheinliche Fahr- beziehungsweise Ankunftszeit, dort der wahrscheinliche Umsatz. In beiden Fällen stehen als Ergebnis Prognosen und Eintrittswahrscheinlichkeiten. Orientierungswerte, die aus einem umfangreichen Datenpool erzeugt werden und Entscheidungen unterstützen.
Mit einer Glaskugel, von der man sich wünscht, sie möge ein bestimmtes Ereignis exakt vorhersagen, das dann auch so eintritt, hat das aber nichts zu tun.
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
Predicitve Analytics schafft einen Vorsprung an Informationen.
Wissen und Informationen in Form von Daten sind ein unbestreitbarer Wettbewerbsvorteil geworden und helfen Unternehmen und Entscheidern, besser Prioritäten zu setzen.
Neue Informationen, neues Wissen entsteht auch am Ende eines Analyseprozesses mit einer Predictive-Analytics-Lösung.
Es kann genutzt werden, um sich einen Wettbewerbsvorteil gegenüber denjenigen zu verschaffen, die diese Verfahren nicht nutzen.
Wissen und Informationen liegen bei Predictive Analytics in Form von Daten vor, die den Charakter von Orientierungswerten, sprich Prognosen und Eintrittswahrscheinlichkeiten haben. Solche Informationen sind sehr wertvoll zur Unterstützung der Entscheidungsfindung.