Veröffentlichungen

Künstliche Intelligenz rettet Kunden

Künstliche Intelligenz rettet Kunden

Datenqualität ist das A und O für Künstliche Intelligenz und Maschinelles Lernen

Quelle: E-3 Magazin, Information und Bildungsarbeit von und für die SAP®-Community, April 2018, Autor Holger Stelz (Uniserv), © B4Bmedia.net AG. Alle Rechte vorbehalten. http://www.b4bmedia.net/ 

Holger Stelz

Holger Stelz
Managing Director CDH-Solutions und Mitglied der Geschäftsleitung
Uniserv GmbH

SAP wolle nach Aussage von Firmenchef McDermott der führende Anbieter von maschinellem Lernen im Firmenkundengeschäft werden. Das Unternehmen investiere daher stark in Künstliche Intelligenz (KI) und hat mit dem Innovations-System SAP Leonardo eine Grundlage für Anwendungen für maschinelles Lernen und Software für künstliche Intelligenz geschaffen. Sowohl anbieterseitig als auch auf der Nachfrageseite investieren Unternehmen zunehmend in KI und ihrem Teilgebiet, dem Machine Learning (ML). So steigt laut Deloitte1 die Anzahl der Unternehmen, die in den kommenden zwei Jahren Investitionen in neue Technologien planen, am stärksten im Machine Learning (ML) an. Eine Umfrage von Crisp Research2 besagt, dass 64 Prozent der Unternehmen in der DACH-Region Machine Learning bereits einsetzen oder den Einsatz planen. 

Die Abwanderung von Kunden lässt sich anhand von Customer-Retention-Systemen vorhersagen

Momentan setzen Unternehmen KI und ML vor allem für eine stärkere Kundenbindung und ein verbessertes Kundenerlebnis ein. So erwarten sich 73 Prozent vom Einsatz von KI-Technologien eine höhere Kundenzufriedenheit und 65 Prozent, dass sie so die Abwanderung von Kunden reduzieren können laut Beratungsunternehmen Capgemini3

Prädestiniert sind ML-Lösungen in diesem Umfeld, um Abwanderungsprognosen zu ermitteln, auch Churn Prediction oder Customer Retention genannt. Mithilfe von Customer Retention können Kunden frühzeitig Identifiziert werden, die kurz davor stehen zum Wettbewerb abzuwandern, wenn etwa ihr Vertrag bei einem Dienstleister ausläuft. Customer Retention ist vor allem für Unternehmen mit einer hohen Anzahl an Kunden relevant, weil hier die Loyalität jedes einzelnen nur schwer einschätzbar ist. Auch hier hat SAP eine ML-basierte Lösung in petto. Mit SAP Customer Retention könne laut der Lösungsbeschreibung das Kundenverhalten auf Basis von Transaktionsdaten und digitalen Interaktionspunkten abgeleitet und vorhergesehen werden.

Doch der Algorithmus eines Customer-Retention-Systems benötigt neben möglichen Abwanderungs-Parametern vor allem einen möglichst großen Datensatz über die jeweilige Kundenhistorie. Dazu gehören sämtliche Kundeninformationen, sprich die Stammdaten und die Bewegungsdaten (Transaktions- und Interaktionsdaten). Diese umfassen Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt. Doch all diese Daten müssen erst einmal für das ML-System verfügbar gemacht, aufbereitet und validiert werden.

Für das ML-System müssen alle Kundendaten zusammengeführt werden

Und genau hier liegt die große Herausforderung für Unternehmen. Denn Stammdaten und Bewegungsdaten von Kunden liegen in Unternehmen naturgemäß in mehreren Systemen verteilt – seien es etwa Systeme wie SAP CRM, SAP Service Ticketing Intelligence, SAP-ERP-Lösung oder Call-Center-Anwendungen. Damit ist es Unternehmen kaum möglich, die in den unterschiedlichen Systemen verwalteten Kundendaten zusammenzuführen und für das ML-System verfügbar zu machen. Aus diesem Grund brauchen Unternehmen eine Lösungs- und Prozessmethodik, die alle Kundendaten – Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt – aus all ihren einzelnen Unternehmenssystemen zusammenführt, ohne Silohaltung und Redundanzen. 

Qualitativ hochwertigen Daten lassen ML-Systeme lernen

Darüber hinaus müssen Unternehmen bedenken, dass der Einsatz von ML nur dann wirklichen Nutzen bringt, wenn die Datenbasis, die Unternehmen dem System zur Verfügung stellen, auch qualitativ hochwertig ist. Denn Grundlage jedes Machine-Learning-Systems sind Datenmengen, anhand derer ML-Systeme trainiert werden. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, ist es also kritisch, dass die zugrundliegende Datenbasis absolut fehlerfrei ist. Im Falle von Customer-Retention-Anwendungen müssen daher die Kundendaten aktuell, korrekt und umfassend sein – und Fehler bereits vorab ausgemerzt werden. Potenzielle Fehlerquellen sind etwa falsche Schreibweisen, Dubletten, veraltete Daten und semantische Probleme.

Garbage in, Garbage out

Maschinelles Lernen bringt also nur dann den besten Nutzen und die beste Erfolgsquote, wenn die Datenbasis, die man ihr zum Lernen zur Verfügung stellt, auch qualitativ hochwertig ist. Je korrekter eine Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen. Ist die Datenbasis jedoch schlecht, beantwortet das System Fragestellungen entsprechend falsch und daraus von Unternehmensentscheidern abgeleitete Handlungsoptionen wären fatal. Aus diesem Grund müssen Daten über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden. Nur so können KI- und ML-Systeme ihr volles Potenzial entfalten. 

Über den Autor

Holger Stelz ist Managing Director CDH-Solutions und Mitglied der Geschäftsleitung bei Uniserv. Seit 2010 leitet der Experte für Datenmanagement die Weiterentwicklung des Geschäftsfeldes Kundendatenmanagement und verantwortet zudem seit 2011 das weltweite Marketing bei Uniserv. Seit 2018 ist er Leiter des strategischen Geschäftsfeldes CDH-Solutions, dem Kundenstammdatenmanagement. Holger Stelz hat über 25 Jahre Erfahrung in der IT-Branche.

Künstliche Intelligenz rettet Kunden


Lesen Sie hier den vollständigen Artikel aus dem E-3 Magazin, April 2018, Autor Holger Stelz , ©B4Bmedia.net AG

2 Studie von Crisp Research, „Machine Learning im Unternehmenseinsatz“, Januar 2017