Analytics – Mythos und Wahrheit Teil II: Wie geht das eigentlich?
Analytics bedeutet viel mehr, als einem Algorithmus beliebige Daten vorzuwerfen, und von ihm Prognosen zu erwarten.
Wer Analytics betreibt, lässt sich auf einen komplexen Prozess ein, der gut strukturiert werden will. Nur so kann man ein ziel- und ergebnisloses Herumstochern im Datennebel verhindern – und viel Zeit und Ressourcen sparen.
Analytics ist ein Werkzeug. Wie bei allen Werkzeugen kommt es auch hier auf den richtigen Gebrauch an. Er lässt sich in vier Phasen einteilen und beginnt, noch vor allem Digitalen, in der wirklichen Welt.
Phase eins: ein Problem identifizieren, das groß genug ist
Analytics-Projekte kosten Zeit und Geld. Damit sich der Aufwand lohnt, sollte man mit ihnen Fragen adressieren, hinter denen entweder große Kosten oder große Gewinnchancen stecken. Wenn Sie beispielsweise Ihrem Kundenstamm neue Produkte empfehlen, könnten Sie ihn mit einem wahllosen Angebot abschrecken. Bieten Sie ihm aber ausschließlich Dinge an, die er in seiner Situation wirklich gebrauchen kann, erhöht sich Ihre Chance auf neue Umsätze erheblich. In diesem Fall lohnt es sich sicherlich, die Zusammenhänge dahinter zu analysieren, um herauszufinden, welcher Ihrer Kunden gerade was benötigen könnte – um es ihm dann gezielt anzubieten.
Phase zwei: Daten finden, aufbereiten und analysieren
Weiß man, welches Ziel man mit einem Projekt verfolgt – zum Beispiel Bankkunden gezielt den passenden Kredit vorzuschlagen –, identifiziert man zuerst die Daten, die dazu gebraucht werden sowie die Quellen, in denen sie zu finden sind. Das können unternehmensinterne Daten beispielsweise aus bereits bestehenden Verträgen mit den Kunden sein. Aber auch zugekaufte, wie etwa Informationen darüber, wie groß die Haushalte in bestimmten Gegenden sind. Dann werden die Daten entschlackt und so aufbereitet, dass ein Algorithmus sie auch verstehen kann.
Danach geht es ans Data Mining: Die Datenbasis wird mit dem Ziel untersucht, Zusammenhänge zwischen ihnen herauszufinden, die für das Problem relevant sind. Beispielsweise: Studienabsolventen in München nehmen kurz nach dem Abschluss ihres ersten Arbeitsvertrags häufig einen Kredit für den Erwerb eines Autos in Anspruch.
Nun kommt der Algorithmus ins Spiel. Mit den entdeckten Zusammenhängen durchforstet er einen Testdatensatz, um zu sehen, wie genau er damit tatsächlich Autokäufer vorhersagen kann. Wenn die Fehlerrate noch zu hoch ist, verfeinert man Modell und Daten so lange, bis die Voraussagegenauigkeit hoch genug ist. Das Ergebnis ist ein fertiges Modell, das schließlich auf die Kundendaten angewendet werden kann, um Vorhersagen zu treffen.
Phase 3: Businessregeln auf die Daten anwenden
Am Ende dieser Prozedur steht ein Satz Businessregeln, welche Wahrscheinlichkeiten für bestimmte Fälle angeben, die für Ihre Frage relevant sind. Daraus ergeben sich die erhofften Voraussagen. Ein Beispiel: „Die Wahrscheinlichkeit, dass ein Student in München nach Abschluss seines ersten Arbeitsvertrags mit einem Jahreseinkommen zwischen 20.000 und 30.000 Euro einen Kredit für den Erwerb eines Autos in Anspruch nimmt, beträgt 60 %.“ Diese Regeln sind es, mit denen eine Software Kunden im Bestand einer Bank identifizieren kann, denen sie aktiv einen passenden Kredit vorschlagen sollte.
Phase 4: aktiv werden
Der letzte und gleichzeitig wichtigste Schritt in einem Analytics-Projekt ist, die Ergebnisse in Taten umzusetzen. Sonst ist es sinnlos. Wenn Kunden identifiziert wurden, die mit hoher Wahrscheinlichkeit ein bestimmtes Produkt gebrauchen können, dann muss es diesen auch aktiv empfohlen werden. Nur so erreichen Sie auch das Ziel, das Sie sich von Anfang an gesteckt haben.