Gut zu wissen

Was und wieviel sollte man als Manager oder Experte im Fachbereich von Analytics wissen und verstehen? Der Einfachheit halber wollen wir hier nicht zwischen Descriptive, Predictive und Prescriptive Analytics unterscheiden, sondern nur von Predictive Analytics sprechen.

Predictive Analytics dient als Konzept der Business Intelligence der Entscheidungsunterstützung. Es schafft Fakten, die sich im Rahmen eines Modells nachvollziehbar und eineindeutig ergeben. Auf Basis dieser Fakten sind dann Entscheidungen zu treffen. Das ist in der Tat die Aufgabe der Manager und Experten in den Fachabteilungen. Man muss also in der Lage sein, das Modell zu verstehen und die Fakten zu interpretieren und Schlüsse daraus ziehen können. Wie Mathematik, Statistik und Linguistik im Rahmen des Modells arbeiten, muss man nicht unbedingt verstehen. Das ist die Aufgabe von speziellen Business-Analysten und/oder Datenwissenschaftlern.

Hier ein paar Tipps, was man über Predictive Analytics ohne mathematisch/statistisch/linguistische Ausbildung wissen sollte, um auf Basis der Ergebnisse ein besseres Kundenerlebnismanagement zu ermöglichen:

• Der Mangel an geeigneten Daten ist trotz Big Data das größte Problem. Um Vorhersagen über zukünftiges Kaufverhalten von Kunden machen zu können, sind Daten über das bisherige Kaufverhalten nötig. Diese lassen sich beispielsweise über Kundenbindungsprogramme (Treuekarten etc.) oder durch Analysen der mit Kreditkarten getätigten Käufe generieren. Verfügt ein Unternehmen über verschiedene Verkaufskanäle oder Kundenkontaktpunkte, was in der Regel der Fall ist, müssen die Daten über alle Kanäle und Kontaktpunkte entsprechend konsolidiert werden. Mit anderen Worten: Hier ist ein professionelles Information Management notwendig, um ein Kunden-Data-Warehouse mit eineindeutiger Kunden-ID aufzubauen, das all diese Daten entsprechend aufbereitet bietet. Dies aber ist die Voraussetzung für erfolgreiches Predictive Analytics, um Big Data in Smart Customer Data zu wandeln. Predictive Analytics beginnt also mit einer state-of-the-art Information-Management-Lösung.

• Die am meisten verbreitete Data-Mining-Methode in Predictive Analytics ist Regressionsanalyse. Der Vorteil ist, dass eine Regressionsanalyse auch gleich ein Modell liefert, das sofort anwendbar ist, nämlich die Regressionsgleichung.
  Betrachten wir dazu wieder unser Beispiel des Kredit-Scorings. Mittels einer Regressionsanalyse wird die Regressionsgleichung bestimmt woraus sich die Parameter abschätzen lassen. Jetzt kann dieses Modell sofort auf jeden neuen, dem Unternehmen unbekannten Kunden angewendet werden. Der Score wird dabei durch das Einsetzen der durch die Regressionsgleichung bestimmten Parameter kalkuliert.
  Wichtige Voraussetzungen sind vor allem die Qualität der Daten, die in der Regressionsanalyse genutzt wurden und die Qualität der Arbeit des Analysten, der die Regressionsanalyse durchgeführt hat. Neben einer solchen traditionellen Regressionsanalyse kommt heute eine Vielfalt von weiteren Verfahren zur Anwendung, auf die hier nicht im Näheren eingegangen werden soll.

• Die fundamentale Annahme in Predictive Analytics ist, dass das Verhalten des Modells in der Vergangenheit sich in der Zukunft nicht ändert. Man spricht hier von "stationären Modellen". Im Beispiel des Kredit-Scorings bedeutet das, dass ein Kunde von der Geburt bis zum Tod ein und denselben Kredit-Score hat, egal, was auch immer im Leben und in der Umgebung des Kunden passiert. Das klingt nicht sehr realistisch, die Dinge ändern sich, die Märkte ändern sich und auch das Kundenverhalten ändert sich.
  Daher ist die Annahme des stationären Verhaltens eines einmal abgeleiteten Modells immer wieder zu hinterfragen. Denn ein Modell, das nicht mehr die Wirklichkeit beschreibt, taugt nicht mehr und gibt in der Regel falsche, nicht mehr zutreffende Vorhersagen. Daher sollten Manager und Experten in den Fachabteilungen ihre Analysten immer wieder fragen, was die fundamentalen Annahmen des Modells sind, und was die Auswirkungen sind, wenn diese nicht mehr zutreffen.

Wer über ein solches Basiswissen verfügt, kann dann auch mit Analysten und Datenwissenschaftlern Ergebnisse von Predictive Analytics diskutieren und folgenden Fragen nachgehen, die zur Bewertung des Modells und seiner Interpretation entscheidend sind:

• Welche Datenquellen wurden genutzt beziehungsweise nicht genutzt?

• Sind die verwendeten Daten repräsentativ für die gegebene Fragestellung?

• Wie gut ist die Qualität der zu Grunde liegenden Daten?

• Gibt es in den Daten Ausreißer und/oder fehlende Daten? Wie beeinflusst das die Analyse?

• Welche Annahmen wurden gemacht?

• Unter welchen Bedingungen träfen die gemachten Annahmen nicht mehr zu?

Es kommt also im Endeffekt darauf an, dass ein mit diesem Thema beschäftigter Manager die richtigen Daten und das richtige mathematische/statistisch/linguistische Modell hat sowie Sorgfalt beim Umgang mit den fundamentalen Annahmen walten lässt. Das ist in der Praxis nicht immer einfach. Aber mit einem solchen Ansatz erhält das Unternehmen Einsichten basierend auf belastbaren Fakten, mit denen auf der fachlichen und Management-Ebene bessere Entscheidungen getroffen werden können. Darauf lässt sich im Anschluss ein Kundenerlebnismanagement aufbauen, das den Erwartungen der Kunden auch entspricht.
Dann gilt es noch, die Auswirkungen dieser Entscheidungen im Sinne von Performance Management zu messen und somit Überwachungsmechanismen aufzubauen, die sicherstellen, dass die getroffenen Entscheidungen auch die beabsichtigten Wirkungen zeigen.

Fazit

Mit Predictive Analytics bekommen die Unternehmen leistungsstarke, analytische Werkzeuge an die Hand, um aus Big Data Smart Customer Data zu generieren. Wem es gelingt, Predictive Analytics effizient einzusetzen, der kann durch die Vorhersage wahrscheinlicher Entwicklungen von Kunden- und Markttrends bessere Entscheidungen ableiten und smarter handeln. Die Konsequenz ist ein Kundenerlebnismanagement, das die Erwartungen der Kunden erfüllt. Das bedeutet einen deutlichen Wettbewerbsvorsprung gegenüber den Mitbewerbern, sozusagen "real digital".

Die größte Herausforderung von Predictive Analytics besteht darin, die gewonnenen Ergebnisse erfolgreich in das Business zu übertragen. Smart Customer Data, das beispielsweise aufdeckt, welche Kunden potenziell kündigen können, nützt nur dann etwas, wenn die Unternehmen daraus auch die richtigen Schlüsse ziehen. Bei einer falschen Interpretation der Ergebnisse kann sogar das Gegenteil des gewünschten Effekts die Folge sein. Ein Beispiel wäre in einer Analyse von Kündigungsabsichten bei Kunden eine erhöhte Kündigungsrate. Als erfolgskritisch erweist es sich zudem, die mit den Predictive-Analytics-Ergebnissen verbundenen Aktionen und Maßnahmen für Manager und Experten in den Fachabteilungen transparent zumachen. (bw)