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.