Markov-Ketten-Analyse

Fortgeschrittene Wahrscheinlichkeitsrechnung: Unsicherheit in Daten

Maarten Van den Broeck

Senior Content Developer at DataCamp

Was sind Markov-Ketten?

• Systeme mit verschiedenen Zuständen modellieren
• Übergänge zwischen Zuständen basieren auf Wahrscheinlichkeiten
• Kernidee: Übergang hängt nur vom aktuellen Zustand ab
• Zentrale Anwendung: Customer Journeys verstehen

Elemente einer Markov-Kette

• Zustände: unterschiedliche Bedingungen oder Phasen

Elemente einer Markov-Kette

• Zustände: unterschiedliche Bedingungen oder Phasen
• Übergänge: Wahrscheinlichkeiten für den Wechsel zwischen Zuständen

Elemente einer Markov-Kette

• Gleichgewichtswahrscheinlichkeiten: langfristige Wahrscheinlichkeit, in einem Zustand zu sein
  • Mit Statistiksoftware oder BI-Tools berechnet
  • Z. B. Gleichgewicht für sonnig: 66,67 %

Übergangsmatrix

	Sunny	Cloudy
Sunny	80%	20%
Cloudy	40%	60%

Anwendungen von Markov-Ketten

• Kundenbindung:
  • Übergangswahrscheinlichkeiten zwischen Engagement- und Churn-Zuständen bestimmen
• Conversion-Optimierung:
  • Fortschritt durch den Sales-Funnel
• Produktempfehlung:
  • Zukünftige Kundeninteraktionen vorhersagen

Beispiel: E-Commerce$^1$

¹ C für Coupon, P für Purchase, E für Exit

Beispiel: E-Commerce

	Coupon (neu) genutzt	(Neu) gekauft	Ausgestiegen
Coupon genutzt	10%	60%	30%
Gekauft	5%	90%	5%
Ausgestiegen	15%	5%	80%

Beispiel: E-Commerce

	Coupon (neu) genutzt	(Neu) gekauft	Ausgestiegen
Coupon genutzt	10%	60%	30%
Gekauft	5%	90%	5%
Ausgestiegen	15%	5%	80%

Lass uns üben!

Fortgeschrittene Wahrscheinlichkeitsrechnung: Unsicherheit in Daten