Predictive Analytics: Wenn Marktforscher die Informationstechniker nerven

Den Prozess, neue Kennziffern für die Bewertungsmodelle zu gewinnen, versucht Herr zu automatisieren. Dafür benötigt er ein möglichst zeitnahes Monitoring. Mit dessen Hilfe wird die Leistungsfähigkeit der Modelle überprüft. „Inwieweit stimmen die Modelle mit dem tatsächlich Eingetroffenen überein?“ lautet hierbei die Kernfrage. Der O2-Experte formuliert sein Ziel wie folgt: „Optimiere die Repräsentation der CLV-Komponenten und der geschätzten Verweildauer im Data Warehouse im Hinblick auf größtmögliche Flexibilität für die Ableitung neuer Kennziffern.“ Wenn auch Arbeit in die Automatisierung gesteckt werden muss, eines kann Herr dem Professor jedoch schon jetzt bestätigen: „Die CLV-Modelle sehen komplett anders aus als die vergleichsweise kurz greifende Bewertung von Marketing-Kampagnen“, und setzt hinzu: „Predictive Analytics ist eine Kernkompetenz für die Erstellung eines CLV-Berechnungsmodells.“

Die Wichtigkeit von Predictive Analytics bestätigt auch ein Bericht des Marktforschungsunternehmens IDC. Dieser untersucht den Return on Investment (ROI) solcher Projekte. Während der Einsatz von Business-Intelligence-Tools (BI) für mehr Produktivität der Mitarbeiter sorgt, zielt Predictive Analytics auf bessere Performance eines Unternehmens. BI-Werkzeuge helfen aufzuklären, was in einem Unternehmen vor sich geht, und geben Auskunft über die Effizienz. Prognose-Tools aber sollen dazu beitragen, analysierte Prozesse zu verändern, etwa den Umgang mit Kunden. So nahm die Produktivität der Mitarbeiter in den ersten 36 Monaten nach Einführung von BI-Werkzeugen im Schnitt um 89 Prozent zu, weist IDC nach. Bei der Einführung von Vorhersage-Tools stieg die Leistung von Unternehmensprozessen über denselben Zeitraum um durchschnittlich 112 Prozent.

Beide Arten von Analyse-Projekten weisen somit ein enormes Potenzial auf. Die IDC-Aufteilung spricht darüber hinaus für ein ergänzendes Miteinander. Damit sollten ideale Voraussetzungen für eine Eheanbahnung geschaffen sein. Doch die Annäherung fällt schwer. Zum Beispiel zwischen Data-Minern, BI-Nutzern, Marktforschern und IT. Rechenzentrum oder DV-Abteilungen eines Unternehmens dürfen das Data Warehause füttern und hüten sowie dafür sorgen, dass die Daten stimmen und parat stehen. Denn die BI-Tools erfordern Genauigkeit und Präzision. Marktforscher bedienen sich oftmals eines komplett anderen Slangs sowie anderer Methodiken. Zum Beispiel sprechen die Marktforscher von Fällen, wenn Zeilen einer Tabelle gemeint sind, und von Attributen, wenn sie Spalten meinen. Um Predictive Analytics betreiben zu können, wird Know-how aus allen Analyse-Bereichen benötigt. Das geht nicht ohne Reibungsverluste und nicht ohne spezielle Tools, zum Beispiel von SPSS und SAS Institute.