Erklären oder vorhersagen? Die richtige Analyse für die richtige Shop-Frage

„Wir sollten mehr mit KI machen.“ Diesen Satz hört man in vielen Unternehmen. Doch bevor es um Werkzeuge geht, lohnt eine einfachere Frage: Was wollen wir eigentlich wissen?

Zwei Fragen klingen ähnlich, sind aber grundverschieden:

• Warum sind unsere Wiederkäufe gesunken?
• Wer wird im nächsten Quartal wahrscheinlich nicht mehr kaufen?

Die erste Frage sucht eine Ursache. Die zweite will eine Vorhersage. Beide sind berechtigt. Sie brauchen aber unterschiedliche Methoden.

Die wenigsten Analyseprojekte scheitern an fehlender Technik. Sie scheitern, weil das falsche Werkzeug auf die falsche Frage trifft. Viele Machine-Learning-Projekte scheitern nicht an der Modellqualität, sondern daran, dass der Ansatz nicht zur Geschäftsfrage passt.

Nicht das Modell entscheidet. Die Frage entscheidet.

Zwei Arten zu analysieren

Erklären: klassische Modelle

Klassische Modelle starten mit einer Annahme. Zum Beispiel: „Die Lieferzeit beeinflusst die Wiederkaufrate.“ Dann wird geprüft, ob die Daten das bestätigen. Typische Verfahren sind Regressionen und Zeitreihenanalysen.

Stärken:

• Ergebnisse sind nachvollziehbar. Jeder Faktor hat eine klare Bedeutung.
• Sie funktionieren auch mit überschaubaren Datenmengen.
• Sie zeigen echte Zusammenhänge, auf die man reagieren kann.

Grenzen:

• Komplexe, nicht lineare Muster bleiben oft unsichtbar.
• Man muss die wichtigen Einflussfaktoren vorher kennen.
• Bei Veränderungen müssen Modelle von Hand angepasst werden.

Vorhersagen: datengetriebene Modelle

Datengetriebene Verfahren gehen umgekehrt vor. Algorithmen suchen in vielen Daten selbst nach Mustern, ohne vorher festgelegte Annahme. Bekannte Beispiele sind Entscheidungsbäume und neuronale Netze.

Stärken:

• Oft sehr genaue Vorhersagen.
• Sie lernen laufend aus neuen Daten.
• Sie können viele Einflussgrößen gleichzeitig berücksichtigen.

Grenzen:

• Schwer zu erklären. Warum ein Kunde als gefährdet gilt, bleibt oft unklar.
• Sie brauchen ausreichend viele, saubere Daten.
• Mit zu wenig Daten lernen sie Zufälle statt Muster.

Typische Fragen im Online-Handel

Drei häufige Fehler

1. Zusammenhang mit Ursache verwechseln

Ein klassisches Beispiel: Im Sommer steigen Eisverkäufe und Badeunfälle gleichzeitig. Das eine verursacht nicht das andere. Beide hängen an einem dritten Faktor, der Hitze. Im Shop passiert das Gleiche: Kunden, die den Newsletter lesen, kaufen mehr. Ob der Newsletter das bewirkt oder ob treue Kunden ihn einfach öfter lesen, zeigt die Korrelation allein nicht.

2. Machine Learning ohne genug Daten

Ein komplexes Modell auf wenige tausend Bestellungen anzuwenden, liefert oft beeindruckende Testergebnisse und schwache Vorhersagen im Alltag. Bei kleineren Datenmengen sind einfache, erklärbare Modelle meist die bessere Wahl.

3. Daten auf unterschiedlichen Ebenen mischen

Tageswerte aus dem Shop, Monatswerte aus dem ERP, Kampagnenwerte aus dem Werbekonto: Werden Daten auf unterschiedlichen Ebenen vermischt, verzerren sich die Ergebnisse. Vor jeder Analyse steht deshalb eine saubere, einheitliche Datenbasis.

Das Beste aus beiden Welten

In der Praxis bewähren sich Kombinationen:

• Ein datengetriebenes Modell liefert die Vorhersage, etwa ein Abwanderungsrisiko pro Kunde.
• Klare Regeln legen fest, was daraus folgt, zum Beispiel welche Kunden welche Ansprache bekommen.
• Erklärende Auswertungen zeigen, welche Faktoren das Risiko treiben.

So verbinden Sie Genauigkeit mit Kontrolle. KI ist dabei ein Werkzeug, das unterstützt, und kein Selbstzweck.

Was das für Ihre Organisation bedeutet

Die Wahl der Methode ist keine reine Technikfrage. Sie ist eine Führungsaufgabe.

• Klassische Modelle fördern strukturiertes Denken. Sie zwingen dazu, Annahmen offen zu formulieren und zu prüfen.
• Datengetriebene Modelle brauchen Regeln und laufende Kontrolle: Wer prüft, ob die Vorhersagen noch stimmen? Was passiert, wenn sich das Kaufverhalten ändert?
• Kombinierte Ansätze brauchen klare Leitplanken: Wo entscheidet das Modell, wo der Mensch?

Gerade bei KI-Projekten lohnt sich diese Klärung vorab. Sie verhindert, dass teure Lösungen entstehen, die im Alltag niemand nutzt oder versteht.

Ein einfacher Entscheidungsrahmen

Erklären, wenn …

• Sie eine Ursache verstehen wollen,
• die Datenmenge überschaubar ist,
• Sie Entscheidungen begründen müssen.

Vorhersagen, wenn …

• es um zukünftiges Verhalten geht,
• viele Einflussgrößen eine Rolle spielen,
• genug saubere Daten vorhanden sind.

Kombinieren, wenn …

• Genauigkeit und Nachvollziehbarkeit beide wichtig sind,
• die Entscheidung geschäftskritisch ist.

Fazit

Bevor Sie über Tools, Algorithmen oder KI sprechen, klären Sie die Frage. Suchen Sie eine Erklärung oder eine Vorhersage? Diese eine Klärung spart viel Geld und bewahrt vor Analysen, die zwar beeindrucken, aber keine Entscheidung verbessern.

Häufige Fragen

Brauche ich für Prognosen im Shop immer Machine Learning?

Nein. Für viele Fragen, etwa einfache Absatzprognosen, reichen klassische Zeitreihenverfahren. Machine Learning lohnt sich bei vielen Einflussgrößen und ausreichend Daten.

Ab wie vielen Daten lohnt sich ein datengetriebenes Modell?

Eine feste Grenze gibt es nicht. Entscheidend sind genug Beispiele für das, was vorhergesagt werden soll, etwa genug abgewanderte Kunden, damit ein Modell daraus lernen kann.

Was ist der Unterschied zwischen Korrelation und Kausalität?

Korrelation heißt: Zwei Dinge treten gemeinsam auf. Kausalität heißt: Das eine verursacht das andere. Für Entscheidungen zählt die Ursache. Eine Korrelation allein reicht nicht.

Quellen

Lones et al. (2024); Trigyn (2025); Leanbase; Computerwoche; Alex Merced; Eric Siegel (2026).