\u00dcbung 2 \u2013 Fallstudie: Churn Prediction<\/title>\n <style>\n :root {\n --bg:#0f172a; --surface:#1e293b; --card:#334155;\n --accent:#38bdf8; --success:#10b981; --error:#ef4444;\n --warning:#f59e0b; --text:#f1f5f9; --muted:#94a3b8;\n }\n * { margin:0; padding:0; box-sizing:border-box; }\n body { font-family:-apple-system, BlinkMacSystemFont,'Segoe UI',sans-serif;\n background:var(--bg); color:var(--text); min-height:100vh; padding:2rem; }\n h1 { color:var(--accent); text-align:center; font-size:2rem; margin-bottom:0.5rem; }\n .subtitle { text-align:center; color:var(--muted); margin-bottom:2rem; }\n .scenario-intro { background:var(--surface); border-radius:12px; padding:2rem;\n border-left:4px solid var(--warning); margin-bottom:2rem; }\n .scenario-intro h3 { color:var(--warning); margin-bottom:1rem; font-size:1.3rem; }\n .scenario-intro p { color:#cbd5e1; line-height:1.8; }\n .steps-bar { display:flex; gap:0.5rem; margin-bottom:2rem; flex-wrap:wrap; justify-content:center; }\n .step-dot { width:40px; height:40px; border-radius:50%; border:2px solid var(--card);\n display:flex; align-items:center; justify-content:center; font-weight:bold;\n font-size:0.9rem; cursor:pointer; transition:all 0.3s; color:var(--muted); }\n .step-dot.active { border-color:var(--accent); background:var(--accent); color:#0f172a; }\n .step-dot.done { border-color:var(--success); background:var(--success); color:white; }\n .question-panel { background:var(--surface); border-radius:12px; padding:2rem; margin-bottom:1.5rem; }\n .question-panel h3 { color:var(--accent); font-size:1.4rem; margin-bottom:1rem; }\n .question-panel p { color:#cbd5e1; margin-bottom:1.5rem; line-height:1.7; }\n .choices { display:grid; grid-template-columns:1fr; gap:0.8rem; }\n .choice-btn { background:var(--card); border:2px solid transparent; color:var(--text);\n padding:1rem 1.2rem; border-radius:8px; cursor:pointer; text-align:left;\n font-size:0.95rem; transition:all 0.2s; line-height:1.5; }\n .choice-btn:hover:not(:disabled) { border-color:var(--accent); background:#3b4f6b; }\n .choice-btn.selected-correct { border-color:var(--success); background:rgba(16,185,129,0.15); }\n .choice-btn.selected-wrong { border-color:var(--error); background:rgba(239,68,68,0.1); }\n .choice-btn.reveal-correct { border-color:var(--success); background:rgba(16,185,129,0.1); color:var(--success); }\n .choice-btn:disabled { cursor:default; }\n .explanation { background:rgba(56,189,248,0.08); border-left:4px solid var(--accent);\n padding:1.2rem; border-radius:8px; margin-top:1rem; display:none; color:#cbd5e1; line-height:1.7; }\n .explanation.show { display:block; }\n .explanation strong { color:var(--accent); }\n .nav-btns { display:flex; gap:1rem; justify-content:flex-end; margin-top:1.5rem; }\n .nav-btn { background:var(--accent); color:#0f172a; border:none; padding:0.8rem 1.8rem;\n border-radius:8px; font-size:1rem; font-weight:bold; cursor:pointer;\n transition:background 0.2s; }\n .nav-btn:hover { background:#0ea5e9; }\n .nav-btn:disabled { background:var(--card); color:var(--muted); cursor:default; }\n .nav-btn.secondary { background:var(--card); color:var(--text); }\n .nav-btn.secondary:hover { background:#475569; }\n .result-box { background:var(--surface); border-radius:12px; padding:2.5rem; text-align:center;\n display:none; border:2px solid var(--accent); }\n .result-box.show { display:block; }\n .result-score { font-size:3rem; color:var(--accent); font-weight:bold; margin:1rem 0; }\n .result-summary { background:var(--card); border-radius:8px; padding:1.5rem; margin:1.5rem 0;\n text-align:left; color:#cbd5e1; line-height:1.8; }\n .restart-btn { background:var(--accent); color:#0f172a; border:none; padding:1rem 2rem;\n border-radius:8px; font-size:1.1rem; font-weight:bold; cursor:pointer; margin-top:1rem; }\n .restart-btn:hover { background:#0ea5e9; }\n .hidden { display:none !important; }\n footer { text-align:center; margin-top:2rem; color:var(--muted); font-size:0.9rem; }\n <\/style>\n<\/head>\n<body>\n <h1>\ud83d\udcca \u00dcbung 2: Fallstudie<\/h1>\n <p class=\"subtitle\">Analysiere das Szenario und triff die richtigen Entscheidungen<\/p>\n\n <div class=\"scenario-intro\">\n <h3>\ud83c\udfac Szenario: StreamFlix verliert Abonnenten<\/h3>\n <p>Der Streamingdienst <strong>StreamFlix<\/strong> bemerkt, dass monatlich ca. <strong>8% der Abonnenten k\u00fcndigen<\/strong>. \n Der CEO m\u00f6chte mit <strong>Predictive Analytics<\/strong> herausfinden, wer k\u00fcndigen wird \u2013 \n bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der Data Scientist und musst \n alle wichtigen Entscheidungen treffen.<\/p>\n <\/div>\n\n <div class=\"steps-bar\" id=\"stepsBar\"><\/div>\n\n <div id=\"questionContainer\"><\/div>\n\n <div class=\"result-box\" id=\"resultBox\">\n <div style=\"font-size:2rem\">\ud83c\udf93<\/div>\n <div style=\"font-size:1.3rem; color:var(--text); margin:0.5rem 0\">Fallstudie abgeschlossen!<\/div>\n <div class=\"result-score\" id=\"finalScore\"><\/div>\n <div class=\"result-summary\" id=\"resultSummary\"><\/div>\n <button class=\"restart-btn\" onclick=\"restart()\">\ud83d\udd04 Nochmal l\u00f6sen<\/button>\n <\/div>\n\n <footer>Predictive Analytics & Machine Learning \u2013 Unterrichts\u00fcbung 2<\/footer>\n\n <script>\n const questions = [\n {\n step: \"\ud83d\udce6 Daten\",\n title: \"Schritt 1: Welche Daten sammelst du?\",\n question: \"Du hast Zugriff auf verschiedene Datenquellen. Welche sind f\u00fcr die Churn-Vorhersage am wertvollsten?\",\n choices: [\n { text: \"A) Nur demographische Daten (Alter, Wohnort)\", correct: false },\n { text: \"B) Nutzungsverhalten (Stunden\/Woche), Zahlungshistorie, Support-Kontakte, Vertragslaufzeit und bisherige K\u00fcndigungen\", correct: true },\n { text: \"C) Ausschlie\u00dflich die letzten 3 Monate Nutzung\", correct: false },\n { text: \"D) Social-Media-Daten aus externen Quellen\", correct: false }\n ],\n explanation: \"<strong>B ist richtig!<\/strong> Gute Vorhersagemodelle ben\u00f6tigen diverse, verhaltensbezogene Daten. Nutzungsintensit\u00e4t, Zahlungsverhalten, Support-Kontakte (Unzufriedenheit) und die Vertragslaufzeit (k\u00fcrzere Bindung = h\u00f6heres Risiko) sind starke Pr\u00e4diktoren f\u00fcr Churn. Demographische Daten allein sind zu wenig \u2013 das Verhalten sagt viel mehr aus.\"\n },\n {\n step: \"\ud83e\udd16 Modell\",\n title: \"Schritt 2: Welches Modell w\u00e4hlst du?\",\n question: \"Das Problem: Du m\u00f6chtest vorhersagen, ob ein Kunde k\u00fcndigt (Ja\/Nein). Welches Modell ist am besten geeignet?\",\n choices: [\n { text: \"A) ARIMA \u2013 f\u00fcr Zeitreihenvorhersagen\", correct: false },\n { text: \"B) K-Means Clustering \u2013 f\u00fcr Gruppierung\", correct: false },\n { text: \"C) Random Forest oder XGBoost \u2013 f\u00fcr bin\u00e4re Klassifikation mit strukturierten Daten\", correct: true },\n { text: \"D) Lineare Regression \u2013 f\u00fcr kontinuierliche Werte\", correct: false }\n ],\n explanation: \"<strong>C ist richtig!<\/strong> Churn Prediction ist eine <em>bin\u00e4re Klassifikation<\/em> (Bleibt \/ K\u00fcndigt). Random Forest und XGBoost sind ideal, da sie strukturierte Tabellendaten (CRM-Daten) sehr gut verarbeiten, hohe Genauigkeit erzielen und robuste Ergebnisse liefern. ARIMA w\u00e4re f\u00fcr Zeitreihen wie Aktienkurse, K-Means f\u00fcr Segmentierung ohne Labels.\"\n },\n {\n step: \"\u2705 Evaluierung\",\n title: \"Schritt 3: Wie bewertest du dein Modell?\",\n question: \"Dein Modell behauptet, 95% Genauigkeit (Accuracy) zu haben. Bist du zufrieden?\",\n choices: [\n { text: \"A) Ja \u2013 95% ist sehr gut, das Modell ist fertig!\", correct: false },\n { text: \"B) Nein \u2013 ich \u00fcberpr\u00fcfe zus\u00e4tzlich Pr\u00e4zision und Recall, da der Datensatz unausgewogen ist (nur 8% Churn)\", correct: true },\n { text: \"C) Ich ignoriere Metriken und schaue nur auf das Ergebnis in der Praxis\", correct: false },\n { text: \"D) Ich nehme ein anderes Modell, weil 95% zu gut ist\", correct: false }\n ],\n explanation: \"<strong>B ist richtig!<\/strong> Das ist eine klassische Falle: Wenn nur 8% der Kunden k\u00fcndigen, kann ein Modell das IMMER 'Bleibt' vorhersagt bereits 92% Genauigkeit erreichen \u2013 ohne etwas zu lernen! Deshalb sind <strong>Precision und Recall<\/strong> entscheidend: Wie viele der vorhergesagten Churner sind wirklich Churner? Wie viele echte Churner werden erkannt?\"\n },\n {\n step: \"\ud83d\udce3 Ma\u00dfnahmen\",\n title: \"Schritt 4: Welche Ma\u00dfnahmen leitest du ab?\",\n question: \"Das Modell identifiziert 500 Kunden mit hoher Abwanderungswahrscheinlichkeit. Was tust du?\",\n choices: [\n { text: \"A) Alle 500 Kunden anrufen mit einem Sonderangebot \u2013 unabh\u00e4ngig von der Wahrscheinlichkeit\", correct: false },\n { text: \"B) Nichts \u2013 warten bis sie wirklich k\u00fcndigen und dann reagieren\", correct: false },\n { text: \"C) Kunden nach Risikostufe priorisieren: Top-Risiko erh\u00e4lt pers\u00f6nliche Betreuung + Rabatt, mittleres Risiko personalisierte E-Mail-Kampagne\", correct: true },\n { text: \"D) Den Dienst f\u00fcr alle Kunden teurer machen\", correct: false }\n ],\n explanation: \"<strong>C ist richtig!<\/strong> Predictive Analytics erm\u00f6glicht <em>proaktives und differenziertes Handeln<\/em>. Nicht alle 500 brauchen dieselbe Ma\u00dfnahme \u2013 das w\u00e4re teuer und ineffizient. Durch Priorisierung nach Risikostufe werden Ressourcen optimal eingesetzt: High-Value-Kunden mit hohem Risiko erhalten intensive Betreuung, andere automatisierte Kampagnen. Netflix reduzierte so die Churn-Rate um 20-30%.\"\n }\n ];\n\n let current = 0;\n let score = 0;\n let answered = [];\n\n function buildSteps() {\n const bar = document.getElementById('stepsBar');\n bar.innerHTML = questions.map((q, i) =>\n `<div class=\"step-dot\" id=\"dot_${i}\">${i+1}<\/div>`\n ).join('<span style=\"color:var(--muted);align-self:center;\">\u2192<\/span>');\n }\n\n function renderQuestion(idx) {\n const q = questions[idx];\n const isAnswered = answered[idx] !== undefined;\n const container = document.getElementById('questionContainer');\n\n container.innerHTML = `\n <div class=\"question-panel\">\n <h3>${q.step} \u2013 ${q.title}<\/h3>\n <p>${q.question}<\/p>\n <div class=\"choices\" id=\"choices\">\n ${q.choices.map((c, ci) => `\n <button class=\"choice-btn ${isAnswered ? (c.correct ? 'reveal-correct' : (answered[idx] === ci ? 'selected-wrong' : '')) : ''}\"\n ${isAnswered ? 'disabled' : ''}\n onclick=\"selectAnswer(${idx}, ${ci}, this)\">\n ${c.text}\n <\/button>\n `).join('')}\n <\/div>\n <div class=\"explanation ${isAnswered ? 'show' : ''}\" id=\"expl\">\n ${q.explanation}\n <\/div>\n <\/div>\n <div class=\"nav-btns\">\n <button class=\"nav-btn secondary\" onclick=\"navigate(-1)\" ${idx === 0 ? 'disabled' : ''}>\u2190 Zur\u00fcck<\/button>\n <button class=\"nav-btn\" id=\"nextBtn\" onclick=\"navigate(1)\" ${!isAnswered ? 'disabled' : ''}>\n ${idx === questions.length - 1 ? 'Ergebnis anzeigen \ud83c\udf93' : 'Weiter \u2192'}\n <\/button>\n <\/div>\n `;\n updateDots();\n }\n\n function selectAnswer(qIdx, choiceIdx, btn) {\n if (answered[qIdx] !== undefined) return;\n answered[qIdx] = choiceIdx;\n const q = questions[qIdx];\n const btns = document.querySelectorAll('.choice-btn');\n btns.forEach((b, i) => {\n b.disabled = true;\n if (q.choices[i].correct) b.classList.add('reveal-correct');\n });\n if (q.choices[choiceIdx].correct) {\n btn.classList.add('selected-correct');\n score++;\n } else {\n btn.classList.add('selected-wrong');\n }\n document.getElementById('expl').classList.add('show');\n document.getElementById('nextBtn').disabled = false;\n updateDots();\n }\n\n function navigate(dir) {\n current += dir;\n if (current >= questions.length) { showResult(); return; }\n if (current < 0) current = 0;\n renderQuestion(current);\n window.scrollTo({top:0, behavior:'smooth'});\n }\n\n function updateDots() {\n questions.forEach((_, i) => {\n const dot = document.getElementById('dot_' + i);\n if (!dot) return;\n dot.className = 'step-dot';\n if (i === current) dot.classList.add('active');\n else if (answered[i] !== undefined) dot.classList.add('done');\n });\n }\n\n function showResult() {\n document.getElementById('questionContainer').innerHTML = '';\n const box = document.getElementById('resultBox');\n box.classList.add('show');\n document.getElementById('finalScore').textContent = score + ' \/ ' + questions.length + ' Punkte';\n const msgs = {\n 0: 'Lies die Erkl\u00e4rungen nochmals genau durch \u2013 du schaffst das! \ud83d\udcd6',\n 1: 'Guter Anfang! Noch etwas \u00fcben. \ud83d\udcaa',\n 2: 'Schon gut! Fast alles richtig. \ud83c\udf1f',\n 3: 'Sehr gut! Du denkst wie ein Data Scientist. \ud83d\ude80',\n 4: 'Perfekt! Alle Entscheidungen waren korrekt! \ud83c\udfc6'\n };\n document.getElementById('resultSummary').innerHTML = `\n <strong style=\"color:var(--accent)\">Zusammenfassung:<\/strong><br><br>\n \u2705 Gute Daten entscheiden \u00fcber Modellqualit\u00e4t \u2013 Verhaltensdaten schlagen Demographik.<br>\n \u2705 Bin\u00e4re Klassifikation (Ja\/Nein) \u2192 Random Forest \/ XGBoost.<br>\n \u2705 Accuracy allein reicht nicht \u2013 Precision & Recall sind bei unausgewogenen Daten entscheidend.<br>\n \u2705 Predictive Analytics erm\u00f6glicht proaktive, differenzierte Ma\u00dfnahmen.<br><br>\n <em>${msgs[score] || msgs[4]}<\/em>\n `;\n box.scrollIntoView({behavior:'smooth'});\n }\n\n function restart() {\n current = 0; score = 0; answered = [];\n document.getElementById('resultBox').classList.remove('show');\n renderQuestion(0);\n window.scrollTo({top:0, behavior:'smooth'});\n }\n\n buildSteps();\n renderQuestion(0);\n <\/script>\n<\/body>\n<\/html>\n","protected":false},"excerpt":{"rendered":"<p>\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-73","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>\u00dcbung Predictive Analysis - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00dcbung Predictive Analysis - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-03T13:58:17+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"1\u00a0Minute\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\",\"name\":\"\u00dcbung Predictive Analysis - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-03T13:58:15+00:00\",\"dateModified\":\"2026-03-03T13:58:17+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u00dcbung Predictive Analysis\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"\u00dcbung Predictive Analysis - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","og_locale":"de_DE","og_type":"article","og_title":"\u00dcbung Predictive Analysis - KI Marketing","og_description":"\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]","og_url":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-03T13:58:17+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"1\u00a0Minute"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","url":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","name":"\u00dcbung Predictive Analysis - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-03T13:58:15+00:00","dateModified":"2026-03-03T13:58:17+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"\u00dcbung Predictive Analysis"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=73"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73\/revisions"}],"predecessor-version":[{"id":74,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73\/revisions\/74"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=73"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

{"id":73,"date":"2026-03-03T14:58:15","date_gmt":"2026-03-03T13:58:15","guid":{"rendered":"https:\/\/metalmotion.de\/kim\/?page_id=73"},"modified":"2026-03-03T14:58:17","modified_gmt":"2026-03-03T13:58:17","slug":"uebung-predictive-analysis","status":"publish","type":"page","link":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","title":{"rendered":"\u00dcbung Predictive Analysis"},"content":{"rendered":"\n\n\n\n\n \n \n \u00dcbung 2 \u2013 Fallstudie: Churn Prediction<\/title>\n <style>\n :root {\n --bg:#0f172a; --surface:#1e293b; --card:#334155;\n --accent:#38bdf8; --success:#10b981; --error:#ef4444;\n --warning:#f59e0b; --text:#f1f5f9; --muted:#94a3b8;\n }\n * { margin:0; padding:0; box-sizing:border-box; }\n body { font-family:-apple-system, BlinkMacSystemFont,'Segoe UI',sans-serif;\n background:var(--bg); color:var(--text); min-height:100vh; padding:2rem; }\n h1 { color:var(--accent); text-align:center; font-size:2rem; margin-bottom:0.5rem; }\n .subtitle { text-align:center; color:var(--muted); margin-bottom:2rem; }\n .scenario-intro { background:var(--surface); border-radius:12px; padding:2rem;\n border-left:4px solid var(--warning); margin-bottom:2rem; }\n .scenario-intro h3 { color:var(--warning); margin-bottom:1rem; font-size:1.3rem; }\n .scenario-intro p { color:#cbd5e1; line-height:1.8; }\n .steps-bar { display:flex; gap:0.5rem; margin-bottom:2rem; flex-wrap:wrap; justify-content:center; }\n .step-dot { width:40px; height:40px; border-radius:50%; border:2px solid var(--card);\n display:flex; align-items:center; justify-content:center; font-weight:bold;\n font-size:0.9rem; cursor:pointer; transition:all 0.3s; color:var(--muted); }\n .step-dot.active { border-color:var(--accent); background:var(--accent); color:#0f172a; }\n .step-dot.done { border-color:var(--success); background:var(--success); color:white; }\n .question-panel { background:var(--surface); border-radius:12px; padding:2rem; margin-bottom:1.5rem; }\n .question-panel h3 { color:var(--accent); font-size:1.4rem; margin-bottom:1rem; }\n .question-panel p { color:#cbd5e1; margin-bottom:1.5rem; line-height:1.7; }\n .choices { display:grid; grid-template-columns:1fr; gap:0.8rem; }\n .choice-btn { background:var(--card); border:2px solid transparent; color:var(--text);\n padding:1rem 1.2rem; border-radius:8px; cursor:pointer; text-align:left;\n font-size:0.95rem; transition:all 0.2s; line-height:1.5; }\n .choice-btn:hover:not(:disabled) { border-color:var(--accent); background:#3b4f6b; }\n .choice-btn.selected-correct { border-color:var(--success); background:rgba(16,185,129,0.15); }\n .choice-btn.selected-wrong { border-color:var(--error); background:rgba(239,68,68,0.1); }\n .choice-btn.reveal-correct { border-color:var(--success); background:rgba(16,185,129,0.1); color:var(--success); }\n .choice-btn:disabled { cursor:default; }\n .explanation { background:rgba(56,189,248,0.08); border-left:4px solid var(--accent);\n padding:1.2rem; border-radius:8px; margin-top:1rem; display:none; color:#cbd5e1; line-height:1.7; }\n .explanation.show { display:block; }\n .explanation strong { color:var(--accent); }\n .nav-btns { display:flex; gap:1rem; justify-content:flex-end; margin-top:1.5rem; }\n .nav-btn { background:var(--accent); color:#0f172a; border:none; padding:0.8rem 1.8rem;\n border-radius:8px; font-size:1rem; font-weight:bold; cursor:pointer;\n transition:background 0.2s; }\n .nav-btn:hover { background:#0ea5e9; }\n .nav-btn:disabled { background:var(--card); color:var(--muted); cursor:default; }\n .nav-btn.secondary { background:var(--card); color:var(--text); }\n .nav-btn.secondary:hover { background:#475569; }\n .result-box { background:var(--surface); border-radius:12px; padding:2.5rem; text-align:center;\n display:none; border:2px solid var(--accent); }\n .result-box.show { display:block; }\n .result-score { font-size:3rem; color:var(--accent); font-weight:bold; margin:1rem 0; }\n .result-summary { background:var(--card); border-radius:8px; padding:1.5rem; margin:1.5rem 0;\n text-align:left; color:#cbd5e1; line-height:1.8; }\n .restart-btn { background:var(--accent); color:#0f172a; border:none; padding:1rem 2rem;\n border-radius:8px; font-size:1.1rem; font-weight:bold; cursor:pointer; margin-top:1rem; }\n .restart-btn:hover { background:#0ea5e9; }\n .hidden { display:none !important; }\n footer { text-align:center; margin-top:2rem; color:var(--muted); font-size:0.9rem; }\n <\/style>\n<\/head>\n<body>\n <h1>\ud83d\udcca \u00dcbung 2: Fallstudie<\/h1>\n <p class=\"subtitle\">Analysiere das Szenario und triff die richtigen Entscheidungen<\/p>\n\n <div class=\"scenario-intro\">\n <h3>\ud83c\udfac Szenario: StreamFlix verliert Abonnenten<\/h3>\n <p>Der Streamingdienst <strong>StreamFlix<\/strong> bemerkt, dass monatlich ca. <strong>8% der Abonnenten k\u00fcndigen<\/strong>. \n Der CEO m\u00f6chte mit <strong>Predictive Analytics<\/strong> herausfinden, wer k\u00fcndigen wird \u2013 \n bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der Data Scientist und musst \n alle wichtigen Entscheidungen treffen.<\/p>\n <\/div>\n\n <div class=\"steps-bar\" id=\"stepsBar\"><\/div>\n\n <div id=\"questionContainer\"><\/div>\n\n <div class=\"result-box\" id=\"resultBox\">\n <div style=\"font-size:2rem\">\ud83c\udf93<\/div>\n <div style=\"font-size:1.3rem; color:var(--text); margin:0.5rem 0\">Fallstudie abgeschlossen!<\/div>\n <div class=\"result-score\" id=\"finalScore\"><\/div>\n <div class=\"result-summary\" id=\"resultSummary\"><\/div>\n <button class=\"restart-btn\" onclick=\"restart()\">\ud83d\udd04 Nochmal l\u00f6sen<\/button>\n <\/div>\n\n <footer>Predictive Analytics & Machine Learning \u2013 Unterrichts\u00fcbung 2<\/footer>\n\n <script>\n const questions = [\n {\n step: \"\ud83d\udce6 Daten\",\n title: \"Schritt 1: Welche Daten sammelst du?\",\n question: \"Du hast Zugriff auf verschiedene Datenquellen. Welche sind f\u00fcr die Churn-Vorhersage am wertvollsten?\",\n choices: [\n { text: \"A) Nur demographische Daten (Alter, Wohnort)\", correct: false },\n { text: \"B) Nutzungsverhalten (Stunden\/Woche), Zahlungshistorie, Support-Kontakte, Vertragslaufzeit und bisherige K\u00fcndigungen\", correct: true },\n { text: \"C) Ausschlie\u00dflich die letzten 3 Monate Nutzung\", correct: false },\n { text: \"D) Social-Media-Daten aus externen Quellen\", correct: false }\n ],\n explanation: \"<strong>B ist richtig!<\/strong> Gute Vorhersagemodelle ben\u00f6tigen diverse, verhaltensbezogene Daten. Nutzungsintensit\u00e4t, Zahlungsverhalten, Support-Kontakte (Unzufriedenheit) und die Vertragslaufzeit (k\u00fcrzere Bindung = h\u00f6heres Risiko) sind starke Pr\u00e4diktoren f\u00fcr Churn. Demographische Daten allein sind zu wenig \u2013 das Verhalten sagt viel mehr aus.\"\n },\n {\n step: \"\ud83e\udd16 Modell\",\n title: \"Schritt 2: Welches Modell w\u00e4hlst du?\",\n question: \"Das Problem: Du m\u00f6chtest vorhersagen, ob ein Kunde k\u00fcndigt (Ja\/Nein). Welches Modell ist am besten geeignet?\",\n choices: [\n { text: \"A) ARIMA \u2013 f\u00fcr Zeitreihenvorhersagen\", correct: false },\n { text: \"B) K-Means Clustering \u2013 f\u00fcr Gruppierung\", correct: false },\n { text: \"C) Random Forest oder XGBoost \u2013 f\u00fcr bin\u00e4re Klassifikation mit strukturierten Daten\", correct: true },\n { text: \"D) Lineare Regression \u2013 f\u00fcr kontinuierliche Werte\", correct: false }\n ],\n explanation: \"<strong>C ist richtig!<\/strong> Churn Prediction ist eine <em>bin\u00e4re Klassifikation<\/em> (Bleibt \/ K\u00fcndigt). Random Forest und XGBoost sind ideal, da sie strukturierte Tabellendaten (CRM-Daten) sehr gut verarbeiten, hohe Genauigkeit erzielen und robuste Ergebnisse liefern. ARIMA w\u00e4re f\u00fcr Zeitreihen wie Aktienkurse, K-Means f\u00fcr Segmentierung ohne Labels.\"\n },\n {\n step: \"\u2705 Evaluierung\",\n title: \"Schritt 3: Wie bewertest du dein Modell?\",\n question: \"Dein Modell behauptet, 95% Genauigkeit (Accuracy) zu haben. Bist du zufrieden?\",\n choices: [\n { text: \"A) Ja \u2013 95% ist sehr gut, das Modell ist fertig!\", correct: false },\n { text: \"B) Nein \u2013 ich \u00fcberpr\u00fcfe zus\u00e4tzlich Pr\u00e4zision und Recall, da der Datensatz unausgewogen ist (nur 8% Churn)\", correct: true },\n { text: \"C) Ich ignoriere Metriken und schaue nur auf das Ergebnis in der Praxis\", correct: false },\n { text: \"D) Ich nehme ein anderes Modell, weil 95% zu gut ist\", correct: false }\n ],\n explanation: \"<strong>B ist richtig!<\/strong> Das ist eine klassische Falle: Wenn nur 8% der Kunden k\u00fcndigen, kann ein Modell das IMMER 'Bleibt' vorhersagt bereits 92% Genauigkeit erreichen \u2013 ohne etwas zu lernen! Deshalb sind <strong>Precision und Recall<\/strong> entscheidend: Wie viele der vorhergesagten Churner sind wirklich Churner? Wie viele echte Churner werden erkannt?\"\n },\n {\n step: \"\ud83d\udce3 Ma\u00dfnahmen\",\n title: \"Schritt 4: Welche Ma\u00dfnahmen leitest du ab?\",\n question: \"Das Modell identifiziert 500 Kunden mit hoher Abwanderungswahrscheinlichkeit. Was tust du?\",\n choices: [\n { text: \"A) Alle 500 Kunden anrufen mit einem Sonderangebot \u2013 unabh\u00e4ngig von der Wahrscheinlichkeit\", correct: false },\n { text: \"B) Nichts \u2013 warten bis sie wirklich k\u00fcndigen und dann reagieren\", correct: false },\n { text: \"C) Kunden nach Risikostufe priorisieren: Top-Risiko erh\u00e4lt pers\u00f6nliche Betreuung + Rabatt, mittleres Risiko personalisierte E-Mail-Kampagne\", correct: true },\n { text: \"D) Den Dienst f\u00fcr alle Kunden teurer machen\", correct: false }\n ],\n explanation: \"<strong>C ist richtig!<\/strong> Predictive Analytics erm\u00f6glicht <em>proaktives und differenziertes Handeln<\/em>. Nicht alle 500 brauchen dieselbe Ma\u00dfnahme \u2013 das w\u00e4re teuer und ineffizient. Durch Priorisierung nach Risikostufe werden Ressourcen optimal eingesetzt: High-Value-Kunden mit hohem Risiko erhalten intensive Betreuung, andere automatisierte Kampagnen. Netflix reduzierte so die Churn-Rate um 20-30%.\"\n }\n ];\n\n let current = 0;\n let score = 0;\n let answered = [];\n\n function buildSteps() {\n const bar = document.getElementById('stepsBar');\n bar.innerHTML = questions.map((q, i) =>\n `<div class=\"step-dot\" id=\"dot_${i}\">${i+1}<\/div>`\n ).join('<span style=\"color:var(--muted);align-self:center;\">\u2192<\/span>');\n }\n\n function renderQuestion(idx) {\n const q = questions[idx];\n const isAnswered = answered[idx] !== undefined;\n const container = document.getElementById('questionContainer');\n\n container.innerHTML = `\n <div class=\"question-panel\">\n <h3>${q.step} \u2013 ${q.title}<\/h3>\n <p>${q.question}<\/p>\n <div class=\"choices\" id=\"choices\">\n ${q.choices.map((c, ci) => `\n <button class=\"choice-btn ${isAnswered ? (c.correct ? 'reveal-correct' : (answered[idx] === ci ? 'selected-wrong' : '')) : ''}\"\n ${isAnswered ? 'disabled' : ''}\n onclick=\"selectAnswer(${idx}, ${ci}, this)\">\n ${c.text}\n <\/button>\n `).join('')}\n <\/div>\n <div class=\"explanation ${isAnswered ? 'show' : ''}\" id=\"expl\">\n ${q.explanation}\n <\/div>\n <\/div>\n <div class=\"nav-btns\">\n <button class=\"nav-btn secondary\" onclick=\"navigate(-1)\" ${idx === 0 ? 'disabled' : ''}>\u2190 Zur\u00fcck<\/button>\n <button class=\"nav-btn\" id=\"nextBtn\" onclick=\"navigate(1)\" ${!isAnswered ? 'disabled' : ''}>\n ${idx === questions.length - 1 ? 'Ergebnis anzeigen \ud83c\udf93' : 'Weiter \u2192'}\n <\/button>\n <\/div>\n `;\n updateDots();\n }\n\n function selectAnswer(qIdx, choiceIdx, btn) {\n if (answered[qIdx] !== undefined) return;\n answered[qIdx] = choiceIdx;\n const q = questions[qIdx];\n const btns = document.querySelectorAll('.choice-btn');\n btns.forEach((b, i) => {\n b.disabled = true;\n if (q.choices[i].correct) b.classList.add('reveal-correct');\n });\n if (q.choices[choiceIdx].correct) {\n btn.classList.add('selected-correct');\n score++;\n } else {\n btn.classList.add('selected-wrong');\n }\n document.getElementById('expl').classList.add('show');\n document.getElementById('nextBtn').disabled = false;\n updateDots();\n }\n\n function navigate(dir) {\n current += dir;\n if (current >= questions.length) { showResult(); return; }\n if (current < 0) current = 0;\n renderQuestion(current);\n window.scrollTo({top:0, behavior:'smooth'});\n }\n\n function updateDots() {\n questions.forEach((_, i) => {\n const dot = document.getElementById('dot_' + i);\n if (!dot) return;\n dot.className = 'step-dot';\n if (i === current) dot.classList.add('active');\n else if (answered[i] !== undefined) dot.classList.add('done');\n });\n }\n\n function showResult() {\n document.getElementById('questionContainer').innerHTML = '';\n const box = document.getElementById('resultBox');\n box.classList.add('show');\n document.getElementById('finalScore').textContent = score + ' \/ ' + questions.length + ' Punkte';\n const msgs = {\n 0: 'Lies die Erkl\u00e4rungen nochmals genau durch \u2013 du schaffst das! \ud83d\udcd6',\n 1: 'Guter Anfang! Noch etwas \u00fcben. \ud83d\udcaa',\n 2: 'Schon gut! Fast alles richtig. \ud83c\udf1f',\n 3: 'Sehr gut! Du denkst wie ein Data Scientist. \ud83d\ude80',\n 4: 'Perfekt! Alle Entscheidungen waren korrekt! \ud83c\udfc6'\n };\n document.getElementById('resultSummary').innerHTML = `\n <strong style=\"color:var(--accent)\">Zusammenfassung:<\/strong><br><br>\n \u2705 Gute Daten entscheiden \u00fcber Modellqualit\u00e4t \u2013 Verhaltensdaten schlagen Demographik.<br>\n \u2705 Bin\u00e4re Klassifikation (Ja\/Nein) \u2192 Random Forest \/ XGBoost.<br>\n \u2705 Accuracy allein reicht nicht \u2013 Precision & Recall sind bei unausgewogenen Daten entscheidend.<br>\n \u2705 Predictive Analytics erm\u00f6glicht proaktive, differenzierte Ma\u00dfnahmen.<br><br>\n <em>${msgs[score] || msgs[4]}<\/em>\n `;\n box.scrollIntoView({behavior:'smooth'});\n }\n\n function restart() {\n current = 0; score = 0; answered = [];\n document.getElementById('resultBox').classList.remove('show');\n renderQuestion(0);\n window.scrollTo({top:0, behavior:'smooth'});\n }\n\n buildSteps();\n renderQuestion(0);\n <\/script>\n<\/body>\n<\/html>\n","protected":false},"excerpt":{"rendered":"<p>\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-73","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>\u00dcbung Predictive Analysis - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"\u00dcbung Predictive Analysis - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-03T13:58:17+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"1\u00a0Minute\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\",\"name\":\"\u00dcbung Predictive Analysis - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-03T13:58:15+00:00\",\"dateModified\":\"2026-03-03T13:58:17+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/uebung-predictive-analysis\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"\u00dcbung Predictive Analysis\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"\u00dcbung Predictive Analysis - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","og_locale":"de_DE","og_type":"article","og_title":"\u00dcbung Predictive Analysis - KI Marketing","og_description":"\u00dcbung 2 \u2013 Fallstudie: Churn Prediction \ud83d\udcca \u00dcbung 2: Fallstudie Analysiere das Szenario und triff die richtigen Entscheidungen \ud83c\udfac Szenario: StreamFlix verliert Abonnenten Der Streamingdienst StreamFlix bemerkt, dass monatlich ca. 8% der Abonnenten k\u00fcndigen. Der CEO m\u00f6chte mit Predictive Analytics herausfinden, wer k\u00fcndigen wird \u2013 bevor es passiert \u2013 um gezielt gegenzusteuern. Du bist der […]","og_url":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-03T13:58:17+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"1\u00a0Minute"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","url":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/","name":"\u00dcbung Predictive Analysis - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-03T13:58:15+00:00","dateModified":"2026-03-03T13:58:17+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/uebung-predictive-analysis\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"\u00dcbung Predictive Analysis"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=73"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73\/revisions"}],"predecessor-version":[{"id":74,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/73\/revisions\/74"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=73"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}