Advanced Predictive Analytics – Wenn traditionelle BI nicht genug ist (Part 3)

Im ersten Teil unserer Serie über Predictive Analytics stand eine grobe Einordnung des Themas im Mittelpunkt. In Part 2 haben wir detailliert die generelle Vorgehensweise in analytischen Projekten betrachtet und verschiedene Modelle vorgestellt. In diesem Teil der Serie möchten wir nun untersuchen in welchen Bereichen diese Modelle Anwendung finden können. Wir stellen also die Frage nach Use Cases für Predictive Analytics.

Analytics Use Cases in allen denkbaren Bereichen

Analytics Use Cases lassen sich entlang der gesamten Wertschöpfungskette finden. Um einen groben Überblick zu geben, orientieren wir uns an der Wertkette:

Einkauf

Im Bereich des Einkaufs können, z. B. Absatz- oder Preisprognosen dafür sorgen, dass bestmögliche Einkaufsstrategien entwickelt werden und kostspielige Über- und Unterbestände vermieden werden. Dies ist vor allem im Falle von stark schwankenden Rohstoffpreisen und hohen Einkaufsvolumina zu empfehlen.

Produktion

Als Beispiele für Analytics Use Cases in der Produktion wollen wir Losgrößenoptimierung, Predictive Maintenance und Personaleinsatzplanung nennen. Hierbei geht es darum, Kapazitäten besser auszulasten, Ausschuss zu verringern bzw. mögliche Produktionsausfälle frühzeitig zur prognostizieren. Auf der Grundlage von Analysetechniken und der Visualisierung der Ergebnisse (z. B. in Form von Dashboards) können Mitarbeiter schnellere und besser fundierte Entscheidungen treffen.

Distribution

Analytics in der Distribution besteht hauptsächlich aus der Optimierung von Logistikprozessen, vor allem von Transport- und Lagerprozessen.

Marketing/Vertrieb

Customer Churn, Dynamic Pricing, Customer Value, Up-&Cross-Selling u. v. m. – Die Liste von Analytics Use Cases in den Bereichen Marketing und Vertrieb ist lang. Die Use Cases haben das Ziel das gesammelte Wissen über die Kunden zu bündeln und gezielt nutzbar zu machen. Gelingt dadurch eine individuellere Kundenansprache und eine Verbesserung der Kundenerfahrung, stärkt dies die Kundenbindung und damit den Unternehmenserfolg.

(Kunden-) Service

Fortgeschrittene Analysen können auch helfen individualisierte Kundeninteraktion, Tarife und Service-Level sowie optimierte Antwortzeiten zu bewirken.

Besseres Kundenverständnis durch Predictive Analytics: Gezielte Kündigungsprävention durch individuelle Kundenansprache

Am Beispiel der Kundenabwanderungs-Prävention, dem sog. Churn-Management wollen wir uns folgendes im Detail ansehen:

• Welche Motivation/Leitfragen stecken hinter diesem Use Case?
• Welche Methoden kommen zur Anwendung?
• In welcher Form stiftet dieser Use Case Nutzen?

Motivation/Leitfragen

Neukundengewinnung ist um ein vielfaches teurer als Kundenbindung.

• Wie erkenne ich potentielle Kündiger?
• Was kann ich tun die Loyalität meiner Kunden zu erhöhen?
• Was biete ich einem Kunden an, damit er seine Kündigung zurückzieht?

Methodik

• Einsatz von Klassifikations- und Regressionsmethoden
• Mit Hilfe meiner beschrifteten, historischen Daten trainiere und teste ich den Algorithmus
• Erst wenn der Algorithmus eine zufriedenstellende Güte aufweist, verwende ich ihn dafür die Kündigungsneigung meiner aktiven Kunden individuell vorherzusagen
• Regelmäßige Aktualisierung (Closed Loop Ansatz)
• Darüber hinaus können Kundenwertberechnungen helfen die Kunden, die auf Grund eines hohen Werts für das Unternehmen unbedingt gehalten werden sollten, zu identifizieren

Nutzen von Predictive Analytics

• Durch Kündigungsprävention Kundenabwanderung (von profitablen Kunden) vermeiden
• Rückgewinnung von Kunden die bereits gekündigt haben
• Einen neuen Kunden gewinnen ist für Unternehmen 5-10 mal so teuer, als einen bestehenden Kunden zu halten

Eine individuelle Kundenansprache ist die Chance sich von der Konkurrenz abzuheben und Wettbewerbsvorteile zu generieren. Ihre Kunden werden es Ihnen danken.

Weitere Links zu Predictive Analytics

1. Advanced Predictive Analytics – Wenn traditionelle BI nicht genug ist (Part 1)
2. Advanced Predictive Analytics – Wenn traditionelle BI nicht genug ist (Part 2)