Daten effizient nutzen – Vier Einsatzszenarien, wie Machine Learning dabei helfen kann

bei

 / 22. February. 2021

Für viele mag Machine Learning (ML) noch nach Zukunftsmusik klingen, dabei ist es bereits Teil unseres Alltags. Virtuelle Assistenten wie Siri oder Cortana verlassen sich darauf, um Nutzerfragen besser zu verstehen und präzise Antworten geben zu können. Ebenso setzen beliebte Unterhaltungsdienste wie Netflix oder Spotify auf maschinelles Lernen, um auf Basis der Nutzerpräferenzen maßgeschneiderte Empfehlungen auszusprechen. Aber auch in deutschen Unternehmen ist die Technologie angekommen, Erfolge zeigen sich schnell. Was bisher allerdings zu kurz kommt, ist sich damit auseinanderzusetzen, welchen Mehrwert ML abseits der geplanten Projekte bietet. Um diesen zu identifizieren, gibt es verschiedene Ansätze.

Viele unserer Interaktionen werden von Machine Learning (ML) gesteuert. Am vertrautesten sind den meisten Verbrauchern Sprachassistenten, Chat-Bots oder Empfehlungs-Engines von E-Commerce-Plattformen. ML-Algorithmen repräsentieren eine Teildisziplin der künstlichen Intelligenz (KI), die auch anderswo unseren Alltag prägt. Eine Vorstellung davon, wie etabliert diese Zukunftstechnologie quer durch alle Branchen in Deutschland bereits ist, vermittelt die IDG-Studie „Machine Learning 2020“. Diese Erhebung zeigt auf, dass fast drei Viertel (73 Prozent) der befragten Unternehmen ML-Projekte gestartet haben. Im Vergleich zur Vorgängerstudie von 2019 sind das fast 20 Prozent mehr. Als Ziele geben die meisten Anwender an, durch ML interne Abläufe verbessern zu wollen (56 Prozent). Was die Einsatzfelder angeht, führen KI- und ML-Applikationen zur Sprachanalyse mit 51 Prozent das Feld an – vor der Bilderkennung und Textanalyse sowie dem Übersetzen von Text (mit jeweils 46 Prozent).

Darüber hinaus sieht ein großer Teil der Studienteilnehmer (44 Prozent) in der Technologie die Chance für neue Geschäftsmodelle und Angebote. Folglich stellt sich die Frage, wie und wo maschinelles Lernen Unternehmen dabei unterstützen kann, innovativ zu agieren und somit Daten besser zu monetarisieren. Als Antwort darauf lassen sich vier Ansätze aufzeigen.

1. Innovationspotenzial aufdecken

Daten aus verschiedenen Bereichen und unterschiedlicher Formate fluten die Systeme in Unternehmen. ML-Lösungen schaffen es, diese riesigen Datenmengen zu verarbeiten und so aufzubereiten, dass sinnvoll mit ihnen weitergearbeitet werden kann. Dafür analysieren Algorithmen die Daten, um beispielsweise Anomalien oder neue Erkenntnisse zu entdecken. So gewonnene Einsichten helfen Unternehmen wiederum dabei, Prozesse, aber auch Kunden besser zu verstehen. Gleichzeitig lassen sich daraus potenzielle Angebote entwickeln und so die datenbasierte Innovation vorantreiben.

Wie das in der Praxis funktioniert, veranschaulicht ein kurzer Ausflug in den Finanzsektor. In einer Bank sind die Kunden das wichtigste Gut. Natürlich erhebt die Bank intern Daten über den Kunden – seien es Kontobewegungen, gesammelte Support-Anfragen oder Versicherungen, die über die Bank abgeschlossen wurden. Aber auch externe Quellen, wie beispielsweise Social-Media-Kanäle geben Auskünfte über den Kunden. Mit Hilfe einer ML-Anwendung lassen sich all diese Daten analysieren und das Profil des Kunden schärfen. Auf dieser Basis ist die Bank in der Lage, die Bedürfnisse und das potenzielle Risiko jedes einzelnen Kunden genau einzuschätzen. Indem sie weiß, wer sowohl einen Kredit benötigt als auch kreditwürdig ist, kann sie diesen Personen automatisiert und gezielt neue Services anbieten – beispielsweise ein Kreditangebot.

2. Den Status quo in Frage stellen

Unser Arbeitsalltag unterliegt heute einem ständigen Wandel, wodurch sich kontinuierlich neue Fragestellungen ergeben. Viele sind dabei zu komplex, als dass sie mit traditionellen Ansätzen gelöst werden können – menschliches Urteilsvermögen und individuelle Lösungen kommen dabei an ihre Grenzen. Als Alternative bietet sich maschinelles Lernen an. Denn durch den Einsatz multivariater Verfahren lassen sich auch mehrdimensionale Geschäftsprobleme lösen.

Diese Herangehensweise wählte ein spanischer Stromanbieter bereits vor einigen Jahren. Das Unternehmen setzt zur Vorhersage von Stromverbrauchsmustern eine cloudbasierte ML-Plattform ein. Diese analysiert Millionen von Datenzeilen in Sekundenschnelle und gibt so eine Vorhersage ab, wie viel Strom jeder Kunde verbrauchen wird. Die Firma hat somit eine valide Grundlage, individualisierte Tarife anzubieten, die auf das Nutzungsverhalten der Kunden zugeschnitten sind. So verschaffte sich der Stromanbieter einen Wettbewerbsvorteil in der spanischen Energieversorgungslandschaft.

3. Feintuning über Streaming-Daten in Echtzeit

Wichtig ist, sich nicht auf bestehenden Prozessen auszuruhen. Sobald neue Daten und damit potenzielle Einsichten verfügbar sind, lässt sich ML nutzen, um Optimierungen vorzunehmen. Schnelle Ergebnisse lassen sich beispielsweise im Bereich Kundenservice erreichen. Unterhält beispielsweise ein Telekommunikationsanbieter über das Einspielen von Daten aus verschiedenen Quellen in einen zentralisierten Hub eine 360-Grad-Sicht auf seine Kunden, kann der Kundenberater dem Anrufer auf Basis von Echtzeit-Daten zielgerichtet und personalisiert weiterhelfen.

Live-Daten können darüber hinaus auch zu Prozessinnovationen führen, um wettbewerbsfähiger zu werden. So drängt sich der Einsatz von maschinellem Lernen für Banken auf, um ihr Risikomanagement zu verbessern. Das Überwachen und Auswerten von Streaming-Daten in Echtzeit verkürzt die Zeit für Konformitätsprüfungen, wodurch Anomalien, die auf kriminelle Akte hindeuten könnten, frühzeitig erkannt werden.

4. Das (Un-)Vorhersehbare besser verstehen

Geschäftliche Probleme oder Krisen lassen sich nur schwer vorhersagen. So kommt es vor, dass die Zahl an Kundenbeschwerden unvermittelt exponentiell steigt, plötzlich viele Kunden kündigen oder eine bestimmte Einnahmequelle abrupt versiegt. ML-Lösungen können solche Vorkommnisse nicht vollständig vermeiden. Aber sie helfen dabei, die Frequenz zu reduzieren. Denn die Technik ermittelt mögliche Ursachen – beispielsweise woran es liegt, dass sich Kunden abwenden.

Antworten für den Einzelhandel und Ladengeschäfte liefert beispielsweise eine IoT-Anwendung, die ML nutzt. Sie macht in Echtzeit sichtbar, wie Einkäufer sich im Laden orientieren: Wie viel Zeit verbringen sie in welchem Gang? Wo halten sie sich länger auf, wo nicht? Die Anwendung kombiniert das exakte Tracking jedes Kunden im Laden mit einer leistungsstarken und skalierbaren Analyse-Engine. Diese Echtzeit-Einsichten helfen Händlern das Einkaufserlebnis im Geschäft für ihre Kunden zu verbessern – etwa durch geänderte Produktplatzierungen.

Vom schnellen Nutzen langfristig profitieren

Maschinelles Lernen wird weiter an Bedeutung gewinnen, da datengesteuertes Lernen das Überleben und das Differenzieren im digitalen Wettbewerb entscheidend fördert. Unternehmen können mit ML ihre Betriebseffizienz verbessern, ihre Kundenerlebnisse steigern und neue Einnahmequellen erschließen. Wie schnell sich ein Engagement in die Technologie auszahlt, rechnet die IDG-Studie vor: So bringen rund 22 Prozent der ML-Projekte einen sofortigen Nutzen, weitere 22 Prozent nach vier bis acht Wochen. Die meisten Firmen (27 Prozent) stellen nach drei Monaten positive Effekte der ML-Lösungen fest. Die eigenen Erfolgsaussichten erhöht und sichert ab, wer eine sichere, skalierbare und offenen ML-Plattform einsetzt, welche die datengesteuerte Entscheidungsfindung von der Forschung bis zur Produktion beschleunigt.

Unternehmen sollten die Technologie daher in die gesamte Organisation einbetten. Die Best Practice besteht darin, eine KI-Fabrik aufzubauen. Es hat sich bewährt, dafür eine vollständig integrierte Datenplattform und eine ML-Lösung zu verwenden, die auf Open Source basiert und sowohl im eigenen Rechenzentrum (On Premises oder Private Cloud) als auch in der Public Cloud läuft. Data-Science-Teams können mit solch einer Plattform über den gesamten Datenlebenszyklus hinweg zusammenarbeiten.

Entscheidend ist zudem, bestehende Datensilos aufzubrechen, auf die nur einzelne Abteilungen zugreifen. Zudem bildet Big Data eine wichtige Voraussetzung. Letztendlich sind Daten und Datenströme sowie die Fähigkeit, diese in großen Mengen zu speichern, die Grundlage für Machine Learning.

 

Über den Autor / die Autorin:


Florian von Walter ist als Manager Solution Engineering CEMEA bei Cloudera tätig.