{"id":153166,"date":"2025-01-21T14:01:17","date_gmt":"2025-01-21T13:01:17","guid":{"rendered":"https:\/\/spotler.com\/guides\/how-does-predictive-ai-work"},"modified":"2025-08-29T14:19:08","modified_gmt":"2025-08-29T12:19:08","slug":"wie-funktioniert-praediktive-ki","status":"publish","type":"guides","link":"https:\/\/spotler.com\/de-de\/guides\/wie-funktioniert-praediktive-ki","title":{"rendered":"Wie funktioniert pr\u00e4diktive KI?"},"content":{"rendered":"
\"\"<\/span><\/p>\n
\n

Wie funktioniert pr\u00e4diktive KI?<\/h1>\n<\/div>\n<\/div>\n

Im Gegensatz zur generativen KI ist die pr\u00e4diktive KI eine spezielle Form der k\u00fcnstlichen Intelligenz. Mit generativer KI – wie ChatGPT – kannst Du Inhalte erstellen. Mit pr\u00e4diktiver KI kannst Du Vorhersagen treffen, die auf der Berechnung von Wahrscheinlichkeiten basieren.<\/strong><\/p>\n

Um zuk\u00fcnftige Ergebnisse oder Trends vorherzusagen, verwendet pr\u00e4diktive KI historische Daten, Algorithmen und maschinelle Lernmodelle. Dabei werden Muster in bestehenden Datens\u00e4tzen analysiert und auf zuk\u00fcnftige Szenarien extrapoliert. Wie das funktioniert und was Du davon hast, wollen wir herausfinden.<\/p>\n

Was kannst Du mit pr\u00e4diktiver KI im Marketing erreichen?<\/h2>\n

F\u00fcr Marketer ist pr\u00e4diktive KI ein entscheidender Faktor. Die Kernaufgabe eines jeden Marketers besteht darin, seine Zielgruppe(n) zu verstehen. So kann die Nachfrage nach Produkten oder Dienstleistungen gesteigert und letztendlich mehr Umsatz erzielt werden. Pr\u00e4diktive KI kann bei all diesen Aufgaben helfen:<\/p>\n

Kundenverhalten vorhersagen<\/h3>\n

Durch vorausschauende KI erh\u00e4lt man Einblicke in die Kundenbindung und kann gute Churn-Analysen erstellen. Du kannst Kaufgewohnheiten wie Bestellwert und Kaufh\u00e4ufigkeit anhand der von der KI verwendeten Modelle vorhersagen. So bekommst Du die Informationen, die Du ben\u00f6tigst, um Deine Zielgruppe in sinnvolle und effektive Segmente aufzuteilen.<\/p>\n

Kampagnenoptimierung<\/h3>\n

Mithilfe von vorausschauender KI kannst Du Deine A\/B-Tests und die Optimierung der von Dir verwendeten Kan\u00e4le verbessern. Vorausschauende KI kann z.B. dabei helfen, den Zeitpunkt einer Kampagne festzulegen, an dem eine Reihe bezahlter Anzeigen am wirkungsvollsten ist.<\/p>\n

Lead Scoring und Segmentierung<\/h3>\n

Mit Informationen \u00fcber potenzielle zuk\u00fcnftige Conversions kann vorausschauende KI-Leads klassifizieren und Informationen f\u00fcr eine sinnvolle Segmentierung liefern.<\/p>\n

Dynamische Preisgestaltung<\/h3>\n

Die Anpassung der Preise an die Nachfrage nach Produkten und Dienstleistungen ist f\u00fcr viele Unternehmen von Interesse. Wie sich die Nachfrage entwickeln wird, l\u00e4sst sich vorhersagen. Dann k\u00f6nnen die Preise zum richtigen Zeitpunkt angepasst werden. Vorausschauende KI macht dies m\u00f6glich.<\/p>\n

Inhalte personalisieren<\/h3>\n

Vorausschauende KI ist besonders n\u00fctzlich f\u00fcr Empfehlungssysteme. Vor allem gro\u00dfe Unternehmen nutzen sie. So arbeitet Amazon zum Beispiel mit Empfehlungen f\u00fcr die richtige Kleidergr\u00f6\u00dfe. Diese basieren auf dem Stil und der Markenwahl der Kundinnen und Kunden. Das liegt einfach daran, dass nicht jede Kleidungsmarke dieselbe Gr\u00f6\u00dfentabelle verwendet. Und wenn man sich als Kunde f\u00fcr ein bestimmtes Kleidungsst\u00fcck entscheidet, kann man \u00fcber Bewertungen und Kommentare von anderen Kunden erfahren, ob es sinnvoll ist, das Kleidungsst\u00fcck eine Nummer gr\u00f6\u00dfer oder kleiner zu bestellen. Die Kunden lieben das.<\/p>\n

Diese intelligenten Formen der Personalisierung nutzt aber auch ein Unternehmen wie Netflix. Wir wollen ein Beispiel nennen. Es macht deutlich, was mit pr\u00e4diktiver KI m\u00f6glich ist.<\/p>\n

\n
<\/div>\n

Beispiel f\u00fcr vorausschauende KI anhand von Netflix<\/h3>\n

Netflix m\u00f6chte viele Zuschauer auf seiner Plattform haben. Gl\u00fccklicherweise sitzen die Marketer von Netflix auf einer Goldgrube an Daten. Schlie\u00dflich sind die Vorlieben der Kunden \u00f6ffentlich zug\u00e4nglich. Netflix nutzt diese Daten intelligent. Durch den Einsatz von pr\u00e4diktiver KI werden die Empfehlungssysteme von Netflix personalisiert. Doch wie sieht das in der Praxis aus?<\/p>\n

<\/div>\n

Gleiche Empfehlung, aber personalisiert<\/h4>\n

Basierend auf bereits gesehenen Filmen, dem Fokus auf bestimmte Schauspieler und den Vorlieben f\u00fcr bestimmte Filmgenres personalisiert Netflix Filmplakate:<\/p>\n

<\/div>\n
\"Unterschiedliches
Ein Beispiel f\u00fcr verschiedene Netflix-Miniaturansichten von Den of Geek<\/a><\/figcaption><\/figure>\n

Diese intelligente Empfehlungstechnologie wird von Netflix verwendet, um mehr Kunden f\u00fcr diesen bestimmten Film oder diese bestimmte Serie zu gewinnen. Die Macht der pr\u00e4diktiven KI wird hier sehr gut veranschaulicht.<\/p>\n

<\/div>\n<\/div>\n
<\/div>\n

Welche Daten braucht pr\u00e4diktive KI?<\/h2>\n

Typen und Arten von Daten, die Du verwenden kannst<\/h3>\n

Dass die Vorteile der pr\u00e4diktiven KI nur dann zum Tragen kommen, wenn Deine Daten in Ordnung sind, sollte sich von selbst verstehen. Schlie\u00dflich werden die Prognosen auf der Basis historischer Daten erstellt. So etwas wie dynamische Preisgestaltung wird schwierig, wenn Du keine Preisentwicklungen und Kaufzeitpunkte in Deinen Systemen speicherst. Und wenn Netflix Filmplakate personalisiert: Dann musst Du speichern, wie oft welcher Kunde welche Art von Film am liebsten sieht.<\/p>\n

Es h\u00e4ngt also von Deinem Unternehmen und vor allem davon ab, was Du mit vorausschauender KI erreichen willst, welche Daten Du f\u00fcr vorausschauende KI ben\u00f6tigst.<\/p>\n

Daten, die Spotler in seinem Pr\u00e4diktive-KI-Modul verwendet<\/h3>\n

Unsere Kunden sollen mit unserer Software Geld verdienen und Geld einsparen. Den Customer Lifetime Value (CLV) effektiver zu machen ist daher unser Fokus. Die daf\u00fcr ben\u00f6tigten Datenpunkte sind customer_id, transaction_timestamp, invoice_id, item_number und order_type. Diese Daten werden in ein spezielles statistisches Modell eingespeist, das von Data Scientists h\u00e4ufig zur Prognose von Auftragswerten und Transaktionsh\u00e4ufigkeiten verwendet wird.<\/p>\n

Wir verwenden auch das Random Forest Modell. In dieses Modell flie\u00dfen nicht nur die genannten Daten ein, sondern unter anderem auch das E-Mail-Verhalten und die Interaktionen auf der Website.<\/p>\n

Unten findest Du eine kurze Erkl\u00e4rung zu beiden Modellen. Das gibt Dir eine gute Einf\u00fchrung in pr\u00e4diktive KI und wie sie funktioniert.<\/p>\n

Wie kann der CLV mit pr\u00e4diktiver KI verbessert werden?<\/h2>\n

Um einen Einblick in die zuk\u00fcnftige Entwicklung des CLVs eines Kunden zu bekommen, beginnt man mit den folgenden historischen Daten: die Anzahl der K\u00e4ufe, die ein Kunde bei Dir get\u00e4tigt hat, der Bestellwert jedes Kaufs und der Zeitpunkt des letzten Kaufs. Dieses Modell wird auch RFM-Modell genannt. RFM steht f\u00fcr Recency, Frequency und Monetary Value.<\/p>\n

\n
\"Ein
Eine RFM-\u00dcbersicht in Spotler Activate<\/figcaption><\/figure>\n<\/div>\n

Der CLV errechnet sich aus dem Kundenwert (basierend auf RFM) multipliziert mit der durchschnittlichen Kundenbeziehungsdauer. Aus dem historischen Kundenverhalten l\u00e4sst sich die durchschnittliche Dauer berechnen. Diese Berechnung gibt keinen Aufschluss \u00fcber zuk\u00fcnftige Entwicklungen und ist deterministisch. Aber sobald man seine CLVs kennt, kann man damit beginnen, die Fragen zu stellen, die man wirklich wissen m\u00f6chte:<\/p>\n