Was berechnet Predictive Analytics für Marken?
Die Verfahren reichen von der klassischen Regression über Klassifikationsmodelle bis zu Zeitreihenmodellen und lernenden Algorithmen. Sie suchen in vergangenen Daten nach Zusammenhängen und übertragen diese auf die Zukunft. Typische Fragen lauten: Welche Kundengruppen wandern wahrscheinlich ab, wie entwickelt sich das Suchinteresse an der Marke, wie verläuft die Stimmung in Bewertungen.
Die Markenmessung beschreibt, wo eine Marke jetzt steht. Die Prognose schätzt, wohin sich ein Wert bei gleichbleibenden Bedingungen bewegt, und liefert dadurch eine Grundlage für frühere Entscheidungen.
Wie läuft eine Prognose ab?
Zuerst werden Daten aus Quellen wie CRM, Webanalyse, Social Media und Marktforschung zusammengeführt und bereinigt. Anschließend lernt ein Modell an einem Teil der Vergangenheit und wird an einem zurückgehaltenen Teil getestet (Backtesting). Erst wenn es dort brauchbar trifft, wird es für die Zukunft eingesetzt.
Die Prognose erscheint als Wert mit Spanne, zum Beispiel als Abwanderungswahrscheinlichkeit je Kundengruppe. Daraus entstehen Maßnahmen, und später wird geprüft, ob das Vorhergesagte eingetreten ist. Im Zusammenspiel mit dem Markenmonitoring dient das als Frühwarnsystem und stützt die datenbasierte Markenführung.
Wo liegen die Grenzen?
Die Datenqualität setzt die Obergrenze. Lückenhafte, verzerrte oder zu wenige Daten führen zu schiefen Prognosen. Gerade Markenwerte aus Befragungen liegen oft nur quartalsweise vor, was für statistisch tragfähige Modelle wenig Datenpunkte ergibt.
Modelle lernen aus der Vergangenheit. Ändert sich der Markt durch einen neuen Wettbewerber, eine Krise oder eine Plattformänderung, gelten die gelernten Muster nicht mehr. Außerdem erkennt ein Modell Zusammenhänge, nennt aber keine Ursachen: Dass Kundschaft mit bestimmten Merkmalen abwandert, erklärt nicht, warum. Reagiert die Marke auf die Prognose, verändert sie zudem das vorhergesagte Ergebnis.
Ein Prognosewert gilt deshalb als begründete Annahme, die ein Mensch einordnet. Zusagen mit hoher Gewissheit, etwa zum künftigen Markenwert, sind mit diesen Verfahren nicht seriös zu geben.
Welche Rolle spielt KI dabei?
Künstliche Intelligenz liefert die Lernverfahren, mit denen sich auch komplexe Zusammenhänge in großen Datenmengen finden lassen. Sprachmodelle helfen vor allem dabei, unstrukturierte Texte wie Rezensionen oder Kommentare in auswertbare Merkmale zu verwandeln, die ein Prognosemodell dann nutzt.
Die Prognosegüte hängt vor allem an der Datenlage und der sauberen Prüfung. Ein neues Modell ersetzt weder das eine noch das andere.