Susanne Mentel - Predictive Analytic und die Haftung für fehlerhafte Ergebnisse gegenüber betroffenen Einzelpersonen

Ein Ansatz für Predictive Analytic im Marketing ist die Neukundengewinnung anhand einer systematischen und automatisierten Auswertung von Informationen aus dem Internet. Das Auffinden potenziell interessanter Kunden kann dabei unter anderem über einen Text-Mining-Algorithmus erfolgen. Dieser durchsucht zunächst Daten von bestehenden Kunden, um gewisse Zusammenhänge und Muster in diesen zu finden. In einem zweiten Schritt werden dann neue Datenbestände auf eine Überschneidung mit diesen Mustern untersucht. Je nach Grad der Übereinstimmung wird der potenzielle Neukunde anhand eines Punktesystems bewertet. Mithilfe der so ermittelten Score-Werte kann eine Vorhersage darüber aufgestellt werden, wer an Produkten interessiert sein könnte und als potenzieller Neukunde in Frage kommt.68 Ein Beispiel aus der Praxis hierfür ist die Predictive Analytic-Anwendung der Adolf Würth GmbH & Co. KG . Das Unternehmen nutzt eine Software, die das Umsatzpotenzial von Unternehmen vorhersagt, die noch keine Kunden des Unternehmens sind. Die Analyse nutzt dabei nur frei über das Internet zugängliche Daten über Unternehmen in den für den Absatz von Würths Produkten relevanten Branchen, in diesem Fall Handwerksbetriebe und Kfz-Werkstätten.69 Dieses Anschauungsbeispiel lässt sich auf beliebige Situationen übertragen und kann neben frei verfügbaren Informationen aus dem Internet auch auf Social Media-Profilen oder anderen Datenquellen beruhen. Das Beispiel zeigt, wie potenzielle Neukunden anhand von Mustern erkannt werden können. Ziel dieser Predictive Analytic ist dann, diese Personen oder Unternehmen gezielt ansprechen zu können.

Ein weiteres Haupteinsatzgebiet von Predictive Analytic ist die Vorhersage von Interessen für die Zwecke der personalisierten Werbung. Diese Anwendung ist für Bestandskunden gleichermaßen relevant wie für Neukunden. Vorhersagen über die Interessen von bereits bestehenden Kunden haben den Vorteil, dass für diese auf die Kundenhistorie, also die im Betriebssystem des Unternehmens gespeicherten Daten über vergangene Einkäufe zurückgegriffen werden kann. Mittels der vorhandenen Daten über letzte Käufe kann ein Kundenwert (sog. Customer Value) ermittelt werden, der Aufschluss darüber gibt, welche Themen für diesen Kunden interessant sind.70 Durch die Analyse der Verkaufshistorie und der Arbeit selbstlernender Algorithmen können dem Kunden beim nächsten Besuch der Homepage für ihn interessante Produkte angezeigt werden.71 Die Unternehmen möchten damit erreichen, dass dem Kunden nur Werbung geschickt oder angezeigt wird, die personalisiert und genau auf die Interessen des Kunden zugeschnitten ist.72 Ein Beispiel für eine solche Praxis, das weltweit für großes Aufsehen gesorgt hat, war die Schlagzeile,73 derzufolge das Handelsunternehmen Target mithilfe einer Predictive Analytic die Schwangerschaft einer Teenagerin vorhergesagt haben soll. Der jungen Frau wurden aufgrund ihres gespeicherten Einkaufsverhaltens Werbeprospekte zugeschickt, die auf eine Schwangerschaft schließen ließen. Das Schockierende an diesem Fall war, dass die Eltern des Mädchens erst später von der tatsächlich bestehenden Schwangerschaft erfahren haben sollen. Im Gegensatz zum stationären Handel ist beim Online-Shopping eine Vorhersage von Kaufinteressen auch in Echtzeit möglich, indem sich die auf der Homepage empfohlenen Produkte anhand der kurz zuvor angeklickten Produkte automatisch anpassen.

Predictive Analytic werden nicht nur auf die Frage angewandt, wer sich für ein bestimmtes Produkt interessiert, sondern können auch Aufschluss über die Frage geben, wie der Kunde am besten angesprochen werden sollte.74 Dies betrifft zum Beispiel Fragen des Retargeting, also der Frage wie ein aus dem Warenkorb abgesprungener Kunde am besten wieder auf das Ziel, den Kauf des Produktes, gelenkt werden kann. Außerdem können mit Predictive Analytic nicht nur Vorhersagen über das generelle Interesse eines Kunden für ein gewisses Produkt getroffen werden, sondern auch die näheren Umstände dieses Interesses vorausgesagt werden. So macht es einen Unterschied für die zielgerichtete Werbung, ob ein Kunde einen Gegenstand lieber kaufen oder mieten möchte.75 Das anbietende Unternehmen kann mithilfe der Ergebnisse dieser Predictive Analytic-Anwendung dann speziell auf die vom Kunden favorisierte Art eingehen.

Ein weiterer Anwendungsbereich von Predictive Analytic zu Marketingzwecken ist das sog. Uplift-Modelling. Bei dieser Anwendung wird ein Vorhersagewert darüber aufgestellt, wie hoch die Wahrscheinlichkeit ist, dass sich eine Person in ihrem Verhalten beeinflussen lässt.76 Das Ziel dieser Vorhersage kann beispielsweise die Beantwortung der Frage sein, welcher Kunde ein Produkt nur dann kaufen wird, wenn er zuvor mittels einer Marketingkampagne angesprochen wurde. Ein prominentes Beispiel für diese Art von Predictive Analytic ist die Verwendung von Big Data-Analysen im Wahlkampf von Barack Obama im Jahre 2012. Ziel der Vorhersage war es nicht, herauszufinden, ob ein bestimmter Wähler Obama unterstützt, sondern vorherzusagen, welche Wähler in ihrem Wahlverhalten noch beeinflussbar sind. Ausgehend von diesen Erkenntnissen konnten die Wahlhelfer von Obama gezielt diejenigen Wähler ansprechen, die noch unentschlossen waren und so auf ihre Seite ziehen, was letztlich zum Sieg im Rennen um den Präsidentenposten geführt haben soll.77 Derartige Vorhersagen im Bereich des Uplift-Modelling werden auf ähnlicher Grundlage auch im Marketing eingesetzt, um nur diejenigen Kunden anzusprechen, die wahrscheinlich auf eine Marketingmaßnahme reagieren werden und jene nicht mit Werbung zu belästigen, die sich von dieser eher gestört fühlen oder deren Interesse bei zu viel Werbung abnehmen würde. Diese Form von Predictive Analytic soll dazu dienen, mehr Umsätze zu generieren, aber auch Ressourcen zu schonen und wirkungslose Werbeausgaben zu vermeiden.

Predictive Analytic werden gerne auch für Maßnahmen der Kundenbindung verwendet. Mithilfe eines Data Mining-Modells können Muster in bestehenden Kundenbeziehungen entdeckt werden, mit denen auf mögliche Szenarien in der Zukunft reagiert werden kann. Anhand von Predictive Analytic kann beispielsweise während eines Kundengesprächs mittels Echtzeit-Analyse auf dem Desktop des Callcenter-Mitarbeiters eine Einstufung des Kunden vorgenommen werden.78 Ein Warnsystem kann dem Mitarbeiter auf diese Weise anzeigen, wenn eine Übereinstimmung mit dem Muster eines kündigungsbereiten Kunden vorliegt. Ergibt die Echtzeit-Vorhersage, dass der spezielle Kunde Gefahr läuft zu kündigen, kann mittels einer Predictive Analytic desweiteren ein Wahrscheinlichkeitswert darüber aufgestellt werden, ob es sich lohnt, diesen Kunden zu halten. Darüber hinaus kann vorhergesagt werden, durch welche der vorhandenen Kundenbindungsmaßnahmen der Kunde sich am ehesten binden lassen wird.79 Mögliche Maßnahmen können dann das Angebot eines neuen Produktes oder eines neuen Tarifes sein; ebenso kommen Rabattaktionen oder Erstattungen in Betracht.80

Ein anderes, weites Anwendungsgebiet, in dem Predictive Analytic zum Einsatz kommen, ist das Geschäftsfeld des Dynamic Pricing. Das Verhalten, welches in diesen Fällen vorhergesagt werden soll, bezieht sich auf die Bereitschaft einen bestimmten, im Zweifelsfall höheren Preis zu zahlen. Das auch als smarte Preisgestaltung umschriebene Verfahren erfasst zwei Unterarten: zum einen die dynamische und zum anderen die personalisierte Preisgestaltung.81 Dynamische Preisgestaltung bedeutet zunächst nur, dass Preise verändert werden, sie also nicht statisch sind. Dies ist an und für sich nichts Neues und wurde seit jeher im Handel betrieben, indem Preise an die Nachfrage oder die Konkurrenz angepasst wurden. Bei der personalisierten Preisbestimmung handelt es sich dagegen um Preise, die aufgrund vorhergehender Analysen genau auf eine einzelne Person abgestimmt wurden. Dabei wird vorhergesagt, welchen Preis ein Kunde wahrscheinlich bereit ist zu zahlen und damit an die „Schmerzgrenze“ des Kunden angepasst.82 Dynamic Pricing wird deshalb auch als die „Prognose des aktuell besten Preises“ umschrieben.83 Die dafür erforderliche Analyse basiert auf einer Vielzahl von Daten und beschränkt sich nicht nur auf den Online-Bereich. Durch digitale Preisschilder kann eine dynamische Preisgestaltung auch in stationären Geschäften betrieben werden.84