Predictive Analytics ist die Nutzung historischer Daten und statistischer oder Machine-Learning-Modelle, um abzuschätzen, was als Nächstes wahrscheinlich passieren wird – etwa welche Leads konvertieren oder welche Kunden abwandern werden. Die Hauptrisiken sind verzerrte Trainingsdaten, schleichende Modellverschlechterung (Model Drift) und Entscheidungen, die auf Scores basieren, die niemand erklären kann. Governance bedeutet, vor dem Start zu vereinbaren, wer das Modell besitzt, wie es überprüft wird und wann ein Mensch eingreifen muss.
Die meisten Marketingteams begegnen Predictive Analytics durch eine Funktion in einem Tool, für das sie bereits bezahlen. Google Analytics 4 bietet Zielgruppen für Kaufwahrscheinlichkeit und Abwanderungswahrscheinlichkeit. HubSpot und Salesforce bewerten Leads. Meta und Google Ads bieten auf Basis von vorhergesagten Conversion-Werten. Da das Modell bereits fertig geliefert wird, findet das Governance-Gespräch oft nie statt. Genau da fangen die Probleme an.
Was kann bei Vorhersagemodellen eigentlich schiefgehen?
Eine Prognose ist eine Aussage über die Vergangenheit, die als Aussage über die Zukunft verkleidet ist. Wenn die Vergangenheit ungewöhnlich war, erbt die Prognose diese Eigenart. Ein Einzelhändler, dessen Trainingsjahr einen Lieferengpass beinhaltete, erhält ein Modell, das bestimmte Produkte für unbeliebt hält, obwohl sie in Wahrheit einfach nur nicht vorrätig waren.
Die Fehlerarten lassen sich meist in einige wenige Kategorien einteilen. Ihre Namen zu kennen, macht es einfacher, sie in einem Review-Meeting zu erkennen.
- Verzerrte oder unvollständige Trainingsdaten: Ganze Segmente, wie Offline-Käufer oder neue Märkte, fehlen, sodass das Modell sie standardmäßig schlecht bewertet.
- Target Leakage: Ein Feld, das erst nach der Conversion ausgefüllt wird, wie eine Rechnungsnummer, schleicht sich in die Eingabedaten ein und lässt die Genauigkeit im Test exzellent, in der Produktion aber schlecht aussehen.
- Drift: Kundenverhalten, Preise oder Tracking ändern sich, und das Modell bewertet weiterhin mit veralteten Mustern.
- Feedbackschleifen: Das Team kontaktiert nur Leads mit hohem Score, sodass Leads mit niedrigem Score nie die Chance bekommen, das Modell zu widerlegen.
- Übermäßiges Vertrauen: Eine Wahrscheinlichkeit von 0,71 wird als Gewissheit gelesen, und das Budget wird aufgrund von Rauschen verschoben.
Tracking-Änderungen verdienen besondere Aufmerksamkeit. Consent-Banner, Browser-Beschränkungen für Third-Party-Cookies und App-Tracking-Prompts entfernen Signale. Ein Modell, das vor einer Änderung des Consent-Modus trainiert wurde, kann danach kaputt aussehen, obwohl sich am Modell selbst nichts geändert hat.
Wo liegen die harten Grenzen von Prognosen?
Manche Grenzen lassen sich nicht mit mehr Daten oder einem besseren Algorithmus beheben. Predictive Analytics findet Korrelationen, keine Ursachen. Ein Abwanderungsmodell lernt vielleicht, dass Kunden, die keine E-Mails mehr öffnen, dazu neigen zu gehen, aber mehr E-Mails zu senden, wird sie nicht halten. Betrachten Sie jeden Score als Anstoß für eine Untersuchung, nicht als Erklärung.
Volumen ist die zweite Grenze. Die prädiktiven Metriken von GA4 zum Beispiel werden erst verfügbar, wenn eine Property innerhalb eines aktuellen Zeitfensters Mindestschwellenwerte für positive und negative Beispiele erreicht, und Google nennt diese Schwellenwerte in seiner Hilfedokumentation. Kleine B2B-Seiten mit nur wenigen Dutzend Abschlüssen pro Monat qualifizieren sich oft nie, und ein benutzerdefiniertes Modell, das mit so wenigen Daten trainiert wurde, wird meist nur Rauschen auswendig lernen.
Die dritte Grenze ist die Zeit. Modelle sagen innerhalb von Bedingungen, die sie gesehen haben, gut voraus. Ein neuer Wettbewerber, eine Preisänderung oder eine regulatorische Verschiebung liegen außerhalb dieses Bereichs. In diesen Wochen schlägt das Urteilsvermögen das Dashboard.
Welche Governance-Regeln sollten vor dem Start vereinbart werden?
Governance klingt schwerfällig, aber für ein Marketingteam passt es normalerweise auf eine Seite. Der Punkt ist, dass Entscheidungen schriftlich festgehalten werden, bevor die erste überraschende Zahl auftaucht, und nicht erst danach darüber gestritten wird.
Besitz und Zweck
Benennen Sie einen Verantwortlichen für jedes Modell und schreiben Sie einen einzigen Satz, der die Entscheidung beschreibt, die es unterstützt. „Dieser Score entscheidet, welche Leads der Vertrieb innerhalb von 24 Stunden anruft“ ist klar. „Dieser Score hilft beim Marketing“ ist es nicht, und es lädt dazu ein, das Modell für Dinge zu verwenden, für die es nie getestet wurde.
Eingabedaten und personenbezogene Daten
Listen Sie die Felder auf, die das Modell verwendet, und bestätigen Sie für jedes eine Rechtsgrundlage gemäß DSGVO oder der KVKK der Türkei, je nachdem, wo die Kunden leben. Schließen Sie sensible Kategorien wie Gesundheit oder Religion von vornherein aus. Wenn ein Feld ein Proxy für eine solche Kategorie ist, wie eine Postleitzahl für die ethnische Zugehörigkeit, diskutieren Sie dies offen und protokollieren Sie die Entscheidung.
Review-Rhythmus und Schwellenwerte
Vereinbaren Sie, wie oft die Leistung überprüft wird und was als Problem gilt. Eine einfache Regel funktioniert: Vergleichen Sie jeden Monat die vorhergesagten Conversion-Raten pro Score-Band mit den tatsächlichen Raten und pausieren Sie automatisierte Aktionen, wenn das oberste Band nicht mehr besser abschneidet als das unterste.
- Besitzer und Entscheidungsstatement protokolliert
- Eingabefelder mit Rechtsgrundlage aufgelistet
- Holdout-Gruppe außerhalb modellgesteuerter Aktionen gehalten
- Monatliche Kalibrierungsprüfung nach Score-Band
- Pausenregel und menschliches Eingreifen dokumentiert
- Änderungsprotokoll für Retraining und Feature-Änderungen
Wie hält man ein Modell nach dem Go-Live ehrlich?
Die nützlichste Gewohnheit ist eine Holdout-Gruppe. Halten Sie einen zufälligen Teil der Leads oder Kunden – oft fünf bis zehn Prozent in einem typischen Setup – aus jeder modellgesteuerten Behandlung heraus. Ohne sie gibt es keine Möglichkeit zu wissen, ob das Modell einen Mehrwert bietet oder nur die Lorbeeren für Leute erntet, die ohnehin konvertiert wären.
Zweitens: Achten Sie auf die Kalibrierung, nicht nur auf die Genauigkeit. Wenn Kunden mit einem Score von 60 Prozent zu 20 Prozent konvertieren, ist das Ranking vielleicht noch nützlich, aber jeder Budgetplan, der auf der rohen Wahrscheinlichkeit basiert, wird falsch sein. Plotten Sie die vorhergesagten gegen die tatsächlichen Werte für jedes Band. Das dauert zehn Minuten in Looker Studio oder einer Tabelle.
Drittens: Protokollieren Sie jedes Retraining. Wenn jemand eine Eingabe ändert oder das Trainingsfenster aktualisiert, notieren Sie Datum und Grund. Monate später, wenn sich die Ergebnisse verschieben, ist dieses Protokoll der Unterschied zwischen einer schnellen Antwort und einer Woche des Ratens.
Wie Alien Road Predictive Analytics anwendet
Bei einem typischen Engagement beginnt die Arbeit mit der Discovery statt mit der Modellierung. Wir bilden ab, welche Entscheidungen der Kunde automatisieren möchte, welche Daten tatsächlich im CRM- und Analytics-Stack ankommen und wo Zustimmungs- oder Tracking-Lücken das Bild verzerren. Oft ist das erste Ergebnis eine Liste der Datenlücken, kein Modell.
Das Setup kommt als Nächstes. Wo GA4 oder die Werbeplattformen bereits Vorhersagen liefern, bevorzugen wir diese und bauen Zielgruppen darum herum auf, da sie von der Plattform gewartet werden. Wo ein benutzerdefinierter Score gerechtfertigt ist, wie bei B2B-Lead-Scoring mit langen Verkaufszyklen, halten wir das Feature-Set klein und erklärbar und vereinbaren das einseitige Governance-Blatt mit den Marketing- und Rechtskontakten des Kunden.
Die Messung stützt sich auf Holdout-Gruppen und monatliche Kalibrierungsdiagramme. Das Reporting zeigt Score-Bänder, tatsächliche Ergebnisse und etwaige Pausenentscheidungen, verfasst in einfacher Sprache, sodass ein Vertriebsleiter es ohne Datenteam im Raum lesen kann.
Wo man diese Woche anfangen sollte
Wählen Sie ein prädiktives Feature, das Sie bereits verwenden, vielleicht Lead-Scores in Ihrem CRM oder eine GA4-Kaufwahrscheinlichkeits-Zielgruppe. Schreiben Sie auf, wer es besitzt und welche Entscheidung es vorantreibt. Ziehen Sie dann die Daten des letzten Quartals und prüfen Sie, ob die Gruppe mit dem höchsten Score wirklich besser konvertiert hat als die Gruppe mit dem niedrigsten.
Wenn die Antwort Ja lautet, richten Sie eine kleine Holdout-Gruppe und eine monatliche Prüfung ein. Wenn die Antwort unklar ist, pausieren Sie jede Automatisierung, die an diesen Score gebunden ist, bis Sie verstehen, warum. So oder so haben Sie an einem Nachmittag mehr Governance betrieben, als viele Teams in einem Jahr tun.
Weiterlesen: KI-Optimierung · KI-Optimierung