Data Science und Künstliche Intelligenz: Wie Ihre Daten das Kundenverhalten vorhersagbar machen

Wissenschafts­jahr 2019: Künstliche Intelligenz
Wissenschafts­jahr 2019: »Künstliche Intelligenz« Die Arbeitswelten der Zukunft werden entscheidend von der Entwicklung Künstlicher Intelligenz geprägt sein. Das Wissenschaftsjahr 2019 wird sich mit den Chancen und Herausforderungen dieser Technologie auseinandersetzen.

Daten sind das Gold der Neuzeit. Um es zu gewinnen, benötigen Unternehmen allerdings Methoden und Anwendungen der Künstlichen Intelligenz (KI). Das klingt kompliziert, doch selbst Mittelständler können heute mit wenigen Schritten erfolgreich in die Datenzukunft starten.

Data Science und Künstliche Intelligenz sind längst keine Domäne von Technologiekonzernen mehr – im Gegenteil: Inzwischen können die Basisanwendungen zu relativ geringen Kosten und mit moderatem Aufwand in nahezu jedem Geschäftsmodell implementiert werden, in dem Daten erhoben werden. Doch warum sollten Unternehmen Bestehendes und Bewährtes für neue Technologien aufgeben?

Aus dem Hightech-Labor in den Alltag: Strategische Vorteile durch KI und Analytics

Versetzen Sie sich doch einfach mal in die Lage eines mittelständischen Versandhändlers für Tiernahrung. Sie möchten ihre Versanddauer und Lagerhaltungskosten für Katzenfutter minimieren. Um das hinzubekommen, sind möglichst genaue Prognosen über das Verhalten der Katzenhalter wichtig. Der Rohstoff hierzu sind alle Daten über das Kundenverhalten, die über ihre bereits bestehenden Kundenkanäle erfasst werden.

Die reine Datenextraktion ist allerdings nicht ausreichend. Analytics-Anwendungen gewinnen aus dem Datenrohstoff qualifizierte Erkenntnisse, mit denen Trends frühzeitig identifiziert und ausgewertet werden können. In unserem Beispiel verstehen wir unter Analytics eine Teildisziplin von Data Science, welche versucht, vorhandene Muster in den Daten zum Kundenverhalten zu verstehen und damit Vorhersagen über zukünftige Entscheidungen und Verhaltensmuster der Kunden zu treffen. Im Falle unseres Versandhändlers ließe sich zum Beispiel ermitteln, ob Kunden in Zukunft stärkeren Wert auf regionale Produkte legen, welche Premium-Angebote die besten Verkaufschancen haben oder wo die preislichen Schmerzgrenzen bestimmter Kundensegmente liegen. Der strategische Vorteil liegt auf der Hand: Gute Analytics beseitigt Redundanzen und Ladenhüter, optimiert die Beschaffung und kurbelt den Abverkauf an.

Das Unternehmen lernt, das zukünftige Kundenverhalten aus den bestehenden Verhaltensmustern vorherzusagen. Hierfür bieten sich dann Verfahren des Maschinellen Lernens an, welche der Künstlichen Intelligenz zugeordnet werden.

Einstieg in die Datenzukunft: Erste Schritte zur Implementierung

Wie beginnen Sie Ihr Data Science-Projekt? Sie sichten und evaluieren zunächst einmal die Daten, die sie bereits vorliegen haben. Diese bestehen in unserem Beispiel aus verschiedenen Informationen bzw. Merkmalen zum Kaufverhalten ihrer Kunden:

  • Verweildauer auf der Website,
  • Anzahl der Produkte im Warenkorb,
  • Gesamtsumme des Warenkorbs,
  • Alter der Kunden und
  • Bestellhistorie der Kunden

Sie überlegen jetzt, ob Sie zum Beispiel das Produkt »Katzenfutter Senior« proaktiv bestellen sollten oder nicht.

Zunächst sondieren Sie die Datenlage. Sie prüfen, ob Sie Daten in ausreichender Quantität und Qualität zur Verfügung haben. Denn selbst die besten Daten können kaum direkt weiterverarbeitet werden. Sie entfernen fehlerhafte Datensätze (zum Beispiel Duplikate), bei Bedarf kombinieren Sie auch verschiedene Informationen oder ergänzen fehlende Teilinformationen.

Jetzt bereinigen und ergänzen Sie. Sie berechnen beispielsweise ein neues Merkmal »Anteil der rabattierten Dosen Nassfutter«, das heißt der Anteil ermäßigter Produkte im Warenkorb bezogen auf alle Produkte im Warenkorb. Danach teilen Sie Ihre Kunden in zwei Gruppen (die sparsamen und die weniger sparsamen Käufer) ein. Meist wiederholt sich dieser Prozess mehrfach, da erst im Laufe des Projekts klar wird, in welcher Form die Daten optimalerweise vorliegen.

Jetzt kommt die Analyse bzw. Analytics ins Spiel. Denn nun versuchen Sie, vorhandene Muster aufzuspüren und Vorhersagen abzuleiten. In unserem Beispiel könnten etwa folgende Annahmen überprüft werden:

  • Günstigere Produkte werden ohne längeres Zögern, also schneller gekauft
  • Wiederholtes Aufsuchen eines Produkts erhöht die Bestellwahrscheinlichkeit
  • Kunden jünger als 40 Jahre kaufen vermehrt Katzensnacks

Maschinelles Lernen ermöglicht es, die relevanten Merkmale und Schwellwerte selbstständig zu erkennen und auszuwerten. So könnte ein Ausschnitt eines Entscheidungsbaums für die Bestellung von Katzenfutter aussehen:

Entscheidungsbaum für die Bestellung von Katzenfutter
Entscheidungsbaum für die Bestellung von Katzenfutter Grafik erstellt mit draw.io

 

Die Merkmale und Schwellwerte stehen hierbei in den weißen Kästen. Die eingesetzten Algorithmen lernen die Entscheidungskriterien anhand bestehender Daten (hier also aus dem Kaufverhalten der Kunden in der Vergangenheit) selbst und ohne Ihr weiteres Zutun. Für zukünftige Kunden können Sie nun anhand des Entscheidungsbaums schnell Empfehlungen für die Bestellung und Lagerung von Katzenfutter ableiten.

Das beschriebene Vorgehen lässt sich natürlich auch auf andere Gebiete ausweiten: Mittels KI können zum Beispiel Trends in sozialen Netzwerken wie Facebook oder Twitter ausgemacht werden (es werden unter anderem Worthäufigkeiten, Sentiments, Hashtags oder Likes gezählt). Ebenso ist es denkbar, Wetter- und Nachrichtendaten in Ihre Vorhersagen einfließen zu lassen. Auch Sensordaten und deren Vorhersage können zum Beispiel im Maschinenbau dazu beitragen, technische Systeme vorausschauend (und damit nicht nur reaktiv oder präventiv) zu warten. Sei es die automatische Unterscheidung eingehender Dokumente wie Rechnungen, Mahnungen, Gutachten oder Beschwerden – Data Science und KI-Verfahren, insbesondere Maschinelle Lernverfahren können Sie immer dann gut einsetzen, wenn Sie zuvor unbekannte Zusammenhänge in großen Datenmengen suchen.

Haben Sie bereits eigene Ansätze oder Ideen, wie Sie Data Science und KI anwenden könnten? Dann sprechen Sie uns an.

Business Innovation Engineering Center BIEC - Künstliche Intelligenz nutzen
Blogreihe: Business Innovation Engineering Center BIEC – Künstliche Intelligenz nutzen
Mittelständische Unternehmen stehen vor der Herausforderung, trotz guter Auftragslage heute, ihre Produkte, Organisationsformen und Geschäftsmodelle von morgen vorauszudenken. Wie können die eigenen Geschäftsprozesse mit Hilfe von KI verbessert werden? Welche Potenziale für neue Geschäftsmodelle schlummern in KI-Anwendungen? In der Blogreihe gibt das BIEC als Innovationspartner des Mittelstands Antworten auf diese und viele weitere Fragen rund um Digitalisierung und Transformation.

Leselinks:

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.