Predictive Analytics bezeichnet Verfahren, die aus historischen Daten Wahrscheinlichkeiten für zukünftige Ereignisse ableiten. Im Marketing beantworten sie Fragen, die klassische Auswertungen nicht beantworten können: nicht „wie viele Kunden haben letztes Jahr gekündigt”, sondern „welche Kunden werden vermutlich als Nächstes kündigen”. Der Unterschied ist keine Spielerei — er entscheidet, ob man reagiert oder vorher handelt.
Die drei Stufen der Datenauswertung
Prädiktive Verfahren stehen selten allein. Sie bauen auf zwei einfacheren Stufen auf, und die Reihenfolge ist nicht verhandelbar:
Deskriptiv — was ist passiert? Berichte, Dashboards, Kennzahlen. Diese Ebene beschreibt die Vergangenheit und ist die Grundlage für alles Weitere. Wer hier keine verlässlichen Zahlen hat, kann nicht prognostizieren.
Diagnostisch — warum ist es passiert? Segmentvergleiche, Attributionsanalysen, Kohorten. Diese Ebene sucht Zusammenhänge und Ursachen.
Prädiktiv — was wird passieren? Erst hier werden Muster aus der Vergangenheit auf die Zukunft übertragen. Die vierte Stufe, die manchmal ergänzt wird, ist die präskriptive: Sie leitet aus der Prognose eine Handlungsempfehlung ab.
Die praktische Konsequenz: Ein Unternehmen ohne sauberes Tracking und ohne belastbare KPI-Definitionen sollte nicht mit Prognosemodellen beginnen. Die Modelle würden auf Daten trainiert, deren Aussagekraft niemand garantieren kann.
Was Predictive Analytics im Marketing konkret leistet
Abwanderungsprognose (Churn). Das Modell schätzt für jede bestehende Kundenbeziehung die Wahrscheinlichkeit einer Kündigung im nächsten Zeitraum. Der Nutzen entsteht nicht durch die Prognose selbst, sondern durch die Handlung: Wer die zwanzig Prozent mit dem höchsten Risiko kennt, kann Bindungsmaßnahmen dorthin lenken, statt alle gleich zu behandeln.
Lead Scoring. Statt Anfragen der Reihe nach abzuarbeiten, ordnet ein Modell jedem Lead eine Abschlusswahrscheinlichkeit zu — basierend auf Merkmalen früherer Leads, die abgeschlossen haben. Das schärft die Lead-Bewertung und entlastet den Vertrieb.
Kundenwertprognose. Der Customer Lifetime Value wird nicht rückwirkend berechnet, sondern für neue Kundinnen und Kunden geschätzt. Das verändert die Akquisitionslogik grundlegend: Nicht der günstigste Lead ist der beste, sondern der mit dem höchsten erwarteten Wert.
Nachfrage- und Budgetprognosen. Saisonverläufe, Kampagnenwirkung und Kanalbeiträge lassen sich fortschreiben — die Grundlage für Budgetentscheidungen, die nicht auf dem Vorjahr, sondern auf einer Erwartung beruhen.
Was ein Modell braucht, um zu funktionieren
Drei Voraussetzungen entscheiden über Erfolg oder Fehlinvestition:
- Genug Fälle mit bekanntem Ausgang. Ein Modell lernt aus Beispielen. Wenige Dutzend Fälle reichen nicht, um Muster von Zufall zu trennen. Je seltener das vorhergesagte Ereignis, desto mehr Historie ist nötig.
- Aussagekräftige Merkmale. Die Daten müssen etwas enthalten, das mit dem Ergebnis zusammenhängt. Nutzungsintensität, Vertragsdauer, Reaktion auf Kontaktversuche — solche Merkmale tragen Information. Reine Stammdaten selten.
- Eine eindeutige Zielgröße. „Erfolgreicher Kunde” ist keine Zielgröße, „Vertragsverlängerung innerhalb von zwölf Monaten” schon. Unscharfe Definitionen sind die häufigste Ursache für Modelle, die im Test gut aussehen und in der Praxis versagen.
Die dafür nötige Datengrundlage ist genau die, die auch datengetriebenes Marketing insgesamt trägt — vor allem First-Party-Daten aus eigenen Systemen.
Wie Prognosegüte gemessen wird
Ein Modell wird nie an den Daten bewertet, mit denen es trainiert wurde — sonst misst man Auswendiglernen statt Vorhersagekraft. Üblich ist die Aufteilung in Trainings- und Testdaten: Das Modell lernt am einen Teil, wird am anderen geprüft.
Wichtig ist außerdem der Vergleichsmaßstab. Wenn fünf Prozent der Kunden kündigen, erreicht ein Modell, das immer „keine Kündigung” vorhersagt, bereits 95 Prozent Trefferquote — und ist trotzdem nutzlos. Aussagekräftiger sind Kennzahlen, die zeigen, wie gut das Modell die tatsächlichen Fälle findet und wie viele Fehlalarme es produziert. Für die Praxis übersetzt: Wie viele Kunden muss ich kontaktieren, um einen echten Abwanderer zu erwischen?
Die gängigen Verfahren im Überblick
Für Marketing-Fragestellungen reichen meist wenige, gut verstandene Verfahren:
- Regression schätzt einen Zahlenwert — etwa den erwarteten Umsatz eines Kunden. Ergebnisse sind gut interpretierbar, was in Organisationen viel wert ist, weil sich Entscheidungen begründen lassen.
- Klassifikation ordnet Fälle Kategorien zu — kündigt oder nicht, schließt ab oder nicht. Entscheidungsbäume und ihre Erweiterungen sind hier verbreitet, weil sie auch mit gemischten Datentypen umgehen.
- Zeitreihenmodelle prognostizieren Verläufe über die Zeit und berücksichtigen Saison und Trend — die Grundlage für Nachfrage- und Budgetplanung.
- Clustering ist streng genommen nicht prädiktiv, wird aber oft vorgeschaltet, um Gruppen im Kundenbestand überhaupt erst sichtbar zu machen.
Welches Verfahren gewählt wird, ist seltener entscheidend als die Datenqualität. Ein einfaches Modell auf sauberen Daten schlägt ein komplexes auf schlechten fast immer.
Datenschutz und Nachvollziehbarkeit
Prognosen über Personen berühren datenschutzrechtliche Fragen. Zwei Punkte gehören vor dem ersten Modell geklärt: Welche Rechtsgrundlage trägt die Verarbeitung, und wie weit reicht sie? Für Prognosen aus Daten der eigenen Kundenbeziehung gelten andere Voraussetzungen als für zugekaufte Merkmale.
Der zweite Punkt ist die Nachvollziehbarkeit. Wenn eine Prognose spürbare Folgen für Menschen hat — etwa unterschiedliche Konditionen oder Ansprachen —, sollte erklärbar bleiben, welche Faktoren das Ergebnis treiben. Das ist auch praktisch sinnvoll: Ein Modell, dessen Logik niemand erklären kann, wird intern nicht genutzt.
Die typischen Fehler
Mit dem Modell statt mit der Entscheidung beginnen. Die erste Frage ist nie „welches Verfahren”, sondern „welche wiederkehrende Entscheidung soll besser werden und was ist eine bessere Entscheidung wert”.
Korrelation als Ursache lesen. Ein Modell findet Zusammenhänge, keine Kausalität. Dass Kunden mit vielen Support-Anfragen häufiger kündigen, heißt nicht, dass Support die Kündigung verursacht.
Die Prognose nicht operationalisieren. Eine Risikoliste, die niemand bearbeitet, erzeugt keinen Wert. Zum Modell gehört immer der Prozess dahinter: Wer bekommt die Liste, was passiert damit, und wie wird gemessen, ob die Maßnahme gewirkt hat?
Modelle nicht nachtrainieren. Märkte, Angebote und Kundenverhalten ändern sich. Ein Modell, das vor zwei Jahren trainiert wurde, prognostiziert eine Welt, die es nicht mehr gibt. Regelmäßige Überprüfung gehört zum Betrieb.
Einordnung: Wann sich der Aufwand rechnet
Predictive Analytics lohnt sich dort, wo eine Entscheidung häufig getroffen wird, Datenhistorie existiert und der Wert pro richtiger Entscheidung die Modellkosten übersteigt. Bei tausenden Leads im Jahr ist Lead Scoring hochwirksam; bei dreißig Abschlüssen entscheidet Erfahrung schneller und besser.
Für die meisten mittelständischen Unternehmen liegt der größere Hebel zunächst eine Stufe tiefer: verlässliche Messung, saubere Kundendaten, klare Kennzahlen. Wer diese Basis hat, kann prädiktive Verfahren gezielt dort einsetzen, wo sie den größten Unterschied machen — und das ist meist eine einzige, gut gewählte Fragestellung, nicht ein Analytics-Programm auf breiter Front. Wie sich diese Basis aufbauen lässt, beschreibt unsere Leistungsseite zu Web-Analytics.
