Einfach erklärt: Warum interne Daten besser für Predictive Analytics sind

Viele Unternehmen sitzen auf einem Schatz: Die eigenen Verkaufsdaten. Für die Anwendung von Predictive Analytics ist das ein enormer Vorteil.

Prognosen sollen unternehmerische Entscheidungen absichern. Sie werden auch genutzt, um zukünftige Entwicklungen besser vorherzusagen als der Wettbewerb. Doch verlässliche Prognosen sind selten. Für Unternehmen besser geeignet ist die Nutzung eigener Daten im Haus – mit Predictive Analytics.

„Es gibt drei Arten von Lügen: Lügen, verdammte Lügen, und Statistiken.“ Dieses Zitat von Benjamin Disraeli, einem britischen Staatsmann und Romanautor im 19. Jahrhundert, passt sehr gut auf die Situation in Unternehmen.

Dort werden Zahlen über Umsätze, Gewinne, Verluste, Kundenzuwächse und -abnahmen und vieles mehr gesammelt – und daraus Statistiken erstellt. Viele Wirtschaftsdaten werden auch gesammelt und aufgearbeitet, um danach in Prognosen für die nahe oder fernere Zukunft einzufließen.

So dienen zum Beispiel Umsatzprognosen dazu, die eigenen unternehmerischen Entscheidungen abzusichern. Allgemein werden Prognosen auch dazu verwendet, (mögliche) zukünftige Entwicklungen besser vorherzusagen als der Wettbewerb.

Prognosen entstammen Prognosemodellen, die Entscheidungen aus dem Bauchgefühl oder der Intuition heraus überlegen sind. Selbst dann, wenn klar ist, dass Prognosen nicht zu 100 Prozent richtig sein können.

Business Intelligence: Die Problematik von Prognosen zur Konjunktur einfach erklärt.

Interne Unternehmensprognosen, beispielsweise zur Umsatz- oder Gewinnentwicklung, stützen sich bei international aufgestellten Unternehmen auch auf Daten, die ausländischen Märkten entspringen. So verzeichnen zum Beispiel global agierende Sportartikelhersteller wie Adidas, Nike oder Puma in asiatischen Märken teils andere wirtschaftliche Entwicklungen als in Europa oder den USA.

Wer international agiert und Kunden in vielen Ländern hat, hat auch die allgemeine konjunkturelle Lage und die erwartete wirtschaftliche Entwicklung in diesen Ländern im Blick.

Prognosen zur Konjunktur, wie sie zum Beispiel von großen Wirtschaftsinstituten oder -verbänden, wie etwa dem Zentrum für Europäische Wirtschaftsforschung (ZEW) oder im ifo Institut erstellt werden, werden von Unternehmen herangezogen, um eigene Entscheidungen für die Zukunft zu untermauern.

Unter Berücksichtigung solcher – unternehmensexterner – Prognosen kann die Unternehmensleitung bei Mitarbeitern und anderen Stakeholdern Weitblick beweisen. Doch auch bei Prognosen zur Konjunktur zeigt sich: Die Grundannahmen über die Welt und die Zukunft sind nicht immer richtig.

Die Probleme fangen bereits bei der Feststellung an, wo man sich aktuell in der Konjunktur befindet. Denn: Wirtschaftsdaten müssen erst gesammelt und aufgearbeitet werden.

Bis es also zu ersten Schätzungen zur Konjunktur kommt, sind bereits einige Monate vergangen.

Je mehr Daten zur Verfügung stehen, desto häufiger werden diese Schätzungen für vergangene Jahre auch immer wieder revidiert. Konjunkturprognosen können also bestenfalls Aussagen über kurzfristige Trends machen.

Komplexe, zufällige Ereignisse, sind für Prognosen ungeeignet

Konjunkturprognosen erstrecken sich in der Regel auf einen zeitlichen Horizont von höchstens zwei Jahren. Alle Schätzungen, die darüber hinausgehen, sind langfristige Prognosen zum Wachstum und zu generellen strukturellen Entwicklungen – und diese werden zunehmend unsicherer.

Unsicherer deshalb, weil wir es mit einer zunehmenden Komplexität von zu prognostizierenden Ereignissen zu tun haben. Selbst wenn von Ursache- Wirkungszusammenhängen ausgegangen wird, sind diese miteinander verwoben und wiederum abhängig von anderen Wirkungen und Ursachen.

Nehmen wir nur einmal die aktuellen politischen Streitereien und das Hin und Her beim Brexit. Oder globale Handelskonflikte, wie wir sie derzeit zwischen China und den USA erleben. Wirtschaftsprognosen sind oft deshalb ungenau, weil es zu viele Faktoren und Wechselwirkungen gibt, die eine Rolle dabei spielen. Alles ist mit allem verbunden.

Es geht um das Verhalten von Menschen und da hängt das eine Verhalten vom anderen Verhalten ab. Wenn der aktuelle US-Präsident Donald Trump einen entsprechenden Tweet absetzt, kann das morgen für große wirtschaftliche Irritationen in einzelnen Märkten, wenn nicht sogar auf dem globalen Markt führen.

Prognosen zur wirtschaftlichen Entwicklung eines Landes sind auch dann sehr schnell hinfällig, wenn unvorhergesehene Ereignisse eintreten, wie etwa das Platzen der Immobilienpreisblase in den USA gezeigt hat. Oder auch eine unvorhergesehene Naturkatastrophe oder politische Unruhen in einem wichtigen Exportland. All diese unvorhergesehenen Ereignisse führen dazu, dass Prognosen fehlerhaft sind.

Die eigenen Daten für Predictive Analytics nutzen

Wenn Konjunkturprognosen zur wirtschaftlichen Entwicklung eines Landes, in dem ein Unternehmen aktiv ist, nicht helfen – beziehungsweise deren Glaubwürdigkeit aufgrund der aufgezeigten Unsicherheitsfaktoren auf wackeligen Füßen steht, stellt sich die Frage, worauf sich Unternehmen sonst verlassen sollten.

Schließlich wollen sie auch weiterhin komplexe wirtschaftliche Zusammenhänge vorhersagen können, um bessere Entscheidungen zu treffen und sich einen Wettbewerbsvorteil zu verschaffen.

Die Antwort ist vielleicht banal, aber dennoch treffend: Unternehmen sollten auf ihre eigenen Daten schauen. Predictive Analytics trifft auf Basis von Datenmodellen Voraussagen darüber, wie sich eine Situation in Zukunft entwickeln wird oder kann.

Predictive Analytics ist eine Teildisziplin von Business Analytics und setzt dort an, wo Business Intelligence (BI) aufhört. Statt nur die bestehende Situation zu analysieren, versucht Predictive Analytics mit Hilfe von Datenmodellen Vorhersagen über mögliche, wahrscheinliche Ereignisse in der Zukunft zu treffen.

Data Science macht Predictive Analytics möglich

Wer zum Beispiel schon heute weiß, was seine Kunden morgen kaufen, ist gegenüber dem Wettbewerb klar im Vorteil.

Mit Data-Science-Analysen sind solche Prognosen mittels Prognosemodellen möglich.

Eine der Grundannahmen dabei lautet: Je mehr über vergangenes (Kunden-)Verhalten bekannt ist, desto genauer lassen sich Aussagen über zukünftige Ereignisse treffen. Zwar handelt es sich auch bei solchen Prognosen lediglich um mögliche Szenarien, die mit einer bestimmten Wahrscheinlichkeit eintreffen. Basieren diese jedoch auf aussagekräftigen Daten, so lässt sich die darauf aufbauende Entscheidungsqualität maßgeblich verbessern. Ein zentrales Ziel von Data Science ist: Im Rahmen von Predictive Analytics belastbare Prognosen über zukünftige Ereignisse zu erstellen.

Unternehmen können mit Predictive Analytics also eine neue Wahrnehmung gewinnen. Eine neue Wahrnehmung auf ihre Datenbasis und somit Einsichten, die ihnen bislang womöglich verborgen blieben. Dazu verwenden sie einfach ihre eigenen Daten aus dem CRM oder ERP.

Ausgehend von diesen Daten über zum Beispiel Kunden, Portfolios, Risiken oder Preisentwicklung können Unternehmen Aussagen ableiten, die in die Zukunft gerichtete Entscheidungen nachhaltig verbessern.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE

Einfach erklärt: Warum interne Daten besser für Predictive Analytics sind – Fazit

Schenken Sie Ihr Vertrauen lieber Prognosen aus Ihren eigenen, internen Daten. Prognosen aus externen Daten sind stark von äußeren Faktoren abhängig und vielen Unsicherheiten ausgesetzt.

Verstehen Sie uns nicht falsch, wir wollen damit nicht sagen, dass Sie Ihre Außenwelt komplett vergessen sollen – natürlich nicht, das wäre fatal. Aber bevor Sie Ihre Entscheidungen aufgrund von sämtlichen externen Quellen treffen, schauen Sie lieber einen Blick auf Ihre internen Daten.

Mit Predictive Analytics können Sie das Maximum aus Ihren internen Verkaufsdaten herausholen. Sie wären erstaunt was Predictive Analytics alles über das Kaufverhalten Ihrer Kunden vorhersagen kann:

Zukünftige Abwanderungsrisiken, Preissetzungsspielräume, Cross-Selling Potenziale, Kunden mit hoher Kaufwahrscheinlichkeit und vieles mehr. Dazu braucht es nur das, was Sie ohnehin schon besitzen: Ihre eigenen ERP- und CRM Daten.

Unserer Meinung nach bleibt nur noch eine Frage offen: Wann starten Sie?

Haben Sie weitere Fragen zum Thema Predictive Analytics? Wir helfen gerne weiter!

JETZT TERMIN FÜR EIN PERSÖNLICHES GESPRÄCH VEREINBAREN

Weitere interessante Beiträge zu diesem Thema:

Warum Datenqualität der Schlüssel für erfolgreiche Predictive Analytics Methoden und KI ist

Wie viele Daten benötigen Sie für die Implementierung von Predictive Analytics?

„Jedes Unternehmen ist ein Datenunternehmen“. Eine Datenstrategie für B2B Predictive Sales Analytics