Skip to main content
main-content

05.10.2021 | Predictive Analytics | Kompakt erklärt | Onlineartikel

Was ist eigentlich Predictive Analytics?

Autor:
Oona Oltmanns
1:30 Min. Lesedauer

Passgenaue Produktangebote für die Zielgruppe zu finden ist eine der Herausforderungen von Vertrieb und Marketing. Entsprechend sollten Kundendaten intelligent gefiltert und mit Predictive Analytics systematisch analysiert werden.

Eine Möglichkeit für Prognosen zum künftigen Kaufverhalten von Kunden und ihrem wahrscheinlichen Produktbedarf bietet Predictive Analytics. Der Begriff stammt aus dem Data Mining. Predictive Analytics ermöglicht Vertrieb und Marketing, künftige Analysen zu Kaufpräferenzen der Kunden, Ereignisse in Vertriebszenarien bestimmter Zielgruppen oder auch zu Ausfallrisiken aufzustellen. Grundlage hierfür bieten Informationen aus den internen Datenbanken der Unternehmen und direkte Kundeninformationen aus Kaufprozessen. 

Verkaufspotenziale ausloten

Als wichtige Fragen, zu denen beispielsweise der Vertrieb Erkenntnisse mithilfe von Predictive Analytics erhält, nennt Niels Niehörster im Sales-Excellence-Beitrag "Schon heute den Kunden von morgen kennen" (Ausgabe 9/2021, Seite 34) etwa:

  • "Welcher Markt besitzt das größte Vertriebspotenzial, 
  • mit welchem Produkt kann welcher Zielkunde überzeugt werden, 
  • wann sollte das Angebot erfolgen?"

Der Erfolg der Analysen steht und fällt jedoch mit der Datenqualität. Darüber hinaus ist es entscheidend, die einzelnen Datenquellen nicht isoliert zu betrachten: "Die nötige Datenqualität in internen Quellen zu erzeugen, ist aber nur der erste Schritt. Um eine ganzheitliche Betrachtung zu ermöglichen, müssen die Daten miteinander verknüpft werden", so Niehörster.

Hersteller und Händler aus dem B2B-Bereich können zudem über Text-Mining-Algorithmen auf Unternehmenswebseiten mögliche Kunden für ihre Produktgruppe finden. Für das B2B-Geschäft sind CRM und ERP Data Mining aufgrund der wertvollen Verkaufsdaten für den Anfang zunächst ausreichend. Wer mehr in Datenanalyse investieren möchte, sollte vorher eine Return-on-Investment-Berechnung aufstellen. 

Mit Cluster-Analysen Zusammenhänge aufspüren

Zum Start sind Clustering-Analysen und Apriori-Algorithmen geeignet. Sie spüren sinnvolle Zusammenhänge in transaktionsbasierten Datenmaterial auf, um so zum Beispiel ein ganzheitliches Datenbild eines Kundenprofils zu erhalten. Predictive Analytics basiert auf dem Data Mining, um Trends, bestimmte Kaufmuster von Kunden oder Verknüpfungen zwischen Daten aus einzelnen Datenquellen zu identifizieren und so Wahrscheinlichkeiten zu ermitteln, erklärt Springer-Autorin Janine Seitz im Kapitel "Predictive Analytics" des Buchs "Marktforschung der Zukunft–Mensch oder Maschine" (Seite 85). Auch ein Kundenmodell zur Berechnung und Optimierung der Absatzplanung, das auf Prognosen mithilfe von Predictive Analytics aufbaut, ist sinnvoll, um Umsatzvolumina einschätzen zu können.

Weiterführende Themen

Die Hintergründe zu diesem Inhalt

01.08.2021 | Information & Technologie | Ausgabe 5-6/2021

Erfolg von Big Data und Predictive Analytics messen

01.08.2021 | Praxis & Prozesse | Ausgabe 7-8/2021

Schon heute den Kunden von morgen kennen

2016 | OriginalPaper | Buchkapitel

Predictive Analytics

Auf dem Weg in eine analytisch vorhersagbare Zukunft?
Quelle:
Marktforschung der Zukunft - Mensch oder Maschine?

Das könnte Sie auch interessieren

    Bildnachweise