Wie kann man konkret einen Mehrwert aus KI ziehen?

Künstliche Intelligenz, maschinelles Lernen und Deep Learning: was ist der Unterschied?

War es nun doch Machine Learning (ML), Deep Learning (DL) oder künstliche Intelligenz (AI)? Wer über das Buzzword-Bingo hinausschaut, um die Begriffe richtig zu interpretieren, verliert schnell den Überblick.

Was genau bedeuten die verschiedenen Begriffe und wie unterscheiden sie sich in der Praxis? Ein Überblick.

KI, ML und DL einfach erklärt

Zusammengefasst stellt sich die Situation wie folgt dar:

  • AI ist die übergreifende Wissenschaft, die sich mit der Erschaffung von Maschinen beschäftigt, die eine Form von Intelligenz aufweisen.
  • Maschinelles Lernen ist ein Teil der KI, der sich auf Techniken konzentriert, die es Computern ermöglichen, aus eingegebenen Daten und Mustern zu lernen.
  • Tiefes Lernen ist wiederum der Sammelname für eine Gruppe von Techniken zur selbstgesteuerten

Künstliche Intelligenz

Künstliche Intelligenz oder Künstliche Intelligenz ist alles über die Maschinen bauen, die eine Form von Intelligenz aufweisen. Als Konzept ist die KI untrennbar mit der Geschichte der ersten Computer verbunden. Und dafür müssen wir weit in der Zeit zurückgehen.

erster mechanischer Computer
Überreste des ersten mechanischen Computers

Schon die alten Griechen hatten vor mehr als zweitausend Jahren eine komplexe analoge Maschine entwickelt, um komplizierte astronomische Berechnungen durchzuführen, obwohl ihre Erfindung noch sehr weit von den heutigen Ansichten über künstliche Intelligenz entfernt war.

Der britische Mathematiker und Codeknacker Alan Turing gilt allgemein als der Vater des modernen Computers. Seine Pionierarbeit in den 1940er und 1950er Jahren läutete nicht nur die Ära der blitzschnellen Taschenrechner ein. Turing legte auch die philosophischen und praktischen Grundlagen für abstrakte Konzepte wie das Selbstbewusstsein intelligenter Computer. Dieser bahnbrechende Gedanke führte schließlich zum Turing-Test, der immer noch ein wichtiger, wenn auch etwas veralteter Maßstab dafür ist, ob eine Maschine als intelligent und selbstdenkend angesehen werden kann.

Alan Turing

Heutzutage umfasst KI eine breite Palette verschiedener Konzepte, darunter Machine Learning und Deep Learning. In der Zwischenzeit ist die praktische Umsetzung der Künstlichen Intelligenz mit vollem Bewusstsein im Gange, was bedeutet, dass das Spielfeld bald erweitert wird, um zum Beispiel die menschliche KI einzubeziehen.

Maschinelles Lernen

Maschinelles Lernen ist ein Teil der KI, die sich auf Methoden konzentriert, mit denen Computer lernen basierend auf importierten Daten und Muster. In der Praxis geschieht dies mit ''Data Mining'. Dies ist eine Technik zum Extrahieren relevanter Informationen aus Datenbanken. Ein Algorithmus für maschinelles Lernen braucht dazu keine strukturierte Datenbank - wie eine Excel-Datei mit fein säuberlich geordneten Daten - ist aber intelligent genug, um relevante Datenpunkte anhand von unstrukturierte Daten. Viele Unternehmen setzen Machine Learning bereits heute ein. Nehmen Sie Amazon, das seinen Nutzern automatisch Produkte auf der Grundlage ihrer früheren Einkäufe empfiehlt. Ein weiteres Beispiel ist Netflix, das seinen Abonnenten auf der Grundlage ihres bisherigen Sehverhaltens Serien und Filme vorschlägt.

Tiefes Lernen

Deep Learning ist im Wesentlichen eine fortgeschrittene Form des maschinellen Lernens mit einem wichtigen Unterschied: autonome Aktualisierung. Ein Deep Learning-Modell kann sich auf der Grundlage von externen Signalen - Daten - anpassen, wohingegen Machine Learning sich nur auf der Grundlage manueller Anpassungen, z.B. im zugrunde liegenden Code des Algorithmus, anpassen kann.

Bekannte Beispiele für Deep Learning finden Sie heute in selbstfahrenden Autos und in unserer eigenen Trendskout Plattform. Beide benötigen kein explizites Benutzerfeedback, um sich erfolgreich anzupassen. Deep Learning-Algorithmen sind voll und ganz auf das gewünschte Endergebnis ausgerichtet und passen sich entsprechend an.

Verwechseln Sie Deep Learning auf keinen Fall mit Neuronale Netze. Ein neuronales Netzwerk ist eine Technik, die für maschinelles Lernen, Deep Learning sowie in der übergreifenden KI verwendet werden kann. Neuronale Netzwerke ahmen die Funktionsweise des menschlichen Gehirns nach, um auf der Grundlage Beispiele Informationen zu klassifizieren. So sind sie zum Beispiel in der Öffentlichkeit als eine Möglichkeit bekannt, Bilder auf der Grundlage einer begrenzten Anzahl bekannter Bilder schnell zu kategorisieren.

Fazit

Geeignete Art von AI für jedes Projekt

Wir geben es zu: Die manchmal verwirrende Terminologie und die sich ständig verändernde KI-Landschaft machen es nicht einfacher, den Wald vor lauter Bäumen nicht zu sehen. Der Einsatz der richtigen Technologie in einem Unternehmen ist eine Aufgabe für Spezialisten. Genau hier beweist die Trendskout-Plattform ihren Wert. Die Plattform wählt automatisch den passenden KI-Algorithmus für jeden Geschäftsfall auf der Grundlage der relevanten Parameter aus.

Und was ist mit Business Intelligence?

Sowohl Künstliche Intelligenz (KI) als auch Business Intelligence (BI) werden immer noch zu oft falsch verwendet oder sogar miteinander verwechselt. Wo genau liegen also die Unterschiede zwischen KI und BI? Und warum nutzen kluge Unternehmen beides zusammen, um bessere Entscheidungen zu treffen und ihre Wettbewerbsposition zu stärken?

Berichten vs. Vorhersagen

BI und KI werden im geschäftlichen Kontext oft synonym verwendet, um hochentwickelte datengestützte Einsichten zu bezeichnen, die dann zur Entscheidungsfindung genutzt werden. Das ist zwar richtig, aber KI und BI sind sehr unterschiedlich - sowohl in der Theorie als auch in der Praxis. Kurz gesagt: BI betrachtet die Vergangenheit, während KI auch die Zukunft vorhersagt.

In Organisationen, AI die darauf abzielen, große Datenmengen zu analysieren und zu interpretieren und dann entsprechend zu handeln. Die KI selbst stellt Verbindungen her, macht Vorhersagen und kann auch Aktionen zur Nachbereitung vorschlagen. In einem geschäftlichen Kontext liefert dies konkrete Vorteil an. So können z.B. Vertriebsteams ihre Leads gezielter nachverfolgen und Prozessbetreiber können die Ausfallzeiten und die Wartung ihrer Maschinen besser einschätzen und verwalten.

BI stellt die Vergangenheit dar, während KI auch die Zukunft einschätzt.

BI erklärt

BI oder Geschäftsintelligenz ist eine Technologie, die zum Sammeln und Verstehen von anzeigen von Daten. BI interpretiert die Daten nicht selbst, sondern stellt lediglich eine verständliche anzeigen von Daten. Die Interpretation der Daten und die Suche nach Zusammenhängen und möglichen Folgemaßnahmen liegt in der Verantwortung der Person, die die Berichte liest. BI kann zum Beispiel genauso gut wie KI einen ausgefeilten Bericht über Vertriebskontakte erstellen, aber Ersteres liefert dann keine Vorhersage darüber, welche Kontakte am besten zuerst kontaktiert werden, um die Chancen auf einen Verkauf zu erhöhen.

Übersicht

BI

Die Grundidee: Sammeln Sie Daten und machen Sie sie auf einfache, lesbare Weise zugänglich.
Fokus: Beantwortung von Fragen über die Vergangenheit.
Unter der Motorhaube: Anzeige von Daten auf eine Weise, die mit Tabellenkalkulationen vergleichbar ist. Ergänzt durch klassische statistische Techniken.
Konkrete Vorteile: Visualisierung von Daten und klare Übersicht über historische Daten.
Schlüsselwörter: Berichterstattung, Data Warehousing, Matrizen, Dashboards.

AI

Die Grundidee: Nachahmung menschlicher Intelligenz und menschlichen Verhaltens, um Unternehmen bei datenbasierten Entscheidungen zu unterstützen.
Fokus: Vorhersagen über die Zukunft auf der Grundlage von Daten aus der Vergangenheit machen.
Unter der Motorhaube: Fortgeschrittene Algorithmen für maschinelles Lernen und Deep Learning.
Konkrete Vorteile: Vorhersagen über Kunden, Wettbewerbspositionen und Marktveränderungen sowie zusätzliche Intelligenz in Maschinen (z.B. für Bilderkennung).
Schlüsselwörter: Prädiktive Analyse, Vorhersage, natürliche Sprachverarbeitung (NLP), Bilderkennung.

KI und BI: gemeinsam stark

Während KI und BI einzeln viel zu bieten haben, können sie auch gemeinsam für noch bessere Ergebnisse eingesetzt werden. Die Kombination von BI und KI ist das perfekte Rezept für die Bereitstellung von Analyselösungen in jeder Geschäftssituation. Zunächst macht sich BI an die Arbeit und analysiert historische Daten. Dann sagt die KI zukünftige Ereignisse und Aktionen auf der Grundlage dieser BI voraus. Das Beste aus beiden Welten.

In der Praxis liefert BI umfassende Berichte, während die KI Vorhersagen macht und Maßnahmen empfiehlt.

KI-gestützte BI wird auch als KI-gestützte BI". die sich in komplexe Probleme vertiefen können und legt entscheidende Erkenntnisse Daten freizulegen, die zuvor unzugänglich oder unerforscht waren. Wenn sie zusammen verwendet werden, können sie automatisch frühere Daten überprüfen und Benachrichtigungen über neue und interessante Ereignisse oder Erkenntnisse liefern. KI-gestützte BI-Plattformen können auch viel Zeit für Analysten freisetzen und sie in die Lage versetzen, effektivere Datenanalyseprojekte durchzuführen. Durch die Kombination von BI mit den besten Fähigkeiten der KI haben Unternehmen die Möglichkeit, Daten noch effizienter zu analysieren, umsetzbare Erkenntnisse zu gewinnen und rechnen Sie mit für die Zukunft. Und das ist genau der Punkt, an dem Unternehmen einen Mehrwert erhalten.

Einige Anwendungsbeispiele

Die Zahl der Anwendungen von KI ist praktisch endlos. Um alles einigermaßen überschaubar zu machen, haben wir für dieses E-Book einige gängige Anwendungen aus drei Bereichen ausgewählt, die für jede Organisation wichtig sind: Vertrieb & Marketing, Produktion & Betrieb und Kundenservice.

Vertrieb & Marketing

Künstliche Intelligenz hat einen großen Einfluss auf fast alle Geschäftsbereiche. Vertrieb ist keine Ausnahme. Immer mehr Unternehmen setzen auf KI, um ihre Vertriebsteams zu organisieren, zu rationalisieren und effizienter zu machen. Der Bedarf an KI-Software für den Vertrieb ist einfach: Vertriebsmitarbeiter sitzen auf Bergen von wertvollen Daten, aber Sie wissen nicht, wo Sie zuerst suchen sollen, um damit anzufangen. Gleichzeitig ertrinken viele Vertriebsmitarbeiter in sich wiederholender Arbeit und Lead-Qualifizierung, die oft wenig zu dem beitragen, was wirklich wichtig ist: dem Abschluss neuer Geschäfte. Es gibt also eine Menge Verbesserungsmöglichkeiten, die Sie nutzen können.

  • Einfache Datenerfassung
    Daten über Verkaufsprozesse lassen sich heute relativ leicht erfassen. Kontaktmomente oder Touchpoints mit potenziellen und bestehenden Kunden werden in vielen Unternehmen bereits automatisch erfasst. Angebote, Bestellformulare, Vorverkaufsprozesse und Rechnungsstellung sind ebenfalls Teil des durchschnittlichen Verkaufszyklus. Die meisten modernen ERP- und CRM-Pakete sind auch perfekt in der Lage, diese Daten dauerhaft und ordentlich zu speichern historische Charts davon. Doch damit ist es in der Regel vorbei. Schön konstruierte Vertriebsdiagramme aus einem CRM-System mögen wertvoll sein, um die erzielte Leistung zu messen und zu vergleichen, aber auch hier gilt das uralte Börsencredo: Vergangene Ergebnisse sind keine Garantie für zukünftige Ergebnisse. Die analytische und prädiktive Kraft eines CRM fehlt daher schmerzlich. Und genau hier setzt die KI von Trendskout an.
  • Gezielte Hilfe für Verkaufsteams
    Selbst für die erfahrensten Vertriebsmitarbeiter ist es fast unmöglich, alle relevanten Informationen aus den endlosen vertriebsbezogenen Datenströmen zu extrahieren und sie dann richtig zu interpretieren. Dafür wird Trendskout verwendet. Ihre fortschrittlichen Datenanalysen decken die zugrunde liegende Verkaufsdynamik auf und liefern konkrete Vorhersagen über potenzielle und bestehende Kunden. So können Vertriebsmitarbeiter ihre Interessenten und Kunden gezielter und besser bedienen, und das in kürzerer Zeit. Unter der Wasserlinie verborgene Möglichkeiten tauchen plötzlich mit AI auf. Künstliche Intelligenz benachrichtigt Teams über neue Verkaufschancen, die andernfalls unbemerkt bleiben würden, und bietet datenbasierte Ratschläge, die Vertriebsmitarbeiter bei ihrer anstrengenden Arbeit unterstützen.

6 Monate nach der Einführung betrug die relative Umsatzsteigerung insgesamt 8,5 %

  • Die wichtigsten Vorteile von KI im Vertrieb
    Es gibt viele Möglichkeiten, wie Unternehmen auf Sales-AI setzen, um mehr Chancen für ihr Vertriebsteam zu gewinnen. Dies gilt sowohl für multinationale Unternehmen als auch für KMU auf verschiedene Bereiche. In jedem dieser Bereiche setzt die KI dort an, wo klassische ERPs und Analysetools aufhören. Ein Überblick:

Umsatzprognose und Umsatzvorhersage

KI für Verkaufsprognosen arbeitet mit Tausenden von Datenpunkten aus allen möglichen Datenquellen. Die künstliche Intelligenz verknüpft Daten aus verschiedenen Datenbanken und sucht nach Erkenntnissen und versteckten Mustern, die manuell nicht zu erkennen sind. Dies ermöglicht eine genaue Vorhersage zukünftiger Zahlen und hilft Unternehmen, besser zu wissen, wer was wann kaufen wird.

KI-basierte Prognosen gehen somit über die typischen Prognosen über Tabellenkalkulationen oder Berichtssysteme hinaus und bringen die Macht der KI in die Geschäftsprognose ein. Dies führt zu viel genaueren Vorhersagen und kann auch erratische Muster vorhersagen. Dies ist nicht nur für Vertriebsteams nützlich, sondern auch für ihre Kunden. In einigen Unternehmen geht das intelligente Prognosemodell sogar so weit, dass es die Bedürfnisse der Endkunden erkennt. noch bevor sie es selbst merken.

Verkaufschancen aufspüren

Warum nur Verkäufe vorhersagen, wenn Sie sie auch beeinflussen können? Genau das ist die Aufgabe der Opportunity-Erkennung. Auf der Grundlage der Daten, die im CRM des Unternehmens und anderen Tools verfügbar sind, macht sich ein Algorithmus zur Erkennung von Verkaufschancen an die Arbeit und macht versteckte Chancen sichtbar. Oft mit spektakulären Ergebnissen, wie auch der Fall von Coeman Packaging zeigt. KI informiert Vertriebsteams über neue Chancen, die andernfalls verloren gehen könnten, und sorgt dafür, dass Unternehmen mehr aus ihren Leads und bestehenden Kunden herausholen können.

Erkennung von Verkaufschancen

Schätzung von Kundenausfällen

Ein intelligentes KI-Tool lässt sich über Plugins mit der gesamten zugrunde liegenden Unternehmenssoftware verbinden. Im Hintergrund überwacht es alle Kontaktmomente oder Touchpoints mit potenziellen und aktuellen Kunden. Potenzielle Ursachen für eine erhöhte Kundenabwanderung oder Kundenabwanderung werden automatisch identifiziert und an den zuständigen Vertriebsmitarbeiter zur weiteren Bearbeitung weitergeleitet. So haben Unternehmen Zeit, rechtzeitig zu kommunizieren und ihre Kundenbindung zu erhöhen. Mit anderen Worten: AI macht den reaktiven Verkauf wieder proaktiv.

Analyse der Auswirkungen

Intelligente KI-Algorithmen können Verkaufstreiber aufdecken. Zum Beispiel führt die Vertriebs-KI von Trendskout Sales Booster eine erweiterte Wirkungsanalyse durch. Sie enthüllt die entscheidenden Faktoren, die Kunden zum Kauf oder zur Nachbestellung bewegen. Die Auswirkungsanalyse liefert also Antworten auf viele Warum, für tiefere Einblicke in Geschäft und Vertrieb.

intelligente KI-Algorithmen

Nächstbeste Aktionen

KI-Software kann die folgenden Schritte ausführen oder die nächstbesten Aktionen in einem Verkaufszyklus empfehlen. Der Algorithmus tut dies auf der Grundlage historischer Daten in Ihrem CRM-System oder anderen Datenbanken. Diese datenbasierten Empfehlungen dienen als Leitfaden und erhöhen die Erfolgsquote eines Anrufs oder einer E-Mail Ihrer Vertriebsmitarbeiter an bestehende oder potenzielle Kunden. Auf diese Weise segelt Ihr Team nicht blind, sondern kann gezielt Kontakt aufnehmen und seine Verkaufsbemühungen gezielt dosieren.

Produkt-Empfehlung

Ein KI-Tool wie der Trendskout Sales Booster interpretiert frühere Verkäufe und empfiehlt selbst zusätzliche Produkte oder Dienstleistungen, die zu einem bestehenden Kunden passen. Ein Unternehmen selbst kann diese Vorschläge automatisch dem Endkunden vorschlagen lassen oder an den zuständigen Kundenbetreuer oder Vertriebsleiter weiterleiten, je nach Geschäftsmodell des betreffenden Unternehmens. Auf diese Weise können Organisationen ihre Maximierung von Upsell und Cross-Sell. Unter der Haube erfolgen die Produktempfehlungen über KI mit Hilfe einer sogenannten Recommendation Engine. Das ist ein cleverer Clustering- und Klassifizierungsalgorithmus, der wiederum unerforschte Datenpunkte miteinander verbindet, um zu einem Persönliche Salatvorschläge zu kommen.

Datenbasierte Personas

KI klassifiziert und segmentiert Kundenprofile in Vertriebs- und Marketing-Personas. Dies geschieht auf der Grundlage objektiver Verkaufs- und anderer Daten und nicht nach subjektiven Kriterien. Datenbasierte Profile sind immer genauer und können an der Schnittstelle zwischen Vertrieb und Marketing eingesetzt werden, um eine gezielte Kommunikation zu ermöglichen.

Produktion & Betrieb

Produktions- und Prozessoptimierung ist nicht neu. Bereits Mitte des 20. Jahrhunderts, angeführt von ostasiatischen Industrien, wurde die statistische Modellierung auf verschiedene Variablen im Produktionsprozess angewandt. Dies geschah mit Hilfe klassischer mathematischer Verfahren und erforderte eine Menge fehleranfälliger manueller Arbeit, so dass es nur von den größten Unternehmen angewendet werden konnte. Heute ist der Informationsfluss so groß, dass statistische Analysen wie damals nicht mehr kosteneffizient eingesetzt werden können.

Jüngste Entwicklungen im Bereich der KI und des maschinellen Lernens machen es möglich, diese Informationen automatisch zu analysieren und zur Optimierung des Tagesgeschäfts einzusetzen. Führende Unternehmen der Branche wenden diese Techniken bereits in mehreren Pilotprojekten an, und der Wettlauf um den Einsatz dieser Techniken in großem Maßstab hat begonnen. Nachfolgend finden Sie einige praktische Beispiele.

Prädiktive Wartung

Das Wesen der vorausschauenden Wartung ist einfach. Komplexe Geräte und Industriemaschinen müssen in regelmäßigen Abständen gewartet werden. Dies sollte vorzugsweise kurz vor dem Ende der Lebensdauer der Maschine oder dem fälligen Austausch des betreffenden Teils geschehen.

Um die Betriebssicherheit zu gewährleisten, werden in großen Produktionshallen immer noch viele Maschinenteile auf der Grundlage ihrer geschätzten Lebensdauer regelmäßig ausgetauscht. Als Vorsichtsmaßnahme ist die Pufferzeit oft viel zu lang und es wäre effizienter, vorausschauend eingreifen zu können.

KI-basierte vorausschauende Wartung optimiert das Timing der Wartung und maximiert so die Kosteneinsparungen. Dazu verwenden wir eine Reihe spezifischer Algorithmen, je nach der Art der in der Praxis erforderlichen vorausschauenden Wartung.

Klassifizierung vs. Erkennung von Anomalien

Hinter den Kulissen gibt es zwei technische Lösungen für die vorausschauende Wartung durch künstliche Intelligenz. Die Wahl eines bestimmten KI-Algorithmus für die Datenanalyse und das Training hängt von der Art der zu überwachenden Maschinen ab. Wenn es sich um Geräte handelt, bei denen es häufig zu Ausfällen kommt, ist die Klassifizierung eine logische Option. Wenn die betroffenen Geräte hingegen nur selten fehlerhaft sind, dann ist die Anomalieerkennung in der Regel die bessere Wahl.

Erkennen anomaler Daten

Der unvermeidliche Nachteil zuverlässiger Maschinen besteht darin, dass es in den von der Maschine gelieferten Daten oft kaum Anzeichen für einen tatsächlichen Ausfall oder Indikatoren gibt, die eine Ausfallzeit vorhersagen könnten. Solange alle Komponenten reibungslos funktionieren, zeigen die Überwachungssysteme nur wenige abnormale Werte für die Parameter an, die sie überwachen. In diesem Fall ist es für die KI auch schwierig zu lernen, zu beurteilen, welche verdächtigen Anzeichen oder Datenanomalien einen möglichen Maschinenausfall verursachen könnten. Glücklicherweise gibt es mehrere Algorithmen, die speziell für die Erkennung von Anomalien entwickelt wurden. Auto-Encoder, zum Beispiel. Ein Auto-Encoder ist eine besondere Art von neuralem Netzwerk, das lernt zu erkennen, was genau als 'normales Verhalten' angesehen werden kann. Alles, was von diesem Standardmuster abweicht, ist per Definition eine Anomalie und ein Grund zur Sorge. Eine mögliche Gefahr von Auto-Codierern besteht darin, dass sie aufgrund ihrer Bauweise auch häufigere Abweichungen oder Anomalien als 'normal' betrachten könnten, wenn sie zu häufig auftreten. Es kann also eine gute Idee sein, einen möglichen Überschuss an anomalen Daten aus den Trainingsdaten zu entfernen, die den Algorithmus speisen.

Erkennung anomaler Daten

Die obigen Diagramme zeigen, ob Daten gefunden wurden, die von der normalen Situation abweichen, und wenn ja, wie groß die Abweichung ist. Dies führt zu einem mittleren durchschnittlichen Fehler. Es sind nicht so sehr die absoluten Werte, die wichtig sind, sondern ihr Verhältnis zueinander.

Das Eingabefeld am unteren Rand des Einstellungsbildschirms zeigt den Schwellenwert an, den der Algorithmus für die Erkennung von Anomalien verwenden soll. Der Algorithmus ermittelt auch automatisch einen Vorschlag dafür.

Schwellenwert-Algortime

In der obigen Abbildung stellt die rote Linie den Schwellenwert dar. Die blauen Balken sind die mittleren Durchschnittsfehler aller aufgezeichneten Daten. Diese sind übrigens logarithmisch angezeigt, um einen besseren Überblick zu erhalten. In Wirklichkeit sind die anomalen Datenpunkte also noch viel größere Ausreißer, als man auf den ersten Blick vermuten würde.

Jeder blaue Balken, der über die rote Linie ansteigt, wird daher vom Algorithmus als Anomalie betrachtet, die gemeldet werden muss. Die Daten werden automatisch über eine API an die externen Warnsysteme des betreffenden Unternehmens weitergeleitet oder können einem Textbericht für weitere Aktionen hinzugefügt werden.

Erkennung von Anomalien und Qualitätskontrolle

Die Erkennung von Ausnahmen, Ausreißern oder Anomalien ist ein entscheidender Bestandteil jedes Qualitätssicherungsprozesses. Dabei kann es um die Entdeckung eines Fehlers gehen, der für die menschliche Analyse nicht erkennbar ist, und oft ist das Zusammenspiel mehrerer Datenpunkte erforderlich. Wenn sich ein Datenpunkt bemerkenswert verändert hat und dies bei der menschlichen Analyse auffällt, ist ihm oft eine ganze Geschichte anomalen Verhaltens vorausgegangen.

Die Erkennung von Anomalien dient dazu, dieses Verhalten im Voraus zu erkennen. Diese Technik wird in der vorausschauenden Wartung verwendet, aber auch separat, z.B. in

  • Erkennen von subtilen Schwankungen im Energieverbrauch,
  • Erkennen Sie Anomalien im Produktionsprozess, die die Produktionsqualität beeinträchtigen,
  • Führen Sie Systeme zur Verwaltung von Vorfällen ein,
  • ...

Wie in vielen anderen Fällen wurden bereits im 20. Jahrhundert statische Verfahren eingesetzt, um die Anzahl der Abweichungen in einem Prozess zu bestimmen. Dieser Vorgang ist nicht nur zeitaufwändig, sondern auch sehr fehleranfällig. Dabei wird jedes Mal davon ausgegangen, dass die Bedingungen in der Stichprobe in einem größeren Maßstab repräsentativ sind, was sich in der Realität oft als nicht zutreffend erweist. Schließlich unterliegt der Produktionsprozess selbst vielen anderen Prozessen in den Bereichen Personalwesen, Lieferkette und IT, die sich ständig ändern.

Seit dem Aufkommen von KI und Deep Learning ist die Technologie leistungsfähig genug, um alle Nuancen in diesen Daten zu entdecken.

Analyse der Auswirkungen der Produktionsparameter

Wirkungsanalyse und Deep Propensity Modellierung beantworten Sie Fragen wie "Warum werden die Produktionsziele für eine bestimmte Produktlinie nicht erreicht?", "Warum benötigt eine bestimmte Art von Maschine mehr Wartung?", "Was motiviert meine Mitarbeiter?" oder "Was treibt meinen ROI an?". Diese Art der Analyse sucht nach den Gründen, warum etwas passiert - oder eben nicht passiert.

Für diese Auswirkungsanalyse werden Techniken wie Propensity Modeling in Kombination mit der neuesten Deep Learning-Technologie eingesetzt. Auf diese Weise wird es möglich, alle Verbindungen und Erkenntnisse in Ihren Daten und in den Prozessen, die Ihr Unternehmen antreiben, zu entdecken. Das ist für ein menschliches Gehirn in einem realistischen Zeitrahmen unmöglich zu schaffen.

Wie funktioniert das technisch?

Zielauswahl

Der erste und entscheidende Schritt bei dieser Art von Analyse besteht darin, ein Ziel zu definieren, etwas, das für Sie oder Ihr Unternehmen wichtig ist, z. B. ROI, Konversionsrate, Ausfallzeiten usw. Die KI benötigt diese Informationen, um in den nächsten Schritten zielgerichtet zu evaluieren, was diese Ziele in positiver oder negativer Hinsicht antreibt. Dies kann direkt in einer auf Ihren Daten basierenden Benutzeroberfläche geschehen, und Sie müssen keine gesondert kommentierten Daten bereitstellen.

Datenexpansion

Im Gegensatz zu klassischen Systemen kann Trendskout mehrere Arten von Daten gleichzeitig auswerten. Dies ist nicht nur ein technischer Vorteil, sondern sorgt auch dafür, dass Sie Ihre Originaldaten mit allen möglichen anderen Datenquellen erweitern können, die dann wiederum auf Zusammenhänge hin ausgewertet werden, die sich auf Ihr Ziel auswirken. Die Originaldaten, in denen Sie Ihr Ziel ausgewählt haben, werden also durch andere Daten, die Sie hochladen, erweitert. Auf diese Weise können Sie sehr umfassend untersuchen, was Ihre Ziele beeinflusst, und Ihnen entgeht kein einziger Zusammenhang. Eine der technologischen Säulen von Trendskout ist eine verteilte Rechnerplattform mit einem hohen Parallelisierungsgrad. Diese Technologie wird verwendet, um die verschiedenen Datenquellen zu verarbeiten, zu denormalisieren, zu bereinigen und im Hintergrund in andere Formate zu konvertieren, sodass sie von neuronalen Netzen und anderen Deep Learning-Techniken in Trendskout verarbeitet werden können.

Plattform für verteiltes Rechnen trendskout

Deep Propensity Modellierung

Propensity Modeling, oder Neigungsmodellierung, ist eine Technik, die von Statistikern seit mehreren Jahrzehnten angewendet wird. Das Problem bei diesen klassischen Techniken bestand häufig darin, dass die aufgedeckten Zusammenhänge nicht durch statische, mathematische Formeln beschrieben werden konnten. Dank neuer Entwicklungen im Deep Learning-Bereich können diese Zusammenhänge nun auf eine viel leistungsfähigere Weise modelliert werden. Zur Veranschaulichung können Sie die Modellierung mit rein mathematischen Formeln mit dem Versuch vergleichen, ein Gesicht nur mit geraden Linien zu zeichnen; das Ergebnis wird eckig ausfallen und nur einen groben Hinweis auf das tatsächliche Aussehen dieser Person geben. Deep Learning-Techniken können auch fließende Linien zeichnen und damit ein besseres Bild vermitteln. Genau das passiert auch beim Deep Propensity Modelling: Neuronale Netze verstehen die Verbindungen zwischen Ihren Daten besser. Während des Deep Propensity Modelling-Schrittes wendet Trendskout verschiedene Arten von Deep Learning-Algorithmen auf Ihre Daten an und bewertet jedes Mal, ob die erkannten Zusammenhänge und Erkenntnisse wirklich einen Einfluss auf Ihr Ziel haben. Hierzu wird jedes Mal aufs Neue ein Teil der Daten im Testmodus ausgewertet, um die Genauigkeit des Deep Propensity Models zu beurteilen. Durch die Definition Ihres Ziels im ersten Schritt und die anschließende Datenexpansion ist keine Interaktion erforderlich. Wie bei anderen KI- und Deep Learning-Analysen in Trendskout arbeitet Auto ML & Solution Space Exploration – Datenoperationen, Algorithmenauswahl und Parameteranpassung – automatisch, bis das leistungsfähigste Modell gefunden ist.

Nach der Deep Propensity Modelling-Phase werden die zugrundeliegenden Beziehungen aus dem Gewinnermodell extrahiert. Diese Beziehungen und Simulationsergebnisse geben Aufschluss darüber, wie Ihr Geschäftsziel positiv oder negativ beeinflusst wird. Dieser Bericht ist eine der automatischen Aktionen in Trendskout. Neben der direkten Abfrage in Trendskout können die Informationen in diesem Bericht auch mit der Business-Intelligence-Lösung Ihres Unternehmens verknüpft werden.

fall team industries trendkout

Fallstudie: Team Industries
Durchlaufzeiten in Produktionsprozessen sind von ausschlaggebender Bedeutung, um korrekte Angebote zu erstellen. Sie hängen von Faktoren ab, die sich gegenseitig beeinflussen und nur schwer erkennbar sind. Deshalb setzt Team Industries die Trendskouts KI ein. Sie prognostiziert die Durchlaufzeiten für bestimmte Aufträge auf Grundlage der verfügbaren Produktionsdaten. Anhand dieser Informationen erstellt Team Industries genaue Kostenvoranschläge und Angebote, die sowohl kostengünstig als auch wettbewerbsfähig sind.

Kundenbetreuung

Zugrunde liegende Technologie: Natürliche Sprachverarbeitung (NLP)

NLP ist ein Sammelbegriff für Techniken, die Text- oder Sprachdaten verstehen und darauf reagieren - und mit ihrem eigenen Text oder ihrer eigenen Sprache antworten - in ähnlicher Weise wie Menschen. NLP kombiniert Computerlinguistik - die regelbasierte Modellierung der menschlichen Sprache - mit Lern- und Deep-Learning-Modellen. Diese Technologien ermöglichen es Computern, menschliche Sprache in Form von Text- oder Sprachdaten zu verarbeiten und deren volle Bedeutung zu "verstehen", einschließlich der Absicht und der Stimmung des Sprechers oder Autors.

NLP-Anwendungen werden also durch eine Kombination von Techniken wie z.B.:

  • Teil der Sprache markierenAuch bekannt als grammatikalisches Tagging, ist der Prozess der Bestimmung der Wortart eines bestimmten Wortes oder Textstücks auf der Grundlage seiner Verwendung und seines Kontexts.
  • Erkennung von benannten Entitäten (NER)identifiziert Wörter oder Phrasen als nützliche Einheiten. NER identifiziert Europa als einen Ort oder 'William' als einen männlichen Namen.
  • Stimmungsanalyseversucht, subjektive Eigenschaften - Haltungen, Emotionen, Sarkasmus, Verwirrung, Misstrauen - aus Texten zu extrahieren.
  • Text-Klassifizierunggruppiert und kategorisiert Textstücke. Z.B. werden Angebotsanfragen nach Themen gruppiert, oder Anfragen werden der richtigen Person zugewiesen.
  • Nächstbeste Aktionist keine NLP-Technik im eigentlichen Sinne, wird aber oft verwendet, um Antworten vorzuschlagen, die in einem bestimmten Kontext präsentiert werden können. So wird z.B. Kundendienstmitarbeitern automatisch eine Antwort auf eine bestimmte Frage im Hinblick auf ein zu erreichendes Ziel vorgeschlagen, z.B. eine schnelle Problemlösung.
automatische Antwort des Kundendienstes

Automatische Antwort auf Kundendienstanfragen

An den Kundendienstschaltern in verschiedenen Sektoren tauchen zahlreiche Fragen von Kunden oder Vermittlern in unterschiedlicher Form auf. Denken Sie nur an Fragen zu Lieferterminen und -zeiten oder Fragen zu Rücksendungen, eine Frage zu einem Angebot, eine Bitte um Klärung einer bestimmten Akte usw. Diese Fragen müssen natürlich immer beantwortet werden, was oft zeitaufwändig ist und daher das Ergebnis jedes Unternehmens belastet. Gleichzeitig ist die Qualität dieses Prozesses wichtig, da ein Gleichgewicht zwischen der Schnelligkeit der Antworten und der Überwachung der Ziele der Organisation gefunden werden muss. Durch den Einsatz eines KI-gesteuerten Kundendienstes können all diese Fragen automatisch erkannt und beantwortet werden.

Dabei kann die KI bestimmte von der Organisation festgelegte Ziele und Reaktionsstrategien berücksichtigen:

  • Der richtige Kundenservice nach Kundentyp,
  • Überwachung der Rentabilität des Kundendienstprozesses und Minimierung der Anzahl der Kontaktmomente als Ziel.
  • Erkennen Sie Upsell-Möglichkeiten während des Anrufs
  • ...

Für Fragen, die eine personalisierte Antwort erfordern, wie z.B. Fragen zu Lieferzeiten von Waren oder Fragen zu bestimmten Bestellungen, können Links zu ERP- oder anderen Softwarepaketen bereitgestellt werden, in denen die KI des Kundendienstes die Datenbank nach den spezifischen Informationen durchsucht. Auf diese Weise lassen sich Fragen, die eine hochgradig personalisierte Antwort erfordern immer noch saubere automatische Antworten.

Dies entlastet die Abteilung für Kundensupport erheblich. Nur die Fragen, die nicht von der KI des Kundendienstes beantwortet werden können, werden an die menschlichen Mitarbeiter weitergeleitet, damit diese sich mit den komplexeren Problemen befassen und sich mehr auf auf persönlichen Service, der wirklich einen Unterschied macht.

Analyse der Kundendienstabläufe

Eine Anfrage besteht oft aus mehreren Fragen und wird oft von mehreren Personen bearbeitet. Jede Konversation enthält wichtige Informationen für das Unternehmen darüber, wie sein Produkt oder seine Dienstleistung angenommen und genutzt wird und wie effektiv der Kundendienstprozess an sich ist.

Daher setzen viele Unternehmen KI ein, um die Kundenkommunikation per Post oder Telefon zu analysieren und die zugrundeliegenden Informationen zu erschließen, um ihre strategischen Entscheidungen zu unterstützen oder den Kundenserviceprozess zu optimieren. Einige Fragen, die hier beantwortet werden können, sind:

  • Welche Fragen werden am häufigsten gestellt und welche Trends können wir erkennen?
  • Welche Antworten sind für bestimmte Fragen am besten geeignet?
  • Wie wird unser Produkt oder unsere Dienstleistung auf dem Markt verglichen?
  • Welche Fragen erzeugen die meisten Folgekontakte?
  • Können wir Skripte aus bewährten Verfahren ableiten?

Bleiben Sie auch für die neuesten Nachrichten über KI auf dem Laufenden

*“ zeigt erforderliche Felder an

GDPR*
Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Welchen Mehrwehrt haben KI und Machine Learning für Organisationen?

Holen Sie sich den kostenlosen Zugang zu unserem Resource Center mit interessanten Anwendungsfällen.

Auf Facebook teilen
Auf Twitter teilen
Auf LinkedIn teilen
Auf Pinterest teilen
Freigabe per E-Mail