Prädiktive Modellierung (Predictive Modeling) ist eine Data-Mining-Lösung, die durch die Analyse historischer Daten und aktueller Daten dabei hilft, zukünftige Ergebnisse vorherzusagen. Prädiktive Modellierung umfasst das Sammeln von Daten, die Formulierung eines statistischen Modells, die Vorhersage und Validierung (oder Überarbeitung) dieses Modells.
Prädiktive Modellierung gibt es bereits seit Jahrzehnten. Doch erst seit kurzem wird sie als Teilbereich von KI betrachtet und oft mit Machine Learning in Verbindung gebracht. Verwendet wird sie, um die Wahrscheinlichkeit bestimmter Ergebnisse auf der Grundlage von Daten aus ähnlichen vergangenen und aktuellen Ereignissen vorherzusagen.
So lässt sich mit prädiktiver Modellierung etwa die Wahrscheinlichkeit der Kundenabwanderung berechnen (d.h., dass ein Kunde sich abmeldet oder keine Produkte mehr kauft und stattdessen die eines Wettbewerbers wählt). Hierzu verwendet das Modell die verfügbaren Daten von Kunden, die bereits abgewandert sind, sowie von Kunden, die dies nicht getan haben. Durch Muster, die von Machine-Learning-Algorithmen identifziert werden, werden künftige Trends vorhergesagt.
Die Vorhersagen werden meist für zukünftige Ereignisse verwendet, gelten aber auch für andere Fälle. Angenommen, Sie möchten die Priorität eines Support-Tickets auf der Grundlage des zugehörigen Beschreibungstextes klassifizieren. Nachdem Sie Daten von ähnlichen Tickets gesammelt haben, können Sie die Priorität anderer Tickets mit einer Genauigkeit vorhersagen, die mit jeder Vorhersage weiter ansteigt.
Die Vielzahl der Szenarien, in denen Sie die prädiktive Modellierung anwenden können, ist einer der offenkundigen Gründe für ihr Potenzial. Aber was genau sind die Vorteile?
Der wichtigste Vorteil prädiktiver Modellierung besteht darin, dass sie Ihren Entscheidungsprozess unterstützt. Sie trägt alle relevanten Informationen über frühere Anwendungsfälle zusammen, um Ihre zukünftigen Entscheidungen zu verbessern.
Wenn eine große Menge an Daten manuell überprüft werden muss (z. B. Tickets, Banking), erleichtert die prädiktive Modellierung es, Ereignisse automatisch zuzulassen oder abzulehnen. Darüber hinaus können Sie Muster identifizieren und den Zeitaufwand für die Verarbeitung großer Datenmengen verringern.
Neben der Erkennung und Klassifizierung von Bildern kann prädiktive Modellierung auch auf die Übersetzung und Klassifizierung von Texten angewendet werden. Die Leistung des Live-Modells lässt sich durch den Einsatz der richtigen Werkzeuge und der richtigen Umgebung kontinuierlich verbessern, sodass es nie veraltet.
Nicht zuletzt werden Sie eine Verbesserung der operativen Effizienz sowie eine Prozessmodernisierung feststellen, die zu höheren Einnahmen und Kostenoptimierung führt.
Neben den vielen Erfolgsgeschichten gibt es jedoch auch einige oft unerwähnt bleibende Risiken. Behalten Sie immer im Hinterkopf: Nicht alle Daten sind nützlich. Wenn ein Modell von irrelevanten Daten ausgeht, kann es zu ungenauen Vorhersagen kommen.
Es ist nicht immer möglich, die Zukunft eines Ereignisses anhand seiner Geschichte vorherzusagen. Korrelation bedeutet nicht immer auch Kausalität.
Auch ethische Fragen sind zu beachten. Dabei kann es um Dinge wie den Umgang mit den Daten, ihren inhärenten Bias, die Algorithmen und die Rechte an geistigem Eigentum gehen.
Um die entsprechenden Risiken zu reduzieren, ist es wichtig, die Modellergebnisse zu überwachen und mit der Realität abzugleichen. Darüber hinaus müssen die Modelle mit aktuellen Daten gefüttert werden, sobald ihre Leistung nachlässt. Vorhersagen zu machen, ist einfach – aber falsche Vorhersagen zu machen, ist noch einfacher.
Einem Report von Gartner zufolge ist das mangelnde Verständnis von KI – wenig überraschend – eine der drei größten Herausforderungen, die in diesem Bereich zu bewältigen sind. Um den Angstfaktor zu verringern und Ihnen hilfreiche Ausgangspunkte an die Hand zu geben, die für jedes Unternehmen gelten, beleuchten wir auf einige häufige Szenarien, in denen prädiktive Modellierung sehr effektiv sein kann.
Das Kundenverhalten kann an jedem Punkt der Produktreise auf der Grundlage von prädiktiver Modellierung vorhergesagt werden. Zum Beispiel kann es dazu verwendet werden, den Erfolg eines Upsell- oder Cross-Sell-Angebots vorherzusagen. Auch Ihre Customer-Relationship-Prozesse lassen sich mit KI verbessern, indem Sie Spam in öffentlichen Kommunikationskanälen erkennen. Letztlich dienen alle der folgenden Anwendungsfälle einer Stärkung der Kundenbeziehung.
Um erfolgreich zu sein, müssen Unternehmen ihre Kunden samt ihren Gewohnheiten und Verhaltensweisen kennen. Die Datenmengen, die durch Clickstream-Flows, die Nutzung von Web- und mobilen Apps sowie viele andere Tools zur Verhaltensanalyse generiert werden, sind in ihrem gewaltigem Umfang nur schwer zu verarbeiten. In diesem Szenario hilft ein Vorhersagemodell. Es ermöglicht die Klassifizierung und Segmentierung von Kunden und erleichtert so die Analyse relevanter Daten, wie die Erkennung neuer Umsatzströme, und die entsprechende Planung von Maßnahmen. Außerdem kann es dazu beitragen, den Erfolg von Display Advertising zu ermitteln und Klickraten vorherzusagen.
Es gibt bereits eine ganze Reihe praktischer Anwendungsfälle mit hervorragenden Ergebnissen. So konnte eine führende Bank die Zahl der Neukunden um 33% steigern, indem sie gezielt Personen ansprach, die gerade in die Nähe von Bankfilialen gezogen waren, und diese nach der Wahrscheinlichkeit einer neuen Bankkontoeröffnung klassifizierte.
Durch das Identifizieren von Mustern in menschlichem Verhalten können Modelle mit hoher Sicherheit Rückschlüsse auf menschliche Entscheidungen ziehen und diese kategorisieren. Dies kann z. B. bei der manuellen Selektierung und der Priorisierung von Fällen oder Tickets sowie bei der Personaleinsatzplanung und -optimierung nützlich sein. Mit schnellen Prozessen können sich Mitarbeiter auf kritischere und nicht-repetitive Aufgaben konzentrieren.
Weiter verbessern lässt sich die Automatisierung durch das Internet der Dinge (IoT). Dieses besteht aus einem System von Computergeräten, die ohne menschliche Interaktion Daten über ein Netzwerk übertragen können. Das Unternehmen Ricoh konnte die Betriebs- und Kosteneffizienz um bis zu 10% verbessern, indem es Reparaturen automatisch so terminierte, dass Ausfallzeiten minimiert wurden. Dies gelang durch die Vorhersage, wann eine Maschine mit größerer Wahrscheinlichkeit ausfallen wird.
Die Risikobewertung ist für jedes Unternehmen wichtig – vor allem wenn es um umfangreiche Investitionen geht. Mithilfe von prädiktiver Modellierung können Sie das Risiko von Zahlungsausfällen oder Betrug antizipieren und potenziell kritische Szenarien vermeiden. Nehmen wir das Beispiel von BBVA: Das Unternehmen konnte die Zahl der Fehlalarme im Zusammenhang mit betrügerischen Kreditkartentransaktionen durch die Vorhersage des Risikos um 54% reduzieren.
All diese Anwendungsfälle zählen zu den häufigsten Beispielen dafür, wie KI und prädiktive Modellierung bereits große Wirkung zeigen. Ihr Einsatz ist in einer Vielzahl von Sektoren möglich – von Finanzdienstleistungen bis zu Behörden, vom Einzelhandel bis zum Gesundheitswesen und vielen mehr. KI ist nicht nur die Zukunft. Sie ist bereits Realität und macht einen großen Unterschied.
Wenn Sie auf der Suche nach einem Wettbewerbsvorteil sind, mit dem Sie Ihrer Konkurrenz einen Schritt voraus bleiben, sind maschinelles Lernen und prädiktive Modellierung genau das Richtige für Sie. Dabei handelt es sich keineswegs nur um einen Marketing-Hype. Sie erhalten einen echten Nutzen, der leichter zugänglich ist als je zuvor.
