Prädiktive Analytik nutzt historische Daten und statistische oder Machine-Learning-Modelle, um abzuschätzen, was wahrscheinlich als Nächstes passieren wird, wie z. B. die Nachfrage im nächsten Monat, welche Kunden aufhören könnten zu kaufen oder welche Leads am wahrscheinlichsten konvertieren. Für ein lokales oder kleines Unternehmen ist der realistische Ausgangspunkt eine einfache Prognose, die auf Daten basiert, die Sie bereits haben, und die jeden Monat mit der Realität abgeglichen wird.
Was kann ein kleines Unternehmen realistisch vorhersagen?
Große Einzelhändler führen Nachfragemodelle über Millionen von Transaktionen durch. Eine Bäckerei, eine Zahnklinik oder ein lokaler Möbelhändler hat weit weniger Daten und benötigt daher bescheidenere Fragen. Gute erste Kandidaten:
- Wöchentliche oder monatliche Nachfrage nach Top-Produkten oder -Dienstleistungen, um Lagerbestand und Personal zu planen.
- Welche früheren Kunden sind für einen erneuten Besuch oder eine Nachbestellung fällig.
- Welche Anfragen am wahrscheinlichsten zu zahlenden Kunden werden.
- Erwartete Buchungen nach Wochentag, um Öffnungszeiten und Werbeaktionen zu planen.
- Cashflow für die nächsten Monate basierend auf saisonalen Mustern.
Jedes dieser Elemente führt zu einer Entscheidung: mehr Mehl bestellen, diese 30 Kunden anrufen, dienstags später öffnen. Wenn eine Vorhersage keine Entscheidung ändert, ist es nicht wert, sie zu erstellen.
Welche Daten benötigen Sie zuerst?
Die meisten kleinen Unternehmen verfügen bereits über genügend Daten für ein erstes Modell, verteilt auf ein Kassensystem, Buchungssoftware, eine E-Commerce-Plattform, Buchhaltungssoftware und Google Analytics. Die Arbeit besteht darin, sie in eine saubere Tabelle zu bringen.
Checkliste für Mindestdaten
- Mindestens ein bis zwei Jahre Verkäufe oder Buchungen mit Daten, damit Saisonalität sichtbar ist.
- Produkt- oder Dienstleistungskennungen, die über die Zeit konsistent geblieben sind.
- Kunden-IDs, auch anonyme, wenn Sie Wiederholungskaufvorhersagen wünschen.
- Eine Aufzeichnung ungewöhnlicher Ereignisse: Schließungen, große Werbeaktionen, Preisänderungen, lokale Feiertage.
Notizen zu ungewöhnlichen Ereignissen sind wichtiger, als die Leute denken. Ein Modell, das nicht weiß, dass Ihr Geschäft drei Wochen wegen Renovierung geschlossen war, wird diesen Rückgang als echten Nachfragerückgang behandeln.
Welche Tools sind erschwinglich?
Sie brauchen kein Data-Science-Team, um anzufangen. Optionen mit unterschiedlichem Aufwand:
- Tabellenkalkulationsprognosen: Die FORECAST.ETS-Funktion und das Prognoseblatt von Excel oder Add-ons für Google Sheets handhaben saisonale Zeitreihen überraschend gut.
- Integrierte Plattformfunktionen: Shopify, Square, viele Buchungstools und CRMs bieten Prognosen oder Kundenvorhersagen in ihren Dashboards an.
- Google Analytics 4 prädiktive Metriken, wie Kaufwahrscheinlichkeit und Abwanderungswahrscheinlichkeit, für Websites, die ihre Datenschwellenwerte erfüllen.
- No-Code-Machine-Learning-Tools und KI-Assistenten, die Analysen auf einer hochgeladenen CSV ausführen können, nützlich zum Erkunden von Mustern.
- Ein freiberuflicher Analyst, der Python-Bibliotheken wie Prophet oder scikit-learn für etwas Maßgeschneidertes verwendet.
Beginnen Sie auf der niedrigsten Ebene, die Ihre Frage beantwortet. Eine Ebene höher zu gehen, ist nur sinnvoll, wenn die einfache Methode eindeutig an ihre Grenzen gestoßen ist.
Wie überprüfen Sie, ob eine Vorhersage gut ist?
Der einfachste Test ist ein Holdout. Erstellen Sie die Prognose mit Daten bis vor z. B. drei Monaten und vergleichen Sie dann, was sie für die letzten drei Monate vorhergesagt hat, mit dem, was wirklich passiert ist. Wenn es weit daneben lag, wissen Sie es, bevor Sie es für die Planung verwenden.
Vergleichen Sie es auch mit einer naiven Baseline, wie “gleicher Monat letztes Jahr” oder “Durchschnitt der letzten vier Wochen”. Ein ausgefallenes Modell, das die naive Vermutung nicht schlagen kann, ist es nicht wert, behalten zu werden. Verfolgen Sie den Fehler jeden Monat in einem einfachen Blatt: vorhergesagt, tatsächlich, Differenz.
Welche Fehler machen kleine Unternehmen?
Drei kommen oft vor. Der erste ist, einer Dashboard-Vorhersage zu vertrauen, ohne zu wissen, worauf sie basiert; ein Abwanderungswert, der auf sehr wenigen Kunden basiert, kann Rauschen sein. Der zweite ist, äußere Faktoren wie einen neuen Konkurrenten, Straßenbauarbeiten vor dem Geschäft oder eine Änderung der Liefergebühren zu ignorieren, die kein Modell Ihrer Verkaufshistorie sehen wird. Der dritte ist, etwas zu bauen, das niemand benutzt, weil es in einem separaten Tool lebt, das der Eigentümer nie öffnet.
Halten Sie Vorhersagen dort, wo Entscheidungen getroffen werden: im wöchentlichen Bestellblatt, im Dienstplan oder in der CRM-Ansicht, die der Verkäufer jeden Morgen überprüft.
Wie Alien Road prädiktive Analytik für kleine Unternehmen anwendet
Bei einem typischen Engagement beginnt die Entdeckung mit den Entscheidungen, die der Eigentümer jede Woche trifft, und den Daten, die jede davon nutzen könnte. Wir wählen normalerweise eine Entscheidung aus, oft Lagerplanung oder die Reaktivierung abgewanderter Kunden, anstatt zu versuchen, alles zu modellieren.
Einrichtung bedeutet, Daten aus dem Point-of-Sale-, Buchungs- oder E-Commerce-System in eine saubere Tabelle zu ziehen, ungewöhnliche Ereignisse zu markieren und das einfachste Modell zu erstellen, das eine naive Baseline in einem Holdout-Test schlägt. Für Marketingzwecke verbinden wir das Ergebnis mit einer Aktion, wie z. B. einer Liste von Kunden, die in der CRM eine Erinnerungs-E-Mail erhalten sollen.
Die Messung vergleicht jeden Monat Vorhersagen mit Ist-Werten und verfolgt das Geschäftsergebnis der Aktion, wie z. B. die Nachbestellungsrate bei erinnerten Kunden im Vergleich zu einer kleinen Gruppe, die nicht erinnert wurde. Die Berichterstattung an den Eigentümer ist kurz: wie genau die Prognose war, was damit gemacht wurde und ob sie fortgesetzt werden sollte.
Wann ist es Zeit, mehr zu investieren?
Ein fortgeschritteneres Modell ist eine Überlegung wert, wenn das einfache jede Woche verwendet wird, sein Fehler eindeutig Geld kostet und Sie mehr Daten angesammelt haben. Zum Beispiel kann ein Geschäft mit mehreren Standorten von Prognosen pro Filiale profitieren, sobald die Gesamtprognose vertrauenswürdig ist. Wachstum im Volumen, nicht im Ehrgeiz, sollte den nächsten Schritt vorantreiben.
Wie hilft prädiktive Analytik beim lokalen Marketing?
Marketing ist oft der Bereich, in dem ein kleines Unternehmen die schnellste Rendite sieht. Wenn Ihre Buchungsdaten zeigen, dass die meisten Kunden etwa alle acht Wochen zurückkehren, kann ein Modell markieren, wer überfällig ist, und eine kurze Erinnerung per SMS oder E-Mail geht zum richtigen Zeitpunkt raus, anstatt bei einem festen monatlichen Massenversand.
Saisonale Prognosen helfen auch bei Werbebudgets. Ein Gartencenter, das weiß, dass die Nachfrage im Frühjahr Anfang März zu steigen beginnt, kann Google Ads- und Meta-Budgets ein paar Wochen vor dem Höhepunkt erhöhen, anstatt zu reagieren, sobald er begonnen hat. Lokale Suchaktivität in Google Business Profile-Einblicken, wie Anrufe und Wegbeschreibungsanfragen, gibt ein weiteres Signal, um es mit der Prognose zu vergleichen.
Wo man diese Woche anfängt
Exportieren Sie zwei Jahre monatliche Verkäufe für Ihre Top-Ten-Produkte oder -Dienstleistungen in eine Tabelle. Fügen Sie eine Spalte für ungewöhnliche Ereignisse hinzu. Verwenden Sie die integrierte Prognosefunktion der Tabelle, um die nächsten drei Monate vorherzusagen.
Bevor Sie sie verwenden, testen Sie sie: blenden Sie die letzten drei Monate aus, prognostizieren Sie sie und vergleichen Sie sie mit dem, was wirklich passiert ist, und mit “gleicher Monat letztes Jahr”. Wenn die Prognose gewinnt, verwenden Sie sie für Ihre nächste Bestellung oder Ihren Personalplan und zeichnen Sie das tatsächliche Ergebnis auf, wenn der Monat endet.
Weiterlesen: KI-Optimierung · KI-Optimierung