Wie würde sich dein Geschäft verändern, wenn du die Zukunft vorhersagen könntest? Was wäre, wenn du nicht nur bestimmen könntest was was passieren wird, sondern auch warum es passieren wird und wann es passieren wird?
Skai macht das schon jetzt für eine Vielzahl von Verbrauchermarken.
So machen wir es: Zuerst sammeln und verbinden wir eine Vielzahl von Datenquellen. Dann kontextualisieren wir diese Daten, um sie verständlich zu machen. Diese kontextualisierten Daten können dann in verwertbare Erkenntnisse umgewandelt werden, die den Unternehmen die Sicherheit geben, weitreichende und äußerst wirkungsvolle Entscheidungen zu treffen.
Die prädiktive Modellierung ist eine Möglichkeit, wie Skai Petabytes von Daten aufschlussreich und langfristig nutzbar macht. Die Modellierung funktioniert durch das Erkennen und Verstehen von Trends und Mustern in historischen Daten und die anschließende Anwendung dieser Erkenntnisse, um zukünftige Chancen und Risiken vorherzusagen.
Die Zukunft zu kennen ist sehr wertvoll, deshalb versuchen viele Unternehmen und Datenanalysefirmen, Vorhersagen zu treffen. Aber es gibt zwei Haupthindernisse, die zwischen Daten und umsetzbaren Erkenntnissen stehen:
- Ergebnisse, die zu komplex sind. Data-Science-zentrierte Unternehmen verfügen zwar über hochpräzise Modelle, aber die Modellergebnisse können zu komplex sein, als dass die Geschäftsteams sie verstehen und schnell darauf reagieren könnten. Oft sind nur die Datenwissenschaftler selbst in der Lage, die Ergebnisse zu interpretieren.
- Mangel an verschiedenen Datenquellen. Technisch weniger fortschrittliche Unternehmen verwenden für ihre Modellierung vielleicht nur eine einzige Datenquelle - zum Beispiel historische Verkaufsdaten. Aber diese rückwärtsgerichteten Daten sind von anderen Einflussgrößen isoliert. Sie können keine Vorhersagen über künftige Veränderungen der Verbrauchergewohnheiten und -präferenzen oder über Veränderungen im Wettbewerbsumfeld machen und somit auch keine Vorhersagen über künftige Umsätze, Trends oder Chancen.
Skai umgeht diese beiden Hindernisse, indem wir unsere Erkenntnisse auf mehr als 13.000 gut vernetzte Datenquellen stützen und das "Warum" in unsere Vorhersagen einbeziehen, so dass sie erklärbar, verständlich und für alle Entscheidungsträger zugänglich sind. Der Prozess beginnt mit einer spezifischen Geschäftsfrage, die uns dazu veranlasst, die relevanten Datensätze und Modelle zu identifizieren, die umsetzbare Vorhersagen liefern. Unser detaillierter Blick auf die Marktlandschaft ermöglicht es uns, bis auf die Ebene der Attribute vorzudringen und Fragen wie diese zu beantworten:
- Welcher Inhaltsstoff wird in den nächsten 1-3 Jahren auf dem Markt aufsteigen?
- Welche Merkmale und Vorteile sollten wir für eine optimale Produktpositionierung in den Vordergrund stellen?
- Welche aufstrebenden Marken sollten in den nächsten 3 Jahren für Fusionen und Übernahmen in Betracht gezogen werden?
Eine Fallstudie über die Auswirkungen breiter Vorhersagen: Handlungsfähigkeit
Ein Skai aus der Süßwarenbranche wollte wissen, welche Produktmerkmale - wie reisefreundliche Verpackungen und transfettfreie Zutatenlisten - in den nächsten drei Jahren auf den Markt kommen würden.
In der Modellierungsphase erstellten wir Hunderte von Vorhersagemodellen aus Datenquellen, die mit Süßwaren zu tun haben, und integrierten Geschäftslogik, um sicherzustellen, dass alle Ergebnisse wirklich relevant sind. Einige dieser Modelle untersuchten den Zusammenhang zwischen Produktverkäufen und der Erwähnung einzelner Produktmerkmale in Verbraucherrezensionen. Diese Modelle bestätigten, dass die Online-Diskussionen der Verbraucher über Produktmerkmale einen zukünftigen Anstieg der Verkäufe von Produkten mit diesen Merkmalen vorhersagen.
Nachdem die Vorhersage auf ihre Genauigkeit hin überprüft worden war, konnte Skai erklären, welche Datentypen die unmittelbarsten Trends anzeigen würden. Der Kunde wurde mit den richtigen Datensätzen ausgestattet, um auf kommende Trends zu achten.
Eine Fallstudie zur Beantwortung spezifischer Geschäftsfragen mit Predictive Analytics
Ein führendes Unternehmen der Tiernahrungsbranche bat Skai um eine Prognose zum nächsten Trend bei pflanzlichen Proteinen in der Tiernahrung. Da es heute kaum beliebte pflanzliche Proteine für Haustiere auf dem Markt gibt, waren historische Verkaufsdaten allein nicht hilfreich. Wir mussten tiefere und breitere Datensätze untersuchen, um eine Antwort zu finden, die die langfristigen Produktentwicklungsstrategien für die Marke vorantreiben würde.
Wir haben zunächst alle Produkte auf dem Markt identifiziert, die behaupten, pflanzliche Proteine zu enthalten. Dann analysierten wir, wie sich zusätzliche Inhaltsstoffe auf die Verkaufszahlen dieser Produkte auswirken.
Diese Analysen haben uns geholfen zu verstehen:
- Die Verteilung der Inhaltsstoffe auf die Produkte
- Ob die Anzahl der Zutaten ein Prädiktor für den Umsatz war
- Welche pflanzlichen Proteine mit höheren Umsätzen verbunden sind
Wir haben herausgefunden, dass Produkte mit "zentralen Zutaten" - also solchen, die neben dem primären pflanzlichen Eiweiß nur wenige weitere Zutaten enthalten - von den Verbrauchern als hochwertiger angesehen wurden als Produkte mit vielen Zutaten. Außerdem wurden die pflanzlichen Proteine, die allein oder mit wenigen anderen Zutaten angeboten wurden, als hochwertiger angesehen als andere Proteine.
Diese Daten ermittelten nicht nur die pflanzlichen Proteine, die auf dem Vormarsch waren, sondern zeigten auch, dass neue Produkte, die diese Proteine enthalten, zusätzliche Zutaten einschränken sollten, um bei den Verbrauchern besser anzukommen. Der Tiernahrungskunde erhielt eine genaue Vorhersage über das nächste große Protein sowie eine Erklärung, warum dieses Protein an Beliebtheit gewinnen würde. Dies ist der Schlüssel, um die Erwartungen der Kunden zu erfüllen, eine effektive Marketingbotschaft zu erstellen und vieles mehr.
Bestimmung der Genauigkeit von Vorhersagen
Der beste Weg, um sicherzustellen, dass eine Vorhersage vertrauenswürdig ist, ist die Verwendung verschiedener, miteinander verbundener Datenquellen, um sie zu erstellen.
Jedes Vorhersagemodell, das wir erstellen, besteht aus mehreren Ebenen, um die Genauigkeit bei der Beantwortung bestimmter Kundenfragen zu maximieren. Jede Ausgabe hat einen anderen Genauigkeitswert, da die Daten für jede Frage unterschiedliche Muster aufweisen können. Zusammen liefern diese Ergebnisse ein sehr genaues Resultat. Es ist jedoch immer schwierig, die wahre Genauigkeit einer Vorhersage zu bestimmen, vor allem wenn es um zukünftige Trends oder Produkte geht, die noch nicht auf dem Markt sind. Hüte dich vor Anbietern, die behaupten, dass ihre Vorhersagen absolut genau sind.
Die Handlungsfähigkeit ist ein viel besseres Maß für den Wert einer Vorhersage. Stell dir das so vor: Wenn ein Data-Analytics-Team genau vorhersagen kann, dass Hanfprotein die nächste große Tierfutterzutat sein wird, aber nicht erklären kann, warum, dann könnte eine Tierfuttermarke beschließen, einfach Hanfprotein zu einem bestehenden Hundefutter hinzuzufügen, das 15 weitere Zutaten hat. Aber dieses Produkt wird wahrscheinlich scheitern - nicht, weil die Vorhersage über die Beliebtheit von Hanfprotein falsch war, sondern weil die Vorhersage den Grund nicht berücksichtigt hat, warum Hanfprotein im Trend liegt: weil es allein oder mit wenigen anderen Zutaten auskommt, was seine überlegene Qualität gegenüber anderen Proteinen signalisiert und so den Absatz fördert. In diesem Fall hatte die Vorhersage der steigenden Beliebtheit von Hanfprotein keine bedeutenden Auswirkungen auf das Unternehmen. Sie war nicht wirklich umsetzbar.
Auf welche kritischen Geschäftsfragen hättest du gerne Antworten? Welche Entscheidungen würdest du treffen, wenn du wüsstest, was in den nächsten 1-3 Jahren auf deinem Markt passieren wird, und warum?
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
