Predictive Analytics: Vorhersagen mit KI und Machine Learning

ERKLÄRUNG

Einfach erklärt

Predictive Analytics nutzt historische Daten und ML-Modelle, um Wahrscheinlichkeiten für zukünftige Ereignisse zu berechnen. Es geht nicht darum, die Zukunft zu „sehen”, sondern fundierte Entscheidungen auf Basis von Daten zu treffen.

Die Analytics-Reifestufen:

1. Descriptive   → Was ist passiert?        (Reports, Dashboards)
2. Diagnostic    → Warum ist es passiert?    (Drill-down, Root Cause)
3. Predictive    → Was wird passieren?       (ML-Modelle, Prognosen)
4. Prescriptive  → Was sollten wir tun?      (Optimierung, Empfehlungen)

Typische Predictive-Analytics-Modelle

Modell	Use Case	Output
Logistische Regression	Churn Prediction	Ja/Nein-Wahrscheinlichkeit
Random Forest	Lead Scoring	Score 0–100
Zeitreihen (ARIMA)	Demand Forecasting	Wert pro Zeitpunkt
Gradient Boosting	CLV Prediction	Monetärer Wert
Survival Analysis	Time-to-Event	Wann passiert etwas?

Praxisbeispiel: Churn Prediction

Eingabe-Features:
  - Letzte Aktivität: vor 23 Tagen
  - Tickets erstellt: 5 (im letzten Monat)
  - Feature-Nutzung: -40 % vs. Vormonat
  - Vertragslaufzeit: 2 Monate verbleibend
  - NPS-Score: 4/10

ML-Modell-Output:
  Churn-Wahrscheinlichkeit: 87 %
  Top-Faktoren: Inaktivität, sinkende Nutzung, niedriger NPS

Empfohlene Aktion:
  Customer Success Manager kontaktiert Kunden proaktiv

Erfolgsfaktoren

Datenqualität: Garbage In, Garbage Out – saubere Daten sind Voraussetzung
Feature Engineering: Die richtigen Eingabefelder machen 80 % des Erfolgs aus
Business-Kontext: ML-Experten und Fachexperten müssen zusammenarbeiten
Feedback-Loop: Modelle regelmäßig mit neuen Daten aktualisieren
Actionability: Vorhersagen sind nur wertvoll, wenn sie zu Handlungen führen

ANALOGIE

Predictive Analytics ist wie ein erfahrener Wetterfrosch mit Supercomputer: Er schaut sich Tausende historische Wetterdaten an und sagt nicht nur 'Es wird regnen', sondern 'Am Donnerstag um 14 Uhr wird es mit 78 % Wahrscheinlichkeit regnen' – und liegt erstaunlich oft richtig.

WICHTIGSTE PUNKTE

Nutzt historische Daten und ML-Modelle für Wahrscheinlichkeits-Vorhersagen

Anwendung in Marketing, Vertrieb, Logistik, Finanzen und Gesundheit

Nicht Zukunft 'sehen', sondern informierte Wahrscheinlichkeiten berechnen

ANWENDUNGSFÄLLE

Churn Prediction

Vorhersagen, welche Kunden wahrscheinlich abwandern – und rechtzeitig Gegenmaßnahmen ergreifen

Lead Scoring

ML bewertet, welche Leads am wahrscheinlichsten konvertieren

Demand Forecasting

Nachfrage pro Produkt und Region vorhersagen für optimale Lagerhaltung

Customer Lifetime Value

Den zukünftigen Wert eines Kunden vorhersagen für Budgetallokation

HÄUFIGE FRAGEN

Wie viele Daten brauche ich für Predictive Analytics?

Hängt vom Use Case ab. Für einfache Modelle reichen oft einige tausend Datenpunkte. Für komplexe Vorhersagen (z. B. individualisiertes Lead Scoring) sind 50.000+ Datensätze empfehlenswert. Wichtiger als die Menge ist die Qualität und Relevanz der Daten.

Was ist der Unterschied zwischen Predictive und Prescriptive Analytics?

Predictive sagt vorher, WAS wahrscheinlich passieren wird ('Kunde wird abwandern'). Prescriptive empfiehlt, WAS MAN TUN SOLLTE ('Sende diesem Kunden einen 20%-Rabatt-Coupon'). Prescriptive baut auf Predictive auf.

Wie genau sind die Vorhersagen?

Das variiert stark. Churn Prediction erreicht oft 75–90 % Genauigkeit. Wichtig ist nicht die perfekte Vorhersage, sondern dass die Vorhersage besser ist als Raten oder Bauchgefühl – und dass sie zu besseren Entscheidungen führt.

TOOLS & RESSOURCEN

Google Cloud AutoML

ML-Modelle trainieren ohne tiefes ML-Wissen

Amazon SageMaker

End-to-End ML-Plattform für Predictive Analytics

Pecan AI

Predictive Analytics Plattform speziell für Marketing-Teams

HubSpot Predictive Lead Scoring

Integrierte prädiktive Funktionen im CRM

VERWANDTE BEGRIFFE

Grundlagen

Machine Learning (ML)

Ein Teilbereich der KI, bei dem Algorithmen aus Daten lernen und Vorhersagen treffen, ohne explizit programmiert zu werden.

Grundlagen

Supervised Learning

Eine Machine-Learning-Methode, bei der ein Modell aus gelabelten Beispieldaten lernt – also aus Eingaben mit bekannter korrekter Ausgabe.

Daten Grundlagen

Feature Engineering

Der Prozess, aus Rohdaten aussagekräftige Merkmale (Features) zu extrahieren oder zu erstellen, die einem ML-Modell helfen, bessere Vorhersagen zu treffen.

Daten DevOps

Data Pipeline

Eine automatisierte Abfolge von Schritten, die Daten von der Quelle über Transformation bis zum Ziel transportiert und verarbeitet.

Praxis Daten

A/B Testing

Eine Methode zum Vergleich zweier Varianten (A und B) durch zufällige Aufteilung der Nutzer – der Goldstandard für datengetriebene Entscheidungen.

Marketing Digital

Conversion Rate

Der Prozentsatz der Nutzer, die eine gewünschte Aktion ausführen – vom Klick über die Anmeldung bis zum Kauf. Zentrale Metrik für die Bewertung von Marketing-Kampagnen und UX-Optimierung.