Die Simpsons sind allseits bekannt dafür, die Zukunft vorausgesagt zu haben. Von Donald Trumps Wahlsieg 2016, Deutschlands WM-Titel bis auf die Tigerattacke auf Roy Horn. Immer wieder gab es seitens der beliebten amerikanischen Zeichentrickserie Vorfälle, indem sie die Zukunft prophezeiten. Nun wird mithilfe der Data Science das gleiche Ziel in vielen Marketingaktivitäten verfolgt – nämlich mit Predictive Analytics. Dieser Blog gibt einen kurzen Überblick über Predictive Analytics, warum es in der heutigen Zeit essenziell ist, seine Vorteile, aber auch die moralischen Aspekte dieses Verfahrens.
Was ist Predictive Analytics?
Bei Predictive Analytics (auf Deutsch auch „Vorausschauende Analyse“ oder „Prädiktive Analytik“ genannt) ist das allgemeine Ziel, Muster und Trends auf Basis von bereits vorhandenen Informationen zu erkennen. Beim Verfahren werden anhand von mathematischen Modellen und statistischen Algorithmen große Datenmengen verarbeitet, um Muster zu identifizieren und zukünftige Ergebnisse vorherzusagen. Dabei fokussiert man sich bei den Modellen auf zwei Variablen: eine Abhängige und eine Unabhängige. Hierbei gibt es zahlreiche PredictiveAnalytics-Modelle, beispielsweise Klassifizierungsmodelle, Clustering-Prognosen oder auch Zeitreihen. Predictive Analytics gibt es schon seit Jahrzehnten und ist kein einzigartiges, neues Phänomen. Jedoch muss man sagen, dass besonders jetzt im Zeitalter der vierten industriellen Revolution man tatsächlich den Nutzen von Predictive Analytics erkennt. Unternehmen wie Target, Amazon oder auch Netflix entdeckten das Potential von diesem Verfahren vor vielen Jahren und nutzen es seither. Aber was für einen Nutzen ergibt sich daraus? Sind es im Endeffekt vielleicht doch nur irrelevante Kosten für den Betrieb?
Warum ist Predictive Analytics so wichtig?
Es gibt viele unternehmerische Tätigkeiten, die sich mithilfe von prädiktiver Analytik verbessern lassen würden. Diverse Vorteile und Chancen entstehen durch die Implementierung von diesem Verfahren:
Betrugserkennung: Ein Erfolgsbeispiel der Betrugsbekämpfung im Zusammenhang von Predictive Analytics ist die Zusammenarbeit von Prime Therapeutics mit SAS Identity Enrichment and Assessment. Anträge auf Pharmazeutika, darunter auch betrügerische Bestellungen, wurden mithilfe einer AntiFraud-Plattform von SAS bearbeitet. Die Plattform bündelte Daten von Mitgliedern, verschreibenden ÄrztInnen und Apotheken und konnte mithilfe von künstlicher Intelligenz und Machine Learning Betrug, Verschwendung und Missbrauch in Höhe von 279 Millionen US-Dollar einsparen.
Optimierung von Marketing: Ein Klassiker der Predictive Analytics ist die Voraussage der Kundenreaktionen und des Kundenverhaltens. Unternehmen erkennen mithilfe dieses Verfahrens besonders lukrative KundInnen und versuchen diese, an sich zu binden. Dadurch wird der Umsatz erhöht. Bei der Voraussage von Kundenverhalten hat Netflix viel Erfahrung, denn anhand von Algorithmen kann das Medienunternehmen ahnen, welche Serien ein Kunde interessant findet und schlägt diese Serie dem Kunden vor. Daher legt diese Sparte der Data Science einen wichtigen Grundbaustein für die Marketingaktivität vieler Unternehmen.
Risikominderung: Ob es nun die Prüfung der Kreditwürdigkeit einer Person ist, oder die Risikobewertung einer Versicherung. Durch die Nutzung von prädiktiven Modellen kann man auch hier voraussagen, wie die Chancen zu einer bestimmten Situation stehen. Beispielsweise wie hoch nun die Wahrscheinlichkeit ist, dass das Unternehmen seinen Kredit abbezahlt. Weiters sind Vorhersagen bezüglich Covid-19- Wellen eine große Stütze für Krankenhäusern und Gemeinden, um Ressourcen zu planen und zu verwalten.
Das sind bei weitem nicht alle Vorteile, die prädiktive Analytik mit sich bringt. Man kann das Verfahren in dutzend anderen Bereichen anwenden und in jedem wird es seinen Nutzen finden. Jedoch muss man auch die Moral hinter der ganzen Thematik berücksichtigen, besonders hinsichtlich Marketings.
Weitere Anwendungsbereiche:
Virtual Assistance
Volume Prediction
Quality Assurance
Up-selling and Crossselling
Healthcare Diagnosis
Wann ist es zu viel?
Viele Unternehmen bedienen sich der Informationen der KundInnen, ohne ihre Grenzen zu kennen. Oft gehen Unternehmen zu weit und eruieren Daten, die der Privatsphäre angehören. Hierbei muss man sich die Frage stellen, welche Daten für das Predictive Analytics Modell genutzt werden dürfen und ab wann man einen Schlussstrich ziehen muss. Fragliche Praktiken wie Eyetracking sind unlängst schon Normalität in gewissen Unternehmensbranchen. Mit Absicht unübersichtlich gestaltete Datenbestimmungen führen dazu, dass KonsumentInnen nicht wissen, welche Informationen eingefangen werden. Weiters vergrößern sich die Bedenken, dass Modelle bereits zu exakt das Verhalten und die Denkweise von Menschen vorhersagen können. Skandale wie Cambridge Analytica mit Facebook oder Projekt Nightingale sorgten für Aufregung in der Gesellschaft und die Fragestellung, ob der Schutz persönlicher digitaler Daten ein Grundrecht jedes Menschen sein sollte.
Sieht die Zukunft rosig aus?
Eine Sache steht fest: Predictive Analytics ist fester Bestandteil des täglichen Lebens sein. Ob nun im medizinischen, unternehmerischen oder auch staatlichen Bereich. Schließlich bringt es viele Vorteile mit sich. Hierbei ist die Frage, inwieweit Daten für die unternehmerische Tätigkeit entnommen werden dürfen. Strengere Datenschutzrichtlinien sind eine Teillösung. Aber strengere Richtlinien lösen das Problem nicht. Es muss aktiv nach solchen rechtswidrigen Praktiken in Unternehmen gesucht und diese aufgelöst werden. In Zukunft wird es immer wieder solche Betriebe geben, die prädiktive Analytik auf Basis von moralisch verwerflichen Methoden ihren Gewinn erzielen und gegen diese muss man streng vorgehen.
Dieser Blogartikel wurde von Martin Haunold verfasst.