Was ist ein „gutes“ Analytics-Projekt?
Herr Burger-Scheidlin, durch Analytics können wir uns bei Entscheidungen von einer Maschine unterstützen lassen und sie damit auf Grundlagen stellen, die viel solider sind als alles, was der Mensch allein erreichen könnte. Das klingt, als ob wir darauf zumindest in wirtschaftlichen Fragen eigentlich nie verzichten sollten. Stimmt das?
Markus Burger-Scheidlin: Die Möglichkeiten sind tatsächlich atemberaubend, und immer wieder hört man von unglaublichen Projekten wie AlphaZero. In der Praxis gibt es aber viele Analytics Projekte, die sich einfach nicht lohnen.
Warum?
Weil der Aufwand größer ist als ihr Nutzen. Ob das so ist, kann man nur von Anwendungsfall zu Anwendungsfall beantworten. Mit unserem ITGAIN Analytical Process beispielsweise können wir ein Analyseprojekt wirtschaftlich bewerten und schaffen einen konkreten Handlungsbezug. Das ist essenziell. Denn wenn die Erkenntnisse aus der Analyse zu keiner konkreten Handlung führen, sind sie zwecklos.
Und wie kann man erkennen, ob ein Analytics-Projekt „gut“ ist?
Die erste Frage lautet: Ist klar, welche konkrete Entscheidung unterstützt werden soll? Die zweite ist: Welche Handlung soll aus der Entscheidung folgen? Und schließlich muss man wissen, wie exakt eine Analyse überhaupt sein muss.
Warum? Ist nicht eine Analyse umso besser, je genauere Vorhersagen sie liefert?
Nein. Nehmen Sie eine klassische Investitionsentscheidung. Hier kann ich mit Prognosemodellen bis auf die x-te Nachkommastelle ausrechnen, wieviel „Return on Investment“ sie bringen wird. Das ist aber gar nicht notwendig. Es reicht schon aus, wenn ich herausfinde, dass ich damit in etwa 10 % Gewinn mache. Bereits mit dieser Information kann ich mich sehr gut begründet für die Investition entscheiden. Das beste Analytics-Projekt ist also immer dasjenige, dessen Prognose dem Ziel angemessen genau ist.
Wie gestaltet man so ein angemessenes Analytics-Projekt?
Stellen Sie sich vor, Sie sind eine Versicherung und Sie haben schon immer Direktmailings genutzt, um Ihren Kunden neue Produkte anzubieten. Der Rücklauf Ihrer Aktionen ist aber zuletzt zurückgegangen. Nun haben Sie gerade eine neue Versicherungspolice im Angebot und Sie setzen ein Analytics-Projekt auf, um die Mailing-Aktion dazu effizienter zu gestalten. Sie analysieren Ihre Kundendaten, um herauszufinden, welche Ihrer Kunden wahrscheinlich die neue Versicherung abschließen werden und welche nicht. Mit dem Ergebnis können Sie dann Ihre Zielgruppe einschränken, Mailingkosten sparen und die Rücklaufquote verbessern. Aber der Analyseaufwand, um die passenden Adressaten herauszufiltern, sollte nicht ausufern. Sonst ist das Projekt nicht mehr wirtschaftlich.
Und wie erkenne ich, wann ich genug Aufwand betrieben habe?
Nehmen wir an, Sie erwarten sich durch Ihr Analytics-Projekt eine Umsatzsteigerung von 500 000 Euro und sind bereit, 10 % davon in das Projekt zu investieren. Dann haben Sie ein konkretes Kriterium. Sie arbeiten also an dem Projekt, bis Sie die 50 000 Euro ausgegeben haben. Wenn Sie an diesem Punkt dann Kunden identifizieren können, die mit einer achtzigprozentigen Wahrscheinlichkeit die Versicherung kaufen werden, dann ist das Projekt sicherlich ausreichend gut.
Das stimmt. Aber wie kann ich denn wissen, dass eine Umsatzsteigerung von 500 000 Euro zu erwarten ist?
Wieviel Umsatz eine verkaufte Police bringt, ist ja klar. Aber auch wieviel es kostet, einen Flyer zu drucken und ihn zu verschicken und so fort. Außerdem wissen Sie, welcher Umsatz Ihnen entgeht, wenn Sie einen Kunden nicht ansprechen, der eigentlich gekauft hätte. Was Ihnen jetzt noch fehlt, ist das Wissen darüber, mit welcher Wahrscheinlichkeit Sie die richtigen Adressaten ansprechen werden und mit welcher Wahrscheinlichkeit die falschen. Und das sagt Ihnen Ihr Analytics-Modell. Am Ende können Sie einen Strich darunter ziehen und ausrechnen, welchen „Return on Investment“ Sie in etwa zu erwarten haben.
Wie funktioniert das genau?
Die zentrale Rolle dabei spielt die sogenannte Confusion Matrix. Diese gibt die Häufigkeit der zutreffenden und falschen Prognosen jeweils für positive und negative Vorhersagen wider. Damit entstehen vier Fälle, die individuell monetär bewertet und mit der Häufigkeit multipliziert werden. Die Summe der vier Fälle ist der Wert des Modells – in unserem Beispiel die 500 000 Euro Umsatzsteigerung. Aber nochmals: Dieser Wert kann nur dann realisiert werden, wenn Sie das Analytics-Projekt von vorne herein so angehen, dass dadurch auch eine konkrete Handlung folgt. Denn analysieren kann ich aus reiner Neugierde alles Mögliche und mit beliebig viel Aufwand. Verstehen Sie mich nicht falsch, zwecklose Neugierde ist etwas Wunderbares. Forscher, Künstler, Kinder können ohne sie nicht leben. Aber wenn es um wirtschaftliche Entscheidungen geht, ist sie Energieverschwendung.
Markus Burger-Scheidlin ist Teamleiter Analytics bei ITGAIN
Lesen Sie im nächsten Beitrag, welche fünf Punkte Sie beachten müssen, um aus Ihrem Analytics-Projekt ein „gutes“ Analytics-Projekt zu machen.
Herr Burger-Scheidlin, durch Analytics können wir uns bei Entscheidungen von einer Maschine unterstützen lassen und sie damit auf Grundlagen stellen, die viel solider sind als alles, was der Mensch allein erreichen könnte. Das klingt, als ob wir darauf zumindest in wirtschaftlichen Fragen eigentlich nie verzichten sollten. Stimmt das?
Markus Burger-Scheidlin: Die Möglichkeiten sind tatsächlich atemberaubend, und immer wieder hört man von unglaublichen Projekten wie AlphaZero. In der Praxis gibt es aber viele Analytics Projekte, die sich einfach nicht lohnen.
Warum?
Weil der Aufwand größer ist als ihr Nutzen. Ob das so ist, kann man nur von Anwendungsfall zu Anwendungsfall beantworten. Mit unserem ITGAIN Analytical Process beispielsweise können wir ein Analyseprojekt wirtschaftlich bewerten und schaffen einen konkreten Handlungsbezug. Das ist essenziell. Denn wenn die Erkenntnisse aus der Analyse zu keiner konkreten Handlung führen, sind sie zwecklos.
Und wie kann man erkennen, ob ein Analytics-Projekt „gut“ ist?
Die erste Frage lautet: Ist klar, welche konkrete Entscheidung unterstützt werden soll? Die zweite ist: Welche Handlung soll aus der Entscheidung folgen? Und schließlich muss man wissen, wie exakt eine Analyse überhaupt sein muss.
Warum? Ist nicht eine Analyse umso besser, je genauere Vorhersagen sie liefert?
Nein. Nehmen Sie eine klassische Investitionsentscheidung. Hier kann ich mit Prognosemodellen bis auf die x-te Nachkommastelle ausrechnen, wieviel „Return on Investment“ sie bringen wird. Das ist aber gar nicht notwendig. Es reicht schon aus, wenn ich herausfinde, dass ich damit in etwa 10 % Gewinn mache. Bereits mit dieser Information kann ich mich sehr gut begründet für die Investition entscheiden. Das beste Analytics-Projekt ist also immer dasjenige, dessen Prognose dem Ziel angemessen genau ist.
Wie gestaltet man so ein angemessenes Analytics-Projekt?
Stellen Sie sich vor, Sie sind eine Versicherung und Sie haben schon immer Direktmailings genutzt, um Ihren Kunden neue Produkte anzubieten. Der Rücklauf Ihrer Aktionen ist aber zuletzt zurückgegangen. Nun haben Sie gerade eine neue Versicherungspolice im Angebot und Sie setzen ein Analytics-Projekt auf, um die Mailing-Aktion dazu effizienter zu gestalten. Sie analysieren Ihre Kundendaten, um herauszufinden, welche Ihrer Kunden wahrscheinlich die neue Versicherung abschließen werden und welche nicht. Mit dem Ergebnis können Sie dann Ihre Zielgruppe einschränken, Mailingkosten sparen und die Rücklaufquote verbessern. Aber der Analyseaufwand, um die passenden Adressaten herauszufiltern, sollte nicht ausufern. Sonst ist das Projekt nicht mehr wirtschaftlich.
Und wie erkenne ich, wann ich genug Aufwand betrieben habe?
Nehmen wir an, Sie erwarten sich durch Ihr Analytics-Projekt eine Umsatzsteigerung von 500 000 Euro und sind bereit, 10 % davon in das Projekt zu investieren. Dann haben Sie ein konkretes Kriterium. Sie arbeiten also an dem Projekt, bis Sie die 50 000 Euro ausgegeben haben. Wenn Sie an diesem Punkt dann Kunden identifizieren können, die mit einer achtzigprozentigen Wahrscheinlichkeit die Versicherung kaufen werden, dann ist das Projekt sicherlich ausreichend gut.
Das stimmt. Aber wie kann ich denn wissen, dass eine Umsatzsteigerung von 500 000 Euro zu erwarten ist?
Wieviel Umsatz eine verkaufte Police bringt, ist ja klar. Aber auch wieviel es kostet, einen Flyer zu drucken und ihn zu verschicken und so fort. Außerdem wissen Sie, welcher Umsatz Ihnen entgeht, wenn Sie einen Kunden nicht ansprechen, der eigentlich gekauft hätte. Was Ihnen jetzt noch fehlt, ist das Wissen darüber, mit welcher Wahrscheinlichkeit Sie die richtigen Adressaten ansprechen werden und mit welcher Wahrscheinlichkeit die falschen. Und das sagt Ihnen Ihr Analytics-Modell. Am Ende können Sie einen Strich darunter ziehen und ausrechnen, welchen „Return on Investment“ Sie in etwa zu erwarten haben.
Wie funktioniert das genau?
Die zentrale Rolle dabei spielt die sogenannte Confusion Matrix. Diese gibt die Häufigkeit der zutreffenden und falschen Prognosen jeweils für positive und negative Vorhersagen wider. Damit entstehen vier Fälle, die individuell monetär bewertet und mit der Häufigkeit multipliziert werden. Die Summe der vier Fälle ist der Wert des Modells – in unserem Beispiel die 500 000 Euro Umsatzsteigerung. Aber nochmals: Dieser Wert kann nur dann realisiert werden, wenn Sie das Analytics-Projekt von vorne herein so angehen, dass dadurch auch eine konkrete Handlung folgt. Denn analysieren kann ich aus reiner Neugierde alles Mögliche und mit beliebig viel Aufwand. Verstehen Sie mich nicht falsch, zwecklose Neugierde ist etwas Wunderbares. Forscher, Künstler, Kinder können ohne sie nicht leben. Aber wenn es um wirtschaftliche Entscheidungen geht, ist sie Energieverschwendung.
Markus Burger-Scheidlin ist Teamleiter Analytics bei ITGAIN
Lesen Sie im nächsten Beitrag, welche fünf Punkte Sie beachten müssen, um aus Ihrem Analytics-Projekt ein „gutes“ Analytics-Projekt zu machen.
