Überlebensanalyse
Statistische Methode zur Analyse der Zeit bis zum Eintreten eines Ereignisses (z.B. Churn, Conversion, Ausfall), unter Berücksichtigung zensierter Daten.
Survival Analysis modelliert "Wann passiert ein Ereignis?" (Churn, Conversion) und berücksichtigt zensierte Daten – mächtiger als binäre Klassifikation für zeitliche Fragen.
Erklärung
Kernmethoden: Kaplan-Meier-Kurven (non-parametrisch), Cox Proportional Hazards (semi-parametrisch), Accelerated Failure Time Models. Zensierung bedeutet: Wir wissen, dass das Ereignis NOCH NICHT eingetreten ist, aber nicht wann es eintreten wird.
Relevanz für Marketing
Ideal für Marketing: Customer Lifetime Modelling, Churn-Prediction mit zeitlichem Kontext, Trial-to-Paid Conversion Timing, Retention-Analyse.
Beispiel
Kaplan-Meier-Kurve zeigt: 50% der Free-Trial-User konvertieren innerhalb von 7 Tagen, danach flacht die Kurve ab – Insight für Trigger-E-Mail-Timing.
Häufige Fallstricke
Cox-Modell setzt proportionale Hazards voraus (oft verletzt). Zensierung falsch modellieren führt zu Bias. Competing Risks ignorieren verfälscht Ergebnisse.
Entstehung & Geschichte
Kaplan & Meier veröffentlichten ihren Schätzer 1958. Cox Proportional Hazards (1972) wurde zum meistzitierten Statistik-Paper. Heute in Customer Analytics, Medizin und Reliabilitäts-Engineering Standard.
Abgrenzung & Vergleiche
Überlebensanalyse vs. Logistic Regression
Logistic Regression sagt "ob" ein Ereignis eintritt; Survival Analysis sagt "wann" – mit Zensierung und zeitlicher Dynamik.
Überlebensanalyse vs. Time Series Analysis
Time Series analysiert Werte über die Zeit; Survival Analysis analysiert die Zeit bis zu einem spezifischen Ereignis.