Predictive Analytics: Antizipieren, was der Kunde als Nächstes tun wird.  

Ohne Analyse sind riesige Datenhaufen wertlos. Ihnen fehlt die Armee von Datenexperten, die dafür erforderlich ist? Allerdings brauchen Sie die nicht. Mithilfe von Predictive Analytics werden umfangreiche Datenmengen in umsetzbare Erkenntnisse umgewandelt, um dadurch die Probleme Ihrer Kunden zu lösen. Mit dieser Auswertung von Daten können Sie Muster erkennen und darauf reagieren, Anomalien identifizieren und beheben. Finden Sie Ihre wertvollsten Kunden und erfahren Sie, wie sie ticken - mit den Predictive Analytics-Tools. 

Was ist Predictive Analytics?

Mit der Prädiktiven Analyse werden bereits vorhandene Daten analysiert, um herauszufinden, was als Nächstes passieren könnte. Statistiker verwenden die Methode seit Jahrzehnten. Nun setzen auch Wirtschaftsunternehmen zunehmend Predictive Analytics ein, um zukünftiges Kundenverhalten vorherzusagen. Algorithmen können durch die Analyse historischer Daten Einblicke in potenzielle zukünftige Verhaltensweisen geben - beispielsweise, mit welcher Wahrscheinlichkeit ein Kunde konvertiert.

Predictive Analytics nutzt Techniken wie…

  • Prädiktive Modellierung: Eine statistische Methode, die zukünftiges Verhalten vorhersagt. Hierzu werden historische Daten analysiert und ein statistisches Modell für Vorhersagen erstellt.
  • Data Mining: Das Analysieren großer Datenmengen, um Muster und Ähnlichkeiten mithilfe von Mustererkennung und Mathematik zu identifizieren.
  • Maschinelles Lernen: Der Computer analysiert Daten und verwendet Erkenntnisse, um Vorhersagen oder Vorschläge zu machen. Verwendet Technologien wie die maschinelle Verarbeitung natürlicher Sprache.

Wie Predictive Analytics funktioniert?

In der Prädiktiven Analyse werden historische und aktuelle Daten analysiert, um zu antizipieren, was als Nächstes passieren könnte. Mathematische Berechnungen werden verwendet, um Muster in den Daten zu identifizieren und Vorhersagen zu treffen. Dabei kommen Techniken wie maschinelles Lernen, Statistik und Data Mining zum Einsatz. Dieser Prozess wird als Prädiktive Modellierung bezeichnet.

Predictive Analytics-Modelle:

  • Regression: Eine statistische Analyse, bei der Variablen verglichen werden, um die Beziehung zwischen diesen zu untersuchen und Muster zu identifizieren.
  • Entscheidungsbäume: Ein dem Familienstammbaum ähnliches Diagramm, das einen Entscheidungspfad darstellt. Dieser zeigt auf, wie verschiedene Auswahlmöglichkeiten verschiedene Journeys erzeugen.
  • Neuronale Netze: Werden für maschinelles Lernen eingesetzt und sind dem menschlichen Gehirn nachempfunden. Informationen müssen selbst gelernt werden. Neuronale Netze kommen bei komplexen Problemstellungen zum Einsatz.

Die Geschichte von Predictive Analytics

Die Prädiktive Datenanalyse hat ihre Wurzeln in der Mitte des 20. Jahrhunderts, als die ersten Computer erfunden wurden. Doch erst in den 1970er Jahren wurden Analytics erstmalig im Geschäftsleben eingesetzt.

In den frühen 2000er Jahren entwickelten wegweisende Statistiker Analysen, die es Computern ermöglichten, Vorhersagen auf der Grundlage der zugeführten Daten zu treffen. Heute sind dank weiterer enormer Fortschritte bei der Rechenleistung und durch Technologien wie KI maschinengetriebene Verfahren wie die Prädiktive Modellierung möglich.

Statistiken zu Predictive Analytics

  • Der globale Markt für Predictive Analytics wird bis 2022 voraussichtlich 10,95 Milliarden US-Dollar erreichen - Zion
  • Ausgefeilte Analysen könnten die Einnahmen im globalen Bankgeschäft um 1 Billion US-Dollar steigern - McKinsey

 

Vorteile der Prädiktiven Analyse

Die Prädiktive Analyse hat viele Vorteile und erlaubt Ihnen einen besseren Überblick über Ihre Kunden und deren Journey in superschneller Zeit - ohne dass interne Analysten und Statistiker eine Armee von Datenexperten benötigen. Mit den richtigen Predictive Analytics-Tools können Sie…

  • Insights aus Ihren Daten gewinnen: Sie haben viele Daten, aber keine Zeit - begutachten Sie schnell große Datenmengen, die sonst möglicherweise verloren wären.
  • Kundenverhalten analysieren: Sehen Sie, wie Benutzer Ihre Website verwenden und identifizieren Sie schlechte und gute Kundeninteraktionen.
  • Umsatzstarke Kunden Identifizieren: Erfahren Sie, welche Zielgruppen das höchste Konversionspotential bieten. 
  • Künftiges Verhalten prognostizieren: Erfahren Sie mithilfe einer leistungsstarken Modellierung, mit welcher Wahrscheinlichkeit Ihr Kunde konvertiert oder aus der Reise ausscheidet.
  • Kunden schnell neu ansprechen: Sehen Sie mit Echtzeit-Visualisierungen des Kundenverhaltens, wo Kunden den Prozess verlassen.

 

„Mit maschinellem Lernen können wir mehrere Kanäle und Zielgruppensegmente überwachen, in Daten verborgene und verwertbare Einblicke aufdecken und sofort reagieren, um sicherzustellen, dass wir das bestmögliche Erlebnis liefern.“

Roberto Gennaro  |  Chief Digital Officer, RedTag.ca

Warum sind Predictive Analytics wichtig?

Prädiktive Analyse-Techniken sind wichtig, da sie Ihnen helfen, sich von der Konkurrenz abzuheben. Technologien waren schon immer das Herzstück des Kundenerlebnisses - von Barcode-Scannern für schnellere Kaufabwicklungen bis hin zu Shopping-Apps, die den Trip zum Einkaufszentrum ersetzen. Bei der heutigen Kundenerfahrung dreht sich alles um die personalisierte digitale Erfahrung: Kunden möchten bei jeder Interaktion sehen, dass Sie sie verstehen - und Markenunternehmen reagieren:

Jedes vierte größere Unternehmen identifiziert datengesteuertes Marketing, das sich auf den einzelnen Konsumenten konzentriert, als seine aufregendste Chance.

55%

der großen Unternehmen geben an, dass die bessere Nutzung von Daten für die Zielgruppensegmentierung und das Targeting oberste Priorität hat.

Predictive Analytics zu verstehen und umzusetzen ist von zentraler Bedeutung. Es kann Ihnen helfen, den richtigen Kunden mit der richtigen Nachricht zur richtigen Zeit anzusprechen

„Dank Predictive und Prescriptive Analytics haben sich digitale Analysen von statischen, rückblickenden Berichten zum Kern eines orchestrierten, skalierten Eins-zu-Eins-Marketings entwickelt.“

Bericht zu Digitalen Trends 2019  |  Econsultancy in Zusammenarbeit mit Adobe

Wie Predictive Analytics Unternehmen hilft

Obwohl Predictive Analytics eine neue, wegweisende Technologie ist, hilft es vor allem auch traditionellen Industrien, ihren Auftraggebern und Endkunden bessere Dienstleistungen anzubieten.

Predictive Analytics im Personalwesen

Daten sind für das Personalwesen von entscheidender Bedeutung. Traditionell war die Datenanalyse in HR auf die Vergangenheit beschränkt. Dank Predictive Analytics können HR-bezogene Entscheidungen jetzt aber auch für morgen getroffen werden, durch eine Vorhersage der potenziellen Ergebnisse. Dominic Hammond, Leiter People Analytics & Insights bei PwC, erklärte gegenüber dem HR Magazine, dass Prädiktive Analysen dazu beitragen können, das Risiko bei der Einstellung neuer Mitarbeiter zu verringern.

Predictive Analytics im Marketing

Die Prädiktive Analyse ist ein fester Bestandteil der Marketingstrategie vieler Markenunternehmen. Im Marketing wird es verwendet, um Vorhersagen über das Kundenverhalten zu treffen - beispielsweise, mit welcher Wahrscheinlichkeit ein Verkauf erzielt wird. Predictive Analytics ist eng mit dem Kundenerlebnis verbunden und hilft Markenunternehmen, die Bedürfnisse ihrer Kunden zu erfüllen, indem diese Bedürfnisse vorausgesagt und die richtigen Inhalte bereitgestellt werden.

Predictive Analytics in der Versicherungsbranche

Für Versicherungen waren historische Daten schon immer wichtig. Diese helfen den Versicherern nun, vorherzusagen, was ein Kunde als Nächstes tun könnte, wenn er einen Anspruch geltend macht - und vor allem auch, um festzustellen, ob dieser Anspruch echt oder betrügerisch ist. Eine ausgefeilte Datenanalyse hilft Versicherern, sich von einfachen Ratingfaktoren zu entfernen, meint dazu Craig Skinner, Leiter für Versicherungsdaten und -analysen bei PwC.

Predictive Analytics im Einzelhandel

Die Kunden von heute erwarten „authentische, überzeugende Erlebnisse“, sagt Nate Smith von Adobe. Analytics sind der Schlüssel zum besseren Verständnis Ihrer Kunden, sagt Nate. Sie helfen, die richtigen Entscheidungen bezüglich Produkt und Merchandising zu treffen. Die Prädiktive Analyse kann Einzelhändlern helfen, ihr Kundenerlebnis zu verbessern, sachkundigere Entscheidungen in Bezug auf Lagerbestände zu treffen und vieles mehr.

Predictive Analytics im Bildungswesen

Universitäten können mithilfe von Predictive Analytics fundiertere Entscheidungen treffen. Anhand von Daten können Hochschulfachleute beispielsweise vorhersagen, welche Bewerber erfolgreich sein werden und welche nicht. Dank Analytics können z. B. auch die Studentenzahlen für die kommenden Jahre prognostiziert werden.

Predictive Analytics im Bankensektor

Laut McKinsey gehört das Bankwesen zu den Branchen, die am meisten von Analytics profitieren können.  Obwohl viele Banken traditionelle Analysen verwenden, können Early Adopters, die auf maschinellem Lernen basierte Predictive Analytics anwenden, die Nase vorn haben. Durch ausgefeiltere Analysen könnte das Ergebnis im globalen Bankgeschäft um 1 Billion US-Dollar steigen. 

Predictive Analytics-Strategie

Neben prädiktiven Analysetechniken ist die richtige Strategie wichtig, um zu verstehen was die nächsten Schritte in der korrekten Reihenfolge sind und warum diese so unerlässlich sind. Ein Beispiel für eine Analysestrategie, die in vier Bereiche unterteilt ist diese

Vier Phasen der Predictive Analytics-Strategie

Sammeln und messen

  • Daten sammeln: Sammeln Sie Ihre Datenquellen - von Online-Transaktionen bis zum Point of Sale. Durchsieben sie diese mit statistischer Modellierung und Data Mining.
  • Nutzerreisen beobachten: Sehen Sie mithilfe von Live-Datenfeeds, wie Benutzer Ihre Website nutzen, damit Sie schnell reagieren können.


Predictive Analytics-Tools sind hier u. a.:
Visualisierungen, Maschinelles Lernen

Untersuchen und verstehen

  • Daten analysieren: Sie haben viele Daten - historische und aktuelle, strukturierte und ungegliederte. Manuell können sie diese nicht analysieren. Maschinelles Lernen macht es einfach.
  • Muster erkennen: Durch diese Datenanalyse werden Muster und Trends angezeigt, aus denen Sie lernen können – dabei werden sowohl historische als auch Echtzeitdaten verwendet.
     

Predictive Analytics-Tools sind hier u. a.: Erweiterte Segmentierung, Propensity Scoring, Prädiktive Modellierung, Maschinelles Lernen

Vorhersagen und modellieren

  • Antizipieren, was als Nächstes kommt: Anhand dieser Muster können Sie mehr über die Benutzer Ihrer Website erfahren und schließlich vorhersagen, was diese als Nächstes tun werden.
  • Anomalien identifizieren: Beachten und lernen Sie aus Änderungen der Vorhersagen - zum Beispiel, wenn sich weit weniger Personen von einer bestimmten Seite aus für Ihren Newsletter anmelden.


Predictive Analytics-Tools sind hier u. a.:
Anomalieerkennung, Intelligente Warnhinweise, Gewichtungsanalyse, Maschinelles Lernen

Teilen und handeln

  • Umsatzstarke Zielgruppen: Die Interaktion mit personalisierten Inhalten deckt umsatzstarke Kunden auf und erlaubt es, verschiedene Segmente zu erstellen.
  • Personalisierte Inhalte: Mit diesen Erkenntnissen können Sie der richtigen Person die richtigen Inhalte liefern, und zur rechten Zeit.
     

Predictive Analytics-Tools sind hier u. a.: Erweiterte Segmentierung, Propensity Scoring, Prädiktive Modellierung, Maschinelles Lernen

Predictive Analytics-Tools

Um die Effektivität Ihrer Strategie in diesen vier Phasen zu messen, benötigen Sie die richtigen Predictive Analytics-Tools. Diese basieren auf Technologien wie maschinellem Lernen, Data Mining und Prädiktive Modellierung und umfassen:

Ellipse

Visualisierungen

Sehen Sie in Echtzeit, wie Benutzer Ihre Website nutzen. Live-Datenfeeds produzieren interaktive Grafiken, mit denen Sie erkennen können, was passiert und wie Sie reagieren müssen. Visualisierungen können für das Retargeting hilfreich sein.

Ellipse

Erweiterte Segmentierung

Gehen Sie über die traditionelle Zielgruppensegmentierung hinaus. Segment IQ untersucht Ihre Zielgruppen auf Verhaltensunterschiede und Ähnlichkeiten. Solche Erkenntnisse helfen dabei, Ihr Publikum zu verfeinern und sich diejenigen Segmente anzeigen zu lassen, die am ehesten zu Ihren Unternehmenszielen beitragen.

Ellipse

Propensity scoring

Identifizieren Sie umsatzstarke Kunden, indem Sie Personen nach ihrer Wahrscheinlichkeit bewerten, eine bestimmte Aktion auszuführen, z. B. zu konvertieren oder eine E-Mail zu öffnen. Finden Sie heraus, welches Kundenverhalten am wahrscheinlichsten zur Konversion führt, und personalisieren Sie Inhalte entsprechend.

Ellipse

Prädiktive Modellierung

Aufgrund der Prognose der nächsten Schritte des Kunden lässt sich mithilfe des maschinelles Lernens der beste Weg zur Konversion berechnen - in Abhängigkeit vom verwendeten Gerät, Standort etc.

Ellipse

Anomalie Erkennung

Etwas geht schief – erfahren Sie schnell davon. Dank KI werden bei der Erkennung von Anomalien große Datenmengen durchkämmt, um Problemen auf die Spur zu kommen – ohne dass eine aufwendige manuelle Recherche nötig ist. Erkennen Sie, wenn Anomalien auftreten.

Ellipse

Intelligente Warnhinweise

Sie haben viele Daten - zu viele, um sie rund um die Uhr zu überwachen. Mit Intelligenten Warnhinweisen werden Sie sofort benachrichtigt, wenn etwas Ungewöhnliches passiert. Zum Beispiel wenn Sie Ihre Traffic-Ziele übertreffen oder Ihre Newsletter-Anmeldungen sinken.

Ellipse

Gewichtungsanalyse

In Kombination mit der Anomalieerkennung hilft die Gewichtungsanalyse, ungewöhnliche Trends schnell zu analysieren. Erfahren Sie, warum Menschen die Customer Journey verlassen, indem Sie die ausschlaggebenden Faktoren identifizieren und analysieren. 

FAQs – Häufige Fragen

Was ist die Definition von Predictive Analytics?

Es gibt keine feste Definition von Predictive Analytics. Prinzipiell handelt es sich dabei um eine Datenanalyse, die vorhersagt, was ein Kunde als Nächstes tun wird. Zum Beispiel können Sie berechnen, mit welcher Wahrscheinlichkeit ein Kunde konvertiert, eine E-Mail öffnet, ein E-Book herunterlädt, etc. Um so die Zukunft vorherzusagen, kommen Technologien wie Data Mining, maschinelles Lernen und statistische Modellierung zur Anwendung.

Wie hilft Predictive Analytics meinem Unternehmen?

Predictive Analytics kann Ihrem Unternehmen zugutekommen, indem es Ihnen einen umfassenderen Überblick darüber gibt, wie Benutzer Ihre Website nutzen und was sie als Nächstes tun könnten. Umfangreife Datensätze werden mithilfe von maschinellem Lernen untersucht, um dadurch per Predictive Analytics Ihre wertvollsten Kunden zu identifizieren und herauszufinden, was diese am Ehesten zur Konversion bewegen könnte. Dank dieses Wissens können Sie dann personalisierte Inhalte bereitstellen.

Predictive Analytics und Data Mining - wie funktioniert das

Data Mining ist eines der Hauptwerkzeuge der Prädiktiven Analyse. Dabei werden Mathematik und Mustererkennung verwendet, um große Datenmengen zu analysieren. In der prädiktiven Analyse wird Data Mining verwendet, um vorherzusagen, was als Nächstes passieren kann, basierend auf dem, was historisch passiert ist.

Kanal- und
Marketing-Analysen.


Finden wir gemeinsam heraus, wie Adobe Analytics eurem Unternehmen helfen kann.

Adobe Fallstudien – Beispiele für Predictive Analytics

Die Reisemarke Hostelworld nutzte Analytics, um herauszufinden, wie Besucher ihre Website nutzen. Man wollte verstehen, was junge Reisende wollen - Abenteuer, bestimmte Orte und Events -, um jedem Kunden personalisierte Erlebnisse anbieten zu können. 
 

Wir wollen ständig bei unseren Kunden sein, sagt Otto Rosenberger, CMO der Hostelworld Group. „Ob sie eine Unterkunft buchen, nach unterhaltsamen Aktivitäten suchen oder mit anderen Reisenden in Kontakt treten möchten.”


Die Ergebnisse für Hostelworld mit Adobe

  • Eine Milliarde E-Mails pro Jahr mit hohen Klickraten
  • 61 Prozent der Buchungen stammen von wiederkehrenden Kunden

 

„Adobe Analytics ist die Grundlage unserer digitalen Marketingstrategie. Wir erfahren dadurch mehr über unsere Kunden, so dass wir eine bessere Personalisierung aufbauen und eine stärkere Interaktion mit der Community fördern können.“

— Otto Rosenberger  |  CMO der Hostelworld Group
 

Hostelworld und Adobe – Mehr erfahren