causalanalytics_anwendungsfelder_umt-regression

Anwendungsfelder der UMT-Regression

 

„Big Data“ ist das neue Buzz-Word und beschreibt die Herausforderung aus den wachsenden Transaktionsdatenmengen nützliche Erkenntnisse zu gewinnen. Bald wird jedoch wieder Ernüchterung Einzug halten. Man wird feststellen, dass wichtige Informationen und Daten meist fehlen, um valide (kausale) Erkenntnisse ableiten zu können. Man wird feststellen, dass nicht der Überfluss an Daten (Big Data), sondern der Mangel an vollständige Datensätzen mit ausreichender Fallzahl die Herausforderung der Zukunft sein wird.

„Little Data“ wird der nächste Trend heißen, den wir mit der UMT-Regression jetzt anführen. Weitere Entwicklungen zu einer UMT-basierten Kausalanalyse werden folgen. Folgende Anwendungsfelder illustrieren wie weit verbreitet und wie vielschichtig bislang ungenutzte Nutzenpotentiale sind.

 

1. B2B-Befragungen mit kleinen Stichproben

Nehmen Sie das Pharmamarketing. Für manche Indikationsgebiete gibt es nur ein paar Dutzend Spezialisten. Auch wenn Sie wissen möchten, wie die Behörden wie die FDA oder die Krankenversicherungen über Ihr Produkt und deren Preis denken, haben sie ausnahmslos mit kleinen Datensätze zu tun.

Auch in klassischen Branchen wie dem Maschinenbau gibt es oft genug weniger als 100 relevante Kunden. Eine valide Treiberanalyse wird hier aufgrund der statistischen Machbarkeit ausgeschlossen.

Aber auch Großunternehmen wie Banken haben Probleme mit Datenmengen – schon aus Kostengründen. Gern würde man eine Kundenbindungs-Treiberanalyse für jede Filiale anstellen. Doch 100 Fälle je Filiale sind oft schon die Ausnahme. Auch würde man gern die Mitarbeiterbefragung so mit den Kundenbefragungsdaten verbinden, dass man den Effekt von HR-Maßnahmen auf den Markterfolg nachweisen kann. Bei 50 Filialen erhalten Sie lediglich 50 Datensätze hierfür…

All das und noch viel mehr wird heute nicht angegangen, weil die Methoden dafür nicht bekannt sind. NEUSREL Causal Analytics kann hier jetzt weiter helfen!

2. Marketing-Mix-Optimierung trotz kurzer Datenhistorie

Wir führen regelmäßig sogenannte Marketing-Mix-Modelings durch. Hier geht es beispielsweise darum zu verstehen, welche Erfolgswirkung der Werbeeuro des Radiobudgets, des TV-Budgets, des Plakat-Budgets, etc. besitzt und welche Budgetverteilung effektiver wäre. Der Analyseansatz wird auch in Bereichen wie des Pharmamarketings angesetzt, wo die Marketinginstrumente andere sind – etwa das Verteilen von Produktsamples, Kundenbesuche, Brand-Remindern, Anzeigen in Fachzeitschriften, etc.

Das Problem vor dem man hier steht, ist oft genug eine sehr begrenzte zeitliche Historie. Hinzu kommt, dass die Werbeinhalte die Effektivität des Budgets beeinflussen, was dazu führt, dass man am liebsten nur die Daten der letzten Kampagne analysieren möchte. Für diese Anforderung gab es bislang keine Lösung, da zu wenig Datensätze vorlagen.

Die UMT Regression kann mit deutlich weniger Daten umgehen, da sie nicht lediglich die Einflüsse einer einzelnen Zielgröße (wie der Absatz am Folgetag einer Werbungaktion) berücksichtigt. Vielmehr werden viele ähnliche Zielgrößen mit einbezogen (wie der Absatz der 10 Folgetage einer Werbeaktion). Alle diese Zielgrößen werden von den gleichen Erfolgstreibern beeinflusst, sodass der gemeinsame Kern herausgefiltert werden kann. Das Verfahren hat so ein Vielfaches an Informationen aus denen ein stabiles Model abgeleitet werden kann. Die Idee ist einfach und bestechend.

 

3. Absatz- und Preisprognose

Das produzierende Gewerbe hat zwei Probleme. Zum einen weiß man nicht gut genug, wie viel Aufträge in naher Zukunft hereinkommen. Damit wird die Produktionsplanung schwierig und hohe Kapitalbindung durch hohe Lagerbestände drückt den Return-On-Investment. Zum anderen variieren die Einkaufspreise der Hauptrohstoffe teilweise extrem. Bessere Absatz- und Rohstoffpreisprognosen ermögliche eine erhebliche Margensteigerung, indem Lager reduziert werden und Großbestellungen vor Preisanstiegen getätigt werden. Doch auch diese Prognosemodelle sind nicht trivial, weil eine zu geringe Datenhistorie vorhanden ist.

Märkte sind immer dynamisch, die Rahmenbedingungen und unterliegenden Mechanismen ändern sich über die Jahre. Daher möchte man möglichst aktuelle Daten verwenden. Abgesehen von Gold oder Rohölpreisen, liegen fast alle sonstigen Rohstoffe eben nicht auf Tagesbasis vor. Meist werden monatliche Indizes geführt. Das ergibt nach 5 Jahre lediglich 60 Datenpunkte. Hierin liegt ein Grund, warum solche Prognosesysteme in Unternehmen heute noch nicht etabliert sind, obwohl schon Mittelständler hierdurch jährlich Millionen sparen können.

4. Erfolgstreiber von Business Units

Die PIMS-Studie (Profit Impact of Market Strategies) ist ein Meilenstein in der Erfolgsfaktorenforschung von Unternehmen. Sie profiliert Business Units ganzheitlich anhand duzender relevanter Treiber-Merkmale und untersucht dann auf Basis der multivariater Regressionsanalyse, welche Treiber davon die Profitabilität treiben. Vor allem zwei Gründe werden genannt, wenn Unternehmen sich gegen ein PIMS Assessment entscheiden. Zum einen hat man ein ungutes Gefühl sich mit Unternehmen aus ausnahmslos allen Branchen zu vergleichen sowie Datensätzen heranzuziehen, die zum Teil  viele Jahrzehnte alt sind. Zum anderen wünscht man sich eine valider Treiberanalysemethode, die auch Nichtlinearitäten und Moderationseffekte abbilden kann.

Die UMT-Regression kommt diesen Bedenken nun entgegen. Große und mittlere Unternehmen finden in Ihrem Geschäftsfeld meist viele Duzend Business Units. Eine Business Unit ist eine „homogene“ Produkt-Markt-Kombination. Ein Unternehmen mit 5 Produktbereichen und 5 zu unterscheidenden Marktregionen haben bereits 25 Business Units.

Diese Datenmenge ermöglicht bereits eine UMT-Analyse und damit eine unternehmensspezifische PIMS-analoge Ursachenforschung – spezialisiert auf die eigene Branche und die aktuellen globalen Rahmenbedingungen.