Der Markin ROI Report für Enterprise Growth TeamsJetzt lesen
MARKIN

RESOURCES/Leitfaden

Prädiktive Analysen versus Growth Decisioning

Prädiktive Analytik schätzt, was wahrscheinlich passieren wird. Growth decisioning wählt, was dagegen zu tun ist, leitet die Aktion ein und misst, ob sie das Ergebnis verändert hat. Eine Vorhersage ist ein input für eine Entscheidung, kein Ersatz dafür: ein churn Score sagt dir, wer gefährdet ist, nicht, wer es wert ist, gerettet zu werden, womit, zu welchen Kosten.

Román Via-Dufresne, Mitgründer, Markin

Aktualisiert 7 August 2026 · 8 Min. Lesezeit

Demo buchen

Das Modell wurde implementiert, und nichts änderte sich

Ein Churn-Modell erreicht eine gute Genauigkeit, geht in Produktion, und zwölf Monate später ist die Retention wieder auf dem ursprünglichen Niveau. Dies ist das häufigste Ergebnis eines prädiktiven Programms, und es ist normalerweise kein Modellierungsfehler. Der Score war nie mit einer Entscheidung verbunden, für die jemand verantwortlich war, einer Aktion, die jemand starten konnte, oder einer Messung, die jemand akzeptieren würde.

  • Ein Score ohne Aktion ist ein Report.
  • Eine Aktion ohne ein Berechtigungs- und Kostenmodell behandelt jeden gefährdeten Kunden als gleichermaßen rettenswert.
  • Eine Aktion ohne Kontrolle kann nicht von dem unterschieden werden, was sowieso passiert wäre.

Was zwischen einem Score und einem Ergebnis liegt

Die Prognose ist einer von sechs Schritten. Die anderen fünf sind die, bei denen die meisten Programme stagnieren, und keiner davon ist ein Modellierungsproblem.

  1. 01

    Vorhersagen

    Risiko, Neigung oder Wert schätzen. Notwendig, und der Teil, den die meisten Organisationen bereits aufgebaut haben.

  2. 02

    Kundenwertschätzung

    Wandle Risiko in 'Value at Risk' um. Ein risikoreicher Kunde, der sehr wenig wert ist, ist keine Priorität.

  3. 03

    Wähle die Kandidatenaktion

    Vergleiche Kandidatenaktionen nach dem erwarteten inkrementellen Wert, nicht danach, welches Team sie vorgeschlagen hat.

  4. 04

    Einschränkungen anwenden

    Einwilligung, Kontaktrichtlinien, Margenuntergrenzen und regulatorische Beschränkungen sind harte Filter für das, was getan werden darf.

  5. 05

    Ausführen

    Liefere über die bestehende Engagement-, Produkt- oder Service-Oberfläche, sonst bleibt die Entscheidung theoretisch.

  6. 06

    Inkrementell messen

    Gegen eine randomisierte Kontrolle lesen. Die Modellgenauigkeit sagt nichts darüber aus, ob die Maßnahme geholfen hat.

Prognose versus Entscheidungsfindung

FragePrädiktive AnalysenGrowth Decisioning
Was es produziertEine Wahrscheinlichkeit, ein Score, ein Segment.Eine gewählte Aktion für einen spezifischen Kunden, ausgeführt.
Wen es sich lohnt anzusprechenNicht behandelt. Risiko ist nicht dasselbe wie Wert im Risiko.Der Erwartungswert netto nach Marge und Kontaktkosten entscheidet.
Welche Aktion zu ergreifen istEinem Menschen überlassen, üblicherweise in einem separaten Tool.Aus konkurrierenden Candidate actions durch Arbitrierung ausgewählt.
AusführungÜbergibt die Liste an einen Marketer oder eine Reverse-ETL-Aufgabe.Starts in den bereits vorhandenen Systemen.
MessungModellgenauigkeit: AUC, Lift-Charts, Kalibrierung.Inkrementelles Ergebnis gegen eine randomisierte Kontrolle.
FehlermodusEin präzises Modell, auf das niemand reagiert.Eine falsche Hypothese, günstig und absichtlich zurückgezogen.

Ihr eigenes prädiktives Programm diagnostizieren

Für jedes Modell, das derzeit in Produktion ist:

  • Welche Entscheidung ändert dieser Score und wer ist dafür verantwortlich?
  • Ist die Aktion an den Score gebunden, oder wird sie jedes Mal manuell ausgewählt?
  • Berücksichtigt die Aktion den Wert des Kunden oder nur dessen Risiko?
  • Kann die Aktion automatisch gestartet werden, oder wartet sie auf einen Build-Zyklus?
  • Bezog sich die letzte Auswertung auf die Modellgenauigkeit oder auf den inkrementellen Umsatz?
  • Wenn das Modell morgen abgeschaltet würde, was würde sich sichtbar ändern?

Wann die reine Vorhersage der richtige Haltepunkt ist

  • Prognose- und Planungsanwendungsfälle, bei denen die Ausgabe eine Zahl ist, die ein Mensch zur Erstellung eines Plans verwendet.
  • Risiko-, Betrugs- und Kreditentscheidungen, bei denen die Bewertung ein gesteuertes Regelwerk speist und Autonomie nicht erwünscht ist.
  • Analysearbeiten in der Frühphase, deren Ziel es ist, einen Treiber zu verstehen, anstatt darauf zu reagieren.
  • Situationen, in denen keine Aktion verfügbar oder erschwinglich ist. Das Hinzufügen einer decision layer über einem leeren Aktionsraum ändert nichts.

Markin ist ein autonomes Growth-Science-Team für große B2C-Unternehmen. Es untersucht, warum der Umsatz pro Kunde stagniert, bildet eigene Hypothesen zu Marketing, Produkt, Preisgestaltung und technischer Gesundheit, wählt die Next Best Action für jeden Kunden, startet diese über die bereits im Unternehmen vorhandenen Systeme und beweist jede einzelne anhand eines randomisierten holdout.

Decisioning-Tools wählen zwischen den Aktionen, die dein Team bereits erstellt hat. Markin entscheidet, was erstellt werden soll.

Fragen, die Leute stellen

Was ist der Unterschied zwischen Predictive Analytics und Growth Decisioning?
Prädiktive Analysen schätzen, was wahrscheinlich passieren wird. Growth decisioning wählt, was für jeden Kunden zu tun ist, wendet Eignungs- und Kostenbeschränkungen an, führt über bestehende Systeme aus und misst das inkrementelle Ergebnis gegen eine control group. Die Vorhersage ist ein Input für die Entscheidungsfindung und ändert an sich kein Ergebnis.
Brauche ich noch Modelle, wenn ich einen decision layer habe?
Ja. Scores sind einer der Inputs, die die Entscheidung zur Schätzung des erwarteten Werts verwendet. Die Änderung ist das, was passiert, nachdem der Score existiert: Er ist an eine Aktion, einen Satz von Einschränkungen und eine Messung gebunden, anstatt als Liste geliefert zu werden.
Warum sagt die Modellgenauigkeit den Business Impact nicht voraus?
Denn Genauigkeit misst, wie gut du erkennst, wer churnen wird, und der Impact hängt davon ab, ob die von dir ergriffene Maßnahme deren Verhalten geändert hat. Ein perfekt akkurates Modell, gepaart mit einer Maßnahme, die nicht funktioniert, erzeugt null inkrementellen Umsatz, und nur eine control group offenbart das.

Vergleichen

Wie sich dies im Vergleich zu den Kategorien verhält, die du bereits kaufst.

Neutral, side by side reads on where the decision layer sits next to the tools in your stack.

Alle Vergleiche

Weiterlesen

Churn prediction versus Retention decisioning

Dieselbe Unterscheidung speziell im Falle der Kundenbindung.

Kontrollierte Wachstumsexperimente

Wie die Aktion, sobald sie existiert, bewiesen wird.

Wie Markin Hypothesen generiert

Woher die Candidate actions kommen.

decision layer Referenzarchitektur

Wo Modelle im Verhältnis zu Entscheidungen sitzen.

Vokabular

Die Bedingungen, auf denen dieser Leitfaden basiert.

Each one is defined on its own page, precisely enough to quote.

Vollständiges Glossar