Viele Anwendungen für KI, Deep Learning und maschinelles Lernen zielen auf die Vorhersage eines Wertes oder Ereignisses ab – mit anderen Worten: Prädiktive Analysen. Trendskout bietet darüber hinaus auch präskriptive Analytik. Diese Anwendung geht noch einen Schritt weiter als Vorhersagen und bietet auch eine Komponente, die konkrete Maßnahmen (Next Best Action, die besten, als nächstes zu treffenden Maßnahmen) vorschlägt, um bestimmte Ziele so effektiv wie möglich zu erreichen.
Ein praktisches Beispiel hierfür ist ein Kundenbetreuer, der über Trendskout auf Basis seiner Ziele einen Vorschlag für die nächste Kundenaktion erhält. Die präskriptive Analytik kann, wie andere KI-Funktionen auch, in Trendskout über den Fluss aus Verbinden - Analysieren - Automatisieren eingesetzt werden. Neben der Verknüpfung mit den Eingabedaten, die ähnlich wie bei anderen Analysen abläuft, führt Trendskout drei weitere Schritte durch, die wir im Folgenden erläutern werden.
Zusätzlich zu den spezifischen Modulen für Produktionsunternehmen bietet die Trendskout AutoML-Plattform auch zahlreiche Möglichkeiten für IT-Teams, KI-Anwendungen schnell einzurichten. Dies wird durch unsere einzigartige doppelte KI-Layer und die benutzerfreundliche Schnittstelle ermöglicht, die Datentransformationen, die Auswahl von Algorithmen und das Hypertuning vollständig automatisieren.
Holen Sie sich den kostenlosen Zugang zu unserem Resource Center mit interessanten Anwendungsfällen.
Präskriptive Analytik und „Next Best Action“ gehören zu den Analysefunktionen des Trendskout-KI-Flusses.
Die präskriptive Analytik benötigt wie Algorithmen für überwachtes Lernen Trainingsdaten, um Erkenntnisse und Zusammenhänge zu erkennen und diese dann in einem Modell zu verarbeiten. Bei der präskriptiven Analytik werden die Daten jedoch auf eine grundlegend andere Art und Weise analysiert, als es beispielsweise bei einer Klassifizierung der Fall ist, die sich auf die Vorhersage eines Wertes oder Ereignisses konzentriert. Diese andere Arbeitsweise sorgt dafür, dass Kombinationen aus Empfehlungen – Präskriptionen – ausgesprochen werden können. Im Hintergrund verwendet Trendskout verschiedene Algorithmenarten, wie neuronale Netze und Gradientenverfahren in Kombination mit Tendenzmodellen. Als Bewertungskriterium während des AutoML & Hypertuning-Schrittes, bei dem die verschiedenen Algorithmen und Datentransformationen von Trendskout ausgewählt werden, werden historische Daten verwendet, um die Genauigkeit der Präskriptionen oder Handlungsempfehlungen einzuschätzen.
Nach der Trainingsphase und dem damit verbundenen Hypertuning wird das erfolgreiche Modell verwendet, um die Rezepte zu erstellen. Zum Beispiel die folgenden vorgesehenen Verkaufsaktionen für einen Kundenbetreuer.
