Wenn Sie eine Entscheidung treffen, geschieht das selten rein faktenbasiert. Begrenzt wird solch ein Prozess unter anderem durch Ihre Emotionen und die Unfähigkeit, einen bestimmten Grad an Informationsüberflutung zu verarbeiten. Erst der Abbau von Informationsasymmetrien durch Hinzufügen neuer Datenpunkte, beispielsweise durch einen Algorithmus, erschließt resultierende Erkenntnisse. Somit treffen Sie Entscheidung schneller, genauer, konsistenter und transparenter. Zögern Sie nicht länger bei der Adaption neuer Technologien.
Im maschinellen Lernen stecken großartige Chancen für Ihr Marketing, denn Unternehmen stehen vor der paradoxen Herausforderung, alle gleich und jeden individuell zu behandeln.
Dazu klären wir zuerst einmal einige zentrale Begriffe der digitalen Transformation: beispielsweise den Zusammenhang von Daten, prädiktiver Analyse, Deep Learning und dem Wertschöpfungspotential smarter Daten.
Ein entscheidender Vorteil von KI-Anwendungen in Marketing- und Vertriebsprozessen besteht darin, kundenzentrierte Aufgaben zu automatisieren und die Interaktion mit potentiellen Kunden zur richtigen Zeit zu erleichtern.
Daten sind die Basis: Think big
Big Data sammelt und analysiert große Datenmengen, die unter anderem folgende Herkunft haben …
Bereich
- Internet und Mobilfunk
- Finanzindustrie
- Energiewirtschaft
- Gesundheitswesen
- Verkehr
Quelle
- intellligente Agenten
- Smart Devices
- Smart Sensors
- soziale Medien
- Kredit- & Kundenkarten
- Smart Metering-Systeme
- Assistenzgeräte
- Überwachungskameras
- Flug- & Fahrzeuge
Big Data Software umfasst – im Gegensatz zu herkömmlichen Software-Lösungen – besondere Techniken:
- parallele Verarbeitung vieler Datensätze
- schneller Import von Daten
- schnelle Suche und Abfrage von Daten
- gleichzeitige Bearbeitung mehrerer Abfragen
- Analyse unterschiedlicher Informationstypen
Data Analytics beschreibt die systematische Auswertung bzw. Analyse der Daten.
Daten sind die Basis der Wertschöpfung unserer Informations-Ära. Jedoch ist der Mensch mit der Interpretation großer Datensätze überfordert. Einsichten, die beispielsweise ein KI-System aufspüren kann, beeinflussen unsere Entscheidungen immer häufiger.
Smart Data für die erweiterte Datenperspektive
Smart Data ist ein wertvolles Gut aus strukturierten Daten, hervorgegangen aus dem Daten-Knäuel Big Data. Smart Data entsteht durch (Big) Data Analytics, die intelligente Aufbereitung und Nutzung der immer größer werdenden Datenmengen.
Smart-Data-Ziele sind:
- nützliche Informationen finden
- Schlussfolgerungen vermitteln
- Entscheidungsfindung unterstützen
Die Herkunft von Smart Data ist vielfältig. Zu den Quellen gehören insbesondere:
- das Internet
- Smart Home-Geräte
- Smartphones
- vernetzte Fahrzeuge
- vernetzte Infrastrukturen
- Mehrwertdienste wie Bezahlsysteme
- das Internet of Things (IoT)
- das Industrial Internet of Things (IIoT)
Smart Data Business
Auf Smart Data basierende Geschäftsmodelle entfalten ihre Wirksamkeit vor allem da, wo …
- … es sinnvoll ist, Daten aus unterschiedlichen Quellen zu kombinieren, um neue Erkenntnisse zu erwirtschaften
- … eine deutliche Abhängigkeit von personalisierten Daten besteht
- … Werte bzw. Produktionsfaktoren noch ungenutzt sind
- … eine Nische unbesetzt ist
- … die Nachfrage das Angebot übersteigt
Daten sind der Treibstoff des digitalen Business. Bei deren Monetarisierung – also der Nutzung als Basis für Geschäftsmodelle – muss es jedoch nicht zwangsläufig um die direkte Vermarktung von Datenbeständen gehen. Daten-Monetarisierung als Begriff bezieht sich generell auf digitale Information als Grundlage eines Geschäftsmodells.
Ist KI der Schlüssel zur Welt von morgen?
Mittels digitaler Technologien haben sich völlig neue Branchenzweige wie Blockchain und das Internet of Things (IoT) entwickelt. In allen Unternehmensbereichen machen sich Systeme auf der Basis von Künstlicher Intelligenz (KI) breit. KI und Machine Learning sorgen auch für völlig neue Formen von Business Intelligence (BI).
Die Effizienz von Smart Data lässt sich vor allem durch die Kombination herkömmlicher Analyse-Methoden mit Künstlicher Intelligenz voll auszuschöpfen. in großen Datenmengen können nun Muster erkannt und Daten so segmentiert werden, dass daraus in der Praxis nutzbare Information entsteht.
Zu den technologischen Säulen einer Smart-Data- und Analytics-Strategie zählen …
- ein leistungsfähiges Data Center
- effiziente Cyber Security-Lösungen
- eine durchdachte Data Center Security-Strategie
- zunehmende Verbreitung von Sensorik: Signaltechniker bauen immer energieeffizientere Chips, die Signale senden. Bit-Techniker schreiben Software (Algorithmen), die diese Messdaten erfassen und nutzbar machen.
Hier schlägt auch die Stunde von Service-Plattformen, die ausgeprägte Business Intelligence dank Verknüpfung von Data & Content Analytics und Datenvisualisierung bieten.
Diese ermöglichen tiefe Einblicke in die Geschäftsprozesse und Datenszenarien eines Unternehmens. Sie sind in der Lage, Struktur und Transparenz in Unternehmensinformationen zu bringen. Mit der Folge, dass das Daten- und Informationspotential vollumfänglich nutzbar wird.
Ein zusätzlicher Vorteil besteht in der Förderung der automatisierten Workflow-Bewältigung sowie Governance.
Mit vorausschauender Analyse zurück in die Zukunft
Predictive Analytics oder prädiktive Analyse ist eine Methode, die mithilfe von Machine-Learning-Technik, Datenmodellen und Datenanalysen Vorhersagen für die Zukunft trifft.
Die Wahrscheinlichkeit zukünftiger Ergebnisse wird dabei auf Grundlage historischer Daten und Statistiken prognostiziert. Dies ermöglicht gleichzeitig Handlungsempfehlungen, welche die Eintrittswahrscheinlichkeit prognostizierter Ereignisse beeinflussen können.
Das Business-Ziel für den Einsatz von Predictive Analytics ist, Verschwendung zu reduzieren, Zeit zu sparen sowie Kosten zu senken und Sicherheit zu erhöhen.
Business Analytics (BA) erweitert Business Intelligence (BI) um den Blick in die Zukunft und setzt vor allem auf statistische Analysen von Unternehmensdaten.
BI beantwortet Fragen zum Geschehen (Was ist wann passiert?), zur Quantität oder den Ursachen eines Ereignisses.
BA gibt Antworten auf die Fragen nach den Gründen, Auswirkungen, Wechselwirkungen oder Folgen von Ereignissen. Zudem ist es möglich, Szenarien durchzuspielen und Handlungsalternativen aufzuzeigen.
Was sind mögliche Einsatzbereiche von prädiktiven Analysen?
Operative Verbesserung: Unternehmen verwenden prädiktive Modelle für ihr Ressourcen-Management oder Lastvorhersagesysteme in Produktionsumgebungen. Fluggesellschaften legen Ticketpreise mithilfe prädiktiver Analyse fest. Hotels nutzen sie, um die Zahl der Gäste zu prognostizieren. So kann die Belegung optimiert werden. Energieproduzenten können Stromlasten oder den Strompreis vorhersagen: auf Basis historischer Trends, Jahreszeiten- & Wetterdaten.
Betrugserkennung: Durch die Kombination mehrerer Analytics-Methoden lassen sich Muster oder Anomalien besser erkennen, was die Prävention von Straftaten erleichtert. Moderne Cyber-Sicherheit nutzt leistungsstarke Systeme zur Verhaltensanalyse, mit deren Hilfe sich sämtliche Aktionen in einem Netzwerk in Echtzeit untersuchen lassen.
Risikobewertung: Finanzinstitute verwenden Machine Learning-Techniken zur Entwicklung von Kreditrisikomodellen. Bei einer Kreditprüfung wird dann mithilfe eines prädiktiven Modells ein Wert für die Kreditwürdigkeit einer Person generiert. Auch Versicherungen nutzen solche Modelle.
Optimierung von Marketing-Kampagnen: Mit prädiktiver Analyse wird versucht, Reaktionswahrscheinlichkeit und Kaufverhalten vorherzusagen und Cross Selling-Chancen zu nutzen. Unternehmen setzen prädiktive Modelle ein, um Kunden anzulocken, ihre lukrativsten Kunden an sich zu binden und mit ihnen höhere Umsätze zu erzielen.
Innovationen: Fahrerassistenztechnologien und autonome Fahrzeuge verwenden Predictive Analytics, um Sensordaten zu analysieren und Algorithmen zu erstellen. In der Industrie minimiert eine vorausschauende Zustandsüberwachung bzw. Instandhaltung die Maschinenausfallzeiten.
Prädiktive Modelle verwenden Methoden der Mathematik und Informatik, um Ereignisse und Ergebnisse zu prognostizieren.
Dabei besteht eine enge Verbindung mit Data Mining, das im übertragenen Sinne das „Schürfen von Daten“ meint. Es versucht verborgene Muster, Trends und Zusammenhänge in großen Datenmengen zu erkennen.
Data Mining ist daher eng verwandt mit maschinellem Lernen und Methoden, in denen Computerprogramme selbstständig neues Wissen erwerben.
Data Mining nutzt auch neuronale Netze, die der Arbeitsweise des menschlichen Gehirns ähneln und über viele Datendurchläufe bestehende Strukturen oder Muster lernen.
Im Gegensatz zu neuronalen Netzen, die auf Mustererkennung mit Massendaten trainiert werden, fragen Bayesian Networks nach dem „Warum“. So kann eine Künstliche Intelligenz belastbare Schlüsse ziehen, um sicherere Vorhersagen zu treffen und Wahrscheinlichkeiten zu erhöhen – bspw. in puncto Trefferquote bei der Bilderkennung.
Machine Learning und KI spielen auch für das dynamische Preismanagement im Online-Handel eine große Rolle. Dynamic Pricing ist die automatisierte Preisfindungsstrategie, bei der Unternehmen die Preise für Leistungen oder Produkte anhand von Algorithmen berechnen und permanent anpassen: auf Basis des aktuellen Marktbedarfs oder der Preisdaten von Mitbewerbern.
Wirtschaftswissenschaftlich betrachtet berücksichtigt Dynamic Pricing die Spieltheorie. Unternehmen, die mit diesem mathematischen Modell Entscheidungssituationen modellieren, wollen nicht nur „live“ agierende Kunden verstehen, sondern auch strategisch planende.
Machine Learning oder maschinelles Lernen ist die Fähigkeit einer KI, eigenständig in die Systementwicklung einzugreifen und sich durch Erfahrungen zu verbessern. Das Konzept verfolgt Muster, um Assoziationen und Erkenntnisse aus Daten zu identifizieren.
Das Internet of Things sorgt hier für die kritische Masse an Daten, die maschinelles Lernen benötigt. Unter anderem rückt damit das Ziel näher, KI-Systeme zu neuronalen Netzen zusammenzuschalten, in denen sich Anwendungspotentiale schnell und ressourcenschonend erschließen lassen.
Deep Learning ist ein angrenzender Forschungsbereich des maschinellen Lernens. Hier kommen künstliche neuronale Netzwerke mit vielen Schichten zum Einsatz – daher die Bezeichnung „tief“. Die biologischen Vorgänge des menschlichen Denkens und Lernens – Aktivierung von Neuronen, chemische Veränderung von Synapsen und Weiteres – werden in Software oder Hardware „übersetzt“. Beim Deep Learning – dem verstärkenden und vielschichtigen Lernen – geht es darum, die Grenzen der Maschinenfähigkeiten zu erweitern, um Objekte zu erkennen oder Sprache zu verstehen und zu generieren.
Wie können Sie im digitalen Marketing von KI profitieren?
Ob Analyse von Emotionen (durch Natural Language Processing, kurz NLP), Identifizierung erfolgreicher Kampagnen oder Vorhersagen zu Markt- und Kundenverhalten: KI wird fürs Digitale Marketing ein immer wichtigeres Werkzeug.
Künstliche Intelligenz hilft, Daten schnell zu verarbeiten, zu analysieren und sinnvoll in Marketing- und Vertriebsprozesse zu implementieren. Effizientes datengetriebenes Handeln bedeutet hier, Muster wiederzuerkennen und relevante Signale von unbedeutenden trennen zu können (Patterns vs. Noise).
Viele Unternehmen nutzen die KI-fähigen Tools bereits, um Effizienz- und Datenlücken zu schließen, die Erwartungen ihrer Kunden zu erfüllen oder für eine großartige Customer Experience zu sorgen.
Mit Hilfe von KI können Unternehmen eine differenzierte Beziehungstiefe zu ihren Kunden über alle Kontaktpunkte hinweg aufbauen. Künstliche Intelligenz unterstützt Sie also darin, gleichzeitig Massenmärkte zu bedienen und den Einzelnen genauer kennenzulernen.
Ein entscheidender Vorteil von KI im Marketing besteht darin, kundenzentrierte Aufgaben zu automatisieren und die menschliche Anstrengung zur Interaktion mit potentiellen Kunden zur richtigen Zeit zu erleichtern. Das ermöglicht einen bis dato nie gekannten Personalisierungsgrad in der Kundenansprache.
Wie schöpfen Sie das Smart-Data-Potenzial aus?
Mit Blick auf die Breite künftiger KI-Anwendungsgebiete sind vor allem maschinell erzeugte Daten im industriellen und B2B-Kontext sowie domänenspezifische Daten bedeutsam.
Auf der Kostenseite lassen sich mit Smart Data die vorausschauende Instandhaltung, das Talent- und Prozessmanagement, die Beschaffung sowie Logistik- und Lieferkettenplanung optimieren.
Auf der Einnahmenseite hilft Smart Data dabei, weitergehende Erkenntnisse darüber zu gewinnen, wie neue Märkte funktionieren, was bestimmte Kundensegmente charakterisiert, wie sich Produkteigenschaften verbessern lassen oder Vertriebskanäle effektiver gestaltet werden können.
Und im operativen Bereich oder in der Fertigungsumgebung lässt sich das Wertschöpfungspotential von Smart Data folgendermaßen ausnutzen:
- Steigerung von Effizienz und Operation Excellence des Betriebs in Echtzeit – einschließlich Automatisierung von Anlagen und Maschinen zur Fehlervermeidung und Effizienzsteigerung
- Optimierung des Supply Chain Managements
Digitalkompetenz: Wie können Sie Ihre Expertise jetzt erweitern?
Mehr zum Thema Digitalisierung, zu industriellen Trend-Themen, innovativen Industrial-IoT-Lösungen, integrativen Augmented-Reality-Strategien und zukunftsorientiertem Product Lifecycle Management finden Sie auf dem von MBmedien betriebenen Themen-Hub zur Zukunft der Industrie.
Datenintelligenz
Ihre eigene Datenbasis ist das Fundament all Ihrer Aktivitäten – und stellt somit die Arbeitsgrundlage für Ihr Marketing und den Vertrieb dar. Die MBmedien Datenservices dienen dazu, Ihre Kunden- und Kontaktdaten zu überprüfen, zu bereinigen, zu aktualisieren und mit zielführenden Zusatzinformationen anzureichern.
Wir machen Sie fit für die Zukunft.