Wie können Analytics und KI Marketern ermöglichen, die Zukunft vorherzusagen?

Machen Sie niemals Vorhersagen, vor allem nicht über die Zukunft.

Wir haben nicht gerade eine gute Erfolgsbilanz bei der Vorhersage der Zukunft, daher scheint dies ein kluger Rat zu sein.

Von IBM-Präsident Thomas Watson, der in den frühen 1940er Jahren erklärte, dass es einen Weltmarkt für „ungefähr 5 Computer“ geben würde (zugegeben, auf dem Planeten gab es vielleicht nur Platz für 5 der frühen IBM-Maschinen), bis hin zum Y2K-Hallaboo, die Leute können nicht widerstehen, mit grandiosen, oft völlig ungenauen Vorhersagen zu waten.

Die Belohnung, die Zukunft im Voraus zu kennen, ist zu groß, um dem Versuch zu widerstehen, aber wir verlassen uns ziemlich stark auf die menschliche Intuition, um unsere Projektionen zu bilden. Daher bleiben die Belohnungen allzu oft unbeansprucht.

Dies ist jedoch eine sich schnell entwickelnde Branche, und Fortschritte in der künstlichen Intelligenz (KI) könnten dazu führen, dass wir unsere Zukunftsprognosen bald auf zuverlässigen statistischen Modellen statt auf unserer vertrauten, aber fehlerhaften Intuition stützen.

In dieser dreiteiligen Serie werden wir die potenzielle Rolle künstlicher

Intelligenz bei der Entwicklung präziser, zugänglicher prädiktiver Analysen, die zu einer verbesserten Unternehmensleistung führen.

Dieser Artikel beginnt mit einer Analyse, wo die Predictive Analytics-Branche heute steht, zusammen mit einigen Tipps, die Unternehmen dabei helfen, die verfügbaren Technologien und Daten optimal zu nutzen.

Was verstehen wir unter „Predictive Analytics“?

Predictive Analytics ist eine Form des Data Mining, die maschinelles Lernen und statistische Modellierung einsetzt, um zukünftige Zustände basierend auf historischen Daten vorherzusagen.

Es gibt bereits überall um uns herum Beispiele für Predictive Analytics. Wenn Ihre Bank Sie über potenziell verdächtige Aktivitäten auf Ihrer Kreditkarte informiert, wurde mit hoher Wahrscheinlichkeit ein statistisches Modell verwendet, um Ihr zukünftiges Verhalten basierend auf Ihren vergangenen Transaktionen vorherzusagen. Schwerwiegende Abweichungen von diesem Muster werden als verdächtig gekennzeichnet.

Als einfachen Anhaltspunkt zum Verständnis des Interesses an diesem Feld können wir aus Google Trends entnehmen, dass das Suchvolumen zum Thema 'Predictive Analytics' in den letzten 5 Jahren deutlich gestiegen ist:

Wir können uns diese Linie ansehen und voraussagen, dass sie weiter wachsen wird. Aber das beruht wirklich nur auf dem jüngsten historischen Trend oder der Tatsache, dass wir in der Branche viel über das Thema gehört haben. Es würde viel mehr Nachforschungen erfordern, um mit wirklicher Gewissheit zu sagen, wohin die Linie als nächstes führen wird.

Es macht Sinn, dass auch so viele Unternehmen von dem Thema fasziniert sind. Es wird prognostiziert, dass bis 2020 jährlich über 76 Milliarden US-Dollar für die „Big Data“-Technologie ausgegeben werden. Der beste Weg, um eine Rendite aus dieser Investition zu erzielen, besteht darin, all diese Daten zu verwenden, um zukünftige Nachfragetrends zu antizipieren.

Dies ist eine schwierige Aufgabe für die Menschen, wie wir gesehen haben. Wir brauchen ein wenig Hilfe, wenn wir anfangen sollen, richtige Vorhersagen zu treffen.

Infolgedessen wird Predictive Analytics im „Analytic Ascendancy Model“ von Gartner als Evolutionssprung sowohl von deskriptiver als auch von diagnostischer Analyse angesehen.

Das heißt, der Wunsch nach präziser prädiktiver Analyse ist nicht neu, ebenso wenig wie Versuche, mithilfe von Analysen zukünftiges Verbraucherverhalten zu modellieren. Viele Analytics-Profis beschäftigen sich täglich mit diesem Feld, um beispielsweise Zahlen wie den Lifetime Value (LTV) ihres typischen Kunden zu berechnen. Die Verfügbarkeit umfangreicher und vielfältiger Datensätze hat dazu beigetragen, die Genauigkeit dieser Berechnungen erheblich zu verbessern.

Relativ neu ist der Einsatz künstlicher Intelligenz, um Lücken in unseren Fähigkeiten zu schließen und die Möglichkeiten von Predictive Analytics zu erweitern.

Diese Kombination hat zu ausgefeilteren statistischen Modellen geführt, die Muster im vergangenen Verbraucherverhalten erkennen und diese verwenden, um wahrscheinliche zukünftige Handlungen abzubilden.

Aber warum ist gerade künstliche Intelligenz so effektiv, um das zu erreichen, was wir alleine für fast unmöglich hielten?

Gewohnheitstiere: Wie wird Predictive Analytics in der realen Welt angewendet?

Predictive Analytics wird sehr dadurch unterstützt, wie berechenbar Menschen sind.

So einzigartig und willensfrei wir auch glauben möchten, KI kann ziemlich genau vorhersagen, was wir weiterhin tun werden, basierend auf unseren vergangenen Handlungen und den Handlungen ähnlicher Personen.

Eine Studie von Wissenschaftlern des Media Lab des Massachusetts Institute of Technology aus dem Jahr 2007 ergab, dass „gut 90 Prozent dessen, was die meisten Menschen im Alltag tun, Routinen folgt, die so vollständig sind, dass ihr Verhalten mit nur wenigen mathematischen Gleichungen vorhergesagt werden kann.“

Viele Marketingkampagnen basierten auf dieser Annahme, aber wir können dieses Prinzip jetzt mit größerer Genauigkeit und Verantwortlichkeit anwenden.

KI kommt in diesem Bereich zum Tragen, weil sie breitere Muster erkennen kann, die Menschen einfach nicht sehen würden. Wir wählen Bereiche für die Untersuchung auf der Grundlage von Annahmen aus, die wir für sicher halten, aber KI kann andere Variablen identifizieren, die sich, wenn sie verändert werden, gegenseitig beeinflussen.

Dieser Ansatz (der stark von der Regressionsanalyse geprägt ist) spiegelt die sich ständig verändernde Welt der Verbraucher wider.

Wie wahrscheinlich ist es beispielsweise, basierend auf meinem Standort, Alter, früheren Käufen und Geschlecht, Milch zu kaufen, wenn ich gerade Brot in meinen Warenkorb gelegt habe? Ein Online-Supermarkt kann diese Art von Informationen verwenden, um mir basierend auf meiner prognostizierten Kaufneigung automatisch Produkte zu empfehlen.

Darüber hinaus kann ein Finanzdienstleister Tausende von Datenpunkten verwenden, die durch meine Online-Interaktionen und die von ähnlichen Personen erstellt wurden, um zu entscheiden, welche Kreditkarte er mir wann anbietet. Ein Modehändler kann anhand meines digitalen Profils anhand der gerade gekauften Jeans entscheiden, welche Schuhe er beim nächsten Einkauf empfehlen möchte.

Dies hilft Unternehmen, ihre Conversion-Rate zu verbessern, aber die Auswirkungen sind viel umfassender. Predictive Analytics ermöglicht es Unternehmen, Preisstrategien basierend auf Verbrauchererwartungen und Wettbewerbs-Benchmarks festzulegen. Es ermöglicht Einzelhändlern, die Nachfrage zu antizipieren und somit sicherzustellen, dass sie für jedes Produkt den richtigen Lagerbestand haben.

Predictive Analytics kann sogar Ideen für neue Produktlinien vorschlagen, indem sie Veränderungen der Kundenpräferenzen erkennt. Dies markiert den Wandel der Analytik von einem retrospektiven Werkzeug für Datenspezialisten zu einer wesentlichen Vorhersagefunktion, die die Geschäftsstrategie prägt, die Kundenbeziehungen verbessert und betriebliche Effizienz schafft.

Tatsächlich stellte ein kürzlich veröffentlichter Forrester-Bericht fest, dass „Predictive Marketer mit einer 2,9-mal höheren Wahrscheinlichkeit ein Umsatzwachstum mit Raten über dem Branchendurchschnitt melden.“

Die Beweise dieser Revolution sind bereits überall um uns herum. Jedes Mal, wenn wir beispielsweise eine Suchanfrage bei Google, Facebook oder Amazon eingeben, speisen wir Daten in die Maschine ein. Die Maschine lebt von Daten und wird immer intelligenter, wenn sie diese Rückmeldungen empfängt.

Dieses Phänomen bringt eine Vielzahl von Vorteilen für Marketer mit sich. Google nutzt diese Technologie bereits seit einiger Zeit durch sein Smart Goals-Produkt in Analytics und seine Ende letzten Jahres eingeführte Funktion für den Sitzungsqualitätsfaktor. Dies sind Beispiele für Predictive Analytics in Aktion, die auf maschineller Lerntechnologie basiert.

Es gibt ein Argument, dass Vorhersagen das Fundament der Intelligenz sind, also ist dies eine ziemliche Leistung für die KI.

Dies ist jedoch nur der Anfang. Ein Großteil der aktuellen Arbeit im Bereich Predictive Analytics konzentriert sich darauf, Vorschläge oder Empfehlungen zu machen, aber es gibt Spielraum für KI-basierte Prognosen, um den Drehpunkt von Marketingstrategien zu bilden.

Die jüngsten Entwicklungen geben in dieser Hinsicht viel Anlass zu Optimismus (oder Besorgnis, könnte man sagen). Das DeepMind-Team von Google hat gerade eine KI entwickelt, die in der Lage ist, für die Zukunft zu planen und verschiedene Ergebnisse zu berücksichtigen, bevor sie handelt.

Dies ist im Rahmen von Predictive Analytics relevant, da Vorstellungskraft ein grundlegender Aspekt bei der Erstellung von Projektionen ist. Diese Fähigkeit wird die Rolle der KI als wesentliche Komponente einer erfolgreichen Predictive-Analytics-Kampagne nur festigen.

Wie können Unternehmen Predictive Analytics integrieren?

Um das Potenzial von künstlicher Intelligenz und Predictive Analytics zu nutzen, müssen Unternehmen vier Elemente umsetzen.

1. Die richtigen Fragen

Die besten Predictive Analytics-Projekte beginnen mit einer fundierten Hypothese zum Testen. Obwohl wir maschinellen Lernalgorithmen Raum geben sollten, um ihre eigenen objektiven Verknüpfungen zwischen Datenpunkten herzustellen, müssen wir uns einer geschäftlichen Herausforderung stellen, die wir bewältigen möchten. Dies trägt dazu bei, dem Unterfangen eine gewisse Form zu geben.

2. Die richtigen Daten

Fortschritte in der Datenwissenschaft in den letzten zehn Jahren bedeuten, dass wir mit größerer Genauigkeit Erkenntnisse aus großen Mengen unstrukturierter Daten ableiten können, aber wir benötigen immer noch vollständige Datensätze, um zu überzeugenden Schlussfolgerungen zu gelangen.

Daher ist der nächste Schritt nach der Definition der Fragen, die Sie mit Predictive Analytics beantworten möchten, herauszufinden, welche Daten Ihnen zur Verfügung stehen und ob diese ausreichen, um Ihre Fragen überzeugend zu beantworten.

3. Die richtige Technologie

Wie der prognostizierte Wert von 76 Milliarden US-Dollar bis 2020 impliziert, ist die Big-Data-Technologie eine boomende Branche. Daten werden mit einer solchen Geschwindigkeit erstellt, dass wir ständig verbesserte technologische Fähigkeiten benötigen, um sie zu erfassen, zu speichern und zu verstehen.

Viele der führenden Analysesoftwarepakete haben bereits Predictive-Analytics-Tools auf den Markt gebracht, unterscheiden sich jedoch in ihrer Methodik. Um zu entscheiden, welche Lösung für Ihr Unternehmen die beste ist, ist es wichtiger denn je, ein Team zu haben, das Erfahrung mit jeder Lösung hat und die am besten geeignete Option identifizieren kann.

4. Die richtigen Leute

Dies bringt uns im Wesentlichen zurück zu Schritt eins. Ohne die richtigen Leute ist es sehr schwierig, die richtigen Fragen zu stellen. Es ist auch schwierig zu wissen, welche Daten möglicherweise benötigt werden, um sie zu beantworten oder das Beste aus der neuesten Technologie herauszuholen. Bei all dem Gerede darüber, dass KI Menschen ersetzt, hat es den Fokus nur wirklich geschärft, die richtigen Leute dazu zu bringen, die neuen Möglichkeiten, die sie bietet, optimal zu nutzen.

Die Anwendungen dieser Technologie sind bereits weit verbreitet, aber wir kratzen noch an der Oberfläche. Im nächsten Artikel dieser Serie werfen wir einen Blick auf fünf Unternehmen, die Predictive Analytics einsetzen, um heute eine verbesserte Unternehmensleistung zu erzielen.

Lesen Sie weiter zu Teil 2 der Serie: 5 Unternehmen, die KI nutzen, um die Zukunft und den Gewinn vorherzusagen