Customer Lifetime Value vorhersagen (Kundenwert)

Die meisten Unternehmen steuern nach vergangenem Umsatz oder nach RFM-Gruppen (Recency/Frequency/Monetary: Aktualität, Häufigkeit, Wert). Die CLV-Vorhersage schätzt, was jeder Kunde in den nächsten 6–36 Monaten ausgeben oder als Marge beitragen wird. Diese Zahl legt Akquisitionsbudgets fest, entscheidet, wer Bindungsangebote oder Premium-Service erhält, und bewertet den Kundenbestand. Die Methoden sind ausgereift („Buy-till-you-die“-Modelle, Gradient-Boosted Trees, Zero-Inflated-Deep-Modelle, tabellarische Foundation-Modelle) und oft in Shop oder CRM eingebaut. Schwierig sind saubere Kunden-IDs, eine margenbasierte Wertdefinition und die rechtmäßige, faire Nutzung des Scores.

Problem & Nutzen

• Heute: Der Wert wird anhand des Vorjahresumsatzes oder von RFM-Tabellen in Excel beurteilt. Das überschätzt einmalige Großkäufer, übersieht vielversprechende Neukunden und legt Akquisitionsbudgets auf Basis des Erstbestellumsatzes oder des ROAS fest.
• KI-Nutzen: ein vorausschauender Wert je Kunde und je Kohorte. Anwendungen sind unter anderem: (1) wertbasiertes Bieten und Akquise (den vorhergesagten Wert statt des Erstbestellumsatzes an Werbeplattformen senden); (2) Priorisierung der Kundenbindung (kombiniert mit dem Kündigungsrisiko, siehe PRED-003); (3) Servicestufen (wer Premium-Support oder einen Key-Account-Manager erhält); (4) Finanzen (CAC-Amortisation, CLV:CAC-Verhältnis, Bewertung des Kundenbestands).
• Belege: Wir haben keine unabhängig überprüfbaren, vergleichbaren Zuwachszahlen gefunden und nennen deshalb keine; messen Sie den Zuwachs selbst mit einer Kontrollgruppe (Holdout). Dynamics 365 Customer Insights bewertet sein Modell gegen eine Nicht-KI-Basis (durchschnittliche Monatsausgaben × Horizont × Bindungsquote): Note „A“ bedeutet, dass mindestens 5 % mehr Kunden mit hohem Wert korrekt erkannt werden [6].

Varianten

• Nicht vertraglicher Handel / E-Commerce: Kunden können unbemerkt gehen. Das klassische Einsatzfeld für BG/NBD- oder Pareto/NBD-Modelle plus Gamma-Gamma-Modelle [1].
• Vertraglich / Abo (SaaS, Telekommunikation, Medien, Versicherung, Versorger): Die Kündigung wird beobachtet, daher gilt CLV = erwartete Restlaufzeit × Marge. Nutzen Sie Shifted-Beta-Geometric- oder Überlebenszeitmodelle oder GBM auf Kündigung und Erweiterung. Überschneidet sich stark mit PRED-003.
• Mobile Apps und Spiele: Vorhersage des Werts eines neuen Nutzers aus dem Verhalten der ersten Tage (pLTV) für das Bieten bei der Nutzergewinnung. Stark schiefe Verteilung: Ein kleines Segment von „Walen“ trägt einen Großteil des Werts [4].
• B2B / Mittelstand: CLV auf Kontoebene aus ERP-Auftragspositionen, mit wenigen Kunden, aber großen Aufträgen. Kombinieren Sie ihn mit Cross-Selling (REC-010) und Absatzprognose (PRED-002). Statistische Modelle schlagen hier oft ML, weil die Datenmenge klein ist.
• Banken / Versicherungen: Kundenprofitabilität und „Share of Wallet“ für das Beziehungsmanagement. Das ist eine rechtmäßige Marketingnutzung. Die Verwendung für Kredit- oder Lebens-/Krankenversicherungs- preise ist ein anderer, hochriskanter Anwendungsfall (PRED-009, PRED-010).
• Gastgewerbe / Reisen / Treueprogramme: Gästewert für Upgrades und Treuestufen (REC-009).

So funktioniert es

1. Daten aus ERP / Shop / CRM / CDP (Bestellungen, Retouren, Margen, Ereignisse)
2. Identitätsauflösung (eine ID je Kunde; Haushalte/Konten im B2B)
3. Wertdefinition (Umsatz vs. Deckungsbeitrag, abzüglich Retouren; Horizont z. B. 12 Monate)
4. Features: RFM, Laufzeit, Zeitabstände zwischen Käufen, Warenkorbmix, Kanal, Interaktion, Service-Tickets
5. Modell: BTYD (BG/NBD + Gamma-Gamma) als Basis | GBM / ZILN-Regressor | tabellarisches FM
6. zeitbasierter Backtest (Training bis T, Vorhersage T…T+h, Vergleich mit Istwerten)
7. Scores + Unsicherheit
8. Segmente
9. Aktivierung (CRM, Werbung, E-Mail, Service-Routing)
10. Holdout-Experiment, um die Wirkung des Handelns nach dem Score zu messen

• Probabilistische BTYD-Modelle (BG/NBD, Pareto/NBD, modifiziertes BG/NBD, BG/BB, Shifted BG, Gamma-Gamma) nutzen nur Aktualität, Häufigkeit, Laufzeit und durchschnittliche Ausgaben. Sie sind bei wenigen Daten robust und leicht zu erklären. Ihre bekannten Annahmen sind wichtig: Gamma-Gamma braucht Wiederkäufer und Ausgaben, die von der Häufigkeit weitgehend unabhängig sind [1].
• ML-Regressoren (LightGBM, XGBoost, CatBoost) verarbeiten reichhaltige Features und ordnen meist besser, wenn Verhaltensdaten vorliegen. Eine Zero-Inflated-Lognormal-(ZILN-)Verlustfunktion bildet „kauft nicht mehr“ und den schiefen Ausgabenbetrag gemeinsam ab und liefert zudem eine Unsicherheitsschätzung. Googles Bewertungsempfehlungen für dieses Umfeld sind der normalisierte Gini (Rangfolge) und Dezil-Kalibrierungsdiagramme [3][4].
• Kausalebene: Ein hoher CLV bedeutet nicht, dass ein Kunde auf ein Angebot reagiert. Uplift-Modelle (Kausalinferenz) entscheiden, wen man behandelt. Das wird mit REC-003 / PRED-003 geteilt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Marketing und Finanzen einigen sich auf die Wertdefinition und die Segmentschwellen. Vertrieb und Service können die Einstufung übersteuern. Jede Entscheidung mit rechtlicher oder ähnlich erheblicher Wirkung auf eine Person bleibt beim Menschen (DSGVO Art. 22).

Datenaufbereitung

Die CLV-Vorhersage braucht Bestell- und Vertragshistorie je Kunden-ID mit Marge und Retouren sowie den Akquisitionskanal. In einem KMU liegt dies im ERP- oder Shopsystem, im CRM und im E-Mail-Werkzeug; Margendaten stehen oft in Controlling-Tabellen.

Typische Lücken: - Dieselbe Person unter mehreren Kunden-IDs (Gastbestellungen, B2B-Kontakte). - Umsatz statt Marge; Retouren und Gutschriften nicht verrechnet. - Fehlende Akquisitionsquelle. - Kurze Historie von unter ein bis zwei Jahren. - Bestellungen aus mehreren Kanälen ohne Verknüpfung.

Aufbereitungsschritte: 1. Bestellpositionen, Retouren und Gutschriften exportieren (PREP-005) und verrechnen. 2. Doppelte Kunden über einen gemeinsamen Schlüssel auflösen. 3. Die Marge aus dem Controlling zuordnen und Kennzahlendefinitionen festlegen (PREP-011, PREP-012). 4. Akquisitionskanäle und Kampagnen kennzeichnen. 5. Die letzten Monate als Testdaten zurückhalten (PREP-018). 6. Zweck und Rechtsgrundlage prüfen, bevor Daten für Profiling genutzt werden (PREP-025).

Aufwandsanteil: etwa 30–40 %; überwiegend Auflösung der Kundenidentität und Margenzuordnung. Prüfen Sie die Reife mit GUIDE-003, bevor Sie ein Werkzeug auswählen. Werkzeuge: ERP- oder Shop-Export, Power Query, DuckDB, Python.

Umsetzungswege

Welcher Weg für wen

• KMU (A): Shop-, CRM- und E-Mail-Marketing-Plattformen enthalten bereits ausgereifte CLV-Vorhersagen für Standard-Bestelldaten, was für die meisten KMU-Entscheidungen genügt.
• Großunternehmen (B): Der CLV speist Akquisitionsgebote und die Finanzen; die Modelle sollten daher auf der eigenen Datenplattform laufen und Margen- und Kostendaten einbeziehen, die Produkte nicht sehen.
• Entwickler (C): Probabilistische BTYD-Modelle (z. B. PyMC-Marketing) sind Open Source, laufen auf HW1 und sind transparent.

Weg A — Kaufen (für die meisten KMU empfohlen)

• Eingebaut in Shop/CRM/Analytik: Klaviyo Predictive Analytics (vorhergesagter CLV, Abwanderungsrisiko, erwartetes nächstes Bestelldatum; braucht ≥ 500 Kunden mit Bestellungen, ≥ 180 Tage Historie und einige Kunden mit 3+ Bestellungen) [5]. Google Analytics 4 Predicted Revenue (Horizont 28 Tage; braucht 1.000 wiederkehrende Käufer und 1.000 Nicht-Käufer innerhalb eines 7-Tage-Fensters) [7]. Microsoft Dynamics 365 Customer Insights – CLV-Vorhersage (≥ 1.000 Profile, ≥ 1 Jahr Transaktionen, idealerweise 2–3 Jahre) [6].
• CDP / Customer-Engagement-Plattformen: Bloomreach (Entwicklungswurzeln in der EU, Rechenzentren in der EU; Vorhersagemodelle für Kauf, Abwanderung und Interaktion) [8], SAP Emarsys (im Besitz von SAP, EU-Hosting), Salesforce Data Cloud, Adobe Real-Time CDP, Optimove. Prüfen Sie, ob der CLV eine echte vorhergesagte Kennzahl und keine historische Summe ist, ob er exportiert werden kann und wo die Daten gehostet werden.
• Wählen Sie A, wenn: die Daten bereits in einem Shop/CRM/einer CDP liegen, Sie ein B2C-Kundenvolumen haben und das Hauptziel Segmentierung und Kampagnenaktivierung ist.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Warehouse-nativ: BigQuery ML (Boosted Trees, DNN, AutoML-Regression; EU-Multiregion) [9], Snowflake ML (EU-Regionen), Databricks (CLV-Solution-Accelerator-Notebook) [10], Azure ML / AWS SageMaker AutoML (Frankfurt). Das hält die Daten im Warehouse und passt zu Teams, die bereits auf einem modernen Datenstack arbeiten.
• Aktivierung: Scores als wertbasierte Conversion-Signale an Google Ads / Meta senden (nur mit Rechtsgrundlage und Einwilligung, siehe unten) und per Reverse-ETL (Census, Hightouch) oder n8n ins CRM.
• LLMs sind optional, für Segmenttexte oder Abfragen der Scores in natürlicher Sprache (DATA-001). Sie sind nicht der Prädiktor: Ein GBM ist auf Transaktionstabellen günstiger und genauer.

Weg C — Selbst betreiben (Open Source)

• Modelle: PyMC-Marketing CLV-Modul (Bayessches BG/NBD, Pareto/NBD, BG/BB, Shifted BG, Gamma-Gamma). Es ist der offizielle Nachfolger der Bibliothek lifetimes, die im Juni 2024 archiviert wurde [1][2]. LightGBM / XGBoost / CatBoost für Feature-reiche Modelle. Die ZILN-Verlustfunktion aus Googles Paket lifetime_value lässt sich wiederverwenden, das Repository ist jedoch seit April 2026 archiviert (schreibgeschützt); übernehmen Sie sie daher in den eigenen Code [3]. TabPFN (Prior Labs, Freiburg, Deutschland): Das aktuelle TabPFN-3.5 verarbeitet Regression auf bis zu 1 Mio. Zeilen; Gewichte ab v2.5 stehen unter einer nicht kommerziellen Lizenz, prüfen Sie die Lizenz also vor dem Produktiveinsatz [11].
• Stack: dbt für Features, MLflow für Tracking, Feast als Feature Store, Airflow/Dagster für das monatliche Neutraining, PostgreSQL/DuckDB zur Speicherung, Metabase/Superset für Dashboards.
• Hardware: HW1 genügt. BTYD- und GBM-Modelle trainieren auf einem CPU-Server in Minuten bis Stunden, selbst für Millionen von Kunden. Eine GPU hilft nur bei großen Deep-Learning-Modellen oder TabPFN im großen Maßstab.

Weg D — Eigenes Training

Das Training eigener Modelle von Grund auf ist im großen Maßstab die Regel. Große B2C-Plattformen (Marktplätze, Gaming, Lieferdienste, Telekommunikation) bauen eigene Deep-Learning-Modelle, ZILN- oder ordinale/gruppierte Architekturen, um „Wale“ richtig zu ordnen. Ein Beispiel ist CC-OR-Net, bewertet auf Daten von mehr als 300 Mio. Nutzern [4]. Das lohnt sich nur mit Millionen von Kunden, reichhaltigen Ereignisströmen und einem Team, das ML im Produktivbetrieb betreibt. Erforderliche Daten: mindestens 2–3 Horizonte an Historie (für einen 12-Monats-CLV empfiehlt Microsoft 18–24 Monate an Daten [6]) und durchgängige Kunden-IDs.

Stand der Technik (2026)

• Basisverfahren bleiben stark: Bayessche BTYD-Modelle (PyMC-Marketing) sind der Standard für dünne, nicht vertragliche Daten und liefern kalibrierte Unsicherheit. GBMs dominieren bei reichhaltigen Verhaltens-Features.
• Deep-Learning-Modelle für schiefe Verteilungen: ZILN [3] wurde zur Standard-Verlustfunktion für pLTV. Forschung aus 2025–2026 (z. B. CC-OR-Net, Jan. 2026) zerlegt das Problem in ordinale Wertklassen plus Residual-Regression und behandelt Nutzer mit hohem Wert gesondert, um die Rangfolge dort zu verbessern, wo sie kommerziell zählt [4].
• Tabellarische Foundation-Modelle (TabPFN-3.5, offene Alternativen wie TabICL von Inria) liefern ohne Abstimmung starke Ergebnisse auf kleinen und mittleren Tabellen. Das ist nützlich für B2B- und KMU-Daten mit kurzer Historie [11].
• Grenzen: Prognosen für Neukunden mit einem Kauf sind schwach. Regimewechsel (Preisänderungen, neue Kanäle, Rezessionen) brechen Modelle, die auf alten Kohorten trainiert wurden. Umsatzbasierter CLV ignoriert Retouren und Servicekosten (siehe PRED-020). Der RMSE wird von Ausreißern dominiert; bewerten Sie daher Rangfolge (Gini, Erfassung im obersten Dezil) und Kalibrierung getrennt [3][6].

Gemeinsame Bausteine & Kombinationen

• Gleiche Feature-Basis (eine Kunden-360-Tabelle): PRED-003 Kündigungsprognose, PRED-005 Lead-Scoring, PRED-020 Retourenprognose, REC-004 Segmentierung, REC-003 Next-Best-Action, REC-009 Treueprogramm. Bauen Sie eine Feature-Pipeline (dbt + Feature Store) und trainieren Sie mehrere Prognoseköpfe darauf.
• Gleiche Fähigkeiten: tabular-ml (GBM / TabPFN auf CPU, HW1) wird mit fast allen PRED-Anwendungsfällen geteilt. causal-inference (Uplift, Holdouts) wird mit REC-003, REC-005 und OPT-004 geteilt.
• Nachgelagert: CLV × Kündigungsrisiko → Bindungsbudget. CLV als Nebenbedingung bei dynamischer Preisgestaltung (OPT-004). CLV:CAC im Marketing-Mix-Modell (REC-005). Konto-CLV für B2B-Cross-Selling (REC-010) und Pipeline-Gewichtung (PRED-002).
• Abgrenzung: Bonitätsbewertung (PRED-009) und Versicherungspreisgestaltung (PRED-010) sind eigenständige, hochriskante Anwendungsfälle. Verwenden Sie dafür keinen Marketing-CLV-Score wieder.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen, wenn die Daten bereits im Werkzeug liegen. Die Kosten sind Teil der Shop-/CRM-/CDP-Lizenz, die bei CDPs oft pro Profil berechnet wird.
• Weg B/C: 4–12 Wochen für ein erstes Produktivmodell mit monatlichem Neutraining und CRM-Synchronisation. Hauptkostenfaktor ist die Datentechnik (Identitätsauflösung, Margen, Retouren), nicht die Rechenleistung.
• Weg D: Quartale, mit einem eigenen ML-Team.
• Kennzahlen: normalisierter Gini / Erfassung im obersten Dezil gegenüber einer RFM-Basis; Kalibrierung (vorhergesagt vs. tatsächlich je Dezil); MAPE auf Kohortenebene für die Finanzen; geschäftlicher Zuwachs durch randomisierten Holdout (zusätzliche Marge je behandeltem Kunden, CAC-Amortisation, ROI des Bindungsbudgets).

Menschen & Veränderung

Beteiligen Sie: die Geschäftsleitung (Akquisitions- und Bindungsbudgets), die Leitungen von Marketing und Vertrieb, Finanzen oder Controlling für die Margendefinitionen, die Personen, die Kampagnen durchführen, die IT für den Datenzugriff und die/den Datenschutzbeauftragte(n) für das Profiling. Legen Sie früh fest, welche Entscheidungen die Wertsegmente steuern sollen, sonst bleibt der Score ungenutzt.

Betriebsrat: in den meisten Fällen nein. CLV-Scores betreffen Kunden, nicht das Verhalten oder die Leistung von Beschäftigten. Die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG wird erst relevant, wenn Ergebnisse je Mitarbeitendem ausgewertet werden oder die gewählte Plattform Aktivitäten von Beschäftigten protokolliert. Informieren Sie den Betriebsrat dennoch, wenn sich Serviceniveaus für Beschäftigte ändern (§90 Abs. 1 Nr. 3 BetrVG). Nur dort, wo ein Betriebsrat besteht.

Datenschutz: Der CLV ist Profiling identifizierbarer Kunden. Prüfen Sie die Rechtsgrundlage (Art. 6 DSGVO), halten Sie ihn als Segmentierung und nutzen Sie ihn nicht für Entscheidungen mit rechtlicher Wirkung auf Einzelne. Eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) ist in großem Umfang ratsam; schließen Sie mit jedem Anbieter einen Auftragsverarbeitungsvertrag (AVV) und beziehen Sie die/den Datenschutzbeauftragte(n) ein (GUIDE-005).

KI-Kompetenz: informieren Sie Marketing- und Servicemitarbeitende darüber, was eine Vorhersage mit Unsicherheit bedeutet (GUIDE-006).

Typische Bedenken: „Kunden mit hohem Wert bekommen besseren Service und die anderen werden vernachlässigt.“ Legen Sie faire Mindeststandards für den Service fest, lassen Sie Menschen über Angebote und Rabatte entscheiden und prüfen Sie die Segmente regelmäßig. Starten Sie mit einer Kampagne als Pilot und vergleichen Sie mit einer Kontrollgruppe (GUIDE-009, GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): CLV für Marketing, Segmentierung und Service-Priorisierung gehört zu keiner Kategorie des Anhangs III, ist also minimales Risiko mit Pflicht zur KI-Kompetenz (Art. 4). Er wird hochriskant, wenn der Score zur Bewertung der Kreditwürdigkeit natürlicher Personen (Anhang III Nr. 5 Buchst. b) oder zur Risikobewertung und Preisgestaltung bei Lebens- und Krankenversicherungen (Anhang III Nr. 5 Buchst. c) verwendet wird [12]. Die Verwendung eines Wert-Scores, um Menschen in sachfremden Zusammenhängen schlechter zu behandeln, kann dem Verbot des Social Scoring nach Art. 5 Abs. 1 Buchst. c nahekommen. Halten Sie den Zweck eng.
• DSGVO: Der CLV ist Profiling (Art. 4 Nr. 4). Sie brauchen eine Rechtsgrundlage, meist das berechtigte Interesse mit dokumentierter Interessenabwägung, oder eine Einwilligung, wo Tracking-Daten im Spiel sind (ePrivacy/TTDSG). Kunden müssen darüber informiert werden (Art. 13/14). Sie haben ein uneingeschränktes Widerspruchsrecht gegen Profiling zur Direktwerbung (Art. 21 Abs. 2–3). Art. 22 greift, wenn der Score allein über etwas mit rechtlicher oder ähnlich erheblicher Wirkung entscheidet, etwa Leistungsverweigerung oder Zahlungsbedingungen. Das EuGH-Urteil SCHUFA (C-634/21) stellte fest, dass die Erstellung eines Scores selbst eine solche Entscheidung sein kann, wenn Dritte sich maßgeblich darauf stützen. Das Hochladen von Kundenlisten oder Wertsignalen zu Werbeplattformen braucht eine Einwilligung und eine Auftragsverarbeitungs- oder Vereinbarung über gemeinsame Verantwortlichkeit.
• Verbraucherrecht: Personalisierte Preise auf Grundlage automatisierter Entscheidungsfindung müssen offengelegt werden (Verbraucherrechterichtlinie in der Fassung der Omnibus-Richtlinie 2019/2161). Preisdiskriminierung nach CLV ist reputationsrisikoreich.
• Fairness: Der CLV kann stellvertretend für Einkommen, Alter oder Wohnort stehen. Prüfen Sie Segmente auf diskriminierende Wirkungen (deutsches AGG für den Zugang zu Gütern und Dienstleistungen) und vermeiden Sie Daten nach Art. 9.
• Gegenmaßnahmen: Feature-Minimierung, eine DSFA bei Profiling in großem Umfang, Erklärungen je Segment, Prüfschwellen und ein Prüfprotokoll zur Nutzung der Scores.

Erste Schritte

1. Den CLV für Ihr Unternehmen definieren: Deckungsbeitrag abzüglich Retouren, Horizont (z. B. 12 Monate), Kunden- vs. Kontoebene.
2. Eine saubere Kunden-Transaktionstabelle aufbauen (ID, Datum, Betrag, Marge, Retourenkennzeichen), die mindestens das 1,5–2-Fache des Horizonts abdeckt.
3. Mit einer Basis beginnen: RFM plus PyMC-Marketing BG/NBD + Gamma-Gamma oder die eingebaute Vorhersage in Ihrem Shop/CRM. Auf einem vergangenen Zeitraum per Backtest prüfen.
4. Ein GBM mit Verhaltens-Features nur ergänzen, wenn es die Basis bei Gini und Kalibrierung klar schlägt.
5. Eine Anwendung aktivieren, etwa ein Bindungsbudget für gefährdete Kunden mit hohem CLV, mit randomisiertem Holdout. Rechtsgrundlage nach DSGVO und Widerspruchsmechanismus vor dem Livegang dokumentieren.

Quellen

1. PyMC-Marketing — CLV quickstart (BG/NBD, Pareto/NBD, shifted BG, BG/BB, Gamma-Gamma) — https://www.pymc-marketing.io/en/stable/notebooks/clv/clv_quickstart.html
2. lifetimes library — archived June 2024, successor PyMC-Marketing — https://github.com/CamDavidsonPilon/lifetimes
3. Wang, Liu, Miao (Google) — A Deep Probabilistic Model for Customer Lifetime Value Prediction (ZILN), arXiv:1912.07753 — https://arxiv.org/abs/1912.07753 ; code (archived April 2026): https://github.com/google/lifetime_value
4. CC-OR-Net: A Unified Framework for LTV Prediction through Structural Decoupling, arXiv:2601.10176 (Jan 2026) — https://arxiv.org/abs/2601.10176
5. Klaviyo — Understanding predictive analytics (CLV requirements) — https://help.klaviyo.com/hc/en-us/articles/360020919731
6. Microsoft Learn — Predict customer lifetime value, Dynamics 365 Customer Insights — https://learn.microsoft.com/en-us/dynamics365/customer-insights/data/predict-customer-lifetime-value
7. Google Analytics Help — Predictive metrics (predicted revenue, eligibility) — https://support.google.com/analytics/answer/9846734?hl=en
8. Bloomreach Engagement — Predictions — https://documentation.bloomreach.com/engagement/docs/predictions
9. Google Cloud — BigQuery ML introduction (supported model types) — https://docs.cloud.google.com/bigquery/docs/bqml-introduction
10. Databricks — Customer Lifetime Value solution accelerator — https://www.databricks.com/solutions/accelerators/customer-lifetime-value
11. Prior Labs — TabPFN repository (versions, limits, licences) — https://github.com/PriorLabs/TabPFN
12. EU AI Act Annex III (high-risk use cases, point 5) — https://artificialintelligenceact.eu/annex/3/ ; Regulation (EU) 2024/1689 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj