Predictive Analytics: Erste Schritte und Vermeidung von Misserfolgen

Avoiding Mishaps with Predictive Analytics

Predictive Analytics, welches einen datengestützten Einblick in das, was wahrscheinlich passieren wird, bietet, ist der Schlüssel zu unternehmerischen Veränderungen.

Predictive Analytics ist nicht gerade neu. Es gibt es schon seit Jahrzehnten. Es ist jedoch erst in den letzten Jahren, dass Marken und Organisationen begonnen haben, die Disziplin als eine effektive Möglichkeit zur Stärkung ihres Online-Marketings zu übernehmen und die Top- und Bottom-Lines zu steigern.

Data Mining, Textanalytik, Optimierung und Machine Learning sind unter anderem Kernbereiche des Predictive Analytics.

Die Annahmequoten variieren; angesichts einer zunehmend wettbewerbsorientierten und globalen Wirtschaft gilt jedoch: Je früher Unternehmen mit der Kultivierung prädiktiver Analysen beginnen, desto besser.

Der beste Weg, eine Strategie für Predictive Analytics zu beginnen, ist, klein anzufangen und den Erfolg zu beweisen, bevor man sie auf andere Bereiche ausdehnt.

Erste Schritte

Der erste Schritt ist der Start eines Proof-of-Concept-Projekts, das die Ausrichtung auf ein gut sichtbares Geschäftsfeld erfordert. Um Ihre anfänglich angestrebten Geschäftsfelder zu identifizieren, schauen Sie sich Ihre strategische Agenda oder Ihr Risikoregister an. Es wird viele Bereiche geben, in denen Sie Modelle aus historischen Daten entwickeln können, um zukünftige Ziele vorherzusagen, die Ihnen helfen können, entweder Wert zu schaffen oder potenzielle Verluste zu identifizieren. Diese Bereiche werden es wahrscheinlich sein:

  • Marketingkampagnen: Sagen Sie voraus, welches Kundensegment am ehesten als Reaktion auf eine Kampagne bei Ihnen einkaufen wird oder welches Messaging die höchste Konversion bewirkt.
  • Vertrieb: Prognostizieren Sie den Wert der Kundenlebensdauer und verstehen Sie, was das nächstbeste Angebot eines Käufers sein kann, und identifizieren Sie vorschlagende Produkte.
  • Kundenlebensdauer: Lernen Sie, Marker zu identifizieren, die anzeigen, welche Kunden Ihr Produkt wahrscheinlich fallen lassen oder ganz abwandern werden.
  • Betrug: Sagen Sie voraus, welche Leistungsempfänger (z.B. Anspruchsprogramme, Versicherungsansprüche, Gesundheitsfürsorge usw.) oder Mitarbeiter, die Zahlungen verarbeiten, wahrscheinlich betrügen werden.
  • Betrieb: Prognostizieren Sie den Bedarf an Inventar oder sagen Sie voraus, welche Mitarbeiter anfällig für Kündigungen sind, damit Sie die Abwanderung proaktiv steuern können.
  • Lieferkette oder Lieferanten: Identifizieren Sie Schwachstellen in Ihrer Lieferkette oder Modellverkäufer/Dritte, die betrugsanfällig sind.

Als nächstes müssen Sie die Daten herausfinden, die Sie benötigen – stellen Sie sicher, dass sie sauber und reichlich vorhanden sind – und beginnen Sie, ein Modell zu erstellen, das Ihr zukünftiges Ziel vorhersagt. Die Erstellung Ihres ersten Modells erfordert ein wenig Versuch und Irrtum, aber Sie können schnell iterieren und durch einen frühen Return on Investment Vertrauen in die Unternehmensführung aufbauen.

Sicherstellung der Datenqualität

 

Die Datenqualität ist oft das größte Hindernis, das das Unternehmen daran hindert, Fortschritte bei der Wertschöpfung aus Predictive Analytics zu machen. Die Bereinigung und Harmonisierung disparater Daten ist auch der schwierigste Schritt in einer Analyseinitiative für den Data Scientist oder das Analyseteam, der oft 80 Prozent des anfänglichen Aufwandes erfordert.

Die Überwindung dieser Barriere ist jedoch notwendig, um eine sinnvolle Einsicht zu erlangen. Andernfalls ist es “garbage in, garbage out”, was es fast unmöglich macht, aussagekräftige Einblicke oder einen ROI zu liefern, und was dazu führt, dass Ihr Predictive Analytics Programm wahrscheinlich schnell versagt.

Auf lange Sicht wird Ihre Strategie die Grundlage für ein gutes Datenmanagementprogramm benötigen, um den Zugriff, die Bereinigung, die Harmonisierung und die Analyse zu verwalten.

 

Sicherstellung der Datenkonformität

 

Neben qualitativ hochwertigen Daten wird es rechtliche und regulatorische Verpflichtungen geben, die gemeinsame globale Standards wie PCI für die Zahlungsabwicklung oder Cybersicherheit oder branchenspezifische Regeln in Bereichen wie Gesundheitswesen, Finanzdienstleistungen, Verhalten und Datenschutz umfassen. Gängige Datenverwaltungsprogramme können zu diesem Zweck ein Data Warehouse oder einen Datensee beinhalten.

Sind Sie beispielsweise im Zuge der europäischen GDPR-Verordnung berechtigt, Daten, die personenbezogene Daten von EU-Bürgern enthalten, in Ihren Datensee zu verschieben, oder müssen Sie bestimmte Regionen oder bestimmte Arten von Daten herausfiltern? Wenn Ihr Programm einen höheren Reifegrad erreicht hat, stellen Sie sicher, dass Ihr General Counsel und Ihr Compliance Officer als Stakeholder konsultieren, um sicherzustellen, dass Sie die Anforderungen nur mit den richtigen Daten erfüllen.

 

Behandeln Sie Ihre Daten nicht wie Müll

 

Das größte Problem, mit dem viele Unternehmen konfrontiert sind, ist, dass sie trotz des großen Datenverlusts und der niedrigen Kosten für Computer und Datenspeicherung noch nicht genug mit ihren Daten machen. Andrew Sherman, ein anerkannter Experte für Geschäftswachstum, sagte in seinem TEDx-Vortrag an der University of Nevada, dass der Reichtum des S&P 500 von primär physischen Vermögenswerten in den 1970er Jahren[87% physisch 13% immateriell], die von einer Produktionsökonomie angetrieben wurden, zu primär immateriellen Vermögenswerten in 2000er Jahren[84% immateriell 16% physisch] übergegangen ist. So behauptet Andrew, dass Organisationen ihre Informationen im Allgemeinen als Müll behandeln und wegwerfen.

Durch den Einsatz von Predictive Analytics werden Informationen jedoch eher als ungenutzter Wert als als Ablagerungen behandelt.

Der Wandel beschleunigt sich in jedem Teil der Geschäftslandschaft, und jede Branche existiert in einer Informationswirtschaft. Wer Daten als neues Öl und Analytik als Verbrennungsmotor einsetzt, wird nicht nur bestehen bleiben, sondern oft sogar den Wettbewerb übertreffen. Die Einbeziehung des Predictive Analytics ist der effektivste Weg, um die Veränderung zu erleichtern und Ihre Daten zu monetarisieren.