Predictive Analytics: Definition und Einsatz

Predictive Analytics (prädiktive Analyse) ist der Zweig der Datenanalyse, der aus historischen Daten mit statistischen Verfahren des maschinellen Lernens (machine learning) die Wahrscheinlichkeit künftiger Ereignisse schätzt, etwa die Wahrscheinlichkeit eines Kaufs, einer Kündigung oder eines künftigen Kundenwerts. Predictive Analytics kündigt nicht an, was geschehen wird: Ein Modell gewichtet Wahrscheinlichkeiten, und der Wert dieser Wahrscheinlichkeit liegt darin, Entscheidungen zu sortieren. Welcher Kunde erhält das nächste Angebot, welcher Lead wird zuerst angerufen, welches Segment wird angesprochen und welches bleibt ohne Kontakt.

Zwei benachbarte Bezeichnungen trennen zwei Rollen. Predictive Analytics bezeichnet die Disziplin; Predictive Modeling (prädiktive Modellierung) bezeichnet den Bau des konkreten Modells, das die Vorhersage erzeugt. Ein reales Projekt trennt beide Rollen: Das Datenteam baut die Modelle, das Team im Marketing konsumiert die Scores, die die Modelle ausgeben.

Im Marketing stehen hinter Predictive Analytics meist drei Fragen: Welcher Kunde geht? Welcher Kunde lohnt sich künftig? Welches Angebot nimmt welcher Kunde an? Die Antworten tragen nur, wenn sie auf Kundendaten beruhen, die an einem Ort zusammenliegen – was eine Customer Data Platform (CDP) leistet. Eine prädiktive Analyse, die auf einem Datenbestand lernt, in dem derselbe Kunde dreimal auftaucht, lernt auf einem Fehler weiter.

Direkter und indirekter Einsatz von Predictive Analytics

Eine Organisation nutzt Predictive Analytics auf zwei Wegen, und der Unterschied entscheidet, wer das Projekt trägt und wie lange es dauert.

Der direkte Weg bindet das Datenteam ein. Data Scientists und Analysten erheben große Datenmengen, wählen die Merkmale aus, trainieren die Modelle und messen deren Fehler. Die Werkzeuge kommen aus dem Open-Source-Umfeld (Python mit Bibliotheken wie scikit-learn und TensorFlow, dazu R), aus dem kommerziellen Bestand (SAS, IBM SPSS) oder aus einer eigenen Entwicklung. Mathematische Methoden und Verfahren der künstlichen Intelligenz (AI) kommen nebeneinander zum Tragen: lineare und nichtlineare Regression, neuronale Netze, Entscheidungsbäume. Datenbankadministratoren und Softwareentwickler ergänzen das Team. Dieser Weg bindet seltene Kompetenzen und rechnet sich in Monaten Projektzeit, nicht in Tagen.

Der indirekte Weg läuft über Software, in der die Vorhersage bereits fest eingebaut ist. Ein Team im Marketing liest einen Score aus der Oberfläche einer CDP oder einer Marketing-Automation (marketing automation), löst auf seiner Grundlage eine Kampagne aus und sieht den Algorithmus selbst nicht. Diese Nichtkenntnis der Methode ist hinnehmbar; gegenüber den Daten ist sie es nicht. Ein Score, der auf einem unvollständigen Kaufverlauf beruht, weicht vom Ergebnis ab, ohne den Fehler zu signalisieren, und die kommerzielle Folge trägt das Marketing.

Vier Modellfamilien, vier Fragen

Die Wahl der Modellfamilie entscheidet darüber, welche Frage das Modell beantworten darf.

Modellart	Ausgabe	Frage	Typische Schwäche
Klassifikation	Eine Kategorie: „kauft“, „kündigt“	Zu welcher Gruppe gehört der Kunde?	Zu wenige historische Beispiele für das seltenere Ergebnis; das Modell liefert dann die häufigere
Regression	Ein Wert, etwa der erwartete Umsatz im nächsten Quartal	Wie viel oder wie viele?	Extrapolation jenseits des Bereichs, der die Daten hergeben
Zeitreihenprognose	Werte entlang einer Zeitskala, etwa die Nachfrage des nächsten Monats	Wie entwickelt sich die Kennzahl?	Ein saisonaler Ausschlag wird als dauerhafte Entwicklung gelesen
Uplift-Modellierung	Die Änderung, die eine Aktion bewirkt	Welchen Kunden erreicht die Ansprache besser nicht?	Training auf gewöhnlichen Verlaufsdaten statt auf einem Holdout-Experiment

Ein Team, das eine Rangliste von Leads braucht, nimmt die Klassifikation; ein Team, das Inventar plant, nimmt die Prognose. Diese Zuordnung ist kein Detail: Ein technisch korrektes Modell ist nutzlos, wenn es die falsche Frage beantwortet.

Predictive Analytics im Einzelhandel

Der Einzelhandel erzeugt das Datenvolumen, das die Modelle brauchen. In einem Onlineshop hinterlässt jeder Besuch Klicks, Suchanfragen, Warenkörbe und abgebrochene Käufe. Im stationären Laden verknüpft die Kundenkarte den Kauf mit einer Person; die Belege rücken Zusatzdaten nach.

Zwei Aufgaben dominieren. Die Nachfrageprognose bestellt Waren und plant Personal vor dem Weihnachtsgeschäft, dem Black Friday und der Cyber Week – Wochen, in denen ein Vorhersagefehler mehr kostet als in den übrigen Monaten zusammen. Die Produktempfehlung folgt der vom Modell berechneten Affinität: Der Händler entscheidet danach, welche Artikel er auf den Platz am Ende eines Gangs rückt und welche Kennung der Beleg trägt. Auf der Kostenseite zeigt das Modell, welche Kunden einen Rabatt brauchen, um erneut zu kaufen, und welche auch ohne Nachlass bestellen; diese Unterscheidung entscheidet über die Marge von Aktionswochen.

Predictive Customer Analytics

Die Produktempfehlung, die Amazon-Kunden vor jedem Kauf sehen, ist Predictive Analytics über das Kaufverhalten eines einzelnen Accounts: Das Modell schätzt das nächste Bedürfnis, bevor der Kunde es selbst formuliert. Dieselbe Logik arbeitet auf der Risikoseite. Ein Modell, das Abwanderung vorhersieht, markiert die Abonnenten, die ihren Vertrag nicht verlängern werden; die notwendige Gegenmaßnahme ist ein Betreuungskontakt, ein Wechselangebot oder ein geplanter Rabatt, und die Reihenfolge dieser Ansprachen richtet sich nach dem geschätzten Wert des Kunden.

Auch die Planungsskalen reichen über den einzelnen Kunden hinaus. Predictive Analytics prognostiziert den Absatz eines Produkts und die Personalkapazität, die ein Unternehmen für diesen Absatz bereithalten muss: Eine nationale Filialkette schätzt zum Beispiel vor einem großen Sportevent, wie viele Bestellungen jede Filiale erhält und wie viele Mitarbeiter in der Produktion und im Auslieferungsdienst je Standort dafür im Schichtplan stehen.

Predictive Lead Scoring im Vertrieb

Im Vertrieb sortiert Predictive Analytics die Listen, die ein Vertriebsmitarbeiter sonst der Reihe nach abarbeitet. Das Modell gewichtet jeden Lead nach dem Abgleich mit den Profilen der Kunden, die in der Vergangenheit abgeschlossen haben, und liefert eine Rangliste der Gesprächschancen. Der Vertrieb ruft dann zuerst bei den Leads an, die am wahrscheinlichsten antworten.

Dieselben historischen Interaktionsdaten liefern zusätzlich die Formulierung, die beim Empfänger am wahrscheinlichsten anspringt, und das Dokument, das den Abschluss wahrscheinlicher macht. Ein zweiter Hebel liegt außerhalb des einzelnen Accounts: Statt Vertriebsgebiete nach Postleitzahlen zuzuteilen, ordnet das Modell sie nach der Dichte der passenden Unternehmen und verteilt die attraktivsten Accounts gleichmäßig über das Team, unabhängig davon, in welcher Region sie sitzen.

Die Wirkung dieser Modelle hängt von den Daten ab, die sie speisen. Ein Kaufverlauf, der die Kundenkarte nicht mit dem Konto im Onlineshop verknüpft, beschreibt zwei Kunden, wo nur einer existiert; die Modelle lernen dann auf diesem Fehler weiter.

Die vier Schritte eines Projekts

1. Daten bereitstellen. Das Datenteam stellt den Kaufverlauf bereit (Artikelnummer, Menge, Datum, Preis, Vertriebskanal), Daten der Website, Protokolle des Kundendiensts sowie Rückläuferquote. Der Umfang richtet sich nach der Frage, nicht nach dem, was gerade vorhanden ist.

2. Bereinigen und anreichern. Die Datenbereinigung (data cleansing) korrigiert Fehlwerte und prüft Pflichtfelder; ein fehlender Wert in einer Variable, die das Modell nutzt, schadet mehr als ein schlecht gewählter Algorithmus. Die Anreicherung fügt Daten von Partnern oder Wiederverkäufern hinzu sowie Third-Party-Daten (third-party data) – jeweils mit einer Rechtsgrundlage, die diesen Zweck der Verarbeitung abdeckt.

3. Modelle bauen. Die Klassifikation weist jedem Datensatz eine Kategorie zu: „wird kündigen“ oder „wird nicht kündigen“. Die Regression verknüpft die Zielvariable, etwa den Betrag des nächsten Kaufs, mit einer oder mehreren erklärenden Variablen.

4. Scores dorthin ausliefern, wo entschieden wird. Ein Score im Dashboard ändert nichts: Er muss in das Werkzeug zurückfließen, das die Nachricht sendet oder die Zielgruppe an die Werbeplattform übergibt. Genau an dieser Stelle beginnt die Datenaktivierung (data activation); hier verwandeln sich Vorhersagen in Umsatz.

Der Abstand zwischen einer funktionierenden Demonstration und einem nützlichen Betrieb liegt meist am ersten und am vierten Schritt. An welchen Kriterien sich ablesen lässt, ob ein Anbieter seine Modelle selbst trainiert und ausführt, zeigt die Prüfliste zur KI-Fähigkeit der CDP.

Wie ein Modell gebaut und genau gehalten wird

Jedes prädiktive Modell durchläuft denselben Lebenszyklus, gleichgültig, ob ein Datenteam es von Hand zusammensetzt oder eine Plattform es im Hintergrund erzeugt. Es beginnt mit einer präzise gefassten Frage: Welche Abonnenten kündigen im nächsten Quartal, welche Leads wandeln sich in Kunden? Ein Modell lernt nur das Ergebnis, auf das es ausdrücklich trainiert wird. Danach teilt das Team den historischen Datenbestand: Ein Trainingssatz liefert die Grundlage, aus der der Algorithmus die Muster lernt, und ein Holdout-Satz, den das Modell nie gesehen hat, zeigt, wie es auf Daten reagiert, die nicht Teil seiner Ausbildung waren.

Dieser Holdout-Schritt ist die Stelle, an der eine Überanpassung (Overfitting) sichtbar wird. Ein Modell kann die Eigenheiten seiner Trainingsdaten auswendig lernen, auf ihnen glänzend abschneiden und dennoch an jedem neuen Fall scheitern; die disziplinierte Validierung behebt das, nicht zusätzliche Komplexität. Nach dem Start ändert sich die Aufgabe: Die Vorhersagen bestimmen nun reale Entscheidungen, und das Kundenverhalten verschiebt sich unter dem Modell weiter, mit Saisons, Preisänderungen und neuen Kanälen. Ein Modell, das niemals neu trainiert wird, fällt nicht laut aus; die Scores entfernen sich schleichend von der Realität, bis die Kampagnen, die auf ihnen beruhen, ihre Wirkung verlieren. Geplantes Nachtraining und laufende Genauigkeitsprüfungen halten eine Vorhersage nach dem Start brauchbar.

Warum prädiktive Modelle im Betrieb scheitern

Fehlerbild	Was zu beobachten ist	Die Gegenmaßnahme
Daten-Drift	Bei Start war die Genauigkeit ordentlich; mit wanderndem Kundenverhalten sind die Ergebnisse still schlechter geworden	Die Genauigkeit nach Plan auf aktuellen Ergebnissen erneut messen und bei Abfall neu trainieren
Gebrochene Eingaben	Nach einer umbenannten Datenbankspalte oder einem kaputten Tracking-Tag liefern die Scores nur noch gleichförmige oder leere Werte	Die Qualität der Modelleingaben prüfen, nicht nur die der Ausgaben
Rückkopplungsschleife	Das Modell nimmt ein Segment aus der Ansprache aus und erfährt nie, was dieses Segment getan hätte	Eine kleine Gruppe von der Aktion aussparen, damit das Modell weiter aus der Wirklichkeit lernt
Scheinpräzision	Ein Team behandelt einen hohen Score als Garantie und investiert zu stark in ein einzelnes Segment	Die Unsicherheit neben dem Score berichten und die Entscheidung an dieser Unsicherheit ausrichten

Das gemeinsame Muster dieser Fehler ist die Stille: Ein prädiktives Modell bricht selten, es wird nach und nach falsch, und der Schaden erscheint im Bericht einer anderen Abteilung – eine steckengebliebene Kampagne, eine falsch dimensionierte Bestellung. Wer Modelle als laufende Systeme mit eigener Überwachung behandelt und nicht als einmalige Projekte, trennt Predictive Analytics, die an Wert gewinnt, von Predictive Analytics, die still verfällt.

Predictive Analytics und Agenten der KI

Eine Vorhersage ändert allein nichts. Jemand muss auf sie reagieren, und genau das trennt Predictive Analytics von agentischer KI (agentic AI): Das Modell schätzt, was wahrscheinlich geschieht, der Agent entscheidet über die Gegenmaßnahme und setzt sie um – eine Gebotsanpassung, der Entwurf der Nachricht, das Auslösen des Verlängerungsangebots. In einer agentischen CDP (agentic CDP) geschieht diese Übergabe innerhalb derselben Plattform, die die Kundendaten vereinheitlicht hat; Vorhersage und Aktion bleiben dann in einem Kreis.

Die Qualität der Aktion bleibt durch die Qualität der Vorhersage begrenzt, die ihr zugrunde liegt. Ein Agent, der auf veralteten oder abdriftenden Scores arbeitet, setzt die falsche Maßnahme in Maschinengeschwindigkeit und in vollem Umfang, mit weniger Menschen im Kreis, die ihn aufhalten – genau deshalb gewinnt die oben beschriebene Überwachung an Gewicht und verliert keines. Am deutlichsten wird das bei der agentischen Personalisierung, in der Vorhersagen über die Präferenz eines einzelnen Kunden auswählen, welchen Inhalt er sieht, ohne dass ein Mensch dazwischenliegt. Je autonomer die Ausführung wird, desto weniger bleibt die Modellüberwachung eine Gefälligkeit der Datenwissenschaft; sie wird zur Steuerung des gesamten Betriebs.

Predictive Analytics und der Datenschutz

Ein Modell, das auf Kundendaten trainiert, verarbeitet personenbezogene Daten; Predictive Analytics fällt damit in einen klaren regulatorischen Rahmen. In Deutschland regeln ihn die Datenschutz-Grundverordnung (DSGVO; englisch GDPR) und das Bundesdatenschutzgesetz (BDSG). Der Datenschutzbeauftragte prüft drei Punkte, bevor ein Modell in den Betrieb geht. Der bei der Erhebung erklärte Verarbeitungszweck muss den prädiktiven Einsatz decken; deckt er ihn nicht, braucht es eine zusätzliche Rechtsgrundlage, keine stillschweigende Erweiterung. Profiling und automatisierte Einzelentscheidung unterliegen dem eigenen Regime des Artikels 22 DSGVO. Der Widerruf einer Einwilligung muss die betroffene Person aus den aktiven Zielgruppen und aus den Trainingsdaten entfernen. Der volle Rahmen steht in den Datenschutzgesetzen.

FAQ

Was ist der Unterschied zwischen Predictive Analytics und Data Analytics?

Data Analytics untersucht historische Daten und erklärt, was geschehen ist; Predictive Analytics wendet statistische Modelle und maschinelles Lernen an, um die Wahrscheinlichkeit künftiger Ereignisse zu schätzen. Die deskriptive Analyse zählt und vergleicht aufgezeichnete Fakten: den Umsatz des Monats, die Öffnungsquote einer Kampagne, die Zahl der Kündigungen im Quartal. Predictive Analytics setzt auf denselben Fakten auf und nutzt Regression, Entscheidungsbäume und neuronale Netze, um eine Wahrscheinlichkeit an einen Kunden, ein Produkt oder eine Zeitspanne zu heften. Die deskriptive Analyse liefert dabei das Fundament, auf dem die prädiktiven Modelle lernen.

Welche Werkzeuge nutzt Predictive Analytics?

Typische Werkzeuge sind Open-Source-Bibliotheken wie Python (scikit-learn, TensorFlow) und R, kommerzielle Systeme wie SAS und IBM SPSS sowie die Machine-Learning-Dienste von AWS, Google Cloud und Azure. Viele Customer Data Platforms und Marketing-Automation-Plattformen bringen eigene Modelle mit; das Marketing konsumiert dann die Vorhersagen, ohne selbst Data Science zu betreiben. Zusätzlich liefern die drei großen Public-Clouds fertige Bausteine, mit denen ein Datenteam eigene Modelle ohne Eigeninfrastruktur trainiert.

Wie setzt das Marketing Predictive Analytics ein?

Im Marketing sortiert Predictive Analytics Entscheidungen: welcher Kunde angeschrieben wird, welches Angebot welchem Kunden unterbreitet wird und welchem Kanal welcher Budgetanteil zufließt. Scores für Abwanderungsrisiko, Kaufabsicht und künftigen Wert steuern die Kundensegmentierung (customer segmentation), die Zielgruppen für die Werbung und die Priorisierung der Leads, die das Marketing an den Vertrieb übergibt. Die Churn-Prognose (churn prediction) ist der häufigste Einzelfall: Kunden mit hohem Risiko erhalten einen verlängerten Rabatt oder einen Anruf, bevor sie kündigen. Die Genauigkeit dieser Scores hängt an der Vereinheitlichung der Kundendaten, die sie speisen.

Wie genau sind prädiktive Modelle?

Die Genauigkeit richtet sich nach dem vorhergesagten Ereignis, nach der Stabilität der Muster und nach dem Alter der Trainingsdaten; Beurteilen Sie ein Modell danach, ob seine Fehler klein und beständig genug sind, um darauf handeln zu können. Ereignisse mit starken historischen Mustern, etwa Wiederholungskäufe oder Abo-Verlängerungen, lassen sich zuverlässiger schätzen als seltene Einzelfälle. Die Genauigkeit wird auf Daten gemessen, die das Modell nie gesehen hat, und nach dem Start erneut gemessen, weil die Leistung absinkt, sobald sich Kundenverhalten oder Datenpipelines ändern.

Braucht Predictive Analytics einen Data Scientist?

Nein; eingebettete Werkzeuge liefern Vorhersagen an Nutzer, die nie ein Modell schreiben, doch unternehmensspezifische Vorhersagen erfordern weiterhin Data-Science-Kompetenz. Der indirekte Nutzer sieht bessere Lead-Scores oder Abwanderhinweise, ohne das Modell hinter ihnen zu sehen; dieser Weg entspricht dem indirekten Einsatz oben. Der Data Scientist zahlt sich aus, wenn die Frage unternehmensspezifisch ist, Daten über mehrere Quellen hinweg verbunden werden müssen oder die Genauigkeit validiert und überwacht werden muss.