cc) Predictive Analytic für die Modalitäten der Ansprache
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.
dd) Uplift-Modelling
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.
b) Predictive Analytic als Kundenbindungsinstrument
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
c) Predictive Analytic im Dynamic Pricing
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
d) Predictive Analytic zur Arbeitnehmerbewertung
Ausgelöst durch die technischen Möglichkeiten versuchen Unternehmen auch in ihrer Funktion als Arbeitgeber, durch vorhersagende Analysen Einblicke in ihre Mitarbeiter zu erhalten. Nach dem gleichen Prinzip wie die bereits angesprochenen Systeme zur Kundenbindung kann auch im Arbeitsleben die Kündigungswahrscheinlichkeit eines Arbeitnehmers berechnet werden und werden Predictive Analytic auch zur Personalbeschaffung eingesetzt.85 In der Bewerbungs- und Einstellungsphase sollen Predictive Analytic Aufschluss darüber geben, wie geeignet der Kanditat für die ihm zugewiesene Stelle ist und ob er generell zum Unternehmen passt. Im Rahmen bestehender Arbeitnehmerverhältnisse wollen Personalabteilungen das Verhalten ihrer Mitarbeiter und ihre Loyalität zum Arbeitgeber86 sowie ihre Entwicklungsmöglichkeiten durch vorhersagende Analysen berechnen. Auch Antworten auf Fragen des Personaleinsatzes sollen ein Potenzial von Predictive Analytic darstellen.87
e) Predictive Analytic zur Tarifierung und Risikoeinschätzung bei Versicherungen
Predictive Analytic-Verfahren werden auch in der Versicherungsbranche eingesetzt. Die Anwendungsgebiete reichen von Wahrscheinlichkeitsanalysen vor Abschluss eines Versicherungsvertrages in der Phase des sog. Underwriting, über die Ermittlung der Höhe von Versicherungsbeiträgen bis hin zur Vorhersage von Schadensrisiken während eines bestehenden Versicherungsverhältnisses. Versicherungen können dafür auf speziell auf sie zugeschnittene Analyseverfahren, beispielsweise der SCHUFA, zurückgreifen, die laut eigenen Angaben aus 150 SCHUFA-Variablen einen Wert bildet, der den Versicherungsanbietern eine risikogerechte Ermittlung der Prämien ermöglichen soll.88 Die Versicherungen haben jedoch auch unabhängig von derartigen Angeboten die Möglichkeiten vorhersagender Analysen für ihre Zwecke erkannt. Ein Beispiel hierfür sind die seit 2014 in Deutschland angebotenen Telematik-Tarife von Kfz-Haftpflichtversicherungen.89 Bei diesen werden mit Einwilligung des Versicherten Daten über das Fahrverhalten mittels einer App oder einer in das Fahrzeug integrierten Messeinrichtung erhoben. Diese Daten umfassen etwa Geschwindigkeit, Abbrems- und Beschleunigungsmanöver, Lenkvorgänge, aber auch Standortdaten