Predictive Analytics - wie Sie zukünftig ganz ohne Glaskugel in die Zukunft blicken können

Unsere Welt ist heute vermutlich weniger vorhersehbar denn jemals zuvor. Krisen und Bedrohungen lauern ebenso an jeder Ecke wie unerwartete Chancen. Angesichts einer solchen Lage wäre es verlockend, einen Blick in die Glaskugel zu werfen, um in die Zukunft zu sehen, bevor man gewichtige Entscheidungen trifft. Tatsächlich ist das zumindest in bestimmten Kontexten möglich: Künstliche Intelligenz etwa kann historische Daten analysieren, Muster sowie Zusammenhänge erkennen – und auf dieser Basis beachtenswert valide Vorhersagen treffen. Dieses Vorgehen nennt sich Predictive Analytics.

Für Unternehmen unterschiedlicher Branchen ist das mittlerweile ein unverzichtbarer Bestandteil ihrer Betriebsabläufe. Unter anderem können sie auf Basis digitaler Spuren ihrer Kunden über alle Kanäle und Kontaktpunkte hinweg zukünftiges Kundenverhalten besser einschätzen. Und wenn sie verstehen, was ihre Kunden wollen und brauchen, dann können sie ihre Produkte, Lösungen und Dienstleistungen genau nach diesen Anforderungen vorausschauend weiterentwickeln.

Wie Predictive Analytics das Kundenerlebnis verbessert

Mit Big Data stehen Unternehmen vor einer nahezu überwältigenden Flut an Daten, die sie erheben können. Diese liegen in vielfältigen Formaten vor, aus den unterschiedlichsten Quellen – und häufig verteilt auf diverse Speicherorte anstatt zentral vorgehalten. Die Herausforderung ist nun, aus diesen riesigen, fragmentierten Datenmengen die richtigen Erkenntnisse zu gewinnen.

Predictive Analytics hilft dabei, indem es Wissen aus kundenbezogenen Daten ableitet, das als Grundlage für jegliche Auswertungen dient. Gerade im Kundenerlebnis-Management bietet Predictive Analytics höhere Umsatz- und Gewinnpotenziale. Denn je besser Unternehmen ihre Kundschaft kennen, desto passgenauer sind Ansprache und Angebote. Es geht also nicht darum, so viele Daten wie möglich zu sammeln, sondern primär die entscheidenden.

In der Praxis können Unternehmen Predictive Analytics dazu nutzen, datenbasiert mit sehr hoher Genauigkeit Aussagen unter anderem darüber zu treffen:
 

• in welchem Maße Vertriebsmitarbeiter das Potenzial in ihrem Vertriebsgebiet ausschöpfen,
• welche Zielgruppe in den kommenden Jahren Interesse an bestimmten Produkten haben wird oder
• bei welchen Kunden ein Abwanderungsrisiko besteht.

Dadurch erhalten sie tiefere Einblicke in ihren Markt und ein umfassenderes Verständnis für ihre Kunden. Beides legt die Basis für Entscheidungen, von denen beide Seiten profitieren.

Sauberer Rückblick führt zu validen Vorhersagen

Um verlässliche Vorhersagen über das Kundenverhalten treffen zu können, sind allerdings belastbare historische Daten entscheidend. Aus schlecht gepflegten Daten kann auch das smarteste System kein Gold spinnen, ganz nach dem Prinzip „crap in – crap out“. Big Data in konsolidierte Daten zu wandeln, erfordert daher ein professionelles Daten- und Information-Management. Das hilft Unternehmen, ihre Kunden und die mit ihnen verbundenen Vorgänge eindeutig zu identifizieren und zu vereinheitlichen. Notwendig ist dafür, die Daten aus allen im Unternehmen vorhandenen Quellen zusammenzuführen, sie zu konsolidieren, und dabei gleichzeitig auf ihre angemessene Datenqualität hin zu überprüfen.

Was durch die Konsolidierung entsteht, sind die so genannten Golden Records als ‚Single Point of Truth‘ zu jedem einzelnen Kunden. Ein Golden Record zeigt alle unternehmensweit verfügbaren Informationen auf einen Blick. So lässt sich jederzeit ablesen, welcher Kunde welches Produkt wann erworben hat, auf welchem Kanal und zu welcher Zeit. Auf Basis des bisherigen, somit auch konsolidierten Kundenverhaltens können Unternehmen dann individuelle Angebote entwickeln und im richtigen Moment präsentieren. Um das Kundenbild weiter zu schärfen, können sie interne Daten mit weiteren Informationen anreichern und neue Datenquellen erschließen.

Ein konkretes Beispiel aus dem Online-Shopping: Ein Kunde bestellt jede Staffel einer bestimmten Serie auf Bluray. Und zwar so früh wie möglich, damit diese pünktlich zum offiziellen Erscheinungstermin – oder sogar davor – im Briefkasten liegt. Hat der Shop diese Information sauber hinterlegt, kann Predictive Analytics einen Hinweis senden: Hier wird ein Kunde voraussichtlich dieses Produkt vorbestellen. Der Shop kann ihm das schließlich als exklusives (Sonder-)Angebot ausspielen und gleichzeitig den Logistikprozess anstoßen, damit die Bluray schnellstmöglich in einem Warenlager in seiner Nähe lagert. So erhält der Kunde sein Wunschprodukt so früh wie gewünscht – und wird voraussichtlich auch die nächste Staffel bei diesem Shop ordern.

Anwendungsfall Analytisches CRM

Analytisches Kundenbeziehungsmanagement (CRM) ist in diesem Kontext eine häufige kommerzielle Anwendung der vorausschauenden Analyse. Ihre Methoden werden auf Kundendaten angewandt, um zuvor definierte Ziele im Kundenbeziehungsmanagement zu verfolgen und zu erreichen. Es geht auch hier darum, eine ganzheitliche Sicht auf den Kunden zu entwickeln, unabhängig davon, wo sich seine Informationen im Unternehmen oder in der betreffenden Abteilung befinden. Methoden und Know-how werden beispielsweise für Marketing, Vertrieb und Service angewendet. Ein Unternehmen kann auf diese Weise seinen gesamten Kundenstamm involvieren.

Keine Glaskugel – sondern verlässliches Werkzeug

Auf eine Glaskugel können Unternehmen für ihre Zukunftsprognosen also guten Gewissens verzichten. Predictive Analytics ist hier das wesentlich zuverlässigere Hilfsmittel, um valide Vorhersagen zu treffen. Und diese sind nötig, denn: Die wahrscheinlichen Entwicklungen von Kunden- und Markttrends frühzeitig zu kennen, beeinflusst grundlegend die Aufstellung von Marketing, Sales, Service und sogar Produktentwicklung. Die Bedürfnisse seiner Kunden umfassend zu verstehen, ist eine Win-Win-Situation. Zum einen ist das Kundenmanagement für Unternehmen wesentlich einfacher, wenn die Daten als Golden Record vorliegen, zum anderen sind die Kunden zufriedener, weil die Angebote genau auf sie zugeschnitten sind. Die Voraussetzung ist aber immer ein durchgängiges, konsistentes Datenmanagement. Daten tragen Informationen. Diese Informationen lassen sich als Wissen jedoch nur dann erschließen, wenn die Daten gut gemanaget, also aktuell, korrekt, vollständig, eindeutig und zentral verfügbar sind.