Fachthemen

Künstliche Intelligenz und Machine Learning

Künstliche Intelligenz und Machine Learning: Vision und Realität

Die Themen Künstliche Intelligenz (KI) und Machine Learning (ML) bestimmen derzeit nicht nur die Diskussion in IT-Fachkreisen. Soziologen beschäftigen sich aktuell mit den gesellschaftlichen Auswirkungen dieser neuen Technologien. Personalexperten diskutieren, ob die neuen Technologien gut oder schlecht für die Arbeitswelt von morgen sind. Juristen stellen sich die Frage, welche rechtlichen Konsequenzen sich aus dem Einsatz dieser neuen Technologien ableiten. Und die Unternehmen, die diese Technologien einsetzen sollen?

Deren Einschätzung zum Einsatz der neuen Technologien ist derzeit noch etwas gespalten. Dies verdeutlichen auch die Ergebnisse der aktuellen Trendstudie Kundendatenmanagement. 83 Prozent der Befragten gaben an, derzeit noch keine KI/ML-Methoden einzusetzen. Immerhin erklärten aber 72 Prozent der Befragten, dass sie die zukünftige Rolle von KI/ML für Marketing, Vertrieb und Service als wichtig einschätzen. 23 Prozent trauten sich dagegen (noch) keine Beurteilung zu.

Was bei allen Diskussionen zum Thema KI/ML auffällt, ist die Tatsache, dass – insbesondere, wenn diese in Deutschland geführt werden – in der Regel auch heute noch über die ZUKÜNFTIGE Rolle dieser Technologien debattiert wird. Blickt man dagegen über den großen Teich in die USA oder nach Fernost, wird klar: Für den Einsatz von KI/ML gilt schon längst: „The Future is Now!“ Deutsche Unternehmen, so wird auch immer wieder berichtet, laufen Gefahr, den Anschluss zu verlieren.

Einsatzszenarien von KI/ML in Marketing, Vertrieb und Service

In den USA sind es vor allem die großen Technologieunternehmen, die sich schon lange mit den neuen Technologien auseinandersetzen. Der Suchmaschinengigant Google leistet seit Jahren Pionierarbeit. In der Regel verfolgt die breite Masse insbesondere die öffentlichkeitswirksamen Projekte wie das selbstfahrende Google Car, übersieht oder weiß dagegen gar nicht, dass KI-Technologien im Zuge des Projekts RankBrain erstmals bereits 2015 im Rahmen des Hummingbird-Updates in die Google Suche integriert wurden.

Weitere bekannte Einsatzszenarien sind Spracherkennungssysteme wie Siri, Cortana oder Alexa oder der Supercomputer IBM Watson.

Doch auch deutsche Unternehmen setzen schon heute auf KI-/ML-Methoden. So erledigt beispielsweise bei der Telekom mittlerweile eine entsprechende Software zuvor manuell ausgeführte Arbeiten bei Vertragsänderungen und Rückbuchungen. Bei der Lufthansa hilft ein Chatbot Kunden dabei, den niedrigsten Flugtarif zu finden.

Neben diesen Anwendungsbeispielen, bei denen es hauptsächlich um das Automatisieren manueller Arbeiten geht, werden KI-/ML-Methoden immer häufiger für die Aufgabe eingesetzt, auf der Grundlage bisheriger Erfahrungen Prognosen für zukünftige Verhaltensweisen zu erstellen. In der Fachwelt spricht man dabei von so genannten prädiktiven Analysen (Predictive Analytics).

Algorithmen erstellen dabei auf der Grundlage historischer Daten Prognosen für die zukünftige Entwicklung von Geschäftsprozessen oder Kundenbeziehungen. Im Bereich Marketing und Vertrieb unterstützen Predictive Analytics-Verfahren so heute bereits bei der Planung von Marketing- und Vertriebskampagnen. 

Im Finanzsektor werden vergleichbare Verfahren beim Schadensmanagement und dem Erkennen betrügerischer Aktivitäten (z.B. Geldwäsche) eingesetzt. Produktions- und Fertigungsunternehmen nutzen diese Technologie heute bereits im Bereich Wartung (Predictive Maintenance). Dabei berechnen Algorithmen Ort und Zeit für die nächsten Wartungs- oder Instandhaltungsarbeiten bzw. alarmieren proaktiv vor dem Ausfall einer bestimmten Maschine oder Anlage.

Hürden auf dem Weg zum Einsatz von KI und ML

Wenn es um die Frage geht, was Unternehmen derzeit noch daran hindert, KI/ML-Methoden einzusetzen, lohnt nochmals ein Blick in die eingangs erwähnte Trendstudie Kundendatenmanagement 2018. Dort wurde als Hauptgrund „fehlendes Knowhow“ genannt. Offensichtlich fehlen – zumindest hier in Deutschland – in den Unternehmen die „Skills“, die für die Implementierung dieser neuen Technologien erforderlich sind. Doch auch allgemein scheint noch – allen vorher genannten Einsatzszenarien zum Trotz – das Verständnis für die Zukunftstechnologie zu fehlen. Am zweithäufigsten wurde in der Trendstudie als Grund, noch keine KI-/ML-Technologien einzusetzen, genannt, dass „derzeit noch kein Bedarf/Vorteil aus dem Einsatz von KI-/Machine Learning-Methoden erkennbar ist“. 

Diese beiden Defizite sollten schnellstens aufgeholt werden, um zu verhindern, dass deutsche Unternehmen im internationalen Wettbewerb den Anschluss verlieren.

Und noch ein letzter wichtiger Punkt kann sich als „Hemmschuh“ beim Einsatz von KI-/ML-Technologien erweisen: Die Qualität der Kundendaten. Um nochmals auf das oben genannte Predictive Analytics-Verfahren zurückzukommen: Damit er beispielsweise Prognosen für zukünftige Vertriebs- und Marketingkampagnen erstellen kann, wird der Algorithmus mit im Unternehmen verfügbaren Kundendaten trainiert. Sind diese Kundendaten qualitativ nicht optimiert (also veraltet, unvollständig, unpräzise, etc.), „lernt“ der Algorithmus natürlich auch das Falsche – und erstellt dementsprechend eine falsche Prognose. Ist der Mensch, der diesen Algorithmus trainiert, sich nicht über die mangelhafte Qualität seiner Kundendaten bewusst, wird er auch den Prognosen vertrauen, obwohl diese falsch sind.

An dieser Stelle unterstreichen die Ergebnisse der Trendstudie Kundendatenmanagement 2018 die tiefe Kluft, aber auch die Unsicherheit, die bei diesem Thema derzeit in deutschen Unternehmen herrscht: 42 Prozent der Umfrageteilnehmer sahen eine enge Beziehung zwischen dem Einsatz von KI-/Machine Learning-Technologien und der Qualität der Kundendaten, 40 % konnten dazu keine Einschätzung abgeben.

Fazit: Der Einsatz von KI-/ML-Methoden für Marketing, Vertrieb oder Service ist schon lange keine Vision mehr, sondern in den meisten Anwendungsszenarien bereits Realität. Unternehmen, die sich derzeit noch nicht mit diesem Thema auseinandersetzen, sollten dies schnellstens nachholen und sich dafür die entsprechenden Skills und Qualifikationen aufbauen.
Gerade im Bereich der Predictive Analytics-Verfahren spielt die Beziehung zwischen richtiger Prognose und Qualität der Kundendaten eine zentrale Rolle. Dies bedeutet eine zusätzliche Herausforderung. Die Vorteile für die eigene Wettbewerbssituation, anhand korrekter Prognosen das zukünftige Kaufverhalten der Kunden zu kennen, sind es allerdings mehr als wert, diese Herausforderung anzugehen.

Weitere Informationen zum Thema erhalten Sie im Fachbericht „Künstliche Intelligenz & Machine Learning: The Future is Now!