Prädiktive KI Analytics: In unserer Stichprobe liefern nur 13 von 209 Websites die Zeitachse, aus der sich überhaupt etwas vorhersagen lässt

1. Einführung: Warum Vorhersage bei der KI Sichtbarkeit anders anfängt

Im Bericht steht eine Zahl. Ihre Marke wurde in 40 Prozent der geprüften Antworten genannt. Nur sagt dieser eine Wert nichts darüber, ob er im nächsten Monat bei 50 oder bei 15 liegt. Genau diese Lücke soll prädiktive Analytik schließen. Sie ist größer, als die Anbieter zugeben.

Prädiktive KI-Analytics ist die Auswertung historischer Messdaten mit statistischen Modellen und Machine Learning, um wahrscheinliche künftige Entwicklungen zu benennen. Auf die generative Suche angewandt heißt das: Aus dem dokumentierten Verlauf Ihrer Nennungen, Zitate und Besuche entsteht eine begründete Erwartung darüber, wie sichtbar Ihre Marke in KI-Antworten in den kommenden Wochen bleibt.

Was das für Sie heißt: Ohne eigene Messreihe bleibt jede Aussage über morgen geraten. Wer erst reagiert, wenn die Anfragen ausbleiben, verliert Monate. Wer dagegen seit einem halben Jahr notiert, wie oft der eigene Betrieb in Antworten auftaucht, sieht einen Rückgang entstehen und kann gegensteuern, bevor er im Umsatz ankommt. Der erste Schritt ist kein Werkzeugkauf, sondern ein Messplan.

Eine einzelne Messung ist ein Blick aufs Thermometer. Sie sagt Ihnen, wie warm es gerade ist, nicht aber, ob der Winter kommt, und erst die Reihe vieler Messwerte macht aus einer einzelnen Temperatur so etwas wie ein Wetter.

Ein GEO-Audit hält diesen Ausgangspunkt einmal sauber fest. Wer ihn danach zu einer laufenden Kennzahl verdichtet, hat die Datenbasis, über die dieser Beitrag spricht.

Alles Weitere ist Rechnen.

2. Unsere Position: Nicht das Modell ist der Engpass, sondern die Zeitachse

Fast jeder Ratgeber zum Thema setzt an derselben Stelle an. Als Hürden werden dort Datenqualität, ein interdisziplinäres Team, moderne Infrastruktur und die Wahl des richtigen Algorithmus genannt, und für Fabriken, Lieferketten und gewachsene Kundendatenbanken beschreibt diese Aufzählung die Wirklichkeit ziemlich genau. Für die Sichtbarkeit in KI-Antworten greift sie zu kurz.

Generative KI beantwortet heute Fragen, die früher zu einem Klick geführt haben, und genau deshalb verschiebt sich die Erfolgsmessung von Besuchen hin zu Nennungen.

Unsere Position: In der generativen Suche fällt die Entscheidung früher. Sie fällt daran, ob überhaupt eine Zeitachse existiert. In einer im Juli veröffentlichten Varianz-Zerlegung von KI-Antworten werden 12.933 Antworten aus drei KI-Systemen und acht Abfragesprachen in ihre Streuungsquellen zerlegt. Das Ergebnis ist ernüchternd: Auf die Marke selbst entfallen rund 1,5 Prozent der Schwankung, auf die Sprache der Anfrage rund 26,5 Prozent.

Eine einzelne Messung misst damit vor allem sich selbst.

Maschinelles Lernen und künstliche Intelligenz haben die Werkzeuge der fortgeschrittenen Analytik billig gemacht. Die Art der prädiktiven Analyse, die hier gebraucht wird, ist vergleichsweise schlicht.

„Wiederholungen jenseits der fünften sind die am wenigsten ergiebige Stelle, um eine Abfrage einzusetzen.“
(„repeats beyond five are the least efficient place to put a query.“, Dmitrij Żatuchin, arXiv, Juli)

Dazu kommt die Bewegung im System. Nach dem Bericht State of AI Search bleiben nur rund 30 Prozent der Marken von einer Antwort zur nächsten sichtbar, über fünf aufeinanderfolgende Durchläufe sind es etwa 20 Prozent. Gebraucht werden für einen Trend deshalb viele Messpunkte und nicht viele Nachkommastellen. Das ist kein Argument gegen Vorhersage, sondern eines für einen Messplan, der vor dem ersten Modell steht und über Monate unverändert bleibt, weil sonst jede spätere Rechnung auf wechselnden Grundlagen steht.

3. Was Predictive Analytics in anderen Bereichen längst leistet

Die Methode ist alt, nur der Anwendungsfall ist neu.

Der Anspruch, Trends vorherzusagen, reicht Jahrzehnte zurück. Unternehmen werten historische Daten aus, um Vorhersagen zu treffen und zukünftige Ergebnisse abzuschätzen. Neu ist allein, dass dieselbe Rechnung jetzt auf die eigene Sichtbarkeit in der generativen KI angewandt wird.

3.1 Die drei Stufen der Datenanalyse

Wer Predictive Analytics verstehen will, beginnt bei der Datenanalyse als Ganzem. Descriptive Analytics beschreibt, was war, und wertet vergangene Ereignisse aus. Die prädiktive Analyse benennt, was wahrscheinlich kommt, und trifft damit Aussagen über zukünftige Ereignisse. Prescriptive Analytics, auf Deutsch präskriptive Analyse, schlägt darüber hinaus die passende Handlung vor.

Alle drei Stufen gehören zur Business Analytics und arbeiten mit denselben historischen Daten. Nur die Frage ändert sich.

Die Anwendungsfälle in verschiedenen Branchen sind seit Jahren erprobt. Im Gesundheitswesen sagen prädiktive Modelle Komplikationen voraus, im Vertrieb die Abwanderung von Kunden, in der Fertigung den Ausfall einer Anlage. Zur Betrugserkennung wird in Banken dieselbe Rechenlogik eingesetzt, dort sogar in Echtzeit. Im Marketing gehört die Bewertung von Anfragen längst zum Handwerk.

Überall dort liegen jahrelange Datensätze vor, oft in einer Größenordnung, für die der Begriff Big Data geprägt wurde. Verbreitet ist die Technik deshalb noch lange nicht: Nach Angaben des Statistischen Bundesamts nutzten zuletzt 26 Prozent der Unternehmen in Deutschland überhaupt Technologien der künstlichen Intelligenz, bei 10 bis 49 Beschäftigten waren es 23 Prozent.

3.2 Modelle, Methoden und ihre Grenzen

Die Predictive Analytics Methoden sind gut dokumentiert, und prädiktive Analysemodelle gibt es als fertige Bausteine, etwa bei Anbietern wie Google Cloud. Statistische Modelle wie die Regression schätzen einen Zahlenwert, Klassifikationsmodelle ordnen einen Fall einer Gruppe zu, Zeitreihenmodelle bilden Verläufe und Saisonalität ab.

Entscheidungsbäume oder neuronale Netzwerke kommen hinzu, wenn die Zusammenhänge komplexer werden. Neuronale Netze bilden dabei auch Zusammenhänge ab, die keine Regel vorgibt, und Maschinelles Lernen und Deep Learning setzen dort an, wo einfache Regeln nicht mehr ausreichen. Data Mining sucht in großen Datenmengen nach Auffälligkeiten, um Muster zu erkennen; gefunden werden Muster in historischen Daten, die die prädiktive Analytik anschließend in eine Prognose übersetzt.

Die Vorteile von Predictive Analytics sind in diesen Feldern gut belegt: bessere Planung, weniger ungeplante Ausfälle, zuverlässig früher erkannte Risiken. Mithilfe von Predictive Analytics können Unternehmen ihre Geschäftsprozesse an Erwartungswerten ausrichten, statt auf Zahlen der Vergangenheit zu reagieren.

Für Ihre Sichtbarkeit in KI-Antworten gilt dieselbe Rechenlogik, aber eine andere Datenbasis. Kein externer Anbieter liefert Ihnen den Verlauf Ihrer eigenen Nennungen rückwirkend, und weil diese Lücke sich nachträglich nicht schließen lässt, muss die Reihe im eigenen Haus angelegt werden. Wer schon einmal Werkzeuge zur laufenden Beobachtung verfolgt hat, kennt den Unterschied zwischen einer Momentaufnahme und einer Reihe, und genau dieser Unterschied entscheidet später darüber, ob sich überhaupt etwas rechnen lässt.

Der Mehrwert entsteht erst, wenn die Prognose in Geschäftsprozesse zurückfließt und nicht in einer Präsentation endet.

4. Voraussetzungen: Welche Daten eine Prognose überhaupt trägt

Die Definition verrät die Voraussetzung bereits. Der Analytics-Anbieter SAS beschreibt das Verfahren so:

„Predictive Analytics dient dazu, mithilfe von Daten, statistischen Algorithmen und maschinellem Lernen die Wahrscheinlichkeit zukünftiger Ergebnisse auf der Grundlage historischer Daten zu prognostizieren.“
(SAS, Definition Predictive Analytics)

Vier Dinge müssen dafür vorliegen.

Keines davon ist teuer. Alle vier benötigen Disziplin, und daran scheitert es häufiger als an der Technik.

• Ein fester Satz Prompts. Prompts sind die Fragen, die Nutzer in KI-Assistenten eintippen. Nur wenn der Fragenkatalog über Monate gleich bleibt, ist der Vergleich zweier Wochen überhaupt zulässig.
• Ein Messtakt. Wöchentlich reicht für die meisten Betriebe. Täglich erzeugt Rauschen, monatlich verpasst die Bewegung.
• Rohdaten, nicht nur Auswertungen. Wird nur der Prozentwert aufgehoben und die einzelne Antwort weggeworfen, können später keine neuen Fragen mehr an die Datenmengen gestellt werden.
• Eine zweite Datenreihe. Sichtbarkeit allein trägt keine Entscheidungsfindung, und erst zusammen mit Anfragen, Angeboten oder Umsatz wird aus der Kennzahl ein Wettbewerbsvorteil, über den sich im Führungskreis reden lässt.

Wie selten eine solche Zeitachse von außen überhaupt erkennbar ist, haben wir im September gemessen. Aus einem öffentlichen Domain-Ranking wurden systematisch 280 deutsche Adressen gezogen, 209 Startseiten waren auswertbar. 150 davon liefern eine Sitemap, 86 datieren darin mindestens die Hälfte ihrer Adressen, 54 bieten einen Feed, 27 nennen ein Datum in den strukturierten Daten ihrer Startseite. Alle drei datierten Signale zusammen liefern 13.

Das ist eine Stichprobe und keine repräsentative Erhebung. Als Größenordnung genügt sie.

Große Datenmengen sind ausdrücklich nicht nötig. Zwanzig Prompts, wöchentlich über ein halbes Jahr erhoben, ergeben rund 500 Messpunkte, und das trägt eine einfache Zeitreihe bereits deutlich besser als jede noch so aufwendige Einmalmessung. Für Data Science im engeren Sinn ist das wenig, für eine erste belastbare Aussage genügt es.

5. Schritt für Schritt zur ersten Vorhersage

Fünf Schritte, in dieser Reihenfolge. Wer einen überspringt, rechnet später auf Sand.

5.1 Schritt 1: Den Messplan schriftlich festlegen

Notieren Sie Fragenkatalog, KI-Systeme, Takt und Zuständigkeit auf einer Seite. Fünf bis sieben Systeme decken den Markt ausreichend ab, darunter ChatGPT, Claude, Copilot, Gemini, Perplexity und Grok. Der Plan darf ein halbes Jahr lang nicht geändert werden. Jede Änderung am Katalog bricht die Zeitreihe und macht den Vergleich mit den Vormonaten wertlos. Wer mitten im Halbjahr umstellt, handelt wie jemand, der beim Abnehmen die Waage austauscht: Die neuen Zahlen stimmen, vergleichbar sind sie nicht.

5.2 Schritt 2: Messen und die Rohdaten aufheben

Speichern Sie zu jedem Durchlauf Datum, Frage, System, die vollständige Antwort und die genannten Quellen. Am besten wird dieser Teil automatisiert, sonst bricht er nach drei Wochen ab. Den Abruf zu automatisieren kostet einmalig einen Tag und spart danach jede Woche eine Stunde. Aus den Rohdaten lässt sich später jede Kennzahl neu berechnen, aus einer abgelegten Prozentzahl dagegen nichts. Rohdaten aufzuheben ist wie Kassenbons zu sammeln: lästig, bis zum ersten Mal jemand nachrechnen will.

5.3 Schritt 3: Frühindikatoren von Ergebnissen trennen

Nennungen und Zitate sind Frühindikatoren, Anfragen und Umsatz sind Ergebnisse. Zwischen beiden liegen Wochen. Genau dieser Abstand macht die Vorhersage nützlich: Er ist die Zeit, in der Sie noch eingreifen können, bevor der Rückgang in den Anfragen sichtbar wird. Beide Reihen können in denselben Dashboards geführt werden, niemals aber in derselben Kennzahl.

5.4 Schritt 4: Mit dem einfachsten Modell anfangen

Die prädiktive Modellierung darf beim ersten Versuch schlicht bleiben.

Ein gleitender Durchschnitt über vier Wochen und eine einfache Regression auf den Trend beantworten die erste Frage bereits, und mehr als ein Tabellenblatt und eine halbe Stunde im Monat kostet das nicht. Läuft der Wert seitwärts, fällt er, steigt er? Erst wenn diese Basis steht und regelmäßig gepflegt wird, lohnen komplexere Verfahren. Ziel ist es, zuerst eine Auswertung zu haben, die jede Woche tatsächlich angesehen wird. Ein Modell, das niemand liest, sagt nichts voraus.

5.5 Schritt 5: Die Prognose gegen die Wirklichkeit prüfen

Schreiben Sie Ihre Erwartung auf, bevor der nächste Monat beginnt. Vergleichen Sie danach. Ein Modell, das dreimal in Folge danebenliegt, ist kein Modell, sondern eine Meinung mit Nachkommastellen. Ein Modell ohne Rückvergleich ist ein Wetterbericht, den abends niemand überprüft. Zehn Minuten im Monat genügen, und sie schützen am besten vor einer Auswertung, an die alle glauben.

6. Häufige Fehler bei der prädiktiven Analyse

Fünf Fehler sehen wir besonders häufig.

Vier davon kosten Zeit. Der erste kostet die gesamte Datenbasis, und zwar rückwirkend.

• Den Fragenkatalog ändern. Jede Ergänzung erzeugt einen Bruch in der Reihe. Neue Fragen werden in einer zweiten Reihe geführt, die eigenständig startet.
• Aus einer Messung einen Trend lesen. Bei rund 30 Prozent Wiedersichtbarkeit zwischen zwei Antworten ist ein einzelner Ausschlag meist Rauschen.
• Werkzeuge vor dem Ziel kaufen. 73 Prozent der Vermarkter setzen bereits Monitoring-Werkzeuge ein, verbinden die Werte aber kaum mit dem Geschäft.
• Nur die eigene Website betrachten. Ein erheblicher Teil der Nennungen stammt aus fremden Seiten, weshalb Suchen ohne Besuch in die Auswertung gehören.
• Die Prognose nie überprüfen. Ohne Rückvergleich wächst das Vertrauen in ein Modell genau so lange, bis es teuer wird.

7. Was das für Ihre Sichtbarkeit bedeutet

Prognosen ändern nichts an der Sichtbarkeit selbst. Sie verschaffen Ihnen Vorlauf. Fällt die Nennungsrate über vier Wochen, ist das bereits ein Signal, während die Anfragen noch völlig stabil aussehen, und dieser Vorsprung von einigen Wochen ist in der Praxis der ganze Gewinn. In unseren Tests beobachten wir, dass dieser Abstand der eigentliche Wert der Übung ist.

Prädiktive Erkenntnisse ersetzen keine Arbeit an der Sichtbarkeit. Sie sagen nur früher, wo diese Arbeit nötig wird, und in der generativen KI zählt dieser Vorlauf mehr als jede nachträgliche Erklärung.

Woran Sie dann arbeiten, ist keine Frage des Modells. Es sind Erwähnungen in verlässlichen Medien, aus denen KI-Systeme ihre Aussagen über Ihr Unternehmen ziehen, und eine saubere Knowledge-Graph-Optimierung, damit Ihre Marke eindeutig zuzuordnen ist. Gerade im Mittelstand liegt hier der größte unbearbeitete Teil.

8. Fazit

Prädiktive KI-Analytics ist keine neue Disziplin, sondern eine alte Methode auf einer jungen Datenlage. Die Verfahren stehen bereit, die Werkzeuge auch. Was in den meisten Betrieben fehlt, ist die Reihe. Ohne sie lässt sich weder ein einfaches noch ein aufwendiges Modell sinnvoll rechnen.

Das Ziel für die nächsten sechs Monate ist deshalb klein und konkret: ein fester Fragenkatalog, ein wöchentlicher Takt, aufgehobene Rohdaten. Wer das hat, kann im Frühjahr rechnen. Wer es nicht hat, kauft im Frühjahr ein Werkzeug und beginnt bei null.

9. Anhang: Checkliste für den Start

• Fragenkatalog mit 15 bis 25 Fragen schriftlich festgelegt und eingefroren
• KI-Systeme benannt, mindestens ChatGPT, Claude, Copilot, Gemini, Perplexity und Grok
• Messtakt festgelegt, wöchentlich am selben Wochentag
• Rohdaten mit Datum, Frage, System, Antwort und Quellen gespeichert
• Zweite Reihe aus Anfragen oder Umsatz angelegt
• Erste Prognose schriftlich notiert und ein Prüftermin eingetragen

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder. KI-Systeme antworten nicht deterministisch und ändern ihr Verhalten laufend; alle genannten Zahlen stammen aus den verlinkten Quellen und aus einer eigenen Stichprobe, die keine repräsentative Erhebung ist. Prognosen bleiben Wahrscheinlichkeitsaussagen und ersetzen keine betriebswirtschaftliche Beratung.