Predictive Analytics ist die klassische KI-Anwendung im Marketing — und gleichzeitig die, die am häufigsten im PowerPoint-Stadium stecken bleibt. Der Unterschied zwischen einem Modell, das etwas prognostiziert, und einem produktiven System, das Entscheidungen stützt, ist größer als die meisten Teams schätzen.
Die drei wichtigsten Predictive-Modelle
Churn-Modell. Welche Kunden werden in den nächsten 30/90 Tagen abwandern? Input: Verhaltens-Signale der letzten 6 Monate. Output: Wahrscheinlichkeits-Score pro Profil. Einsatz: Retention-Kampagnen priorisieren, Sales-Calls triggern, Rabatte gezielt einsetzen.
CLV-Modell. Wie viel Wert wird ein Kunde über die verbleibende Lebenszeit noch bringen? Siehe Customer Lifetime Value. Einsatz: Akquise-Budget-Verteilung, Segmentierung nach Wert-Potenzial, Investment-Priorisierung.
Next-Best-Action (NBA). Welche nächste Aktion ist für diesen Kunden die wahrscheinlich wirksamste? Input: Profil-Features + Aktions-Pool. Output: Ranking der Aktionen. Einsatz: Kampagnen-Orchestrierung, Inbound-Service-Steuerung.
Weitere relevante Modelle: Propensity-to-Buy, Recommendation-Systeme, Bedarfs-Prognose, Cross-Sell-Modelle.
Voraussetzungen in der Praxis
Datenbasis:
- Event-Level-Daten über mindestens 12–18 Monate
- Konsistente Identifier (E-Mail-Hash, CRM-ID)
- Monitoring auf Daten-Qualität (Dublettenquote, Freshness)
Infrastruktur:
- Analytics-Platform (Snowflake, BigQuery, Databricks)
- ML-Platform (SageMaker, Vertex AI, oder in-house Python)
- Scoring-Pipeline (Batch täglich oder on-demand)
- Monitoring-Dashboard für Modell-Performance
Organisation:
- Data-Scientist-Kompetenz (intern oder Partnerschaft)
- Marketing-seitiger Konsument des Modell-Outputs
- Governance-Prozess für Modell-Updates
Das typische Predictive-Projekt in 6 Phasen
Phase 1 — Use-Case-Definition (1 Monat). Welche Business-Frage soll das Modell beantworten? Mit welcher Entscheidung wird der Output gekoppelt? Ohne klare Kopplung ist das Modell später ein Notebook ohne Wirkung.
Phase 2 — Daten-Exploration (1–2 Monate). Welche Features sind verfügbar, welche helfen? EDA, Feature-Engineering, erste Baseline-Modelle. Am Ende steht ein realistischer Scope.
Phase 3 — Modell-Entwicklung (1–2 Monate). Mehrere Modell-Varianten trainieren, Cross-Validation, Hyperparameter-Tuning. Performance-Metriken gegen Business-KPIs mappen (AUC ≠ Business-Wert).
Phase 4 — Produktions-Deployment (1–2 Monate). Scoring-Pipeline, Integration mit CDP/CRM, Automation-Triggering. Das ist die Phase, die am häufigsten unterschätzt wird.
Phase 5 — Monitoring (laufend). Model Drift erkennen, Feedback-Loops, regelmäßiges Retraining. Ohne Monitoring wird das Modell in 6 Monaten schlechter als die Baseline.
Phase 6 — Skalierung (ab Monat 6). Neue Use Cases, Modell-Wiederverwendung, Expansion auf weitere Segmente oder Länder.
Warum die meisten Projekte scheitern
Grund 1 — Kein Deployment. Das Modell läuft im Notebook, wird aber nie in Business-Entscheidungen gekoppelt. 60 Prozent der Predictive-Projekte bleiben in diesem Stadium.
Grund 2 — Kein Monitoring. Nach Deployment wird niemand mehr über Modell-Performance informiert. Model Drift bleibt unbemerkt, bis ein Business-KPI absinkt.
Grund 3 — Overfitting auf historische Muster. Das Modell erkennt Muster, die in Zukunft nicht mehr gelten (z. B. Pre-Pandemie-Verhalten). Regelmäßiges Retraining nötig.
Grund 4 — Kein Feedback-Loop. Wenn Kampagnen-Ergebnisse nicht ins nächste Training fließen, lernt das Modell nicht aus seinen Empfehlungen.
AUC ist nicht Business-Wert
Data-Scientists messen Modelle oft mit technischen Metriken (AUC, Precision, Recall). Das ist nötig, aber nicht ausreichend. Business-Wert-Metriken:
- Churn-Modell: Vermiedener Umsatzverlust durch gezielte Retention-Kampagnen
- CLV-Modell: Besserer CAC:CLV-Wert durch kanalspezifisches Targeting
- NBA-Modell: Conversion-Uplift gegen A/B-Kontrolle
Vor jedem Projekt die Business-Metrik definieren. Sonst gibt's am Ende ein AUC von 0,87 und keine Euro Umsatz-Effekt.
Integration mit Marketing-Stack
Input-Seite:
- CDP liefert Profil-Features
- Data Warehouse liefert historische Aggregate
- Real-time-Events via Kafka/Kinesis
Output-Seite:
- Scoring-Ergebnisse zurück in CDP als Profil-Attribut
- Segment-Generation auf Basis Score-Thresholds
- Sync an Aktivierungs-Tools (E-Mail, Push, Paid)
Das ist der häufigste Integrations-Punkt, an dem Predictive zum Stillstand kommt: Das Modell produziert Scores, aber die Scores landen nirgendwo operativ.
Einstieg in Predictive
Monat 1–2: Use-Case-Auswahl. Empfehlung: Churn-Modell für Subscription-Business, CLV-Modell für E-Commerce. Business-Case dokumentieren.
Monat 3–4: Data-Science-Kapazität sichern. Intern aufbauen oder Partner (häufig erfolgreicher für den Einstieg).
Monat 5–6: Erstes Modell entwickeln, im Holdout testen, Business-Wirkung messen.
Monat 7–9: Produktions-Deployment, Integration in Marketing-Stack.
Ab Monat 10: Skalierung, Model-2, laufende Optimierung.
Das ist ein realistisches Timing für einen Mittelständler ohne bestehende Data-Science-Infrastruktur. Wer schneller verspricht, überspringt typisch Produktions-Integration.
Verbindungen: Customer Lifetime Value als CLV-Tiefenthema. Descriptive/Predictive/Prescriptive für den Reifegrad-Kontext. KI-ROI messen für Wirkungsnachweis.