Predictive Analytics Anwendungsgebiete: Wer ist mein Kunde?

Das Spektrum der möglichen Anwendungsgebiete ist breit gefächert. Predictive Analytics Anwendungsgebiete finden sich derzeit unter anderem bei Versicherungen und Telekommunikationsunternehmen, im Handel – v.a. Versandhandel und E-Commerce – sowie bei Finanzdienstleistungen, aber auch z.B. im Gesundheitswesen. 

Predictive Analytics unterstützen und optimieren die gesamte Unternehmenssteuerung von Beschaffung über Produktion bis hin zum Vertrieb.

Prognosemodelle zum Kunden- und Kündigungsverhalten werden zur Verlängerung der Kundenbindungsdauer und zur Verhinderung von Abwanderungen genutzt. Kritische Phasen in der Kundenbeziehung können frühzeitig vorweggenommen werden und mit optimierten Kundenbindungsmaßnahmen überwunden werden. Gleichzeitig können die vorhandenen Ressourcen auf die tatsächlich gefährdeten Kunden allokiert werden.

Produktbasierte Prognosemodelle liefern zielgerichtete Up- und Cross-Selling-Vorschläge für jeden Kunden auf Basis historischer Käufe.

Prognosemodelle sagen voraus, wie viel von welchem Produkt in den nächsten Tagen, Wochen, Monaten nachgefragt wird. Saisonale Zyklen werden dabei mit berücksichtigt. Auf diese Weise können Lagerbestände reduziert und Lieferengpässe vermieden werden.

Herausforderung:

Eine der größten Herausforderungen im Handel ist die Beschaffung. Ziel ist, nur exakt so viel Ware einzukaufen, dass einerseits die Nachfrage befriedigt und andererseits die Lagerhaltung minimiert und vor allem Überkapazitäten am Saisonende verhindert werden können. Dies gilt insbesondere für modische Artikel und Saisonware. Wird zu viel disponiert, muss die Ware am Ende der Saison mit Abschlägen abverkauft werden. Wird zu wenig eingekauft, entgeht dem Anbieter der entsprechende Umsatz bzw. sind teure Nachlieferungen erforderlich. Beides soll möglichst verhindert werden.

Predictive Analytics Anwendungsgebiete:

Ein Versandhändler mit zehn verschiedenen Shops in vier Ländern setzt zur Lösung dieser Kernaufgabe ein auf Predictive Analytics basierendes Absatzmengen-Prognosemodell ein, das den Bedarf von über 10.000 Artikeln taggenau vorhersagt. Dieser Bedarf wird mit den ebenfalls prognostizierten Retourenquoten verrechnet. Aus beiden Kenngrößen ergibt sich eine optimale Lagermenge, die zur Grundlage der Disposition verwendet wird.
Das System verarbeitet hierzu täglich 30 Millionen Transaktionen und versorgt so die Disponenten über ein Business-Intelligence-Portal mit den relevanten Kennzahlen. Mit Hilfe dieser Lösung gelingt es, das Lager optimal an den Bedarf anzupassen.

Durch die kontinuierliche Anwendung der Modelle können frühzeitig die Artikel identifiziert werden, für die zum Saisonende der Lagerbestand zu groß sein wird. Mit Hilfe weiterer Predictive-Analytics-Verfahren werden dann diejenigen Kunden selektiert, die genau dieses Produkt kaufen werden. Spezielle Angebote können so bereits vor Saisonende bei den relevanten Kunden platziert werden.

Auf Basis der Analyse werden Zahlungsausfälle vorhergesagt und die Kreditwürdigkeit einer Person oder eines Unternehmens bewertet. Das Ergebnis wird als Zahlenwert ausgegeben, der vom Vertrieb im täglichen Geschäft genutzt werden kann. In gleicher Weise funktionieren  Systeme zur Vorhersage der Ausfallwahrscheinlichkeiten von Krediten. Bei vielen Banken und Versicherungen sind solche Analysen ein wesentlicher Teil des Risiko-Managements.

Analysen, die parallel zum Shop-Besuch laufen, bewerten, mit welcher Wahrscheinlichkeit der Interessent den Kauf abschließt. Basierend auf diesen Analysen können Kunden individuelle Preisangebote unterbreitet werden.

Auf Basis seiner bisherigen Einkäufe erhält der Kunde Vorschläge für zusätzliche Produkte. Außerdem werden ihm Produkte angezeigt, die andere Kunden zusammen mit dem jeweiligen Artikel bestellt haben.