Als Netflix vor der Entscheidung stand, 100 Millionen Dollar in \u201eHouse of Cards\u201c 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 best\u00e4ndig f\u00fcr Filme mit Kevin Spacey. Drei Schnittpunkte in einem Venn-Diagramm \u2013 und die Entscheidung war gefallen. Der Algorithmus garantierte zwar keinen Hit, nahm aber das blinde Risiko aus der Gleichung. Das ist vorausschauende Gesch\u00e4ftsanalytik (Predictive Analytics) in Aktion: die strukturierte Arbeit mit Daten \u00fcber die Zukunft.<\/p>\r\n\r\n
H\u00e4ufig 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 n\u00fctzlich, aber es ist eine Retrospektive. Predictive Analytics verschiebt den Fokus nach vorne: Was wird n\u00e4chsten Monat passieren? Welche Kunden werden abwandern? Welche Produktkategorie k\u00f6nnte einbrechen? F\u00fcr 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?<\/p>\r\n\r\n
Es bietet sich an, Analytik als ein Modell aus drei Reifestufen zu verstehen, bei dem jede nachfolgende Stufe mehr Handlungsspielraum f\u00fcr Entscheidungen er\u00f6ffnet:<\/p>"},{"acf_fc_layout":"table_block","table_header":[{"header_text":"Ebene"},{"header_text":"Was ist die Frage?"},{"header_text":"Was gibt"}],"table_rows":[{"row_cells":[{"cell_content":"Beschreibend"},{"cell_content":"Was ist passiert?"},{"cell_content":"Berichte, Dashboards, KPIs f\u00fcr den vergangenen Zeitraum"}]},{"row_cells":[{"cell_content":"Vorhersage"},{"cell_content":"Was wird geschehen?"},{"cell_content":"Prognosemodelle: Nachfrage, Abfluss, Umsatz"}]},{"row_cells":[{"cell_content":"Vorschreibend"},{"cell_content":"Was zu tun?"},{"cell_content":"Empfehlungen: Preis senken, Kundenbindungskampagne starten, Lagerbestand auff\u00fcllen"}]}]},{"acf_fc_layout":"text_block","text_content":"
Der Mehrheit der ukrainischen Unternehmen befindet sich heute auf der ersten Stufe, und das ist bereits ein gutes Fundament. Dashboards und Berichte bieten einen \u00dcberblick dar\u00fcber, was genau jetzt passiert. Sobald ein Unternehmen jedoch die Situation nicht mehr nur dokumentieren, sondern proaktiv steuern m\u00f6chte, ist der \u00dcbergang zu Predictive Analytics erforderlich. W\u00e4hrend BI die Vergangenheit erkl\u00e4rt, arbeitet Predictive Analytics mit der Zukunft: Was wird passieren und was ist bereits jetzt zu tun?<\/p>\r\n\r\n
Wenn mindestens zwei dieser Punkte zutreffen, ist das Unternehmen bereits aus der deskriptiven Analytik herausgewachsen.<\/p>\r\n\r\n
Prognosemodelle lassen sich f\u00fcr fast alles erstellen: von der st\u00fcndlichen Auslastung eines Callcenters bis hin zur Wahrscheinlichkeit von Produktionsfehlern. Wenn das Ziel jedoch darin besteht, schnell eine Rentabilit\u00e4t zu sehen, gibt es vier Bereiche, in denen Prognosemethoden die sp\u00fcrbarsten und messbarsten Ergebnisse liefern.<\/p>\r\n\r\n
F\u00fcr jedes Unternehmen mit physischen Lagerbest\u00e4nden bedeuten \u00dcbersch\u00fcsse oder Engp\u00e4sse entweder gebundenes oder verlorenes Kapital. In der Praxis hilft die Nachfrageprognose (die Analyse von Verkaufszahlen, Saisonalit\u00e4t, Lagerbest\u00e4nden 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 ber\u00fccksichtigt auch externe Faktoren: Wetter, Feiertage, Werbeaktivit\u00e4ten und sogar das Verhalten der Wettbewerber. Das Ergebnis: Die Lager werden dort rechtzeitig aufgef\u00fcllt, wo die Nachfrage entstehen wird, und es entstehen keine \u00dcberbest\u00e4nde dort, wo sie ausbleibt.<\/p>"},{"acf_fc_layout":"list_block","list_title":"In der Praxis angewandte Methoden zur Nachfrageprognose:","list_type":"ul","list_items":[{"item_text":"Klassische Zeitreihenmodelle (ARIMA, exponentielle Gl\u00e4ttung) \u2013 eignen sich gut f\u00fcr stabile Produktkategorien mit einer langen Verkaufshistorie."},{"item_text":"Gradient Boosting (XGBoost, LightGBM) \u2013 wenn die Nachfrage gleichzeitig von vielen externen Faktoren beeinflusst wird."},{"item_text":"LSTM-Netzwerke \u2013 f\u00fcr Kategorien mit komplexer Saisonalit\u00e4t oder starken Spitzenwerten."}]},{"acf_fc_layout":"text_block","text_content":"
Churn Prediction (die Vorhersage von Kundenabwanderung) ist eine der beliebtesten Aufgaben des maschinellen Lernens im Business \u2013 und das aus gutem Grund: Einen bestehenden Kunden zu halten ist g\u00fcnstiger, als einen neuen zu gewinnen, und das Modell verschafft dem Unternehmen Zeit zu handeln, bevor die endg\u00fcltige Entscheidung getroffen wird.<\/p>\r\n
Das Abwanderungsmodell analysiert Verhaltenssignale: sinkende Kauffrequenz, ein sinkender durchschnittlicher Warenkorbwert, ausbleibende Reaktionen auf Kommunikation oder ver\u00e4nderte Nutzungsmuster des Produkts. Das Ergebnis ist eine Liste von Kunden mit der h\u00f6chsten Abwanderungswahrscheinlichkeit sowie eine empfohlene Interaktionsma\u00dfnahme f\u00fcr jedes Segment.<\/p>\r\n
F\u00fcr Abo-Dienste, Banken, Telekommunikationsanbieter und jedes Unternehmen mit regelm\u00e4\u00dfigen Transaktionen zahlt sich Churn Prediction bereits in den ersten Monaten nach der Implementierung aus.<\/p>\r\n\r\n
Die Umsatzprognose f\u00fcr 3 bis 6 Monate im Voraus bietet einen klaren Blick auf verschiedene Szenarien: optimistisch, realistisch und ein Stress-Szenario. Dieser Ansatz erm\u00f6glicht es dem Finanzvorstand (CFO), Liquidit\u00e4tsengp\u00e4sse fr\u00fchzeitig zu erkennen, den Zahlungskalender proaktiv zu verwalten und Notfall-Fundraising zu vermeiden, wenn die Krise bereits da ist.<\/p>\r\n
Das ML-Modell ber\u00fccksichtigt Saisonalit\u00e4t, die Deal-Pipeline aus dem CRM, Markttrends und sogar das Verhalten einzelner Vertriebsmitarbeiter: wer seine Ziele \u00fcblicherweise erreicht und wer die Pipeline systematisch \u00fcbersch\u00e4tzt.<\/p>\r\n\r\n
Scoring ist die Prognose von Vertriebs- oder Kreditrisiken auf der Ebene einzelner Leads oder Kreditnehmer. Banken und Fintech-Unternehmen nutzen es zur Bewertung der Kreditw\u00fcrdigkeit, aber dieselbe Logik funktioniert auch im B2B-Vertrieb: Das Modell bewertet jeden Lead und gibt dem Vertriebsmitarbeiter eine Priorisierung vor \u2013 mit wem das Gespr\u00e4ch zuerst gesucht werden sollte, weil die Abschlusswahrscheinlichkeit am h\u00f6chsten ist. Im Vertrieb funktionieren diese Ans\u00e4tze als Methoden der Umsatzprognose: Das Modell sch\u00e4tzt die Abschlusswahrscheinlichkeit, die erwartete Auftragssumme, das Risiko von Deadline-Verschiebungen und die Priorit\u00e4t des Leads f\u00fcr den Manager ein.<\/p>\r\n\r\n
Datenanalysten scherzen oft, dass 80 % ihrer Arbeit aus der Datenbereinigung bestehen und die restlichen 20 % daraus, sich \u00fcber die Datenbereinigung zu beschweren. Hinter diesem Scherz verbirgt sich die reale Struktur des Prozesses: vier Phasen, von denen die l\u00e4ngste und m\u00fchsamste die Vorbereitungsphase ist.<\/p>\r\n\r\n
Die h\u00e4ufigste Herausforderung in dieser Phase: Daten sind zwar vorhanden, aber sie sind \u00fcber verschiedene Systeme verstreut, in unterschiedlichen Formaten gespeichert oder weisen L\u00fccken auf. Genau aus diesem Grund beginnt der Aufbau eines Prognosemodells fast immer mit dem Data Engineering.<\/p>\r\n\r\n
Der Algorithmus wird passend zur jeweiligen Aufgabe ausgew\u00e4hlt. Hier ist eine kurze \u00dcbersicht der wichtigsten Ans\u00e4tze:<\/p>"},{"acf_fc_layout":"table_block","table_header":[{"header_text":"Algorithmus"},{"header_text":"Wann ist es geeignet?"},{"header_text":"Eine typische Aufgabe"}],"table_rows":[{"row_cells":[{"cell_content":"Lineare\/Logistische Regression"},{"cell_content":"Einfache Abh\u00e4ngigkeit, wenige Variablen, Interpretierbarkeit erforderlich"},{"cell_content":"Grundlegende Umsatzprognose, Bewertung"}]},{"row_cells":[{"cell_content":"Random Forest\/Gradient Boosting"},{"cell_content":"Viele Einflussfaktoren, nichtlineare Abh\u00e4ngigkeiten"},{"cell_content":"Nachfrageprognose, Kundenabwanderung, Lead-Scoring"}]},{"row_cells":[{"cell_content":"LSTM (neuronale Netze)"},{"cell_content":"Komplexe Zeitreihen mit langem Speicher"},{"cell_content":"Nachfrageprognose, Kundenabwanderung, Lead-Scoring"}]}]},{"acf_fc_layout":"text_block","text_content":"
In der Praxis deckt Gradient Boosting (insbesondere XGBoost und LightGBM) die meisten Business-Anforderungen besser ab als alles andere: Es ist robust gegen\u00fcber Datenrauschen, funktioniert hervorragend bei mittleren Datenmengen und bietet verst\u00e4ndliche Erkl\u00e4rungen dar\u00fcber, welche Merkmale den gr\u00f6\u00dften Einfluss auf die Prognose hatten.<\/p>\r\n\r\n
Das Modell wird auf einem Teil der Daten trainiert \u2013 klassischerweise auf etwa 80 % \u2013 und auf den verbleibenden 20 % \u00fcberpr\u00fcft, die es zuvor nicht gesehen hat. Dies zeigt, wie gut das Modell Muster verallgemeinern kann.<\/p>\r\n
F\u00fcr Business-Modelle gibt es jedoch eine Besonderheit: Eine einfache Zufallsaufteilung ist hier ungeeignet. Wenn man ein Umsatzprognosemodell mit Daten aus den Jahren 2020\u20132024 trainiert und es anhand einer Zufallsstichprobe aus demselben Zeitraum testet, wirkt das Modell zwar pr\u00e4zise, hat aber in der Realit\u00e4t w\u00e4hrend des Trainings in die Zukunft \u201egespickt\u201c. Daher wird bei Zeitreihen immer eine chronologische Aufteilung verwendet: Das Training erfolgt auf einer fr\u00fcheren Periode, das Testen auf einer sp\u00e4teren.<\/p>\r\n
Nach der Validierung geht das Modell in den Produktivbetrieb (Production) \u00fcber, und es beginnt ein kontinuierliches Monitoring: Ver\u00e4ndert sich das Marktverhalten, sinkt die Genauigkeit des Modells und es muss neu trainiert werden.<\/p>\r\n\r\n
Die Wahl des Werkzeugs h\u00e4ngt von drei Faktoren ab: Wo liegen Ihre Daten, wie hoch ist das technische Niveau des Teams und wie gro\u00df ist der Umfang der Aufgabe? Es gibt nicht den einen besten Stack, wohl aber den passenden f\u00fcr die jeweilige Situation.<\/p>\r\n\r\n
Der Basis-Stack f\u00fcr die meisten Machine-Learning-Projekte im Business-Bereich. Scikit-learn ist eine Open-Source-Bibliothek, die Implementierungen f\u00fcr fast alle klassischen Algorithmen enth\u00e4lt: von der linearen Regression \u00fcber Random Forest bis hin zu Gradient Boosting. Sie ist kostenlos, hervorragend dokumentiert und gilt als Standard im Data-Science-Umfeld.<\/p>\r\n
Erg\u00e4nzend zu scikit-learn werden meist XGBoost oder LightGBM f\u00fcr tabellarische Daten sowie Prophet oder statsmodels f\u00fcr Zeitreihen eingesetzt. Dieser Stack deckt 80 % der realen Business-Anforderungen ab und bindet das Unternehmen an keinen bestimmten Cloud-Anbieter.<\/p>\r\n\r\n
Cloud-Plattformen sind dann sinnvoll, wenn die Aufgabe den Rahmen eines einzelnen Notebooks sprengt: Wenn gro\u00dfe Modelle trainiert, das Vortraining automatisiert, Modelle versioniert oder diese als API f\u00fcr Produktivsysteme bereitgestellt werden m\u00fcssen.<\/p>\r\n
Azure ML<\/b> ist die logische Wahl f\u00fcr 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 f\u00fcr weniger erfahrene Teams, unterst\u00fctzt aber gleichzeitig vollen Code f\u00fcr Data Scientists.<\/p>\r\n
Google Vertex AI<\/b> ist die st\u00e4rkere Option, wenn die Daten bereits in der Google Cloud oder in BigQuery liegen. Die Lernkurve ist hier steiler, daf\u00fcr eignet sich die Plattform besser f\u00fcr komplexe ML-Pipelines und sehr gro\u00dfe Datenmengen.<\/p>\r\n\r\nPower BI + Python\/R-Integration<\/h4>\r\n
Ein separates Szenario liegt vor, wenn das Prognosemodell bereits gebaut ist, die Ergebnisse aber f\u00fcr Business-Anwender ohne technischen Hintergrund zug\u00e4nglich gemacht werden sollen. Power BI erm\u00f6glicht es, Python- und R-Skripte direkt in Berichte einzubetten: Das Modell l\u00e4uft im Backend, und der Manager sieht die fertige Prognose im Dashboard direkt neben den Ist-Werten.<\/p>\r\n