Vorausschauend agieren mit Streaming Analytics

Empfehlungssysteme

Empfehlungssysteme basieren auf der Beobachtung, dass Individuen in der Regel wohlwollend auf Empfehlungen reagieren. Sie bauen auf der Erkenntnis auf, dass es teurer ist, einen neuen Kunden zu finden, als einem bestehenden etwas Zusätzliches zu verkaufen. Die zwei wichtigsten Kategorien von Empfehlungssystemen sind:

Inhaltsbasierte Empfehlungssysteme, die auf der Ähnlichkeit der Attribute von Artikeln wie Büchern oder Musikstücken beruhen. Ein bekanntes Beispiel ist der Internet-Radiodienst Pandora.com. Er klassifiziert Musikstücke aufgrund von rund 400 Attributen, die pro Musikstück erfasst werden. Zur Erarbeitung von Empfehlungen benutzt Pandora die erfassten Attributwerte. Für die Erfassung eines Musikstücks benötigen Spezialisten rund 20 Minuten. Zurzeit umfasst die Pandora-Datenbank, die in der Literatur unter dem Begriff "Music Genome Project" bekannt ist, rund 900.000 Musikstücke von etwa 90.000 Musikern.

Kollaborativ filternde Empfehlungssysteme sammeln und analysieren Daten anhand von Verhalten und Präferenzen der Benutzer, um auf der Basis von Ähnlichkeitsvergleichen Empfehlungen abzugeben. Soziale Netzwerke empfehlen "Freunde" auf diese Weise.

Churn-Management

Churn ist der Anteil an Kunden, die ein Unternehmen innerhalb einer bestimmten Periode verlassen. Die Verringerung des Churn ist eine große Herausforderung, zum Beispiel für Unternehmen aus dem Mobilfunkbereich. Dort verlassen Kunden die Unternehmen nach Ablauf einer minimalen Vertragsdauer. Doch auch andere Bereiche sind vom Churn stark betroffen: Bei Banken und Versicherungen schätzt man Raten zwischen zehn und 30 Prozent jährlich.

Churn-Management ist komplex, denn Kunden beenden Geschäftsbeziehungen aus vielfältigen Gründen. Diese reichen von Unzufriedenheit mit dem Produktangebot über das Ende eines Sonderangebots bis hin zu allgemein ungünstiger Wirtschaftslage oder einem Umzug ins Ausland.

Deshalb lässt sich Kundenabwanderung nie völlig verhindern. Es gibt eine Art "natürlichen" Churn, der sich nicht vermeiden lässt. Zur rechtzeitigen Erkennung empfiehlt sich das Verfolgen von Frühwarnindikatoren. Mit Data-Mining-Algorithmen lassen sich die typischen Muster der schrittweisen Kundenabwanderung frühzeitig erkennen und die Wechselwahrscheinlichkeit pro Kunde ermitteln. "Abwanderungsgefährdete" Kunden überschreiten einen im voraus bestimmten Schwellenwert der Wechselwahrscheinlichkeit und können durch gezielte Maßnahmen umgestimmt werden.

Anomalienerkennung

Anomalienerkennung ist in der Lage, Abweichungen in Zeitreihen, die auf Fehler oder Betrug hinweisen, zu erkennen. Bekannte Anwendungsfälle sind die Vermeidung von Kreditkartenbetrug sowie die Untersuchung von Steuererklärungen auf Steuerhinterziehung. Bei Streaming-Analytics-Systemen zur Erkennung von Kreditkartenbetrug geht es darum, potenziell betrügerische Finanztransaktionen in Echtzeit zu erkennen. Solche Systeme müssen in der Lage sein, Tausende von Transaktionen pro Sekunde auf Betrug zu überprüfen und einen Kompromiss zwischen Falschalarmen, das heißt berechtigten Transaktionen, die irrtümlicherweise als Betrug klassifiziert werden, und unerkanntem Missbrauch finden. Falschalarme verärgern nämlich Kunden und führen zu aufwendigen Abklärungen.