Wie man aus einer Predictive Analytics Maßnahme einen Mehrwert generiert und bestimmt

Klassisches Reporting dient dem Zweck, dass der Reportempfänger anhand der dargestellten Informationen und Daten leichter und besser Entscheidungen treffen kann. Über Ampelfarben können zum Beispiel außerplanmäßige Abweichungen gekennzeichnet und auf Handlungsbedarf hingewiesen werden. Der eigentliche Mehrwert für das Unternehmen entsteht dabei erst aus den Maßnahmen, welche auf Basis der vergangenheitsorientierten Berichte umgesetzt werden.

Predictive Analytics Blogbild

Wodurch entsteht der Mehrwert bei Predictive Analytics?

Es lässt sich allgemein feststellen, dass eine Erkenntnis alleine keinen Mehrwert bietet. Wenn ein Arzt eine genaue Krankheitsdiagnose ausstellt und sich anschließend keiner behandelnden Therapie unterzogen wird, dann ist die Diagnose an sich wertlos. Ein Predictive Analytics Projekt darf ebenso niemals mit der Erkenntnis enden, denn der Mehrwert entsteht auch hier erst mit der Durchführung von Maßnahmen, welche sich aus den Analyseergebnissen ableiten lassen. Predictive Analytics geht aber einen Schritt weiter als Standardreporting und kann im Bedarfsfall auch Handlungsempfehlungen ausgeben oder Folgeaktionen automatisieren.

Im Gegensatz zu klassischem Reporting arbeitet Predictive Analytics im Regelfall mit einer niedrigeren Datengranularität. Die Algorithmen laufen nicht auf einer aggregierten Schicht, sondern direkt auf Datensatzebene. Dadurch sind an Stelle von allgemeingültigen Aussagen beispielsweise auch individuelle Vorhersagen je Kunde möglich. Durch Predictive Analytics lassen sich damit viel spezifischere Auskünfte sowie Maßnahmen generieren und ableiten.

Verbesserte Maßnahmen entstehen durch Predictive Analytics aber nicht nur anhand neuer Erkenntnisse, sondern auch durch genauere Vorhersagen oder eine bessere Reaktionsfähigkeit. Bereits durch geringe Optimierungen an Absatzprognosen können gleichzeitig die Kosten für Lagerhaltung signifikant gesenkt und die Lieferbereitschaft erhöht werden. Bei dem Thema Churn Prevention kann die Reaktionszeit ein wichtiger Faktor sein, wenn die Erfolgsquote durch direkte Maßnahmen erhöht werden kann.

Wie lässt sich der Mehrwert aus Predictive Analytics mit Prescriptive Analytics steigern?

Jedes zielgerichtete Analyseprojekt lässt sich grob in die beiden Phasen Erkenntnisgewinnung und Maßnahmengestaltung unterteilen. In der Fachliteratur wird die Technologie hinter vorhersagenden Analysen teilweise ebenfalls in zwei getrennten Bereichen betrachtet. Über diese Trennung kann man sich streiten, da beides ineinander verschwimmt. Grundsätzlich liegt der Hauptfokus bei Predictive Analytics auf der Erkenntnisgewinnung und bei der sogenannten Prescriptive Analytics in der Maßnahmenoptimierung. Ein Beispiel für einen Einsatz wäre die Frage nach der optimalen Kampagne für jeden einzelnen potenziellen Kündiger. Hinter der Analyse verbirgt sich eine prädiktive Fragestellung, die gleichzeitig die jeweils optimale Maßnahme anzeigt. Denkbar wäre für eine technische Umsetzung beispielsweise die Integration von verfügbaren Kampagnen in eine Kosten-Nutzen-Matrix, um anschließend die Modelle darüber zu optimieren.

Grundsätzlich ermöglicht der Einsatz von automatisierten und optimierten Maßnahmen ein hohes Maß an Individualität bei schneller Reaktionszeit.

Wie kann man den finanziellen Mehrwert von Predictive Analytics bestimmen?

Bei einem wirtschaftlich ausgerichteten Unternehmen muss sich ein Predictive Analytics Projekt in der End-to-End Betrachtung finanziell auszahlen. Doch wie beziffert man zum Beispiel den Mehrwert eines durch Churn Prediction erfolgreich gehaltenen Kunden? Legt man den erwarteten zukünftigen Deckungsbeitrag zu Grunde oder die Akquisekosten für einen Neukunden zum Erhalt des Status quo?

Damit ein Predictive Analytics Projekt erfolgreich wird, müssen wirtschaftliche Auswirkungen und Zielsetzungen vorab gründlich geplant und stetig überprüft werden. Anhand einer Kosten-Nutzen-Kalkulation lassen sich dann auch leichter Ziele für Modellgüte und Maßnahmen entwickeln. Transparenz über den Mehrwert schafft Vertrauen und ermöglicht eine realistische Einschätzung für den Einsatz von Predictive Analytics.

Weitere Informationen zum Thema Predictive Analytics lesen Sie hier im Blog.

Für Energieversorger findet am 03. März 2017 ein Webinar zum Thema Churn Prediction statt. Einen Link für die Veranstaltung finden Sie hier.

Kontakt:

Stephan.Buse@affinis.de