Prescriptive Analytics

Definition: Prescriptive Analytics (präskriptive Analytik) ist die fortgeschrittenste Stufe im Analysereife-Modell von Gartner, das vier Stufen unterscheidet: deskriptiv (was ist passiert?), diagnostisch (warum ist es passiert?), prädiktiv (was wird passieren?) und präskriptiv (was sollen wir tun?). Prescriptive Analytics geht also über die Vorhersage von Ereignissen hinaus und empfiehlt konkrete Handlungsoptionen, um ein gewünschtes Ergebnis zu maximieren oder ein unerwünschtes zu minimieren. Sie kombiniert Erkenntnisse aus Predictive Analytics mit Optimierungsalgorithmen, Entscheidungslogiken und – in modernen Systemen – mit künstlicher Intelligenz, die in Echtzeit autonom Entscheidungen treffen kann. Im Marketing umfasst Prescriptive Analytics Anwendungen wie automatisches Bid-Management, dynamische Preisgestaltung, personalisierte Produktempfehlungen und KI-gestützte Kampagnensteuerung. Die Methode stellt die höchsten Anforderungen an Dateninfrastruktur, Modellqualität und organisatorisches Vertrauen in algorithmische Entscheidungen.

Erläuterung

Der Begriff Prescriptive Analytics wurde maßgeblich durch das Gartner-Analysereife-Modell geprägt (Gartner, „Advancing from Descriptive to Prescriptive Analytics", 2022). Das Modell illustriert, dass mit steigender Analysestufe zwar der Informationswert wächst, gleichzeitig aber auch die technische Komplexität und der Implementierungsaufwand zunehmen. Während Prescriptive Analytics das größte Wertpotenzial hat, setzen es bislang nur wenige Unternehmen vollständig um.

Im Kern besteht Prescriptive Analytics aus drei zusammenwirkenden Bausteinen: erstens einem prädiktiven Modell, das zukünftige Szenarien und ihre Wahrscheinlichkeiten quantifiziert; zweitens einem Optimierungsalgorithmus, der unter gegebenen Restriktionen (Budget, Kapazitäten, Compliance-Anforderungen) die optimale Handlungsoption berechnet; und drittens einem Entscheidungsframework, das festlegt, unter welchen Bedingungen automatisch gehandelt wird und wann ein Mensch in die Schleife einbezogen werden muss (Human-in-the-Loop-Prinzip). Eine praxisnahe Beschreibung dieses Zusammenspiels liefern Davenport und Harris in „Competing on Analytics" (Harvard Business Review Press, 2017).

Im Online-Advertising sind automatisierte Gebotsstrategien das bekannteste Beispiel: Google Ads' Smart Bidding nutzt Hunderte von Signalen in Echtzeit (Gerät, Standort, Tageszeit, Nutzerhistorie, Wettbewerbssituation), um für jede einzelne Auktion das optimale Gebot zu berechnen – ein prescriptives System, das sekündlich Millionen von Entscheidungen trifft. Amazon's Empfehlungsalgorithmus kombiniert Prognosen über Kaufwahrscheinlichkeiten mit Lagerbestand, Marge und Kundenkontext zu einer Empfehlung, die nicht nur vorhersagt, was ein Nutzer kaufen könnte, sondern aktiv steuert, was angezeigt wird. Laut McKinsey (2023) generiert Amazons Empfehlungs-Engine etwa 35 % des Gesamtumsatzes.

Für Marketing-Mix-Optimierungen ermöglicht Prescriptive Analytics die automatisierte Budgetallokation über Kanäle hinweg: Auf Basis von Marketing-Mix-Modellen und aktuellen Performance-Daten berechnet ein Optimierungsalgorithmus die optimale Budgetverteilung, um einen vorgegebenen KPI (z. B. Umsatz oder Neukundenakquisitionskosten) zu maximieren. Das Open-Source-Paket Robyn von Meta (Jin et al., 2023) integriert solche Optimierungsroutinen direkt in den MMM-Workflow.

Technische Grundlagen

Mathematische Optimierung: Lineare Programmierung, ganzzahlige Optimierung und heuristische Verfahren wie genetische Algorithmen berechnen die optimale Lösung unter Restriktionen (z. B. Budgetlimits, Kanalkapazitäten).
Simulation und Szenarioanalyse: Monte-Carlo-Simulationen oder agentenbasierte Modelle prüfen tausende Handlungsszenarien durch und quantifizieren ihre jeweiligen Risiken und Chancen.
Reinforcement Learning: Algoritmen lernen durch Versuch und Irrtum optimale Strategien in dynamischen Umgebungen – eingesetzt etwa für die Echtzeit-Personalisierung von Werbebotschaften oder die Steuerung von Chatbots.
Decision Management Systems: Plattformen wie IBM Operational Decision Manager oder Pega kombinieren Geschäftsregeln mit prädiktiven Modellen und Optimierungsalgorithmen zu entscheidungsfähigen Systemen.

Abgrenzung zu Predictive Analytics

Predictive Analytics antwortet auf: „Dieser Kunde hat eine 78 % Wahrscheinlichkeit zu kündigen."
Prescriptive Analytics antwortet auf: „Sende diesem Kunden morgen um 10 Uhr eine personalisierte E-Mail mit einem 15 %-Rabatt-Angebot – das minimiert das Kündigungsrisiko bei maximalem Deckungsbeitrag."
Entscheidungsautomatisierung: Prescriptive Analytics kann in Echtzeit Entscheidungen auslösen, ohne menschlichen Eingriff – erfordert daher klare Leitplanken, Compliance-Prüfungen und Monitoring.
Komplexitätsniveau: Prescriptive Analytics ist die technisch anspruchsvollste Stufe und erfordert skalierbare Infrastruktur, qualitativ hochwertige Datenpipelines und multidisziplinäre Teams aus Data Scientists, Ingenieuren und Fachexperten.

Praxistipp: Die automatischen Gebotsstrategien moderner Werbeplattformen wie Google Smart Bidding oder Meta Advantage+ sind bereits ausgereifte Prescriptive-Analytics-Systeme – nutzen Sie diese, bevor Sie eigene komplexe Systeme entwickeln. Definieren Sie klare Ziel-KPIs und Restriktionen (Budgetgrenzen, Mindest-ROAS), bevor Sie die Steuerung an Algorithmen übergeben. Behalten Sie immer ein Human-in-the-Loop-Kontrollkonzept: Automatisierte Systeme können in ungewohnten Situationen suboptimal reagieren, wenn sie außerhalb ihres Trainingsbereichs operieren. Messen Sie regelmäßig den Lift gegenüber einer manuell gesteuerten Kontrollgruppe, um den tatsächlichen Mehrwert der Automatisierung zu quantifizieren.