Mai 21, 2026
Prädiktive Analytik im Jahr 2026: Trends, Instrumente und konkrete Fallbeispiele aus der Wirtschaft
Juli 3, 2026
Als Netflix vor der Entscheidung stand, 100 Millionen Dollar in „House of Cards“ zu investieren, gab es weder eine Pilotfolge noch Fokusgruppen oder Garantien. Was sie jedoch hatten, waren Daten: Abonnenten, die das britische Original geschaut hatten, sahen sich fast immer auch die Filme von David Fincher an. Und sie blieben fast immer bis zum Abspann dran. Diejenigen wiederum, die Fincher mochten, entschieden sich beständig für Filme mit Kevin Spacey. Drei Schnittpunkte in einem Venn-Diagramm – und die Entscheidung war gefallen. Der Algorithmus garantierte zwar keinen Hit, nahm aber das blinde Risiko aus der Gleichung. Das ist vorausschauende Geschäftsanalytik (Predictive Analytics) in Aktion: die strukturierte Arbeit mit Daten über die Zukunft.
Was ist Predictive Analytics und wie unterscheidet sie sich von BI?
Häufig arbeiten Unternehmen, die bereits Analysetools implementiert haben, mit der Vergangenheit: Wie hoch war der Umsatz im Oktober? Wie viele Kunden sind im Quartal abgewandert? Wo ist die Marge eingebrochen? Das ist nützlich, aber es ist eine Retrospektive. Predictive Analytics verschiebt den Fokus nach vorne: Was wird nächsten Monat passieren? Welche Kunden werden abwandern? Welche Produktkategorie könnte einbrechen? Für viele Unternehmen in der Ukraine beginnt Predictive Analytics daher mit einer einfachen Frage: Wie wird sich die Nachfrage, das Kundenverhalten oder der Umsatz in den kommenden Monaten entwickeln?
Descriptive vs. Predictive vs. Prescriptive Analytics
Es bietet sich an, Analytik als ein Modell aus drei Reifestufen zu verstehen, bei dem jede nachfolgende Stufe mehr Handlungsspielraum für Entscheidungen eröffnet:
| Ebene | Was ist die Frage? | Was gibt |
|---|---|---|
| Beschreibend | Was ist passiert? | Berichte, Dashboards, KPIs für den vergangenen Zeitraum |
| Vorhersage | Was wird geschehen? | Prognosemodelle: Nachfrage, Abfluss, Umsatz |
| Vorschreibend | Was zu tun? | Empfehlungen: Preis senken, Kundenbindungskampagne starten, Lagerbestand auffüllen |
Der Mehrheit der ukrainischen Unternehmen befindet sich heute auf der ersten Stufe, und das ist bereits ein gutes Fundament. Dashboards und Berichte bieten einen Überblick darüber, was genau jetzt passiert. Sobald ein Unternehmen jedoch die Situation nicht mehr nur dokumentieren, sondern proaktiv steuern möchte, ist der Übergang zu Predictive Analytics erforderlich. Während BI die Vergangenheit erklärt, arbeitet Predictive Analytics mit der Zukunft: Was wird passieren und was ist bereits jetzt zu tun?
Wann ein Unternehmen die Reife für Predictive Analytics erreicht
Es gibt hier keine Mindestanforderungen hinsichtlich der Unternehmensgröße oder des Umsatzes. Es gibt einige Anzeichen dafür, dass es Zeit ist, den nächsten Schritt zu gehen:
- Es gibt zwar Dashboards, aber Entscheidungen werden dennoch ohne Rückgriff auf Daten getroffen, da Zahlen zwar die Vergangenheit widerspiegeln, aber keine Rückschlüsse auf die Zukunft zulassen.
- Das Lager ist entweder überfüllt oder ständig unterbestückt. Eine Nachfrageprognose liegt nicht vor oder wird manuell in Excel erstellt.
- Kunden verlassen uns unerwartet: Die Kundenbindung wird erst im Nachhinein erfasst.
- Die Umsatzprognose beläuft sich auf +10–15 % gegenüber dem Vorjahr, ohne dass die tatsächlichen Einflussfaktoren bekannt sind.
- Die Vertriebs- oder Marketingabteilung möchte wissen, welche Leads die höchste Konversionswahrscheinlichkeit aufweisen, doch es gibt kein Scoring.
Wenn mindestens zwei dieser Punkte zutreffen, ist das Unternehmen bereits aus der deskriptiven Analytik herausgewachsen.
4 Anwendungsbereiche, in denen Predictive Analytics den höchsten ROI erzielt
Prognosemodelle lassen sich für fast alles erstellen: von der stündlichen Auslastung eines Callcenters bis hin zur Wahrscheinlichkeit von Produktionsfehlern. Wenn das Ziel jedoch darin besteht, schnell eine Rentabilität zu sehen, gibt es vier Bereiche, in denen Prognosemethoden die spürbarsten und messbarsten Ergebnisse liefern.
Nachfrageprognose und Bestandsmanagement
Für jedes Unternehmen mit physischen Lagerbeständen bedeuten Überschüsse oder Engpässe entweder gebundenes oder verlorenes Kapital. In der Praxis hilft die Nachfrageprognose (die Analyse von Verkaufszahlen, Saisonalität, Lagerbeständen und externen Faktoren), eine sehr konkrete Frage zu beantworten: Wie viel Ware muss produziert, eingekauft oder zwischen den Lagern verschoben werden? Eine auf ML-Modellen (Machine Learning) basierende Nachfrageprognose berücksichtigt auch externe Faktoren: Wetter, Feiertage, Werbeaktivitäten und sogar das Verhalten der Wettbewerber. Das Ergebnis: Die Lager werden dort rechtzeitig aufgefüllt, wo die Nachfrage entstehen wird, und es entstehen keine Überbestände dort, wo sie ausbleibt.
In der Praxis angewandte Methoden zur Nachfrageprognose:
- Klassische Zeitreihenmodelle (ARIMA, exponentielle Glättung) – eignen sich gut für stabile Produktkategorien mit einer langen Verkaufshistorie.
- Gradient Boosting (XGBoost, LightGBM) – wenn die Nachfrage gleichzeitig von vielen externen Faktoren beeinflusst wird.
- LSTM-Netzwerke – für Kategorien mit komplexer Saisonalität oder starken Spitzenwerten.
Churn Prediction: Wer wandert als Nächstes ab?
Churn Prediction (die Vorhersage von Kundenabwanderung) ist eine der beliebtesten Aufgaben des maschinellen Lernens im Business – und das aus gutem Grund: Einen bestehenden Kunden zu halten ist günstiger, als einen neuen zu gewinnen, und das Modell verschafft dem Unternehmen Zeit zu handeln, bevor die endgültige Entscheidung getroffen wird.
Das Abwanderungsmodell analysiert Verhaltenssignale: sinkende Kauffrequenz, ein sinkender durchschnittlicher Warenkorbwert, ausbleibende Reaktionen auf Kommunikation oder veränderte Nutzungsmuster des Produkts. Das Ergebnis ist eine Liste von Kunden mit der höchsten Abwanderungswahrscheinlichkeit sowie eine empfohlene Interaktionsmaßnahme für jedes Segment.
Für Abo-Dienste, Banken, Telekommunikationsanbieter und jedes Unternehmen mit regelmäßigen Transaktionen zahlt sich Churn Prediction bereits in den ersten Monaten nach der Implementierung aus.
Umsatz- und Cashflow-Prognose
Die Umsatzprognose für 3 bis 6 Monate im Voraus bietet einen klaren Blick auf verschiedene Szenarien: optimistisch, realistisch und ein Stress-Szenario. Dieser Ansatz ermöglicht es dem Finanzvorstand (CFO), Liquiditätsengpässe frühzeitig zu erkennen, den Zahlungskalender proaktiv zu verwalten und Notfall-Fundraising zu vermeiden, wenn die Krise bereits da ist.
Das ML-Modell berücksichtigt Saisonalität, die Deal-Pipeline aus dem CRM, Markttrends und sogar das Verhalten einzelner Vertriebsmitarbeiter: wer seine Ziele üblicherweise erreicht und wer die Pipeline systematisch überschätzt.
Scoring-Modelle für Kreditvergabe und Vertrieb
Scoring ist die Prognose von Vertriebs- oder Kreditrisiken auf der Ebene einzelner Leads oder Kreditnehmer. Banken und Fintech-Unternehmen nutzen es zur Bewertung der Kreditwürdigkeit, aber dieselbe Logik funktioniert auch im B2B-Vertrieb: Das Modell bewertet jeden Lead und gibt dem Vertriebsmitarbeiter eine Priorisierung vor – mit wem das Gespräch zuerst gesucht werden sollte, weil die Abschlusswahrscheinlichkeit am höchsten ist. Im Vertrieb funktionieren diese Ansätze als Methoden der Umsatzprognose: Das Modell schätzt die Abschlusswahrscheinlichkeit, die erwartete Auftragssumme, das Risiko von Deadline-Verschiebungen und die Priorität des Leads für den Manager ein.
Wie ein Prognosemodell aufgebaut wird
Datenanalysten scherzen oft, dass 80 % ihrer Arbeit aus der Datenbereinigung bestehen und die restlichen 20 % daraus, sich über die Datenbereinigung zu beschweren. Hinter diesem Scherz verbirgt sich die reale Struktur des Prozesses: vier Phasen, von denen die längste und mühsamste die Vorbereitungsphase ist.
Welche Daten benötigt werden
Die erste Frage, die sich ein Analyst vor der Erstellung eines Modells stellt, lautet: Was steht uns überhaupt zur Verfügung? Für die meisten geschäftlichen Aufgaben werden folgende Elemente benötigt:
- Historische Transaktionsdaten: Verkäufe, Zahlungen, Bestellungen. Der Mindestzeitraum hängt von der jeweiligen Aufgabe ab: Für die Prognose der Nachfrage nach saisonalen Artikeln sind mindestens 2–3 Jahre erforderlich, damit das Modell einen vollständigen Zyklus erfassen kann.
- Verhaltensdaten der Kunden: Kaufhäufigkeit, durchschnittlicher Warenkorbwert, Interaktionskanäle, Reaktion auf Kommunikationsmaßnahmen. Ohne diese Daten funktioniert die Churn-Vorhersage nicht.
- Externe Faktoren: Für manche Unternehmen sind das die Wechselkurse, für andere das Wetter oder die Feiertage. Ein Online-Shop für Kinderartikel und eine Tankstellenkette haben völlig unterschiedliche externe Einflussfaktoren, sind jedoch beide von diesen abhängig.
- Daten aus CRM und ERP: strukturierte Informationen zu Geschäften, Kunden und Produkten.
Die häufigste Herausforderung in dieser Phase: Daten sind zwar vorhanden, aber sie sind über verschiedene Systeme verstreut, in unterschiedlichen Formaten gespeichert oder weisen Lücken auf. Genau aus diesem Grund beginnt der Aufbau eines Prognosemodells fast immer mit dem Data Engineering.
Algorithmenauswahl: Regression, Random Forest, LSTM
Der Algorithmus wird passend zur jeweiligen Aufgabe ausgewählt. Hier ist eine kurze Übersicht der wichtigsten Ansätze:
| Algorithmus | Wann ist es geeignet? | Eine typische Aufgabe |
|---|---|---|
| Lineare/Logistische Regression | Einfache Abhängigkeit, wenige Variablen, Interpretierbarkeit erforderlich | Grundlegende Umsatzprognose, Bewertung |
| Random Forest/Gradient Boosting | Viele Einflussfaktoren, nichtlineare Abhängigkeiten | Nachfrageprognose, Kundenabwanderung, Lead-Scoring |
| LSTM (neuronale Netze) | Komplexe Zeitreihen mit langem Speicher | Nachfrageprognose, Kundenabwanderung, Lead-Scoring |
In der Praxis deckt Gradient Boosting (insbesondere XGBoost und LightGBM) die meisten Business-Anforderungen besser ab als alles andere: Es ist robust gegenüber Datenrauschen, funktioniert hervorragend bei mittleren Datenmengen und bietet verständliche Erklärungen darüber, welche Merkmale den größten Einfluss auf die Prognose hatten.
Training, Testen, Validierung
Das Modell wird auf einem Teil der Daten trainiert – klassischerweise auf etwa 80 % – und auf den verbleibenden 20 % überprüft, die es zuvor nicht gesehen hat. Dies zeigt, wie gut das Modell Muster verallgemeinern kann.
Für Business-Modelle gibt es jedoch eine Besonderheit: Eine einfache Zufallsaufteilung ist hier ungeeignet. Wenn man ein Umsatzprognosemodell mit Daten aus den Jahren 2020–2024 trainiert und es anhand einer Zufallsstichprobe aus demselben Zeitraum testet, wirkt das Modell zwar präzise, hat aber in der Realität während des Trainings in die Zukunft „gespickt“. Daher wird bei Zeitreihen immer eine chronologische Aufteilung verwendet: Das Training erfolgt auf einer früheren Periode, das Testen auf einer späteren.
Nach der Validierung geht das Modell in den Produktivbetrieb (Production) über, und es beginnt ein kontinuierliches Monitoring: Verändert sich das Marktverhalten, sinkt die Genauigkeit des Modells und es muss neu trainiert werden.
Tools für Predictive Analytics
Die Wahl des Werkzeugs hängt von drei Faktoren ab: Wo liegen Ihre Daten, wie hoch ist das technische Niveau des Teams und wie groß ist der Umfang der Aufgabe? Es gibt nicht den einen besten Stack, wohl aber den passenden für die jeweilige Situation.
Python + scikit-learn
Der Basis-Stack für die meisten Machine-Learning-Projekte im Business-Bereich. Scikit-learn ist eine Open-Source-Bibliothek, die Implementierungen für fast alle klassischen Algorithmen enthält: von der linearen Regression über Random Forest bis hin zu Gradient Boosting. Sie ist kostenlos, hervorragend dokumentiert und gilt als Standard im Data-Science-Umfeld.
Ergänzend zu scikit-learn werden meist XGBoost oder LightGBM für tabellarische Daten sowie Prophet oder statsmodels für Zeitreihen eingesetzt. Dieser Stack deckt 80 % der realen Business-Anforderungen ab und bindet das Unternehmen an keinen bestimmten Cloud-Anbieter.
Azure Machine Learning / Google Vertex AI
Cloud-Plattformen sind dann sinnvoll, wenn die Aufgabe den Rahmen eines einzelnen Notebooks sprengt: Wenn große Modelle trainiert, das Vortraining automatisiert, Modelle versioniert oder diese als API für Produktivsysteme bereitgestellt werden müssen.
Azure ML ist die logische Wahl für Unternehmen, die bereits die Microsoft-Infrastruktur nutzen: Power BI, Azure Synapse, Microsoft Fabric. Die Plattform setzt auf Einfachheit und einen schnellen Start; sie bietet Drag-and-Drop-Schnittstellen für weniger erfahrene Teams, unterstützt aber gleichzeitig vollen Code für Data Scientists.
Google Vertex AI ist die stärkere Option, wenn die Daten bereits in der Google Cloud oder in BigQuery liegen. Die Lernkurve ist hier steiler, dafür eignet sich die Plattform besser für komplexe ML-Pipelines und sehr große Datenmengen.
Power BI + Python/R-Integration
Ein separates Szenario liegt vor, wenn das Prognosemodell bereits gebaut ist, die Ergebnisse aber für Business-Anwender ohne technischen Hintergrund zugänglich gemacht werden sollen. Power BI ermöglicht es, Python- und R-Skripte direkt in Berichte einzubetten: Das Modell läuft im Backend, und der Manager sieht die fertige Prognose im Dashboard direkt neben den Ist-Werten.
Diese Lösung eignet sich nicht für das eigentliche Training von Modellen, ist aber ideal für deren Demokratisierung im Unternehmen, sobald die maßgeschneiderte Entwicklung von ML-Modellen für das Business abgeschlossen ist und die Ergebnisse in die tägliche Arbeit des Teams integriert werden müssen.
Reale Cases von IWIS
Hier sind drei von der IWIS-Agentur realisierte Projekte, bei denen Predictive Analytics konkrete Business-Probleme gelöst hat.
New Products: Produktionsprognose für alkoholarme Getränke
Die Unternehmensgruppe „New Products“ stand vor dem klassischen Dilemma eines Herstellers: Überbestände kosten Geld, Engpässe kosten Marktanteile. Die Aufgabe bestand darin, die Nachfrage präzise genug vorherzusagen, um den Produktionsplan zu optimieren.
Das IWIS-Team entwickelte ein ML-Modell auf Basis von Endverbraucher-Verkaufsdaten. Die größte technische Herausforderung war die geringe Qualität der Eingangsdaten: In den Verkaufsstellen wurden Nullbestände nicht erfasst. Das Ausbleiben von Verkäufen konnte daher nicht eindeutig interpretiert werden – war das Produkt ausverkauft oder wurde es einfach nicht nachgefragt? Zur Lösung wurden Approximationsmethoden eingesetzt, um diese Anomalien korrekt zu interpretieren. Nach mehreren Iterationen mit verschiedenen ML-Bibliotheken und Architekturen erreichte das Modell eine Prognosegenauigkeit von 80 %.
Planeta Kino: Modell zur Kundenabwanderung
Die Kinokette „Planeta Kino“ hatte sich zum Ziel gesetzt, den Churn unter aktiven Kunden zu senken. Das IWIS-Team analysierte die Transaktionshistorie aus mehr als einem Jahr, bildete Cluster von Kunden mit ähnlichem Verhalten und überprüfte die Ergebnisse der Clusteranalyse durch Tiefeninterviews mit realen Besuchern. So wurde sichergestellt, dass die mathematischen Cluster den tatsächlichen Verhaltensmustern entsprachen.
Auf Basis dieser Cluster wurde ein Abwanderungsprognosemodell entwickelt, das die Clusterzugehörigkeit als expliziten Parameter berücksichtigte. Nach der Integration des Modells in die CRM Salesforce Marketing Cloud und dem Start von Kommunikationsketten für verschiedene Abwanderungswahrscheinlichkeiten sank die Churn-Rate von 13 % auf 7 %, während der durchschnittliche LTV (Lifetime Value) der Kunden stieg.
Edenred: Portfolio-Management für B2B-Kunden
Edenred benötigte ein Tool zur Früherkennung von Abwanderungsrisiken im B2B-Segment, wo der Verlust eines einzelnen Vertrags weitaus schwerer wiegt als im Privatkundengeschäft. Eine besondere Herausforderung war die notwendige Anonymisierung der Kundendaten gemäß den DSGVO-Anforderungen, da die Verarbeitung außerhalb der EU-Jurisdiktion stattfand. Das Team entwickelte einen sicheren technischen Ansatz, der alle regulatorischen Vorgaben erfüllte. Das Ergebnis war ein stabil laufendes Churn-Prediction-Modell, das fest in die internen Risikomanagement-Prozesse des Unternehmens integriert wurde.
Was kostet die Einführung von Predictive Analytics?
Auf diese Frage gibt es selten eine schnelle Antwort, da sie von zu vielen Variablen abhängt. Die Logik der Kostenstruktur lässt sich jedoch wie folgt skizzieren.
Die Kosten setzen sich aus drei Komponenten zusammen: Datenvorbereitung, Modellentwicklung sowie Integration und Support. In der Praxis stellt die Datenvorbereitung oft den größten Arbeitsblock dar: Data Engineering, Bereinigung, Abstimmung der Quellen und der Aufbau von Pipelines können mehr Zeit in Anspruch nehmen als die eigentliche Entwicklung der ersten Modellversion. Aus diesem Grund starten Unternehmen, die bereits über ein geordnetes BI-System als Fundament für Predictive Analytics verfügen, schneller und kostengünstiger.
Es ist ein typischer Fehler, direkt mit dem ambitioniertesten Szenario zu beginnen. Weitaus sinnvoller ist es, ein Pilotprojekt für eine einzelne Aufgabe zu starten, ein erstes messbares Ergebnis zu erzielen und auf dieser Basis über die Skalierung zu entscheiden. So verlaufen die meisten erfolgreichen Implementierungen – einschließlich des Cases „New Products“, bei dem die erste Version des Modells bewusst vereinfacht war, aber den Gewinn einer Ausschreibung ermöglichte und die Hypothese bewies.
Checkliste: Sind Ihre Daten bereit für das ML-Modelling?
Bevor man in die Entwicklung eines Modells investiert, sollte man sich ehrlich einige Fragen beantworten.
- Datenhistorie. Verfügen Sie über Transaktionsdaten aus mindestens den letzten 12 bis 24 Monaten in strukturierter Form?
- Vollständigkeit. Wie viel Prozent der Datensätze weisen Lücken in den Schlüsselfeldern auf? Liegt dieser Anteil bei über 30 %, sind vorab Maßnahmen zur Datenqualitätssicherung erforderlich.
- Eine einzige Quelle. Werden die Daten an einem Ort gespeichert oder sind sie auf CRM, ERP, Excel und Google Sheets verteilt?
- Aktualität. Werden die Daten regelmäßig und automatisch aktualisiert oder müssen sie manuell heruntergeladen werden?
- Zielvariable Aufschlagskalkulation. Wird für die Abwanderungsprognose erfasst, welche Kunden wann abgewandert sind? Liegen für die Nachfrageprognose Daten zu Nullsalden vor, nicht nur zu Umsätzen?
- Zugriff. Kann das Analystenteam technisch gesehen auf die Daten zugreifen, ohne sich monatlich mit der IT-Abteilung abstimmen zu müssen?
- Unternehmer. Gibt es im Unternehmen jemanden, der die Aufgabe versteht und das Ergebnis des Modells aus geschäftlicher Sicht bewerten kann?
Wenn die Mehrheit dieser Fragen positiv beantwortet werden kann, sind Ihre Daten bereit und der Weg für die Entwicklung ist frei.
Kostenlose Beratung zu Predictive Analytics von IWIS
Wenn Sie herausfinden möchten, welche Aufgabe in Ihrem Unternehmen das höchste ROI-Potenzial bietet und ob Ihre Daten bereit für das ML-Modelling sind – melden Sie sich für eine kostenlose Beratung an. Wir analysieren Ihre aktuelle Situation und liefern Ihnen ein konkretes Fazit.
Andere Beiträge
Interessante Materialien für Sie
Juni 8, 2026
Juni 12, 2026
