Die drei Stufen Descriptive, Predictive und Prescriptive sind die gängige Gliederung der Analyse-Reifegrade. In der Praxis liegt der Unterschied zwischen den Stufen weniger in der Technik als in der Organisations-Reife dahinter.
Stufe 1 — Descriptive Analytics
Die Frage: Was ist passiert?
Die Arbeit: Dashboards, Reports, Zeitreihen, Ad-hoc-Analysen von historischen Daten. Der Output ist Transparenz über Vergangenheit und Gegenwart.
Typische Outputs im Marketing-Kontext:
- Wöchentliche Kampagnen-Performance
- Monatliche Umsatz-Segmentierungen
- Quartalsweise CLV-Reports
- Conversion-Funnel-Analysen
Tools: Power BI, Looker, Tableau, Excel.
Die Wahrheit: Die meisten Unternehmen denken, sie sind auf Stufe 1 — sind aber auf Stufe 0, weil Dashboards existieren, aber niemand sie in Entscheidungen nutzt. Stufe 1 heißt nicht „Dashboards vorhanden", sondern „Dashboards werden in Geschäftsentscheidungen konsultiert".
Stufe 2 — Predictive Analytics
Die Frage: Was wird passieren?
Die Arbeit: Statistische oder ML-Modelle, die aus historischen Daten Zukunftsprognosen ableiten. Der Output ist eine Wahrscheinlichkeits-Aussage oder ein numerischer Erwartungswert.
Typische Outputs:
- Churn-Wahrscheinlichkeit pro Kunde
- Customer Lifetime Value-Prognose
- Propensity-to-Buy-Scoring
- Bedarfs-Prognose für Logistik
- Lead-Scoring für Vertrieb
Tools: Python mit scikit-learn, R, H2O, Databricks, SageMaker, spezifische Tools wie lifetimes (Python, CLV).
Voraussetzungen:
- Mindestens 12 Monate saubere historische Daten
- Data-Science-Kompetenz (intern oder Partnerschaft)
- Operative Integration: Das Modell muss regelmäßig neu gerechnet und ausgespielt werden
Die Wahrheit: Predictive Analytics in Produktion ist deutlich seltener als in Präsentationen. Viele Organisationen haben Modelle im Notebook-Stadium, ohne produktive Verwendung. Der Stufe-2-Anspruch gilt erst, wenn Modelle im Geschäftsbetrieb konsumiert werden.
Stufe 3 — Prescriptive Analytics
Die Frage: Was sollten wir tun?
Die Arbeit: Nicht nur Prognose, sondern Handlungsempfehlung. Das Modell schlägt unter vorgegebenen Zielen und Constraints konkrete Aktionen vor — automatisch oder als Vorschlag an Menschen.
Typische Outputs:
- Next-Best-Action pro Profil (aus Pool möglicher Aktionen die erwartete beste auswählen)
- Dynamische Preisempfehlung unter Margen-Zielen
- Kampagnen-Budget-Verteilung unter Reichweiten-Constraints
- Optimale Service-Level-Aktionen bei Ressourcen-Begrenzung
Techniken:
- Reinforcement Learning (für sequentielle Entscheidungen)
- Constraint-Optimization
- Multi-Armed-Bandit-Algorithmen (für A/B-Testing mit Exploration/Exploitation-Balance)
- Simulation und Optimization
Die Wahrheit: Prescriptive Analytics in Produktion ist 2026 seltener als Silicon-Valley-Folien suggerieren. Die meisten „Prescriptive"-Implementierungen sind in Wirklichkeit Predictive mit fest kodierten Handlungsregeln obendrauf. Das ist nicht weniger wertvoll, aber es ist nicht Prescriptive im engeren Sinn.
Der schwierige Sprung: Stufe 2 auf 3
Die Lücke zwischen Descriptive und Predictive ist technisch — man braucht andere Werkzeuge und Kompetenzen.
Die Lücke zwischen Predictive und Prescriptive ist organisational. Prescriptive erfordert, dass ein System oder Prozess Entscheidungen aus Prognosen ableitet — automatisch oder halbautomatisch. Das setzt voraus:
- Klare Zielfunktion (was soll maximiert/minimiert werden?)
- Klare Constraints (was ist erlaubt, was nicht?)
- Ein Entscheidungs-Framework, das Modell-Output in Aktionen übersetzt
- Menschliche Aufsicht (wegen EU AI Act und Governance)
Die meisten Organisationen scheitern nicht am Modell, sondern an der Entscheidungs-Infrastruktur drumherum.
Diagnostic Analytics als Zwischenstufe
Mancherseits wird eine Zwischenstufe Diagnostic Analytics geführt: „Warum ist das passiert?". Die Antwort kommt aus Root-Cause-Analysen, Drill-Downs und Korrelations-Untersuchungen.
Ob man Diagnostic als eigene Stufe führt oder als Teil von Descriptive ist Definitionssache. Pragmatisch: Wenn deine Organisation klar zwischen „was ist passiert" und „warum" unterscheidet, macht die Zwischenstufe Sinn.
Wie du auf der Reifegrad-Leiter hochkommst
Von 0 auf 1 — Descriptive nutzen:
- Dashboards in Quartalsplanungen referenzieren
- Data-Literacy in Fachbereichen aufbauen
- Self-Serve-BI einführen
- Kann 6–12 Monate dauern
Von 1 auf 2 — Predictive einführen:
- Erste Use-Cases identifizieren mit klarem Business-Value
- Prototyp im Notebook → produktives Deployment
- Data-Science-Kapazität aufbauen
- 12–24 Monate für erste produktive Modelle
Von 2 auf 3 — Prescriptive einführen:
- Next-Best-Action oder ähnlichen Use-Case pilotieren
- Entscheidungs-Framework etablieren
- Menschliche Aufsicht strukturieren
- 24+ Monate, selten wirklich abgeschlossen
Typische Use-Cases pro Stufe im Marketing
Stufe 1: Kampagnen-Performance, CLV-Reporting, Kohorten-Analyse, Funnel-Reports Stufe 2: Churn-Modell, CLV-Prognose, Propensity-Scoring, Lead-Scoring Stufe 3: Next-Best-Action, dynamische Journey-Orchestrierung, automatisiertes Budget-Umverteilen
Häufige Fehler
Fehler 1 — Stufe überspringen. Predictive ohne solide Descriptive-Basis. Das Modell mag funktionieren, aber niemand versteht es, weil die Basis fehlt.
Fehler 2 — Tool-Etikett statt Reifegrad. „Wir haben AI-Analytics gekauft" ist keine Predictive-Reife. Reife kommt aus Nutzung, nicht aus Tool-Besitz.
Fehler 3 — Prescriptive ohne Governance. Automatische Handlungsempfehlungen ohne klare Zielfunktion und Aufsicht landen in Compliance-Problemen.
Fehler 4 — Kein Feedback-Loop. Ein Predictive-Modell, das nie überprüft wird, driftet unerkannt. Model Drift Monitoring ist Pflicht.
Verbindungen: Customer Lifetime Value als klassisches Predictive-Beispiel. Segmentierung für Descriptive-Tiefe. Predictive Analytics im Marketing für die KI-Perspektive.