Sieben Gründe, warum Sie Predictive Analytics

Werbung
Predictive Analytics hat sich zu einem Verfahren von zentraler
Bedeutung entwickelt, das Unternehmen benötigen, um sich
einen Wettbewerbsvorteil zu erhalten. Diese Technologie läutet eine völlig neue Phase der Unternehmensevolution ein, da
sie organisationales Lernen anwendet. Dies ermöglicht es
dem Unternehmen, zu wachsen, indem es eine besondere
Form des datengesteuerten Risikomanagements in verschiedenen Bereichen einsetzt. Dieses White Paper offenbart
sieben strategische Ziele, die nur durch den Einsatz von
Predictive Analytics ohne Abstriche erreicht werden können:
Wettbewerbsfähigkeit, Wachstum, Durchsetzungsstärke,
Verbesserungen, Kundenzufriedenheit, Lernfähigkeit und
Handlungsfähigkeit.
Eine neue Phase der Unternehmensevolution:
Angewandtes organisationales Lernen
Predictive Analytics:
Business IntelligenceTechnologie, die einen
Vorhersagewert für jeden
Kunden oder jedes andere
für Unternehmen
relevante Element erzeugt.
Die Zuordnung dieser
Werte ist Aufgabe eines
Vorhersagemodells, das
wiederum mit Ihren
Daten „trainiert“ wurde.
……………………………
Bei Predictive
Analytics lernt das
Unternehmen aus
seiner gesammelten
Erfahrung (Daten)
und wendet das
Erlernte an.
Unternehmensdaten sind von unschätzbarem strategischem
Wert, da sie die geballte Erfahrung eines Unternehmens – sämtliche bisherigen Interaktionen mit seinen Kunden – repräsentieren. Jede Reaktion (oder Nichtreaktion) eines Kunden, jede Kaufentscheidung, jede Anschaffung, jeder Wechsel zur Konkurrenz,
jede betrügerische Handlung, jeder Kreditausfall und jede
Beschwerde über eine fehlerhafte Produktkomponente sind eine
Erfahrung, aus der das Unternehmen lernen kann.
Predictive Analytics nutzt diesen reichen Erfahrungsschatz, indem
dieser analysiert wird, um automatisch Vorhersagemodelle zu
erstellen. Zentrale Analysemethoden maximieren die Modellleistung, indem sie die Modelle mit Trainingsdaten optimieren.
Somit ist die Modellerstellung ein Akt des Lernens aus der
Erfahrung, die in Daten codiert ist; das Modell selbst ist das
Ergebnis dieses Lernprozesses.
Das Unternehmen erkennt den möglichen geschäftlichen Nutzen
dieses Lernprozesses, wenn es das Erlernte anwendet. Erreicht
wird dies, indem das Unternehmen geeignete Maßnahmen,
entsprechend dem von einem Vorhersagemodell für jeden
Kunden erzeugten Wert, ergreift. Beispielsweise hebt ein ChurnModell die Kunden hervor, bei denen das Risiko einer Abwanderung am größten ist, indem es ihnen hohe Vorhersagewerte
(Predictive Scores) zuordnet. Wenn ein Angebot zur Kundenbindung, z. B. ein Rabatt, gezielt nur diesen Kunden unterbreitet
wird, lässt sich ein außerordentlich positives Ergebnis erzielen.
Angewandtes organisationales Lernen führt zur Weiterentwicklung des Unternehmens. Dieser kollektive Prozess des Lernens aus
der gesammelten Erfahrung des Unternehmens und der Anwendung des Erlernten – über verschiedene Geschäftsbereiche hinweg – bietet eine beispiellose Chance auf Wachstum. Wenn Ihr
Unternehmen beabsichtigt, sich auf diese neue Phase der Unternehmensevolution einzulassen, ist Predictive Analytics genau die
richtige Technologie dafür.
2
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Risikomanagement: Was jedes Unternehmen von
Versicherungen lernen sollte
Die versicherungsmathematischen Methoden, auf denen das
Kerngeschäft eines Versicherungsunternehmens basiert, führen
genau dieselbe Funktion aus wie Vorhersagemodelle: Sie bewerten
Kunden danach, wie groß die Chance bzw. das Risiko ist, dass sie dem
Unternehmen ein positives oder negatives Einkommen einbringen.
Die Vorhersagemodellierung verbessert diese Standardmethoden,
indem sie die Analyse zusätzlich automatisiert und durch die
Einbeziehung einer breiteren Gruppe von Kundenvariablen stärker
verallgemeinert. Um diese Vorteile nutzen zu können, ergänzen viele
Versicherungsunternehmen ihre Verfahren um Predictive Analytics,
um die Preisfindung und Auswahlentscheidungen zu verbessern
(siehe Kapitel 4).
Genau wie Versicherungen würden auch
alle anderen Unternehmen davon
profitieren, wenn die
Risikoberechnung ein
Kernprozess wäre.
…………………………
Predictive Analytics
bietet ein umfassendes
datengesteuertes
System für das
Risikomanagement.
Es geht jedoch nicht nur im Versicherungswesen, sondern im Grunde
in jeder Branche um das Risikomanagement. Jede Entscheidung, die
ein Unternehmen trifft, jede Maßnahme, die es ergreift, beeinflusst
die Risiken, denen es standhalten muss – darunter das Risiko, dass
ein Kunde zur Konkurrenz wechselt, nicht auf einen ihm zugeschickten teuren Hochglanzprospekt reagiert, einen Kundenbindungsrabatt
in Anspruch nimmt, obwohl er gar nicht vorhatte, zur Konkurrenz zu
wechseln, nicht für eine Telefonwerbung ausgewählt wurde, die zu
einem Verkauf geführt hätte, einen Betrug begeht oder zu einem
„Verlustkunden“ wird, z. B. einem schlechten Zahler oder einem
Versicherungsnehmer mit hohen Schadenssummen.
Daher würden alle Unternehmen, genau wie Versicherungen, davon
profitieren, wenn die Bewertung, Verfolgung und Berechnung von
Risiken ein Kernprozess wäre. Die datengesteuerte Methode zur
Berechnung von Risiken – d. h. jeder Art negativen Einkommens im
Allgemeinen – ist Predictive Analytics. Wenn Kunden nach ihrem
Risikograd eingeteilt werden, kann das Unternehmen Risiken präziser
managen und effektiv in Chancen ummünzen.
Lernen Sie analytisch aus Ihren Fehlern. Mithilfe von Predictive
Analytics lernt das Unternehmen, wie es Risiken mindern kann. Jedes
negative Einkommen bietet eine Chance, aus der das Unternehmen
systematisch lernen kann. Deshalb beinhalten die Daten, aus denen
die Vorhersagemodellierung lernt, sowohl negative als auch positive
Beispiele – sowohl die Erfolge als auch die unvermeidbaren „Fehler“.
Beide Arten von Erfahrungen bieten wichtige Fälle, aus denen man
lernen kann. Auch wenn die Trainingsdaten sehr viel mehr Daten
einer Kategorie als der anderen enthalten – z. B. beim Direktmailing,
das oftmals nur einen geringen Prozentsatz an positiven Reaktionen
hervorbringt –, können Analysemethoden 100 % der Daten nutzen,
um aus allen Erfahrungen eines Unternehmens zu lernen.
3
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Das Unternehmen integriert die Bewertungen des Vorhersagemodells, um mit entsprechenden Maßnahmen auf das
Erlernte zu reagieren. Bei jedem Schritt sehen die Vorhersagewerte voraus, wo ein Fehler zu unnötigem Risiko führen
könnte, und helfen dem Unternehmen so, ihn zu vermeiden.
Somit bietet Predictive Analytics ein umfassendes datengesteuertes System für das Risikomanagement.
Das Zeitalter von Predictive Analytics: eine ausgereifte
Branche
Funktionen für die
Vorhersagemodellierung sind wissenschaftlich fundiert
und haben von
jahrzehntelangem
Fortschritt profitiert.
………………………
Auf der Basis seiner
beeindruckenden
Erfolgsbilanz bietet
Predictive Analytics
ausgereifte Softwarelösungen, die diese
Technologie dem
modernen Unternehmen bereitstellen
– und sie darin
integrieren.
Predictive Analytics ist heute ein etabliertes, weit verbreitetes
Verfahren im Geschäftsumfeld. Dies lässt sich anhand
folgender Faktoren belegen:
Bewährte Analysetechnologie. Funktionen für die Vorhersagemodellierung, die im akademischen Bereich als maschinelles
Lernen bezeichnet wird, haben ihren Ursprung in Forschungslabors und basieren auf Mathematik, Wahrscheinlichkeit,
Statistik und Datenbanktechnologien. Sie sind wissenschaftlich
fundiert und haben von jahrzehntelangem Fortschritt profitiert.
Weitere Informationen zu dieser Kerntechnologie finden Sie in
Kapitel 6.
Erwiesener geschäftlicher Nutzen. Diese Entdeckungen von
Forschungslabors haben sich längst in der Praxis bewährt. Laut
einer Umfrage erzielten 90 % der Befragten einen positiven
Return on Investment (ROI) aus ihrem erfolgreichsten Einsatz
von Predictive Analytics, mehr als die Hälfte sogar aus ihrem
am wenigsten erfolgreichen Einsatz.1 In einer anderen Umfrage
unter Unternehmen, die Predictive Analytics implementiert
haben, attestierten dem Verfahren 66 % der Befragten einen
‚sehr hohen‘ oder‚ hohen‘ geschäftlichen Nutzen.2 Initiativen
für Predictive Analytics zeigen einen durchschnittlichen ROI von
145 %, während andere Business Intelligence-Initiativen nur
89 % erreichen.3 Eine weitere Umfrage brachte folgendes
Ergebnis zutage: „Benutzer von Predictive Analytics ... konnten
ihre operative Gewinnspanne im letzen Jahr um 1 % und die
Kundenbindung im Jahresvergleich um 6 % erhöhen. Umfrageteilnehmer, die noch keine Vorhersagetechnologien eingeführt
haben, mussten einen Rückgang bei der operativen Gewinnspanne von 2 % und bei der Kundenbindung um 1 % hinnehmen.“4 Auf der Basis ihrer beeindruckenden Erfolgsbilanz
bietet Predictive Analytics ausgereifte Softwarelösungen, die
diese Technologie dem modernen Unternehmen bereitstellen –
und sie darin integrieren.
4
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Branchenwachstum. Das Rennen hat begonnen, und Predictive
Analytics liegt mit einer jährlichen Wachstumsrate von geschätzten
8-10 % weit in Führung.5 Einer Umfrage zufolge planen 85 % der
Befragten einen neuen Einsatz von Predictive Analytics innerhalb
von fünf Jahren und 51,5 % innerhalb von sechs Monaten.6 Laut
einer anderen Umfrage wollen 79 % der großen Unternehmen
Predictive Analytics einsetzen.7 „Auf längere Frist gesehen haben
sich zwei Drittel bis drei Viertel der Führungskräfte als wichtigstes
Ziel vorgenommen, die Fähigkeit zur Modellierung und Vorhersage
von Verhaltensmustern bis zu dem Punkt zu entwickeln, da einzelne
Entscheidungen in Echtzeit auf der Basis der verfügbaren
Analysedaten getroffen werden können.“8
Predictive
Analytics liegt mit
einer durchschnittlichen jährlichen Wachstumsrate von geschätzten 8-10 % weit in
Führung.
………………………
Ihr Unternehmen
braucht Predictive
Analytics, weil es
nur damit diese
sieben strategischen
Ziele ohne Abstriche
erreichen kann.
Investitionen und Übernahmen in der Branche. Jedes Jahr werden
viele kleinere Unternehmen, die Analysesoftware anbieten,
gegründet, ziehen Investitionen auf sich und werden von anderen
Unternehmen übernommen. Das bahnbrechende Ereignis in
diesem Bereich war jedoch die Übernahme von SPSS durch IBM für
1,2 Mrd. US-Dollar, die mitten in der Rezession von 2009 bekannt
gegeben wurde.9
Branchenveranstaltungen. Die wachsende Popularität von
etablierten Branchenveranstaltungen, die sich ganz auf den
kommerziellen Einsatz von Predictive Analytics konzentrieren,
zeigt, wie verbreitet und verhaftet Predictive Analytics in der
Branche ist. Zu diesen Veranstaltungen gehören die anbieterübergreifende Konferenz Predictive Analytics World
(http://www.predictiveanalyticsworld.com) sowie Veranstaltungen
unter der Leitung bestimmter Hersteller wie das IBM Business
Analytics Forum (http://www-01.ibm.com/software/data/2010conference/business-analytics/). Diese Veranstaltungen belegen
durch eine immer größere Zahl von Erfolgsgeschichten und
Kundenreferenzen den Erfolg von Predictive Analytics.
Predictive Analytics hilft, strategische Ziele
verschiedener Geschäftsbereiche zu erfüllen
Durch die Anwendung von Predictive Analytics über unterschiedliche Geschäftsbereiche hinweg kann das Unternehmen mehrere
strategische Ziele erreichen. Wie Abbildung 1 zeigt, werden die aus
Unternehmensdaten erstellten Vorhersagemodelle mit Geschäftsbereichen im gesamten Unternehmen verknüpft, darunter
Marketing, Vertrieb, Betrugserkennung, Call-Center und Kerngeschäft (z. B. Produktmontage). Ihr Unternehmen braucht
Predictive Analytics, weil sich die im Folgenden beschriebenen
strategischen Ziele nur damit ohne Abstriche erreichen lassen. Jedes
dieser sieben Ziele wird in den folgenden sieben Kapiteln dieses
White Papers näher erläutert.
5
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Sieben Gründe, warum Sie Predictive Analytics brauchen –
wichtigste strategische Ziele, die Sie damit erreichen können:
Diese strategischen
Ziele können nur
durch den Einsatz
von Predictive
Analytics ohne
Abstriche erreicht
werden.
1. Wettbewerbsfähigkeit – Trotzen Sie der Konkurrenz mit einem starken
und einzigartigen Angebot.
2. Wachstum – Steigern Sie die Verkaufszahlen und halten Sie Ihre Kunden
trotz starker Konkurrenz.
3. Durchsetzungsstärke – Wahren Sie die Integrität Ihres Unternehmens
durch ein effektives Betrugsmanagement.
4. Verbesserungen – Entwickeln Sie Ihr Kerngeschäft auf konkurrenzfähige
Weise weiter.
5. Kundenzufriedenheit – Erfüllen Sie die steigenden Erwartungen, die
Verbraucher heute stellen.
6. Lernfähigkeit – Wenden Sie die fortschrittlichsten Analysen an, die heute
verfügbar sind.
7. Handlungsfähigkeit – Sorgen Sie dafür, dass Business Intelligence und
Analysen in konkrete Maßnahmen umsetzbar sind.
Abbildung 1. Ein Unternehmen, das Predictive Analytics über verschiedene Geschäftsbereiche hinweg
anwendet. Die eingekreisten Zahlen von 1 bis 7 zeigen an, in welchem Bereich jedes oben genannte
strategische Ziel erreicht wird.
6
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Die wichtigsten
potenziellen Kunden,
die ein Vorhersagemodell hervorhebt,
bilden eine maßgeschneiderte, nur
Ihnen zugängliche
Kontaktliste.
The top prospects
………………………
flagged
by a predictive
model
compose
Ein Vorhersageamodell
customized,
unterscheidet
proprietary
contact
die Mikrosegmente
list
von Kunden, die sich
für Ihr Unternehmen
………………………………
entscheiden, von
A predictive model
denen, die noch
distinguishes the
zögern oder zu einem
microsegments of
Mitbewerber
customers who choose
wechseln. Auf diese
your company from
Weise kann Ihr
those who defer
Unternehmen genau
or defect to a
erkennen, wo die
competitor. In
Defizite und
this way, your
Schwächen Ihres
organization identifies
Mitbewerbers liegen.
exactly where your
competitor falls short,
its weaknesses.
1. Wettbewerbsfähigkeit – Trotzen Sie der Konkurrenz mit einem starken und einzigartigen Angebot.
„Zu einer Zeit, da Unternehmen in vielen Branchen ähnliche
Produkte anbieten und vergleichbare Technologie einsetzen,
gehören leistungsfähige Geschäftsprozesse zu den letzten
Unterscheidungsfaktoren, die noch bleiben.“
Competing on Analytics: The New Science of Winning,
T. Davenport und J. Harris
Da sich sowohl die von einem Unternehmen gelieferten als auch
intern eingesetzten Produkte immer weniger von der breiten
Masse abheben, lässt sich ein Wettbewerbsvorteil vor allem über
Verbesserungen bei Geschäftsprozessen erzielen. Hier kommt
Predictive Analytics ins Spiel. Der Wertbeitrag dieses Verfahrens
besteht darin, die Entscheidungsfindung und Abläufe im Unternehmen durch angewandtes organisationales Lernen zu verbessern. Dieser Lernprozess bietet einen besonderen Wettbewerbsvorteil und offenbart die Schwächen der Mitbewerber.
Umfragen haben gezeigt, dass ein „von stärkerem Konkurrenzdruck geprägtes Umfeld“ der bei Weitem wichtigste Grund ist, aus
dem Unternehmen Predictive Analytics einführen.10
Ein klarer Wettbewerbsvorteil. Predictive Analytics bietet Ihrem
Unternehmen die Möglichkeit der starken, einzigartigen, qualitativen Differenzierung, da Ihr Unternehmen so eine eigene Quelle
der Business Intelligence erhält, mit deren Hilfe es mit seinen
Mitbewerbern um Verkaufszahlen und Kunden konkurrieren
kann. Ein aus Ihren Daten erzeugtes Vorhersagemodell nutzt die
Erfahrung, die nur Ihr Unternehmen hat, da es auf Ihre Liste
potenzieller Kunden und auf die Produkte und die Marketingbotschaft abgestimmt ist, auf die Ihre Kunden reagieren (sowohl
positiv als auch negativ). Daher bleiben die Erkenntnisse und
Einblicke, die das Modell liefert, allein Ihrem Unternehmen
vorbehalten, und die wichtigsten potenziellen Kunden, die es
hervorhebt, bilden eine maßgeschneiderte, nur Ihnen zugängliche
Kontaktliste.
Erkennen Sie die Schwächen Ihrer Mitbewerber, bevor diese sie
erkennen. Im Gegensatz zu weit verbreiteten Trends, die auf
Makroebene gemessen werden können, hebt ein Vorhersagemodell detailliertere Kaufmuster und Trends in Form von Mikrosegmenten von Kunden hervor. Die Daten, mit denen das Modell
trainiert wird, beinhalten Ihre Verkäufe (und nicht zustande
gekommenen Verkäufe) an Kunden, die wahrscheinlich nicht nur
Ihre Produkte und Marketingbotschaften, sondern auch die Ihrer
7
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Mitbewerber kennen. Daher lernt der Modellierungsprozess, die Mikrosegmente von Kunden, die sich
für Ihr Unternehmen entscheiden, von denen zu unterscheiden, die noch zögern oder zu einem
Mitbewerber wechseln. Auf diese Weise kann Ihr Unternehmen genau erkennen, wo die Defizite und
Schwächen Ihr Mitbewerber liegen, basierend auf den in Ihren Daten codierten Verhaltenstrends, die
bei der Analyse festgestellt wurden. Dieses Wissen kann das Unternehmen anschließend nutzen, um mit
gezielten Marketing- und Vertriebsmaßnahmen auf diese Chancen zu reagieren.
2. Wachstum – Steigern Sie die Verkaufszahlen und halten Sie Ihre Kunden trotz
starker Konkurrenz.
Die Anwendungsmöglichkeiten von Predictive Analytics in Marketing und Vertrieb sind beispielhaft für
den Wertbeitrag dieser Technologie, da sie Vorteile in allen Branchen bieten. Jeder Kunde wird mittels
Vorhersagen mit Blick auf sein Kaufverhalten, z. B. Käufe, Rückmeldungen, Abwanderung und Klicks,
bewertet. Diese Bewertungen entscheiden dann über Maßnahmen des Unternehmens in den Bereichen
Marketing, Vertrieb, Kundenbetreuung und Website-Verhalten. Auf diese Weise kommt der besondere
Wettbewerbsvorteil von Predictive Analytics bei einer Vielzahl verschiedener kundenorientierter
Aktivitäten zum Tragen.
Am häufigsten wird Predictive Analytics im Geschäftsumfeld zur Prognose der Reaktion auf Direktmarketingmaßnahmen eingesetzt. In diesem Bereich bietet sie enorme finanzielle Vorteile. Der Wertbeitrag ist
offensichtlich: Werden Kunden, die wahrscheinlich eher nicht auf Direktmarketing reagieren werden,
gar nicht erst angesprochen, können die Kosten gesenkt und der Gewinn gesteigert werden. Wenn die
40 % der Kunden, bei denen die Wahrscheinlichkeit einer Rückmeldung am größten eingeschätzt wird,
80 % der Antwortenden insgesamt umfassen, kann ein Großteil der übrigen 60 % ausgeklammert
werden. Dadurch kann der gleiche Prozentsatz bei den Kampagnenkosten eingespart werden und der
Gewinn steigt enorm an. Ein Beispiel: Die First Tennessee Bank senkte ihre Direktmailing-Kosten um
20 % und erhöhte die Rücklaufquote um 3,1 %, indem sie die Reaktionsmodellierung und weitere
analysegesteuerte Prozessverbesserungen verwendete. Weitere Informationen zu dieser und weiteren
Kundenreferenzen finden Sie unter http://tinyurl.com/PAExamples. Weitere Einzelheiten dazu, wie
Predictive Analytics funktioniert und wie damit der Gewinn gesteigert werden kann, finden Sie in dem in
Information Management erschienenen Artikel „Predictive Analytics with Data Mining: How It Works“.11
Die Modellierung des Risikos der Abwanderung von Kunden (Churn Modeling) ist vielleicht die interessanteste Anwendungsmöglichkeit von Predictive Analytics im Geschäftsumfeld. Die Kundenbindung
gehört zwar zu den wichtigsten Zielen vieler Unternehmen, doch effektive Anreize zur Kundenbindung,
z. B. Rabattangebote, können ziemlich kostenaufwendig sein. Rentabel sind solche Angebote dann,
wenn sie gezielt nur den Kunden unterbreitet werden, bei denen die Wahrscheinlichkeit der Abwanderung am größten ist. Durch gezielte Maßnahmen der Kundenbindung können Sie Ihre Kundenbasis
schneller und stärker ausbauen. Weitere Details hierzu finden Sie in einem Artikel in BeyeNETWORK mit
dem Titel „Six Ways to Lower Costs with Predictive Analytics“12 und einem Artikel in Information
Management zum Thema „Predictive Analytics' Killer App: Retaining New Customers“.13
Der besondere Wettbewerbsvorteil von
Predictive Analytics offenbart sich bei
einer Vielzahl verschiedener
kundenorientierter Aktivitäten.
8
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Weitere Einsatzmöglichkeiten. Predictive Analytics kann in Vertrieb und Marketing außerdem in folgenden Bereichen eingesetzt
werden: Bewertung von Leads für den gezielten Einsatz von Vertriebsressourcen, Produktempfehlungen zum Ausbau des CrossSellings, verhaltensbasierte Zielgruppenansprache zur Maximierung der Anzahl an Klicks bei Onlinewerbung, Analyse von
Umfragen zu Marktforschungszwecken, Bewertung von Vertriebskanälen und weitere B2B-Anwendungen, Sortierung von Datensammlungen, gezielte E-Mail-Kampagnen, Steigerung des Gewinns
bei der Finanzmittelbeschaffung durch Bewertung der Geldgeber
und gezielte Ansprache von Kunden mit höherem Lifetime Value
(LTV) bei Kauf, Up-Selling und hochwertiger Kundenbetreuung.
Weitere Informationen dazu, wie verschiedene Einsatzmöglichkeiten von Predictive Analytics im geschäftlichen Umfeld Mehrwert
bieten, finden Sie in einem Artikel in BeyeNETWORK mit dem Titel
„Predictive Analytics Delivers Value Across Business Applications“.14
Predictive Analytics
trägt auch zur
Senkung der Kosten
bei.
………………………
Die Bewertung und
Einstufung von
Transaktionen mit
einem Vorhersagemodell führt zu einer
deutlich besseren
Betrugserkennung.
Senken Sie die Kosten. Predictive Analytics kann auch dazu
beitragen, die Kosten zu senken. Viele der oben aufgeführten
Einsatzmöglichkeiten können diesem Zweck dienen, z. B. die
Reduzierung der Ausgaben für Kampagnen durch Vorhersage von
Kunden, die eher nicht auf die Kampagne reagieren werden, oder
der Verzicht auf Kundenbindungsangebote für Kunden, die gar
nicht vorhaben, zur Konkurrenz zu wechseln. Weitere Informationen hierzu finden Sie in dem in BeyeNETWORK veröffentlichten
Artikel „Six Ways to Lower Costs with Predictive Analytics“.15
3. Durchsetzungsstärke – Wahren Sie die Integrität
Ihres Unternehmens durch ein effektives Betrugsmanagement.
Mit der steigenden Zahl und zunehmenden Automatisierung von
Transaktionen nimmt auch das Risiko krimineller Aktivitäten zu. In
allen Branchen verursachen betrügerische Transaktionen – z. B. im
Zusammenhang mit Rechnungen, Kreditkartenkäufen, Steuererklärungen, Versicherungsfällen, Mobiltelefonanrufen, Klicks bei
Onlinewerbung und Bankschecks – enorme Kosten.
Die Bewertung und Einstufung von Transaktionen mithilfe eines
Vorhersagemodells nutzt die protokollierte Erfahrung des Unternehmens mit Betrugsfällen, um die Betrugserkennung deutlich zu
verbessern. Ein Team von Prüfern kann jede Woche nur eine bestimmte Zahl von verdächtigen Transaktionen untersuchen. Wird
ihm jedoch ein präziser identifizierter Pool von in Frage kommenden Transaktionen – mit weniger „Fehlalarmen“ (falsch positiven
Alarmmeldungen) – zur Verfügung gestellt, kann das Team seine
Zeit effektiver nutzen; es werden mehr Betrugsfälle erkannt und
mehr Verluste verhindert oder wiedergutgemacht. Damit konnte
beispielsweise bei Kfz-Versicherungen die Betrugserkennung
deutlich verbessert werden: Die Erkennungsquote konnte um das
6,5fache gegenüber Methoden ohne Möglichkeit zur Bewertung
oder Einstufung von Versicherungsschäden gesteigert werden.
9
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Auf vergleichbare Weise kann Predictive Analytics auch im Bereich der
Informationssicherheit – bei der Erkennung von Onlinezugriffsversuchen durch Hacker und Viren – sowie bei der Suche nach Kriminellen
durch Strafverfolgungsbehörden eingesetzt werden.
4. Verbesserungen – Entwickeln Sie Ihr Kerngeschäft
auf konkurrenzfähige Weise weiter.
Nach der Steigerung der Verkaufszahlen und der Durchsetzung der
Integrität von Geschäftstransaktionen bleibt noch eine weitere Einsatzmöglichkeit für Predictive Analytics: die Verbesserung des Produkts
eines Unternehmens und der Effizienz, mit der es produziert wird. Ob
es um die Herstellung von Produkten oder die Bereitstellung von
Serviceangeboten geht, die zentrale Aufgabe des Unternehmens
besteht darin, die Effektivität der Produktion bzw. der Bereitstellung
zu steigern. Daher spielt die Vorhersage eine wichtige Rolle bei der
Weiterentwicklung des Kerngeschäfts.
Die Vorhersage spielt
eine wichtige Rolle
bei der Weiterentwicklung des
Kerngeschäfts.
………………………
Predictive Analytics
verbessert die
Herstellung, den Test
und die Reparatur von
Produkten.
Wie wir im Abschnitt „Risikomanagement“ erläutert haben, sind in der
Versicherungsbranche der Nutzen und die Wettbewerbsposition der
Produkte eines Unternehmens – d. h. seiner Versicherungen – von der
Bewertung von Kunden nach ihrem Risiko (mittels Prognosen) abhängig. Durch die präzisere Ermittlung von Antragstellern, bei denen das
Risiko höherer Schadenssummen größer ist, können Versicherer eine
effektivere Auswahl und effektivere Preisentscheidungen treffen, um
die Schadensquote zu minimieren.16
Kreditgeber wie Banken managen das Risiko auf vergleichbare Weise,
indem sie es vorhersehen, d. h. sie stufen Verbraucher, die ein
Darlehen oder eine Kreditkarte beantragen, nach der Wahrscheinlichkeit eines Zahlungsausfalls ein.
Predictive Analytics verbessert die Herstellung, den Test und die
Reparatur von Produkten auf vielerlei Weise. Während der Produktion
werden fehlerhafte Teile auf dem Fließband festgestellt. Sobald die
Produkte in der Praxis eingesetzt werden, ermitteln Zuverlässigkeitsmodelle, welche Komponenten wahrscheinlich ausfallen werden oder
auf Anforderung von Kunden repariert werden müssen, sodass diese
Komponenten in das Fahrzeug eines Servicetechnikers geladen werden
können. Bei der Beantwortung von Kundenanrufen konnte ein Anbieter von Autoreparatur- und Pannendienstleistungen seine Entscheidungen darüber, ob überhaupt ein Servicefahrzeug losgeschickt werden
sollte, verbessern.
10
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Predictive Analytics
verbessert auch zentrale
Unternehmensfunktionen für die Lieferkettenoptimierung, Personalentscheidungen, die
Einschätzung von
Wählern zur Optimierung
politischer Kampagnen
und mehr.
……………………………
Durch Predictive
Analytics erhält der
Verbraucher bessere
Angebote – einfacher,
zuverlässiger und
kostengünstiger.
……………………………
Predictive Analytics ist
ein eindeutiges
Verkaufsargument für
Endverbraucher:
„[Unternehmen] sagt
vorher, dass diese
Empfehlungen für Sie von
Interesse sein werden.“
Eine praktisch endlose Welle neuer „Killer-Applikationen“ steht
bevor. Neue Innovationen weiten die Einsatzmöglichkeiten von
Predictive Analytics weiter aus und verbessern die Kernkompetenz
sowie zentrale Unternehmensfunktionen in verschiedenen
Branchen. Weitere Beispiele für den Einsatz von Predictive Analytics
sind die Lieferkettenoptimierung durch die Bedarfsvorhersage, die
Anwendungsverarbeitung durch Vorhersage der Vergabe und Verwiegerung von Zugriffsrechten, die Modellierung der Personalleistung und Fluktuation zur Unterstützung von Entscheidungen
über die Anwerbung, Einstellung und Bindung von Mitarbeitern,
proaktives Marketing im Gesundheitswesen durch Vorhersage von
Gesundheitsrisiken, der algorithmische Handel (Black Box Trading)
durch Vorhersage von Märkten und die Bewertung von Wählern,
z. B. die Vorhersage von wahrscheinlichen Wählern oder Wechselwählern zur Optimierung politischer Kampagnen. Geht man weiter
zu Einsatzmöglichkeiten in Wissenschaft, Technik, medizinischer
Diagnose und Pharmaindustrie (Erforschung von Arzneimitteln),
kommen viele derselben Kernanalyseverfahren zum Einsatz, auch
wenn der Begriff Predictive Analytics für gewöhnlich nur für den
Einsatz im geschäftlichen Bereich verwendet wird.
5. Kundenzufriedenheit – Erfüllen Sie die steigenden
Erwartungen, die Verbraucher heute stellen.
Seit mehr als zehn Jahren heißt es, die Kundenerfahrung sei „das
nächste Schlachtfeld im Wettbewerb“.17 Predictive Analytics bietet
Unternehmen einen klaren Wettbewerbsvorteil und hilft ihnen, sich
auf diesem Schlachtfeld zu behaupten. Doch von Predictive
Analytics profitieren nicht nur Unternehmen in Form der bisher in
diesem White Paper angesprochenen Vorteile, sondern auch private
Verbraucher, die bessere Angebote – und zwar einfacher, zuverlässiger und kostengünstiger – erhalten. Die Vorteile für Verbraucher
im Einzelnen:
I. Mehr Relevanz durch zielgenaueres Marketing. Die Verbraucher
werden stets ein höheres Maß an Relevanz verlangen. „Junk-Mail“
und Spam werden mit der Zeit immer weniger toleriert. Produktempfehlungen werden zunehmend sichtbar, geschätzt und sogar
erwartet. Predictive Analytics ist ein eindeutiges Verkaufsargument
für Endverbraucher, wie die Betreffzeile einer E-Mail mit Produktempfehlungen einer bekannten E-Commerce-Website zeigt: „[Name
des Unternehmens] sagt vorher, dass diese Empfehlungen für Sie
von Interesse sein werden.“18
II. Bessere Produkte und Services durch verbessertes Kerngeschäft.
Dank Verbesserungen durch eine analytische Qualitätskontrolle,
Zuverlässigkeitsmodelle, optimierte Services und eine schnellere
Anwendungsverarbeitung können Unternehmen den steigenden
Anforderungen von Kunden gerecht werden. Sowohl Endverbraucher als auch Unternehmenskunden im B2B-Bereich werden immer
11
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
besser informiert, flexibler und wählerischer werden. Die Auswahl
an Anbietern, Produkten und Services wird größer, und Kunden
verfügen über umfassendes Wissen, das ihnen online zur Verfügung
steht – und damit über mehr Macht.
III. Verbesserte Transaktionsintegrität durch Betrugserkennung.
Während Betrugsfälle zunehmen, erwarten die Verbraucher
einerseits Schutz vor Betrug, werden jedoch gleichzeitig immer
sensibler gegenüber lästigen falschen Alarmmeldungen, die die
Verarbeitung von Zahlungstransaktionen unterbrechen.
IV. Günstigere Preise durch höhere Effizienz. Hat sich ein Unternehmen eine starke Wettbewerbsposition gesichert, führt ein Erfolg zum
nächsten. Unternehmenswachstum bringt neue Größenvorteile mit
sich, sowohl innerhalb der Ausführung von Predictive Analytics selbst
als auch bei der Produktivität des Unternehmens im Allgemeinen.
Die „Kunst“ sorgt
dafür, dass Predictive Analytics
funktioniert; die
Wissenschaft
beweist, dass es
funktioniert.
……………………
Weitere Informationen: Eine
einfache Einführung
in die Funktionsweise dieser zentralen Technologie
finden Sie unter.
„Predictive Analytics
with Data Mining:
How It Works“.19
6. Lernfähigkeit – Wenden Sie die fortschrittlichsten
Analysen an, die heute verfügbar sind.
Der Nutzen von Standardmethoden für Business Intelligence und
Reporting liegt in ihrer Fähigkeit, vergangene Ereignisse zusammenzufassen. Business-Reporting-Verfahren, darunter Scorecards,
Dashboards, wesentliche Leistungsindikatoren (KPIs), OLAP, Ad-hocAbfragen und die Standardmarketingmethoden der Segmentierung
wie RFM, liefern eine rückblickende Analyse.
Die Fähigkeit von Predictive Analytics, aus Erfahrung zu lernen, ist
es, was diese Technologie vorausschauend macht und sie von anderen Business Intelligence- und Analyseverfahren unterscheidet. Die
Vorhersagemodellierung kann speziell für die jeweils anstehende
Analyseaufgabe, z. B. die Analyse der Abwanderung von Kunden,
optimiert werden. Dieser Optimierungsprozess ist ein Lernprozess.
Denn um erfolgreich zu sein, muss er Verallgemeinerungen aus
Daten in Form mathematischer Trends und Muster ableiten, und
diese Verallgemeinerungen müssen auch dann gültig sein, wenn sie
auf noch unbekannte, künftige Beispiele angewandt werden. Die
Ableitung eines verlässlichen Vorhersagemodells aus den Daten
eines Unternehmens macht den eigentlichen Prozess des Lernens
aus Erfahrung aus.
Bei dieser „magischen“ Fähigkeit der Verallgemeinerung aus Beispielen kommt die Kunst vor der Wissenschaft. Selbst bei großen
Mengen von Daten, bestehend aus Millionen oder Milliarden von
Datensätzen, basiert das Konzept einer Methode, nach der die
Maschine verallgemeinern kann – indem sie Muster findet, die nicht
nur für die vorliegenden Daten, sondern generell gelten (auch
Induktion genannt) – auf menschlicher Intuition und Ideen. Glücklicherweise dient die Wissenschaft dazu, diesen Ideen eine Form zu
geben und zu messen, wie effektiv das daraus resultierende Vorhersagemodell tatsächlich verallgemeinert. Die „Kunst“ sorgt dafür,
dass es funktioniert; die Wissenschaft beweist, dass es funktioniert.
12
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Etablierte Predictive Analytics-Methoden sind bewährt und zuverlässig und bringen Vorhersagemodelle hervor, die funktionieren. Zu diesen Methoden gehören Entscheidungsbäume, die logistische
Regression, das Naive-Bayes-Verfahren und neuronale Netze. Eine einfache Einführung in die
Funktionsweise dieser Kerntechnologie finden Sie in dem in Informational Management erschienenen
Artikel „Predictive Analytics with Data Mining: How It Works“.19 Einen technischen Überblick über die
verschiedenen Methoden enthält das Handbook of Statistical Analysis and Data Mining Applications.20
Ein akademisches Lehrbuch mit einer umfassenden Beschreibung der verwendeten Wahrscheinlichkeit und Mathematik ist Machine Learning von T. Mitchell (McGraw Hill, 1997).
Integration von sozialen Daten und Textanalyse. Predictive Analytics integriert und nutzt fundierte
Datenquellen wie soziale Daten und unstrukturierten Text. Ein großes Telekommunikationsunternehmen konnte die Leistung seines Churn-Modells verdoppeln, indem es soziale Daten integrierte. Der
Hintergrund: Wenn die Freunde und Bekannten, die ein Kunde anruft, den Mobilfunkanbieter wechseln, ist die Wahrscheinlichkeit größer, dass dies auch dieser Kunde tun wird. Auf vergleichbare Weise
konnte ein großes nordamerikanisches Telekommunikationsunternehmen nachweisen, dass die
Wahrscheinlichkeit einer Vertragskündigung bei Kunden um 600 % höher ist, wenn eine Person, mit
denen diese Kunden häufig telefonieren, zuvor den Vertrag gekündigt hat.21 Eine große Onlineuniversität spricht gezielt Freunde und Bekannte ihrer Studenten an, da bei diesen die Wahrscheinlichkeit
der Einschreibung um 320 % höher ist.22 Eines der 500 weltweit größten Technologieunternehmen
erstellte Zuverlässigkeitsmodelle, um vorherzusehen, welche Ersatzteile in die Fahrzeuge seiner
Servicetechniker geladen werden sollten, indem es die Textdaten von Notizen der Mitarbeiter in der
Kundenbetreuung analysierte.23 Einen Überblick über die Textanalyse finden Sie unter „Text Analytics
2009: User Perspectives on Solutions and Providers“. 24
7. Handlungsfähigkeit – Sorgen Sie dafür, dass Business Intelligence und
Analysen in konkrete Maßnahmen umsetzbar sind.
„Es ist nicht genug, zu wissen, man muss auch anwenden.“
- Johann Wolfgang von Goethe
„Ein Nutzen lässt sich nur dann erzielen, wenn die bei der Analyse gewonnenen Erkenntnisse in
konkrete Maßnahmen umgesetzt werden, um bessere Entscheidungen zu ermöglichen. Am
besten ist es, das Entscheidungsmanagement zu verwenden, um Predictive Analytics-Modelle in
operationale Systeme zu integrieren.“
- James Taylor, Koautor von „Smart (Enough) Systems“25
Die Erkenntnisse, die Standardmethoden für Business Intelligence und Reporting liefern, lassen sich
nicht sofort in konkrete Maßnahmen umsetzen; sie müssen erst von Menschen eingeschätzt und
dann umgesetzt werden. Messdaten, Berichte, Dashboards und weitere rückblickende Analysen sind
wichtige Bestandteile der Business Intelligence eines Unternehmens, aber ihre Anwendung erfolgt ad
hoc, da nicht von vornherein klar ist, welche Maßnahmen oder Entscheidungen empfohlen werden
(wenn überhaupt Maßnahmen oder Entscheidungen empfohlen werden.)
Predictive Analytics ist speziell dafür
konzipiert, schlüssige Handlungsaufforderungen zu erzeugen.
13
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Im Gegensatz dazu ist Predictive Analytics speziell dafür konzipiert,
schlüssige Handlungsaufforderungen zu erzeugen. Der Vorhersagewert jedes Kunden entscheidet über die Maßnahmen, die bei
diesem Kunden ergriffen werden sollten. Daher ist Predictive
Analytics die am besten umsetzbare Form der Business Intelligence.
Der Vorhersagewert
jedes Kunden
entscheidet über die
Maßnahmen, die bei
diesem Kunden
ergriffen werden
sollten. Daher ist
Predictive Analytics
die am besten
umsetzbare Form der
Business Intelligence.
………………………
Wenn es im
„Business“ um
Zahlenspiele geht,
bestimmt Predictive
Analytics, wie sie
gespielt werden.
Fördern Sie Entscheidungen im gesamten Unternehmen. Predictive
Analytics verschafft Unternehmen starke Vorteile durch die Steuerung von Millionen von operativen Entscheidungen, z. B. ob ein
Unternehmen einen Kunden per Mail oder Telefon kontaktieren, ihm
einen Rabatt anbieten, ein Produkt empfehlen, Werbung präsentieren oder Vertriebsressourcen für einen Lead einsetzen sollte. Beim
Betrugsmanagement beeinflusst das Vorhersagemodell Entscheidungen darüber, ob potenzielle Betrugsversuche geprüft, untersucht
oder bekämpft werden sollen. Auch in Kerngeschäftsanwendungen
gibt es analytisch gesteuerte Entscheidungen, darunter die Frage, ob
man eine Komponente oder ein System auf Fehler untersuchen, ein
Ersatzteil in das Fahrzeug eines Servicetechnikers laden, Hilfe
schicken, ein Darlehen gewähren, eine Anwendung beschleunigen
oder eine Aktie kaufen sollte. Weitere Informationen zu konkret
umsetzbaren Analysen finden Sie in einem in DestinationCRM
veröffentlichten Artikel mit dem Titel „Driven with Business
Expertise, Analytics Produces Actionable Predictions“.26
Gewinnen Sie strategische Einblicke. Vorhersagemodelle liefern
Ihnen Informationen über Ihre Kunden und offenbaren deren
Absichten, Vorlieben und die Gründe für ihr Verhalten. Ein Vorhersagemodell beeinflusst nicht nur Entscheidungen mit den Bewertungen, die es erzeugt, sondern bietet noch einen weiteren Nutzen: Die
Untersuchung der internen Muster oder Regeln des Modells bringt
häufig ebenfalls strategische Erkenntnisse zutage. Auch wenn es sich
dabei um Ad-hoc-Informationen handelt, sind diese Erkenntnisse von
allgemeinem Nutzen und bieten gezieltes Wissen, da jedes Vorhersagemodell für ein bestimmtes Vorhersageziel optimiert ist. Ein
Beispiel: Ein Churn-Modell zeigt, dass bei Benutzern, deren Anmeldeversuche fehlgeschlagen sind – z. B. weil sie ihr Passwort vergessen
haben –, die Gefahr einer Abwanderung sehr groß ist. Diese Erkenntnis führt zu einem Kundenkontaktprogramm mit Passworterinnerungen. Mit diesem Programm kann das Unternehmen möglicherweise
kostenaufwendige Kundenbindungsrabatte vermeiden, die Kunden
anderenfalls allein aufgrund des Vorhersagewerts erhalten hätten.
Ein weiteres Beispiel: Erkenntnisse aus Modellen, die ein erfolgreiches soziales Netzwerk im Internet gewonnen hatte, wiesen schon
früh auf wichtige Faktoren der Kundentreue hin, z. B. ob ein Benutzer
ein Foto hochlud. Dies führte zu Maßnahmen, mit denen die Kundenbindung über ein und zwei Wochen verdoppelt werden konnte.
Schließlich noch ein letztes Beispiel: Eine Studie offenbarte ein besseres Kreditverhalten bei Verbrauchern, deren Kauverhalten darauf
hindeutet, dass sie zu Vorsicht neigen, z. B. der Kauf bestimmter
Produkte für die physische Sicherheit.27
14
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Schlussfolgerungen
Predictive Analytics bietet eine Fülle von Möglichkeiten für die Unternehmensevolution. Selbst wenn Ihr
Unternehmen diese Technologie bereits anwendet, sind deren Vorteile so zahlreich und vielfältig, dass sich
immer wieder neue Einsatzmöglichkeiten ergeben. Entscheiden Sie, auf welche Weise Ihr Unternehmen sich
als Nächstes weiterentwickeln soll, indem es systematisch aus seiner Erfahrung lernt und das Erlernte
anwendet. Wenn es im „Business“ um Zahlenspiele geht, bestimmt Predictive Analytics, wie sie gespielt
werden.
Weitere Informationen – zusätzliche Ressourcen
Schulungsseminar: Predictive Analytics for Business, Marketing and Web, ein zweitägiges Intensivseminar,
das Ihnen von Prediction Impact, Inc. angeboten wird. http://www.businessprediction.com
Onlinekurs: Predictive Analytics Applied; der Zugriff auf den Kurs ist jederzeit und sofort möglich.
http://www.predictionimpact.com/predictive-analytics-online-training.html
Konferenz: Predictive Analytics World, die internationale, auf das Geschäftsumfeld fokussierte
Veranstaltung für Experten, Führungskräfte und Anwender, die Predictive Analytics in der Praxis
anwenden. Lernen Sie von Branchenführern und erfahrenen Experten sowie aus Kundenreferenzen und
Workshops. http://www.predictiveanalyticsworld.com
Online-Guide: The Predictive Analytics Guide. Artikel, Portale und weitere Ressourcen.
http://www.predictiveanalyticsworld.com/predictive_analytics.php
Über den Autor
Eric Siegel, Ph.D. ist President von Prediction Impact, Inc. (http://www.predictionimpact.com) und
Leiter der Konferenz Predictive Analytics World (http://pawcon.com). Dr. Siegel, ein Experte in den
Bereichen Predictive Analytics und Data-Mining, war früher Informatikprofessor an der Columbia
University, wo er mit dem Preis der Engineering School für seine Lehrveranstaltungen ausgezeichnet
wurde, darunter Graduiertenkurse in maschinellem Lernen (dies ist der akademische Begriff für die
Vorhersagemodellierung). Nach seiner Zeit an der Columbia University war Dr. Siegel Mitbegründer
von zwei Softwareunternehmen, die Produkte für die Erstellung von Kundenprofilen und für DataMining anboten. Im Jahr 2003 gründete er Prediction Impact, ein Unternehmen, das anderen
Firmen – von mittelständischen bis zu Fortune-100-Unternehmen – Services und Schulungen im
Bereich Predictive Analytics anbietet. Dr. Siegel ist Dozent des viel gelobten Schulungsprogramms
Predictive Analytics for Business, Marketing and Web (http://businessprediction.com) und dessen
Onlineversion Predictive Analytics Applied. Er hat über 20 wissenschaftliche Arbeiten und Artikel in
der Data-Mining-Forschung und in der Informatik veröffentlicht.
PREDICTION IMPACT, INC. – San Francisco, CA
(415) 683 - 1146 – www.PredictionImpact.com
Dieses White Paper von Prediction Impact wurde mit
Unterstützung von IBM erstellt.
15
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Informationen zu IBM Business Analytics
Mit IBM Business Analytics Software können umfassende, konsistente und präzise Informationen bereitgestellt werden, die von
Entscheidungsträgern herangezogen werden, um den Unternehmenserfolg zu verbessern. Ein umfassendes Anwendungsportfolio für
Business Intelligence, erweiterte Analyse, Performance- und Strategiemanagement im Bereich Finanzen und Analyseanwendungen
verschafft Ihnen einen klaren, sofortigen und verlässlichen Einblick in die aktuelle Geschäftsleistung und einen Ausblick in die Zukunft.
In Kombination mit leistungsfähigen Branchenlösungen, bewährten Verfahren und professionellen Services können Unternehmen
jeder Größe ein Maximum an IT-Produktivität und optimale Geschäftsergebnisse erzielen.
Weitere Informationen
Weitere Informationen finden Sie unter http://www.ibm.com/software/analytics/spss. Wenn Sie um einen Anruf bitten oder eine
Frage stellen möchten, wenden Sie sich bitte an http://www.ibm.com/software/analytics/spss/contactus. Ein Mitarbeiter von
IBM SPSS wird Ihre Frage gerne beantworten.
1
Umfrage von Predictive Analytics World: http://www.predictiveanalyticsworld.com/Predictive-Analytics-World-Survey-Report-Feb2009.pdf
2
Bericht von TDWI: Predictive Analytics: Extending the Value of Your Data Warehousing Investment, von Wayne Eckerson, TDWI
3
Bericht von IDC: „Predictive Analytics and ROI: Lessons from IDC's Financial Impact Study“, September 2003.
4
„Predictive Analytics: The Right Tool for Tough Times“, von David White. Ein White Paper der Aberdeen Group. Februar 2010.
5
Bericht von IDC: „Predictive Analytics and ROI: Lessons from IDC's Financial Impact Study“, September 2003.
6
Umfrage von Predictive Analytics World: http://www.predictiveanalyticsworld.com/Predictive-Analytics-World-Survey-Report-Feb2009.pdf
7
„Predictive Analytics: The BI Crystal Ball“, Aberdeen Group, Mai 2008.
8
„Why Predictive Analytics Is A Game-Changer“, Dave Rich und Jeanne G. Harris, Forbes.
http://www.forbes.com/2010/04/01/analytics-best-buy-technology-data-companies-10-accenture.html
9
„IBM to Acquire SPSS, Adding to Acquisitions“, Wall Street Journal, 30. Juli 2009.
http://online.wsj.com/article/SB124878176796786611.html
10
„Predictive Analytics: The Right Tool for Tough Times“, von David White. Ein White Paper der Aberdeen Group. Februar 2010.
11
http://www.information-management.com/specialreports/20050215/1019956-1.html
12
http://www.b-eye-network.com/view/12269
13
http://www.information-management.com/issues/20070201/1086401-1.html
14
http://www.b-eye-network.com/view/9392
15
http://www.b-eye-network.com/view/12269
16
Ein zugehöriges White Paper zur Vorhersagemodellierung im Versicherungswesen finden Sie unter:
http://www.aicpcu.org/doc/predictivemodelingwhitepaper.pdf
17
„The Customer Experience“, Fast Company, 30. September 1999. http://www.fastcompany.com/magazine/nc01/012.html
18
E-Mail, die der Autor am 8. März 2010 erhalten hat.
19
http://www.information-management.com/specialreports/20050215/1019956-1.html
20
Handbook of Statistical Analysis and Data Mining Applications, R. Nisbet, J. Elder, G. Miner, Elsevier Publishing, 2009.
http://www.tinyurl.com/bookERI
21
Der Autor dankt Michael Driscoll von Dataspora (http://www.dataspora.com) für diese Kundenreferenz. Weitere Informationen
hierzu finden Sie unter http://blog.summation.net/2009/11/birds-of-a-feather-use-the-same-phone-service-provider.html
22
Der Autor dankt Rapleaf (http://www.rapleaf.com) für diese Kundenreferenz.
23
Der Autor dankt Dean Abbott von Abbott Analytics (http://www.abbottanalytics.com) für diese Kundenreferenz.
24
„Text Analytics 2009: User Perspectives on Solutions and Providers”, von Seth Grimes (http://sethgrimes.com).
http://www.slideshare.net/SethGrimes/text-analytics-2009-user-perspectives-on-solutions-and-providers
25
James Taylor, CEO und Principal Consultant, Decision Management Solutions (http://www.decisionmanagementsolutions.com).
„Smart (Enough) Systems: How to Deliver Competitive Advantage by Automating Hidden Decisions“, von J. Taylor und N. Raden.
Prentice Hall, 2007.
26
„Driven with Business Expertise, Analytics Produces Actionable Predictions. With CRM analytics run as a business activity, the
results are actionable within your company's operational framework, and they have the greatest impact within your company's business
model“, DestinationCRM, 29. März 2004. http://www.destinationcrm.com/Articles/Web-Exclusives/Viewpoints/Driven-with-BusinessExpertise-Analytics-Produces-Actionable-Predictions-44224.aspx
27
„What Does Your Credit-Card Company Know About You?“, New York Times, 12. Mai 2009.
http://www.nytimes.com/2009/05/17/magazine/17credit-t.html
YTW03080-DEDE-05
16
© 2010 Prediction Impact, Inc. Alle Rechte vorbehalten.
Herunterladen