Predictive Analytics
Predictive Analytics (prädiktive Analytik) nutzt historische Daten, statistische Modelle und Machine Learning, um die Wahrscheinlichkeit künftiger Ereignisse abzuschätzen, etwa welche Kunden abwandern, wie viel Ware verkauft wird oder welche Rechnungen verspätet bezahlt werden.
Was ist Predictive Analytics?
Das zentrale Ergebnis ist eine Zahl, die an etwas noch Unbekanntes geknüpft ist: eine Wahrscheinlichkeit, eine Prognose oder ein Score. Ein Churn-Modell gibt jedem Kunden eine Wahrscheinlichkeit, in den nächsten 30 Tagen abzuwandern; eine Nachfrageprognose gibt jedem Produkt eine erwartete Menge für die nächste Woche.
In der bekannten Analytics-Stufenleiter steht sie an dritter Stelle: Deskriptive Analytik sagt, was passiert ist, diagnostische Analytik, warum, prädiktive, was wahrscheinlich als Nächstes kommt, und präskriptive Analytik empfiehlt, was dagegen zu tun ist. Eine Vorhersage schafft erst dann Wert, wenn jemand oder etwas aufgrund ihrer anders handelt.
Jedes prädiktive Projekt hat dieselben Bausteine: eine klar definierte Zielgröße, historische Beispiele mit bekanntem Ergebnis, Features, die zum Zeitpunkt der Vorhersage verfügbar sind, ein Modell und einen Ausspielkanal wie ein CRM-Feld, eine Warnung oder einen automatisierten Workflow. Eine Schwäche in einem dieser Bausteine begrenzt den Wert aller anderen.
Welche Haupttypen prädiktiver Modelle gibt es?
Die meisten geschäftlichen Vorhersagen fallen in drei Modellfamilien, ausgewählt nach der Form der benötigten Antwort.
Klassifikation: Ja/Nein- oder Kategorie-Ergebnisse wie Churn, Betrug oder Lead-Conversion. Gängige Methoden sind logistische Regression und Gradient-Boosted Trees (XGBoost, LightGBM). Bewertet wird mit AUC, Precision und Recall.
Regression: kontinuierliche Werte wie Bestellwert oder Tage bis zur Zahlung. Siehe Regressionsanalyse. Bewertet wird mit dem mittleren absoluten Fehler.
Zeitreihen: Werte im Zeitverlauf wie wöchentliche Nachfrage oder Anrufvolumen, mit ARIMA, Prophet oder Gradient Boosting mit Lag-Features. Bewertet wird per Backtesting auf vergangenen Zeiträumen.
Unabhängig von der Familie sollten Sie immer gegen eine naive Baseline vergleichen, etwa „nächste Woche ist wie diese Woche“. Schlägt das Modell sie nicht deutlich, ist es nicht einsatzbereit.
Wie sieht Predictive Analytics in der Praxis aus?
Nehmen Sie ein B2B-SaaS-Unternehmen mit 4.000 Accounts, dessen Customer Success Manager erst dann von Churn erfahren, wenn eine Kündigungs-E-Mail eintrifft. Das Team definiert die Zielgröße: Accounts, die innerhalb von 60 Tagen um ein Verlängerungsdatum kündigen oder downgraden.
Ein Data Scientist stellt Features aus Produktnutzung (Logins, aktive Lizenzen, Nutzung zentraler Funktionen), Support-Tickets und Abrechnungshistorie zusammen und trainiert dann einen LightGBM-Klassifikator auf zwei Jahren an Vertragsverlängerungen. Angenommen, die 10 % der Accounts mit den höchsten Scores enthalten im Holdout-Zeitraum einen großen Anteil der tatsächlich abgewanderten Kunden, weit mehr, als eine zufällige Auswahl ergeben würde.
Die Scores werden jede Nacht als Eigenschaft „Verlängerungsrisiko“ nach HubSpot synchronisiert.
Accounts mit hohem Risiko lösen ein Playbook aus: Health-Check-Anruf, Nutzungsanalyse, Schulungsangebot.
Eine zufällige Kontrollgruppe erhält keine zusätzliche Ansprache, sodass das Team messen kann, ob die Maßnahme, nicht nur das Modell, den Churn senkt.
Was sind die Fallstricke von Predictive Analytics?
Ein genaues Modell, auf das niemand reagiert, hat genau null geschäftlichen Wert. Klären Sie vor der Entwicklung, wer die Vorhersagen erhält, über welches Tool und was diese Personen anders machen werden.
Leakage: Daten einbeziehen, die erst nach dem Ergebnis bekannt sind, etwa ein Feld für den Kündigungsgrund.
Drift: Das Kundenverhalten verändert sich nach einer Preisänderung oder dem Auftauchen eines neuen Wettbewerbers; Modelle müssen daher überwacht und neu trainiert werden.
Unausgewogene Klassen: Wenn nur 3 % der Kunden abwandern, ist ein Modell, das für alle „kein Churn“ vorhersagt, zu 97 % genau und trotzdem nutzlos.
Bias: Modelle, die auf historischen Entscheidungen trainiert wurden, können frühere Ungerechtigkeiten bei Kreditvergabe, Einstellung oder Preisgestaltung wiederholen.
Welche Tools werden für Predictive Analytics eingesetzt?
Vorhersagen lassen sich per Code, direkt im Warehouse oder über Funktionen in Business-Tools umsetzen.
Code-first: Python mit scikit-learn, XGBoost und Prophet; nachverfolgt mit MLflow.
Cloud-ML-Plattformen: Azure ML, Amazon SageMaker, Google Vertex AI, Databricks.
Im Warehouse: Mit BigQuery ML und den ML-Funktionen von Snowflake können Analysten Modelle in SQL trainieren.
In Apps integriert: prädiktives Lead Scoring in HubSpot und Salesforce, vorhergesagter Customer Lifetime Value und Churn-Risiko in Klaviyo.
Integrierte Funktionen sind der schnellste Einstieg; eigene Modelle lohnen sich, wenn Ihre Daten oder Entscheidungen so spezifisch sind, dass sie den Wartungsaufwand rechtfertigen. Vorhersagen verständlich darzustellen ist eine eigene Disziplin, die unter Datenvisualisierung für Predictive Analytics behandelt wird.
Predictive vs. Prescriptive Analytics
Predictive Analytics | Prescriptive Analytics | |
|---|---|---|
Beantwortete Frage | Was wird wahrscheinlich passieren? | Was sollten wir dagegen tun? |
Typisches Ergebnis | Wahrscheinlichkeit, Score oder Prognose | Empfohlene Maßnahme oder Plan |
Methoden | Klassifikation, Regression, Zeitreihen | Optimierung, Simulation, Entscheidungsregeln |
Beispiel | Dieser Account hat ein Churn-Risiko von 70 % | Diesem Account eine Schulung anbieten |
Rolle des Menschen | Interpretieren und entscheiden | Empfehlung freigeben oder übergehen |
Wie setzt VIZIO AI Predictive Analytics um?
VIZIO AI baut Vorhersagen rund um eine konkrete Maßnahme und liefert sie dorthin, wo die Teams an der Front bereits arbeiten. Für einen US-amerikanischen Anbieter audiologischer Leistungen mit Kliniken in sieben Bundesstaaten vereinheitlichte DX Studio Patientendaten, Gerätedaten und CRM-Eingaben und entwickelte anschließend Machine-Learning-Modelle in Python und Azure ML, um frühe Anzeichen für Hörgeräte-Rückgaben und nachlassendes Engagement zu erkennen.
Das KI-gestützte Dashboard zur Patientenbindung in Power BI machte aus Scores Frühwarnungen und Prioritäten für die Nachbetreuung durch das klinische Personal. Das Ergebnis war eine Senkung der Rückgabequoten von Hörgeräten um 12–15 % in den Pilotkliniken und ein um 40 % geringerer manueller Reporting-Aufwand.
Wo Sie anfangen sollten: Wählen Sie ein Ergebnis, das Sie bereits erfassen, etwa Churn oder Rückgaben, und prüfen Sie, ob Sie mindestens ein Jahr Historie mit konsistenten IDs haben.