Predictive Analytics wird fast immer als Blick in die nächste Saison verkauft. Was in der Praxis ankommt, ist kleiner und nützlicher: eine Wahrscheinlichkeit, mit der sich eine Entscheidung ein paar Tage früher treffen lässt, als sie sonst gefallen wäre. Der Unterschied klingt akademisch und ist es nicht, denn er entscheidet darüber, ob so ein Vorhaben nach einem Jahr noch läuft oder als Folie endet.
Ich habe beide Enden gesehen. Häuser, in denen Predictive Analytics die Nachbestellung steuert und niemand mehr darüber redet, weil es zum Ablauf gehört. Und Häuser, in denen ein technisch sauberes Modell seit zwei Jahren in einem Bericht liegt, den niemand öffnet. Der Unterschied lag nie an der Rechenleistung, sondern daran, ob am Ende der Prognose jemand saß, der eine Entscheidung daran gehängt hat.
- Predictive Analytics liefert eine Wahrscheinlichkeit, keine Begründung.
- In der Mode ist die Historie kurz, deshalb arbeitet das Modell fast immer im Kaltstart.
- Ohne eine vorher festgelegte Entscheidung bleibt jede Prognose folgenlos.
- Die Treffergenauigkeit ist eine technische Größe und keine geschäftliche.
- Ein Modell altert, und ohne Pflege liefert es Werte, denen niemand mehr traut.
Inhaltsverzeichnis
Was Predictive Analytics tatsächlich vorhersagt
Nüchtern beschrieben rechnet Predictive Analytics aus vergangenen Mustern eine Wahrscheinlichkeit für die Zukunft aus, mehr nicht. Die deutsche Fachsprache nennt das prädiktive Analytik, und der sperrige Begriff trifft die Sache besser als der Produktname, weil er die Unsicherheit mitmeint, statt sie zu verstecken.
Im Handel laufen die meisten Anwendungen auf drei Fragen hinaus. Wie viel wird sich von diesem Artikel in den nächsten Wochen verkaufen. Welche Kundin ist im Begriff, nicht wiederzukommen. Welcher Preis bringt über die Saison gerechnet mehr ein als der heutige. Alle drei sind alte Fragen, und alle drei wurden vorher auch schon beantwortet, nur langsamer und von weniger Leuten.
Was Predictive Analytics nicht leistet, ist die Begründung. Ein Modell sagt, dass ein Artikel wahrscheinlich liegen bleibt, aber nicht, ob das an der Farbe, am Preis oder an der Platzierung liegt. Wer diese Grenze nicht sauber zieht, verwechselt eine Vorhersage mit einer Erklärung und trifft auf dieser Grundlage Entscheidungen, die das Modell nie gedeckt hat.
Nützlich wird eine Prognose außerdem erst, wenn ihr Zeitraum zu dem passt, in dem man noch handeln kann. Eine Vorhersage über die kommende Saison ist interessant, aber die Order ist längst geschrieben. Eine Vorhersage über die nächsten drei Wochen ist unspektakulär und trifft genau den Moment, in dem eine Nachbestellung noch möglich ist.
Warum Predictive Analytics in der Mode schwerer ist
Ein Modell lernt aus Historie, und in der Mode ist die Historie kurz. Ein Artikel ist nach zwölf Wochen aus dem Sortiment, der Nachfolger ist neu und hat keine eigene Vergangenheit. Predictive Analytics arbeitet hier also fast immer im Kaltstart und muss über Attribute schließen, über Farbe, Material, Passform und Preislage, statt über die Verkaufskurve des Artikels selbst.
Genau deshalb hängt in der Mode alles an der Beschreibung der Ware. Wenn dieselbe Farbe in drei Systemen drei Namen trägt, lernt das Modell Unsinn, und zwar zuverlässig. Ein Vorhaben zu Predictive Analytics wird daher regelmäßig zu einem Vorhaben für Produktdatenmanagement, und das ist keine Verzögerung, sondern die eigentliche Arbeit.
Dazu kommen die äußeren Einflüsse, die sich schlecht mitrechnen lassen. Ein warmer Oktober verschiebt eine ganze Warengruppe, eine Lieferung kommt zwei Wochen zu spät, ein Wettbewerber startet den Schlussverkauf früher. Predictive Analytics kann solche Ereignisse nicht vorhersehen, es kann sie nur im Nachhinein erkennen, und wer das Modell danach beurteilt, beurteilt es nach der falschen Sache.
Was dabei fast immer fehlt, ist der Vergleichsmaßstab. Ein Modell ist nicht gut, weil es eine Zahl liefert, sondern weil es besser trifft als das, was vorher entschieden hat. In den meisten Häusern war das die Erfahrung einer einzelnen Person, und die war oft nicht schlecht. Wer diesen Vergleich nicht von Anfang an mitführt, kann später nicht sagen, ob sich der Aufwand gelohnt hat.
Wo Predictive Analytics in der Praxis scheitert
Der häufigste Fehler ist, dass die Entscheidung fehlt. Es wird eine Prognose gebaut, ohne vorher festzulegen, wer auf welchen Wert hin was tut. Predictive Analytics erzeugt dann eine Zahl, die interessant aussieht und folgenlos bleibt, und nach zwei Quartalen fragt jemand nach dem Ertrag des Vorhabens und bekommt keine Antwort.
Der zweite Fehler ist die Kennzahl. Die Treffergenauigkeit eines Modells ist eine technische Größe und keine geschäftliche. Ein Modell mit mäßiger Genauigkeit, an dem eine gute Entscheidung hängt, ist mehr wert als ein präzises Modell ohne Anschluss. Dieselbe Verwechslung habe ich beim Marketing Mix Modeling gesehen, wo die Güte des Modells zur Diskussion wurde und die Entscheidung dahinter verschwand.
Der dritte Fehler ist die Annahme, ein Modell sei fertig. Predictive Analytics altert schneller als jede andere Anwendung im Haus, weil sich Sortiment, Preislogik und Kundschaft laufend ändern. Ohne jemanden, der die Güte regelmäßig gegen die Wirklichkeit hält und nachzieht, liefert das Modell nach zwei Saisons Werte, denen niemand mehr traut, ohne dass ein einziger Fehler sichtbar geworden wäre.
Was ich anders machen würde
Ich würde mit der Entscheidung anfangen und nicht mit dem Modell. Eine einzige Frage, die heute regelmäßig getroffen wird, ein klarer Schwellenwert und eine benannte Person, die darauf reagiert. Predictive Analytics hat dann von Anfang an einen Adressaten, und der Wert des Vorhabens lässt sich am Ende der Saison beziffern, statt ihn beschreiben zu müssen.
Ich würde außerdem klein anfangen, und zwar bei der Nachbestellung. Dort ist der Zeitraum kurz, die Rückmeldung kommt innerhalb weniger Wochen, und der Schaden einer falschen Prognose ist überschaubar. Eine Kampagne ist der schlechtere Einstieg, weil zu viele andere Dinge gleichzeitig wirken und niemand am Ende sauber trennen kann, was das Modell beigetragen hat.
Und ich würde die Trefferquote offen behandeln, auch nach oben. Ein Haus, das gelernt hat, mit einer Prognose von siebzig Prozent zu arbeiten, ist besser dran als eines, das auf neunzig wartet. Wer den eigenen Martech Stack aufräumt und dabei sauber trennt, was entschieden und was nur beobachtet wird, hat für Predictive Analytics ohnehin schon die halbe Arbeit getan.
Unsicher bin ich bei der Frage, wie viel davon die großen Modelle in den nächsten Jahren übernehmen. Es ist gut möglich, dass ein Teil der Rechenarbeit bald eingekauft statt gebaut wird. Was dann bleibt, ist die unbequeme Hälfte, und die hat sich in meiner Erfahrung nie verschoben: zu wissen, welche Entscheidung man eigentlich treffen will, und die eigenen Daten so zu führen, dass eine Maschine sie versteht.