Predictive Modelling

Predictive Modelling (deutsch: Prognose- oder Vorhersagemodelle; prädiktive Analyse) bezeichnet eine Sammlung von Methoden, bei denen gegebene Daten analysiert und auch interpretiert werden, um aus diesen Daten Vorhersagen für zukünftige Ereignisse, Trends oder das Verhalten von Konsumenten abzuleiten. Dabei sind diese Vorhersagen als Wahrscheinlichkeiten anzusehen und nicht als abgeleitete Aussagen über die Zukunft, die in jedem Fall eintreffen werden. Die Ergebnisse von Prognose Modellen sind statistisch erwartbare Aussagen über das jeweilige Fachgebiet, die in ihren Wahrscheinlichkeiten von der Größe des Datenbestandes abhängen. Je mehr Input-Daten vorhanden sind, desto genauer sind die Output-Daten. Eine Garantie für das Eintreffen der Prognosen gibt es indes nicht.

Allgemeine Informationen zum Thema

Predictive Modelling kommt in den verschiedensten Bereichen oder Fachgebieten zum Einsatz: Versicherungs- und Finanzwirtschaft, Telekommunikation, Wissenschaft, E-Commerce, Customer Relationship Management oder Business Intelligence. Die Vorhersagen können im Hinblick auf wirtschaftliche Anwendungen als Entscheidungsgrundlage zur Budgetplanung und der Einschätzung von Chancen und Risiken verwendet werden. Die wohl bekannteste Anwendung des Predictive Modelling ist die Berechnung von Risiken bei einer Lebensversicherung. Im wissenschaftlichen Kontext geht es vielmehr um die Bestätigung oder Widerlegung von Theorien, die mithilfe von Daten das Verhalten eines vom Fachgebiet abhängigen Objektes beschreiben. Die demografische Entwicklung von Gesellschaften ist ein Beispiel hierfür.

Funktionsweise

Bei der Modellierung können drei Phasen unterschieden werden. Um die Wahrscheinlichkeiten bestimmter Aussagen zu erhöhen, werden diese Phasen meist mehrmals wiederholt und sind somit zu einem Teil iterativ.

• Training: Zunächst werden Daten gesammelt und analysiert. Dies kann quantitativ oder qualitativ erfolgen. Im Hinblick auf den Anwendungsfall werden Faktoren identifiziert, die besonders relevant sind. Im E-Commerce werden beispielsweise Kaufhistorien von Kunden analysiert, um herauszufinden, welche Kundensegmente bestimmte Produkte erworben haben. Relevante Faktoren können Alter, Geschlecht, sozialer Status oder Suchanfragen und Interessen sein. Auf Basis dieser Daten werden die Kunden in Segmente unterteilt und erste Prognosen erstellt.
• Kontrolle: Die bereits gemachten Prognosen werden gegen weitere, neue Daten geprüft. Dabei sind diese Daten eine Kontrollinstanz, um die Korrektheit und Zuverlässigkeit des Modells einschätzen zu können. Das Modell wird unter Umständen verändert. Cross-Selling und Produkt-Empfehlungen im E-Commerce werden beispielsweise auf ihren Anteil am Gewinn skaliert. Das bedeutet, es wird überprüft, ob die gemachten Produktvorschläge tatsächlich zu einem Umsatzplus beitragen.
• Prognose: Sobald ein akkurates und zuverlässiges Modell entwickelt wurde, können Trainings- und Kontrolldaten eingespeist werden, um Prognosen zu erstellen. Falls neue Daten verfügbar sind, werden weitere Kontrollen durchgeführt. Nutzer einer E-Commerce Plattform bekommen konkrete Vorschläge unterbreitet: „Nutzer, die das Produkt X gekauft haben, haben auch das Produkt Y gekauft.“ Diese Vorschläge sind das Ergebnis der verschiedenen Phasen des Predictive Modelling. Es ist wahrscheinlich, dass Kunde XY sich für Produkt Y interessiert, weil er zu einem bestimmten Kundensegment gehört und mit einer gewissen Kaufhistorie assoziiert wurde.

Typen von Predictive Models

Im Grunde können viele verschiedene statistische Modelle und Regressionsanalysen verwendet werden, um Prognosen zu machen. Im Kontext von Anwendungen in der IT geht es dabei meist um Data Mining und maschinelles Lernen. Einerseits sollen relevante Input-Daten in großen Datenbeständen gefunden werden und andererseits sollen Prognosemodelle selbstlernend sein, damit sie auf neue Daten automatisch reagieren.

Praxisbezug

Prognosen sind in bestimmten Hinsichten immer problematisch, da sie ihrer Form nach induktive Argumente sind. Von empirischen Beobachtungen und Einzelfällen wird auf allgemeine Ereignisse oder Aussagen geschlossen. Es ist zwar vernünftig, solche Schlussfolgerungen für wahr zu halten, wenn die Prämissen (die Daten) wahr sind. Aber das bedeutet keineswegs, dass die Schlussfolgerungen logisch stringent sind oder Allgemeingültigkeit beanspruchen können. Hinzu kommt, dass größere Datenbestände zwar exaktere Voraussagen ermöglichen. Jedoch bedeuten mehr Daten nicht immer tiefere Einblicke in das Verhalten der Kunden. Experten raten in diesem Zusammenhang oft zu Smart statt Big Data.

Diese Begrenzungen des Predictive Modelling werden deutlicher, wenn es um menschliches Verhalten geht. Um das Verhalten von Kunden vorherzusagen, müssten das Prognose Modell alle Variablen kennen, die dieses Verhalten beeinflussen. Menschen werden aber durch kaum zählbare Faktoren aus ihrer Umwelt beeinflusst. Jedes Modell ist also in bestimmter Hinsicht limitiert. Nichtsdestotrotz ist es einigen E-Commerce-Plattformen wie Netflix oder Amazon gelungen, mit dem Predictive Modelling ein hohes Umsatzplus zu generieren.

Bedeutung für die Suchmaschinenoptimierung

In den Bereichen Webanalyse, Online Marketing, Suchmaschinenoptimierung und auch Social Media können mithilfe des Predictive Modelling nicht nur Chancen und Risiken abgeschätzt, sondern auch erwartbare Umsätze kalkuliert werden. So dienen Prognosen in diesen Zusammenhängen zur Projektierung und Budgetplanung. Werbetriebende Unternehmen können beispielsweise entscheiden, welche Marketingkanäle in Anbetracht der Potenziale bespielt werden sollten. Dies gilt auch für Maßnahmen zur Kundenbindung, das Customer-Relationship-Management, Email- und Neswletter-Marketing sowie Suchmaschinen-Werbung und Affiliate-Netzwerke. Die möglichen Anwendungen für Predictive Modelling sind äußerst vielfältig.

Weblinks

• Definition Predictive Modelling
• Defintion Predictive Analytics
• Unverzichtbare Werkzeuge im Digitalmarketing
• Predictive Analytics: Chancen für den Online-Handel
• Mehr zu Business Analytics und Predictive Analytics