Der Boost für Ihre Conversion Rate: Mit KI-Prognosemodellen treffsicher voraussagen, was Kunden als nächstes kaufen
Die meisten Kunden signalisieren ihren nächsten Bedarf nicht aktiv – aber ihre Daten tun es. Kaufhistorien, Vertragsstrukturen, Interaktionsmuster und Kundeninformationen: All das enthält wertvolle Hinweise darauf, welches Angebot als nächstes relevant wird. Das Problem: Ohne die richtigen Modelle bleibt dieses Potenzial ungenutzt, während Kampagnen weiter hin nach dem Gießkannenprinzip oder auf Grundlage eines Bauchgefühls ablaufen.
Der Next-Best-Product-Ansatz setzt genau hier an. Mithilfe KI-gestützter Prognosemodelle wird für jeden Kunden individuell ermittelt, welches Produkt zum jetzigen Zeitpunkt mit höchster Wahrscheinlichkeit relevant ist – und diese Information fließt direkt in die Planung Ihrer Marketingaktivitäten ein. In unserem Webinar zeigen wir anhand eines konkreten Praxisbeispiels, wie dieser Ansatz funktioniert und wie Unternehmen damit ihre Conversion Rate gegenüber ihrer gewohnten Zielgruppenauswahl verdreifachen können.
Jetzt kostenlos anmelden und dabei sein
Weitere spannende Events:
Zukunftssicher mit Microsoft Business Central – Der Weg von NAV zum modernen Cloud ERPWebinar
Webinarreihe: PrivateGPT Deep Dive – KI sicher einführen, nutzen und kalkulierenWebinar
Immobilienverwaltung im Microsoft-Ökosystem – von der Objektpflege bis zur NebenkostenabrechnungWebinar
Der Boost für Ihre Conversion Rate: Mit KI-Prognosemodellen treffsicher voraussagen, was Kunden als nächstes kaufen
Die meisten Kunden signalisieren ihren nächsten Bedarf nicht aktiv – aber ihre Daten tun es. Kaufhistorien, Vertragsstrukturen, Interaktionsmuster und Kundeninformationen: All das enthält wertvolle Hinweise darauf, welches Angebot als nächstes relevant wird. Das Problem: Ohne die richtigen Modelle bleibt dieses Potenzial ungenutzt, während Kampagnen weiter hin nach dem Gießkannenprinzip oder auf Grundlage eines Bauchgefühls ablaufen.
Der Next-Best-Product-Ansatz setzt genau hier an. Mithilfe KI-gestützter Prognosemodelle wird für jeden Kunden individuell ermittelt, welches Produkt zum jetzigen Zeitpunkt mit höchster Wahrscheinlichkeit relevant ist – und diese Information fließt direkt in die Planung Ihrer Marketingaktivitäten ein. In unserem Webinar zeigen wir anhand eines konkreten Praxisbeispiels, wie dieser Ansatz funktioniert und wie Unternehmen damit ihre Conversion Rate gegenüber ihrer gewohnten Zielgruppenauswahl verdreifachen können.
Jetzt anmelden und dabei sein
Weitere spannende Events:
Zukunftssicher mit Microsoft Business Central – Der Weg von NAV zum modernen Cloud ERPWebinar
Webinarreihe: PrivateGPT Deep Dive – KI sicher einführen, nutzen und kalkulierenWebinar
Immobilienverwaltung im Microsoft-Ökosystem – von der Objektpflege bis zur NebenkostenabrechnungWebinar
Data Mesh – strategischer Vorsprung durch agiles dezentrales Datenmanagement
Immer mehr Prozesse in Unternehmen erzeugen Daten – und die Digitalisierung ermöglicht es, diese Daten in Echtzeit zu erfassen. Gleichzeitig steigt die Erwartung, daraus schnell und zielgerichtet Erkenntnisse zu generieren. Doch viele Unternehmen stoßen mit ihrer zentralen Datenarchitektur an Grenzen: Die Datenbereitstellung dauert nicht nur zu lange, sondern auch die Abstimmung zwischen Fachbereichen und IT ist aufwendig. Die zentrale IT wird somit zum Skalierungsengpass und Innovationen innerhalb Unternehmen werden so gebremst. Als nachhaltige Lösung kommt hier Data Mesh ins Spiel.
Data Mesh als Antwort auf komplexe Fragen
Der von Zhamak Dehghani geprägte Ansatz des Data Mesh bietet eine innovative Alternative zur herkömmlichen Datenarchitektur: Er betrachtet Datenmanagement nicht nur technologisch, sondern explizit soziotechnisch. Das bedeutet, dass neben der Infrastruktur vor allem auch Organisation, Prozesse und Verantwortlichkeiten neu gedacht werden – verbunden mit klaren Prinzipien, die sowohl technisch als auch organisatorisch wirken. Das Ziel ist es, Daten dort zu managen, wo sie entstehen: in den Fachbereichen.
Im Kern verfolgt Data Mesh vier Grundprinzipien:
- Domänenorientierte Datenverantwortung: Daten werden dort verwaltet, wo die meiste Expertise liegt – innerhalb der fachlichen Domänen.
- Daten als Produkt: Daten werden nicht mehr nur als Nebenprodukt von Anwendungen gesehen, sondern bewusst als nutzbare, qualitativ hochwertige Produkte gestaltet.
- Self-Serve Data Platform: Eine zentral bereitgestellte Plattform bietet allen Domänen die benötigten Werkzeuge, um ihre Datenprodukte eigenständig entwickeln und betreiben zu können, sowie Datenprodukte anderer Domänen zu konsumieren.
- Federated Computational Governance: Governance-Regeln werden gemeinsam von allen Domänen entwickelt und durch Codebausteine innerhalb der Plattform automatisch in allen Datenprodukten angewandt.
Von der Datenorganisation bis zu Data Products
Die Domänenorganisation bildet das Herzstück des Data Mesh-Ansatzes. Die Verantwortung für Datenhaltung und Datenmanagementprozesse wird in fachliche Domänen verlagert, wo fachliche und technische Expertisen zusammentreffen. Damit geht eine Dezentralisierung des Datenmanagements einher. Statt alle Daten zentral zu konsolidieren, liegt die Verantwortung für die Erstellung, Pflege und Qualität von Daten bei den jeweiligen Domänenteams.
Bei den Data Products, die in den jeweiligen Domänen von Data Mesh entstehen, steht der Gedanke der Nutzenmaximierung im Vordergrund. Es handelt sich um kontextbasierte, qualitativ hochwertige und schnell verfügbare Informationen, die den Datenhunger des Unternehmens gezielt decken. So können datengetriebene Entscheidungen beschleunigt und innovative Geschäftsmodelle vorangetrieben werden.
Der Weg zur erfolgreichen Einführung
Die Data Mesh Journey ist kein rein technisches Projekt. Die Domänenteams müssen nicht nur technologisch zum Self-Service befähigt werden, sondern auch die Verantwortung für die ihnen zugeordneten Daten bewusst übernehmen. Rollen wie „Data Product Owner“ müssen etabliert sowie neue Prozesse und Schnittstellen definiert werden. Kurzum: Ein Kulturwandel zur Data Driven-Organisation ist nötig, um die Vorteile von Data Mesh erfolgreich zu nutzen.
Eine der größten Herausforderungen liegt darin, das Silodenken aufzubrechen und eine unternehmensweite Haltung für Qualität, Transparenz und Zusammenarbeit rund um Daten zu etablieren. Statt zentraler Vorgaben braucht es Mechanismen, die Autonomie ermöglichen und gleichzeitig Standards sicherstellen.
Schritt für Schritt zur Data Driven-Organisation mit Data Mesh
Der soziotechnische Ansatz des Data Mesh bietet Unternehmen die Möglichkeit, ihre Datenarchitektur zukunftsfähig aufzustellen. Durch die Domänenorganisation wird das Datenmanagement dorthin verlagert, wo die größte fachliche Expertise liegt. Qualitativ hochwertige, nutzenmaximierende Datenprodukte sind das Ergebnis, die durch Transparenz und eine Self-Serve Data Platform schnell in neuen Anwendungsfällen genutzt werden können. So erzeugt das agile dezentrale Datenmanagement einen strategischen Vorteil bei datengetriebenen Entscheidungsprozessen und der Innovation datengetriebener Geschäftsmodelle. Sie möchten wissen, ob Ihr Unternehmen bereit für Data Mesh ist? Kontaktieren Sie uns, damit wir Ihnen helfen können, Ihren Weg zu gestalten.
Effiziente Analysen mit Power BI und Snowflake: Best Practices für die erfolgreiche Integration
Erfolg bei der Umsetzung der digitalen Transformation erfordert auch durchdachte Strategien für die Nutzung und Analyse von Daten. Mit Snowflake als moderner, cloudbasierter Datenplattform und Power BI als leistungsfähigem Visualisierungstool, steht eine Kombination bereit, die sowohl Flexibilität als auch Skalierbarkeit bei der Datenanalyse bietet. Wie bei allen leistungsstarken Plattformen stellen sich viele Unternehmen auch hierbei die Fragen: Wie gelingt eine optimale Integration in meine IT-Architektur? Welche Architektur- und Designentscheidungen sollten getroffen werden, um präzise Analysen mit hoher Performance zu gewährleisten? In diesem Beitrag beleuchten wir Best Practices und Empfehlungen, um das volle Potenzial von Snowflake und Power BI auszuschöpfen.
Mit der Kombination von Snowflake und Power BI zu datengetriebenen Entscheidungen
Snowflake ist als Cloud-Datenplattform bekannt für seine Fähigkeit, massive Datenmengen in einer hochgradig skalierbaren Umgebung zu verwalten. Die Trennung von Speicher und Rechenleistung bietet eine immense Flexibilität bei der Kostenoptimierung und Ressourcenallokation. Darüber hinaus ist Snowflake konsequent auf die Realisierung moderner Data Mesh-Architekturen und das Management von Datenprodukten ausgerichtet und unterstützt damit unterschiedliche Organisationskonzepte und Arbeitsteilungen zwischen Fachbereichen und IT. Auf der anderen Seite ermöglicht Microsoft Power BI eine intuitive Datenvisualisierung, umfangreiche Interaktivität und Self-Service-BI-Funktionalitäten, die nicht nur die IT-Teams, sondern auch Business-Anwender:innen adressieren.
Durch die Kombination der beiden Plattformen können große Datenmengen effizient verarbeitet und gleichzeitig benutzerfreundliche, interaktive Dashboards und Berichte erstellt werden. Für Entscheider:innen, die sowohl technische als auch strategische Perspektiven einnehmen, eröffnet diese Verbindung die Möglichkeit, datengetriebene Entscheidungen auf Basis einer flexiblen, skalierbaren und sicheren Infrastruktur zu treffen.
Best Practices für die Integration von Snowflake und Power BI
Der Schlüssel für den erfolgreichen Einsatz moderner IT-Lösungen liegt auch beim Zusammenspiel von Snowflake und Power BI nicht in den Werkzeugen selbst, sondern in einer durchdachten Herangehensweise an Architektur, Sicherheit und Performance.
1. Architekturüberlegungen und Datenmodellierung
Snowflake unterstützt unterschiedliche Datenmodelle – von Snowflake- und Star-Schema bis hin zu Data Vault. Unternehmen müssen daher bereits vor der Einführung klären, welche Modelle sich am besten für ihre Reportinganforderungen eignen. Ein sauberes Datenmodell, das auf die Anforderungen von Power BI abgestimmt ist, sorgt für effizientere Abfragen und bessere Berichtsperformance. Zudem sollte überlegt werden, ob Materialized Views oder andere Optimierungen sinnvoll sind, um gängige Abfragen zu beschleunigen.
2. Performante Abfragen und Ressourcenmanagement
In Snowflake lassen sich Virtual Warehouses flexibel skalieren, um die Abfrageleistung zu steigern. Es muss sichergestellt werden, dass häufig genutzte Datensätze und Berichte von einer optimal dimensionierten Compute-Umgebung profitieren. Die Nutzung von Query Caching und Clustering-Keys verbessert die Performance für wiederkehrende Abfragen. Konfiguration und Dimensionierung des Snowflake-Datenmanagements sollten auf den Einsatz von Power BI DirectQuery oder Importmodellen optimiert werden, um die bestmögliche Performance und funktionale Unterstützung in Power BI zu gewährleisten.
3. Datenbereitstellung und -sicherheit
Unternehmen müssen dafür sorgen, dass nur relevante, geprüfte und sichere Daten für Power BI bereitgestellt werden. Snowflake bietet umfassende Möglichkeiten zur Zugriffskontrolle, einschließlich rollenbasierter Sicherheit und Row-Level-Security. Diese Features können mit Power BI-Datensätzen kombiniert werden, um sicherzustellen, dass jede Analyse auf vertrauenswürdigen Daten basiert und gleichzeitig sensible Informationen geschützt bleiben. Sowohl Snowflake als auch Power BI bieten Single-Sign-On-Optionen, mit denen sich aus User-Perspektive nahtlose Analysen und Datenzugriffe realisieren lassen.
4. Datenpipeline und Transformationen
Obwohl Power BI Transformationen in Power Query ermöglicht, sollten schwere Datenmanipulationen möglichst vorab in Snowflake erfolgen. Snowflake bietet native Funktionen, um Daten effizient vorzubereiten. So wird die Last in Power BI gering gehalten und eine bessere Performance und Wartbarkeit gewährleistet. Unternehmen müssen strategisch entscheiden, ob Transformationen in Snowflake oder Power BI erfolgen, basierend auf Skalierbarkeit und langfristiger Wartbarkeit.
5. Monitoring und kontinuierliche Verbesserung
Abfrage-Performance, Ladezeiten und Speicherressourcen müssen sowohl in Snowflake als auch in Power BI stetig überwacht werden. Snowflake bietet dafür detaillierte Abfrageprotokolle und Nutzungsstatistiken. Bei Power BI gestaltet sich das Monitoring etwas schwieriger – doch auch hier gibt es externe Lösungen wie beispielsweise Log.Insights, um Trends, Muster und Anomalien der Plattform und User frühzeitig zu erkennen. Nutzen Sie diese Daten, um kontinuierlich Engpässe zu identifizieren und die Architektur zu optimieren.
Fazit für das perfekte Zusammenspiel von Snowflake und Power BI
Die Integration von Snowflake und Power BI bietet eine leistungsstarke Grundlage, um datengestützte Entscheidungen zu treffen. Mit dem richtigen Fokus auf Architektur, Datenmodellierung und Performance-Optimierung können Unternehmen eine flexible und skalierbare Plattform schaffen, die nicht nur aktuelle Anforderungen erfüllt, sondern auch künftige Herausforderungen meistert. Dabei sollte auf durchdachte Best Practices und regelmäßige Optimierungen gesetzt werden, um aus den Potenzialen von Snowflake und Power BI einen nachhaltigen Wettbewerbsvorteil zu ziehen.
Gerne unterstützen wir Sie beim erfolgreichen Einsatz von Snowflake und Power BI.
Power BI Governance: Die Balance zwischen Freiheit und Kontrolle für erfolgreiches Self-Service BI
In einer Welt, in der Daten zur wichtigsten Ressource geworden sind, bieten Self-Service Business Intelligence (BI)-Lösungen wie Microsoft Power BI Fachbereichen die Möglichkeit, eigenständig Analysen und Berichte zu erstellen. Dieser Ansatz steigert die Flexibilität und Geschwindigkeit in Entscheidungsprozessen, stellt Unternehmen jedoch vor neue Herausforderungen. Ohne klare Governance kann Self-Service BI schnell zum Datenchaos führen – mit gravierenden Konsequenzen für Datenqualität, Sicherheit und Konsistenz. Ein durchdachtes Power BI Governance-Konzept ist daher unerlässlich, um die Vorteile des Self-Service BI zu maximieren, ohne die Kontrolle über Daten und Prozesse zu verlieren.
Eine kurze Definition: Was bedeutet Power BI Governance?
Im Kern beschreibt Governance die Richtlinien, Prozesse und Kontrollmechanismen, die sicherstellen, dass Power BI effizient, sicher und konsistent betrieben wird. Ziel ist es, bei der Nutzung der Self-Service-Lösung eine Balance zwischen der Eigenverantwortung der Fachbereiche und der zentralen Kontrolle durch die IT zu schaffen.
Dabei geht es nicht nur um technologische Fragen, sondern auch um organisatorische und strategische Aspekte. Power BI Governance sorgt dafür, dass die Datenqualität gewährleistet bleibt, Sicherheitsrisiken minimiert werden und Analysen auf einer zuverlässigen Datenbasis erfolgen.
Herausforderungen ohne Power BI Governance: Was steht auf dem Spiel?
Die Einführung von Power BI ohne Governance geht oft mit Problemen einher, die den Nutzen der Self-Service-Technologie erheblich schmälern. Unkontrollierte Datenquellen und uneinheitliche Standards führen schnell zu Inkonsistenzen. Sensible Daten können durch unzureichende Sicherheitsmaßnahmen ungeschützt bleiben und redundante Datenhaltung in isolierten Silos verursacht unnötige Ressourcenverschwendung.
Ein häufig unterschätztes Risiko ist zudem die Informationsüberflutung: Fachbereiche erstellen zahlreiche Berichte und Dashboards mit Power BI, die weder konsolidiert noch kontrolliert werden. Hinzu kommt, dass ohne ausreichende Schulungen und Know-how die Tools nicht effektiv genutzt werden können, was die angestrebte Effizienzsteigerung ins Gegenteil verkehrt.
Power BI Governance-Funktionen im Fokus
Microsoft Power BI bietet zahlreiche integrierte Funktionen, die eine effiziente Governance ermöglichen und den oben genannten Herausforderungen begegnen. Zu den zentralen Werkzeugen gehören:
- Mandanteneinstellungen: Administratoren können die Nutzung von Exporten, den Zugriff auf externe Datenquellen und viele weitere Funktionen präzise steuern. Dies schützt die Datenintegrität und verhindert unautorisierte Aktivitäten.
- Workspaces und Apps: Gemeinsame Entwicklungsumgebungen ermöglichen es, Berichte zentral zu erstellen und zu verwalten, während ein kontrollierter Zugriff für Enduser gewährleistet bleibt.
- Row-Level Security (RLS): Diese Funktion steuert den Datenzugriff auf Zeilenebene, sodass beispielsweise ein Vertriebsmitarbeitender nur Daten seiner Region einsehen kann.
- Sensitivity Labels und Endorsements: Diese Werkzeuge sorgen für Transparenz, indem sie Datenquellen eindeutig kennzeichnen und sensible Inhalte schützen.
Durch die Kombination dieser Funktionen lässt sich ein Power BI Governance-Modell aufbauen, das sowohl Sicherheit als auch Flexibilität bietet.
Wirksame Governance: Das Center of Excellence als zentrale Instanz
Ein Schlüssel zur erfolgreichen Implementierung von Governance in Power BI ist das Center of Excellence (CoE). Dieses zentrale Team übernimmt nicht nur die technische Betreuung der BI-Plattform, sondern fungiert auch als strategischer Impulsgeber.
Das CoE definiert Governance-Richtlinien, überwacht deren Einhaltung und sorgt für kontinuierliche Weiterentwicklung. Darüber hinaus bietet es praxisorientierte Schulungen an, um sicherzustellen, dass sowohl die IT als auch die Fachbereiche Power BI effektiv nutzen können. Das CoE fördert zudem den Austausch von Best Practices und unterstützt den Aufbau einer starken BI-Community innerhalb des Unternehmens.
Schritte zur erfolgreichen Power BI Governance-Implementierung
Die Einführung eines Governance-Modells für Power BI sollte systematisch und in enger Zusammenarbeit zwischen IT und Fachbereichen erfolgen. Zu den wichtigsten Schritten gehören:
- Anforderungsanalyse: Ermittlung der spezifischen Bedarfe der Fachbereiche, abgestimmt auf die Unternehmensziele.
- Etablierung von Freigabeprozessen: Entwicklung standardisierter Workflows für die Erstellung und Freigabe von Berichten.
- Qualitätssicherung: Regelmäßige Überprüfung von Berichten und Datenquellen, um Standards einzuhalten.
- Schulungen und Trainings: Aufbau von Wissen und Kompetenzen durch gezielte Weiterbildungsmaßnahmen.
Durch diese strukturierte Vorgehensweise kann Power BI als Self Service-Technologie nicht nur effizient, sondern auch nachhaltig in die Unternehmensstrategie integriert werden.
Fazit: Die Rolle von Governance in einer datengetriebenen Zukunft
Power BI Governance ist weit mehr als ein Kontrollinstrument – es ist ein Enabler für datengetriebene Entscheidungen. Ein durchdachtes Governance-Konzept schafft die Grundlage für konsistente, sichere und qualitativ hochwertige Analysen. Gleichzeitig ermöglicht es den Fachbereichen, ihre Eigenverantwortung voll auszuschöpfen, ohne die Integrität der Datenlandschaft zu gefährden.
Mit der zunehmenden Integration von KI und automatisierten Prozessen wird Governance künftig noch wichtiger, um Datenstrategien nachhaltig erfolgreich zu gestalten. Unternehmen, die frühzeitig in Governance investieren, schaffen sich einen entscheidenden Wettbewerbsvorteil in einer immer stärker datengetriebenen Welt.
Das Konzept ist natürlich nicht nur auf Power BI beschränkt – auch andere Self-Service BI-Tools profitieren von einem strukturierten Governance-Ansatz. Egal welche Self-Service-BI-Lösung Sie einsetzen: Wir unterstützen Sie gerne dabei, eine Governance-Strategie zu entwickeln, die zu Ihren Anforderungen passt.
Bereit für den nächsten Schritt? Kontaktieren Sie uns für einen maßgeschneiderten Workshop, um Ihre Self-Service-BI-Governance nachhaltig zu optimieren. Gemeinsam schaffen wir die Basis für fundierte Entscheidungen und nachhaltigen Erfolg.
Der Einsatz von KI in der Datenanalyse
Die stetig zunehmende Datenmenge und deren strategische Bedeutung für Unternehmen haben die Notwendigkeit einer effektiven Datenanalyse und -nutzung verstärkt. In diesem Kontext bietet der Einsatz moderner Künstlicher Intelligenz (KI) vielversprechende Möglichkeiten für Unternehmen.
Komplexe KI-Algorithmen können Muster, Trends und Zusammenhänge sowohl in strukturierten als auch unstrukturierten Daten erkennen und Vorhersagen zu künftigen Entwicklungen bereitstellen. Dies ermöglicht es Unternehmen, fundierte Entscheidungen innerhalb vieler Unternehmensbereiche auf Basis datengestützter Erkenntnisse zu treffen. Darüber hinaus können Mitarbeitende über natürlichsprachliche Schnittstellen wie Chatbots und virtuelle Assistenten auf Basis Generativer KI einfach und intuitiv Daten abfragen, Zusammenfassungen erhalten oder sich automatisch Berichte erstellen lassen. Dadurch wird die Nutzung komplexer Analysewerkzeuge demokratisiert – Fähigkeiten, die bislang Datenwissenschaftlern vorbehalten waren, stehen nun der gesamten Belegschaft zur Verfügung.
Insgesamt eröffnet der Einsatz von KI in der Datenanalyse Unternehmen vielfältige Vorteile. Unternehmen, die diese Chancen frühzeitig erkennen und KI gezielt in ihre Abläufe integrieren, können ihre Wettbewerbsfähigkeit signifikant ausbauen.
Unterschiedliche Einsatzmöglichkeiten von Künstlicher Intelligenz & Maschinellem Lernen in der Datenanalyse
Unternehmen stehen vor der Herausforderung, ihre Datenbestände effektiv zu nutzen, um wettbewerbsentscheidende Erkenntnisse zu gewinnen. Eine Schlüsseltechnologie hierfür ist das Maschinelle Lernen (engl.: machine learning, Abk.: ML), welches einen Teilbereich der Künstlichen Intelligenz darstellt. Durch den Einsatz fortschrittlicher Algorithmen können Computersysteme selbstständig Muster in großen Datenmengen erkennen und daraus lernen.
Je nach Anwendungsfall kommen dabei verschiedene leistungsfähige ML-Methoden zum Einsatz:
- Überwachtes Lernen (engl.: supervised learning): Die Systeme werden anhand von Beispieldaten trainiert, um präzise Klassifikations- oder Regressionsmodelle zu entwickeln. Nach dem Training wird die Qualität der Vorhersage bewertet, um anschließend die erlernten Muster auf unbekannte Daten anzuwenden und Prognosen sowie Vorhersagen zu erstellen.
- Unüberwachtes Lernen (engl.: unsupervised learning): Die Algorithmen identifizieren eigenständig Strukturen und Cluster in Datensätzen. Mithilfe dieser erkannten Muster können Unternehmen beispielsweise Kundengruppen nach gemeinsamen Merkmalen segmentieren oder verborgene Zusammenhänge in Produktionsprozessen aufdecken.
- Verstärktes Lernen (engl.: reinforcement learning): Ein System von Belohnungen und Bestrafungen lässt die Modelle optimale Handlungsstrategien erlernen. Reinforcement-Learning-Modelle können so komplexe betriebswirtschaftliche Entscheidungen in Echtzeit treffen, z.B. bei der Ressourcenallokation oder Produktionsplanung. Die Modelle lernen die optimalen Strategien basierend auf Unternehmensdaten und erhalten Belohnungen für Zielgrößen wie Effizienz, Profitabilität oder Kundenzufriedenheit.
Durch kontinuierliches Lernen können diese ML-Modelle immer genauere Vorhersagen, Klassifikationen und Entscheidungen treffen. Unternehmen können mit Hilfe der KI in der Datenanalyse somit ihre Daten systematisch erschließen und daraus vielfältigen Nutzen ziehen:
- Echtzeit-Anomalieerkennung: Mithilfe von Anomalie-Erkennungsalgorithmen können Unternehmen Auffälligkeiten in Produktions-, Finanz- oder Kundendaten in Echtzeit identifizieren. Diese können auf Produktionsfehler, Betrugsversuche oder andere Risiken hinweisen, sodass frühzeitig gegengesteuert werden kann.
- Präzise Prognosen: Fortschrittliche Prognoseverfahren wie Maschinelles Lernen und Zeitreihenanalysen ermöglichen Vorhersagen zu Absatz, Nachfrage oder Auslastung. Diese datenbasierten Prognosen ersetzen oft ungenauere Schätzungen und verbessern so die Entscheidungsfindung in Vertrieb, Produktion und Finanzen im Rahmen der Planung.
- Prozessoptimierung: Methoden wie Geschäftsprozessmanagement und datengesteuerte Optimierung helfen, Produktions-, Logistik- und andere Abläufe kontinuierlich zu verbessern. Durch Echtzeit-Monitoring, Ursachenanalysen und Simulationen können Unternehmen ihre Effizienz, Qualität und Kundenzufriedenheit steigern.
Maschinelles Lernen ermöglicht es Unternehmen, ihre Daten gezielt als strategischen Vorteil zu nutzen. Richtig angewendet lassen sich die Leistungsfähigkeit der Systeme und die daraus resultierenden Mehrwerte in Form von Effizienzsteigerungen, Kosteneinsparungen und Umsatzsteigerungen direkt belegen. Investitionen in ML-basierte Analysekompetenzen können sich somit auszahlen.
Generative KI: Die nächste Evolution der Datenanalyse
Maschinelles Lernen bildet die Grundlage für weitere Schlüsseldisziplinen der Künstlichen Intelligenz, die neue Dimensionen in der Datenanalyse eröffnen: Natürliche Sprachverarbeitung (engl.: natural language processing, Abk.: NLP) und Computer Vision. Diese Technologien ermöglichen es, unstrukturierte Daten wie Texte, Bilder und Videos systematisch in die Analyse einzubinden und zu erschließen.
Natürliche Sprachverarbeitung basiert auf komplexen linguistischen Modellen, die es Computersystemen ermöglichen, menschliche Sprache auf semantischer und syntaktischer Ebene zu verstehen. Mithilfe von Techniken wie Part-of-Speech-Tagging, Named Entity Recognition und Dependency Parsing können aus natürlichsprachlichen Texten strukturierte Informationen extrahiert werden. Unternehmen können dadurch wertvolle Erkenntnisse aus unstrukturierten Textdaten gewinnen, beispielsweise um Kundenreaktionen auf Produkte oder Dienstleistungen zu erfassen.
Auf ähnliche Weise erschließt Computer Vision visuelle Informationen aus Bildern und Videos mithilfe diskriminativer Modelle und neuronaler Netze. Im Bereich autonomes Fahren tragen Computer-Vision-Fähigkeiten zu einer sicheren Objekterkennung und -klassifizierung für eine zuverlässige Steuerung bei. Im Versicherungssektor wiederum kann über die Identifikation und Klassifizierung von Sachschäden auf Basis von Unfallbildern die Bearbeitung von Schadensfällen unterstützt werden.
Zusammen mit den vielfältigen Möglichkeiten des Maschinellen Lernens bieten NLP und Computer Vision Unternehmen einen umfassenden Datenzugang und eine ganzheitliche Datenanalyse. Organisationen können ihre internen und externen Datenbestände dadurch umfassend erschließen und datenbasierte Entscheidungen auf einer soliden Grundlage treffen.
Mit generativer KI zu einfacheren Datenanalysen und Entscheidungen
Generative KI bietet für Unternehmen im Bereich Business Intelligence und Datenanalyse vielfältige Möglichkeiten. Basierend auf Deep Learning-Modellen ermöglicht sie es Mitarbeitenden, intuitive Datenabfragen in natürlicher Sprache zu stellen und darauf maßgeschneiderte Visualisierungen oder Textinhalte zu erhalten.
Die Kernfunktionalität generativer KI-Systeme wie GPT-4o oder o1 liegt darin, aus großen Mengen an Trainingsdaten komplexe Muster zu erlernen und diese dann kreativ zu rekombinieren. So können Anwender:innen über Sprachassistenten einfache Sprach- oder Textbefehle geben, um beispielsweise interaktive Dashboard-Visualisierungen oder Ad-hoc-Analysen zu erstellen. Selbst Mitarbeitende ohne vertiefte BI-Expertise können auf diese Weise Daten erkunden, Zusammenhänge entdecken und Erkenntnisse effizient kommunizieren. Darüber hinaus kann Generative KI bei der Erstellung von Textinhalten wie Erläuterungen, Interpretationen oder Handlungsempfehlungen zu Analyseergebnissen unterstützen. Dadurch lassen sich komplexe Insights leicht verständlich aufbereiten.
Generative KI kann auch bei der Vorbereitung und Zusammenführung von Rohdaten eine wichtige Rolle spielen, etwa durch das Erstellen von ETL-Skripten oder die Ableitung von Datenqualitätsregeln.
Für Unternehmen bietet Generative KI daher entscheidende Vorteile: Sie erleichtert die datengestützte Entscheidungsfindung erheblich, da sie die Schwelle zur Nutzung von BI-Werkzeugen und der Skript-Programmierung senkt. Auch komplexe Analysen können so einfacher durchgeführt und die gewonnenen Erkenntnisse zielgruppengerecht aufbereitet werden. Insgesamt ebnet Generative KI so den Weg zu einer intuitiven, benutzerfreundlichen Datenkultur, von der alle Mitarbeitenden profitieren können.
Fazit: KI in der Datenanalyse als Erfolgsgarant
Die Entwicklungen im Bereich der KI-Datenanalyse bieten Unternehmen ein enormes Transformationspotenzial. Von Maschinellem Lernen über Fortschritte in Sprachverarbeitung und Bildanalyse bis hin zu generativen KI-Systemen eröffnen sich vielfältige Möglichkeiten, Geschäftsprozesse zu optimieren und datengestützte Entscheidungen zu erleichtern. Insbesondere generative KI sticht dabei hervor, indem sie Mitarbeitende ohne vertiefte technologische Expertise in die Lage versetzt, intuitive Datenabfragen zu stellen und unmittelbar verwertbare Erkenntnisse zu generieren.
Unternehmen, die diese Technologien frühzeitig und konsequent in ihre Entscheidungsfindung integrieren, können erhebliche Effizienzsteigerungen und einen nachhaltigen Wettbewerbsvorsprung erzielen. Die systematische Nutzung von KI in Bereichen wie Vertrieb, Produktentwicklung oder Unternehmenssteuerung wird nach unserer Einschätzung daher in den kommenden Jahren zu einem entscheidenden Differenzierungsmerkmal. Vorreiter, die das KI-Potenzial konsequent ausschöpfen, werden vom digitalen Wandel am meisten profitieren und sich gegenüber Wettbewerbern klar absetzen können.
Darüber hinaus sollten Unternehmen sicherstellen, dass der Einsatz von KI-Technologien ethisch vertretbar ist und hohe Datenschutzstandards eingehalten werden. Nur so können die Potenziale der KI langfristig und verantwortungsvoll genutzt werden. Unternehmen, die diese Herausforderung meistern, werden für die Zukunft bestens gerüstet sein.
KI in der Versicherungsbranche für eine optimale Customer Experience
Versicherungen verfügen heutzutage über eine immense Datenmenge ihrer Versicherungskunden. Doch alleinig mit diesen Daten lässt sich kein gewinnbringender Nutzen schaffen. All diese Daten in manuelle Auswertungen einfließen zu lassen ist jedoch auch schier unöglich. Daher hat sich auch der Einsatz von KI in der Versicherungsbranche etabliert. Dabei bietet Künstliche Intelligenz für Versicherungen viele Möglichkeiten zur Effizienzsteigerung. In diesem Blogbeitrag zeigen wir anhand eines realen Fallbeispiels im Data Driven Marketing, wie Versicherungsunternehmen mit Künstlicher Intelligenz herausfinden können, was ihre Kunden brauchen und möchten. Dazu wurde ein Produktempfehlungssystem für Versicherungsprodukte auf Basis statistischer Lookalikes entwickelt.
Die Fakten: Was ist eigentlich Künstliche Intelligenz bzw. Machine Learning?
Bevor wir darüber berichten, wie Künstliche Intelligenz die Customer Experience einer weltweit operierenden Versicherung optimieren konnte, möchten wir erst einmal kurz die Basis für den folgenden Blogbeitrag definieren. Was versteht man eigentlich genau unter Machine Learning – einem Teilbereich der Künstlichen Intelligenz?
Machine Learning ist ein Ansatz, um das Ziel der Künstlichen Intelligenz zu erreichen. Es eignet sich besonders gut für das Lösen spezieller Probleme, bei denen es viele enge Fallunterscheidungen gibt, die von einem Programmierer nicht manuell umgesetzt werden können.
Das Machine Learning unterscheidet sich dabei jedoch von klassischer Programmierung. Beim klassischen Programmieren erhält ein Programmierer Anforderungen, die die Realität abbilden sollen und definiert daraufhin ein Modell, welches die Daten entsprechend verarbeitet. Hierbei wird der Input immer genau so verarbeitet, wie es vom Programmierer definiert wurde. Das bedeutet auch, dass der Programmierer alle Möglichkeiten bedenken und formulieren muss. Bei Machine Learning hingegen ist das anders. Der Programmierer stellt hierbei den Input und den dazu gewünschten oder real vorkommenden Output bereit. Anhand dieser validierten Paare erlernt der Algorithmus die Beziehung zwischen Input und Output, auch Supervised Machine Learning genannt. Dadurch wird ein komplexes Modell erzeugt, mit dem die Kundenbedürfnisse prognostiziert werden können.
Künstliche Intelligenz und Machine Learning: nicht eine Lösung für jedes Problem
Nicht jedes Problem kann bzw. sollte mit Machine Learning gelöst werden. Einfache Probleme sollten eher mit Hilfe klassischer Programmierung bearbeitet werden. Stellen wir uns für ein einfaches Problem einen Roboter vor, dem beigebracht werden soll, über eine Fußgängerampel zu gehen: bei Rot soll er stehen bleiben, bei Grün soll er gehen. Bei einem Input der entweder „Grün“ oder „Rot“ ist, wie in dieser Situation, ist die klassische Programmierung eher geeignet als KI. Hier reden wir von einer einfachen Beziehung.
Stellen wir uns jetzt aber vor, dass der Roboter lernen soll zwischen Bildern von Äpfeln und Birnen zu unterscheiden, liegt eine deutlich komplexere Situation vor. Anhand verschiedener Merkmale (z.B. Form, Farbe, etc.) muss erkannt werden, um welches Obst es sich handelt. Für uns eine leichte Aufgabe, aber auch nur, weil wir von klein auf gelernt haben, diese Dinge anhand verschiedener Faktoren zu unterscheiden. Für solche komplexeren Herausforderungen, bei dem das Lernen von verschiedensten Merkmalen eine Rolle spielt, sollte daher Künstliche Intelligenz und vor allem Machine Learning angewendet werden.
Künstliche Intelligenz in der Versicherungsbranche: Ein Beispiel aus der Praxis
Kommen wir nun aber zu unserem Case: Ein weltweit führendes Unternehmen in der Versicherungsbranche wollte ihre Kunden mit individuellen Inhalten ansprechen, um die Kundenbindung und Kundenzufriedenheit zu erhöhen. Um dieses Ziel zu erreichen, musste eine Methode entwickelt werden, mit der sich die Bedürfnisse der Kunden bestimmen lassen – was bei 14 Mio. Kunden natürlich manuell nicht so einfach möglich ist. Somit war Künstliche Intelligenz die einzige Möglichkeit, dieser komplexen Herausforderung zu begegnen.
Auf Basis von Bestandsdaten und unter Verwendung von Machine Learning können nämlich Prognosen für die Zukunft abgeleitet werden. Fragen wie „Welchen Kunden biete ich welches Produkt zu welchem Zeitpunkt an“ können mit solchen intelligenten Lösungen beantwortet werden. Diese werden dann genutzt, um Kunden personalisierte Inhalte und Angebote zukommen zu lassen und um letztendlich die richtigen Empfehlungen für jeden einzelnen Kunden auszusprechen.
Solche so genannten Lookalike-Prinzipien werden auch von großen Technologiekonzernen wie Facebook für die eigenen Marketingaktivitäten genutzt.
Lookalike-Prinzipien für umfangreiches Kundenwissen auf Knopfdruck
Mithilfe von Supervised Machine Learning wird ermittelt, welche Faktoren dazu führen, dass ein Kunde einen Vertrag in der zu untersuchenden Produktklasse abgeschlossen hat. Anhand dieser Faktoren wird ein Modell erzeugt, mit dem ein Affinitätswert zu dieser Produktklasse für alle Kunden errechnet wird. Jeder Kunde hat verschiedene Merkmale, die ihn ausmachen und verschiedene Verträge, die er abgeschlossen hat. Bei einer Lookalike-Modellierung werden Merkmale ermittelt, die Kunden, die einen bestimmten Vertrag abgeschlossen haben, gemeinsam haben. Das Modell lässt anhand von gemeinsamen Merkmalen letztendlich auf eine Produktaffinität schließen. Diese nennt man statistische Zwillinge, oder auch Lookalikes.
Machine Learning Ergebnisse sind nur so gut, wie die Qualität und Menge an Daten, die bearbeitet werden
Beim Supervised ML stehen die Trainingsdaten im Vordergrund, da die Herstellung der Modelle auf den Training- und Testdaten Sets basieren. Trainingsdaten müssen so allgemein wie möglich und so genau wie nötig sein. Der Ablauf wird in der nachfolgenden Abbildung grafisch visualisiert:
In unserem Fall ist der Input „Der Kunde“ und der Output „Der Kunden hat einen Vertrag für folgendes Produkt abgeschlossen“. Dieses entspricht der Realität und ist durch eine hohe Menge an Daten validiert.
Die Input und Output Daten werden anschließend mit KI bearbeitet und ergeben ein Machine Learning-Modell, welches den Kundenbedarf prognostizieren kann. Das Ziel ist es, einen „Good Fit“ bzw. ein robustes Modell daraus zu erhalten (im Gegenteil zu einem Underfitted/Overfitted Model).
Unter einem „Good Fit Model“ versteht man ein Modell, welches generell anwendbare Beziehungen erlernt hat – ohne nur die Trainingsdaten „auswendig“ gelernt zu haben.
Zahlreiche Nutzen für das Data Driven Marketing bei Versicherungen
Die Ergebnisse wurden genutzt, um ein allgemeines Produkt-Empfehlungssystem aufzubauen – auch „Next Best Product“ System genannt. Dieses Empfehlungssystem zeigt, welche Bestandskunden die höchste Affinität für ein weiteres Versicherungsprodukt haben. Darauf basierend wird der Inhalt für den einzelnen Kunden individuell angepasst.
Die Ergebnisse werden bei Bestandskunden des Versicherungsunternehmen bei der Contentauswahl auf folgenden Kanälen genutzt:
- Telefonie im Service2Sales: Beim Anruf eines Kunden, der seine Adresse ändern möchte, wird auf das Next Best Product hingewiesen.
- Online-Portal: Es wird ein Banner mit personalisierten Anzeigen gezeigt, die genau auf die Bedürfnisse des Kunden angepasst sind, anstatt nicht relevanter Anzeigen.
- Persönlicher Vertrieb: Das Next Best Product wird als Ansprechanlass beim jährlichen Gespräch genutzt.
- Brief und E-Mail: Vertriebliche Aktionen und Marketing-Kampagnen werden auf die Produktaffinität des Kunden ausgerichtet und die Newsletter werden zum Teil automatisiert für den Kunden individualisiert.
Künstliche Intelligenz und vor allem Machine Learning zeigt großes Potential bei der Entwicklung von Produktempfehlungen und somit der Verbesserung der Customer Experience in der Versicherungsbranche.
Sie möchten erfahren, was Machine Learning für Ihr Unternehmen tun kann? Nehmen sie Kontakt mit uns auf und finden sie mit uns die passende Lösung für Ihre komplexen Probleme. Mehr Informationen erhalten Sie auch auf unserer Data Driven Marketing-Seite.
Alls Mehrwerte zu unserem Kundenprojekt
Maximierung der Vertragsabschlussquote durch Machine Learning
Durch die Erstellung von kundenindividuellen Targetingprofilen auf Basis von Machine Learning konnte unser Kunde aus dem Versicherungswesen seine Vertragsabschlussquote gegenüber einer herkömmlichen Zielgruppenauswahl um 24 Prozent steigern.
Data Governance: Wie gelingt die Einführung?
Daten gewinnen für Unternehmen immer mehr an Bedeutung. Doch mehr Daten bedeuten nicht automatisch mehr Informationen. Big Data bedeutet vielmehr, dass Unternehmen es mit großen, komplexen und schnelllebigen Daten zu tun haben, die sich durch herkömmliche Methoden kaum noch verarbeiten lassen. Im ersten Interviewteil haben wir mit Nils Koppe, Project Manager bei affinis, über die Herausforderungen von Big Data, die Glaubwürdigkeit von Daten und die Relevanz von Data Management und Data Governance gesprochen.
Im ersten Teil haben wir mit Nils über die Herausforderungen von Big Data gesprochen. Im zweiten Teil geht es um den konkreten Nutzen von Data Governance und dessen Etablierung im Unternehmen.
Nils, wovon profitieren Unternehmen konkret, wenn sie Data Governance-Strukturen bei sich etablieren bzw. ihr Data Management optimieren?
Im Endeffekt profitieren Unternehmen von effizienteren Geschäftsprozessen. Eine gute und einheitliche Datenqualität ermöglicht es, die eigenen Prozesse zu optimieren und bessere Entscheidungen zu treffen. Das wissen auch die meisten Unternehmen: Einer Umfrage zufolge glauben 80% von ihnen, dass die Qualität von Daten einen starken Einfluss auf den ökonomischen Erfolg eines Unternehmens hat.
Darüber hinaus gewinnt durch die Einführung einer Data Governance auch das Thema Datenschutz automatisch an Bedeutung. Das ist natürlich für die Unternehmen hilfreich, die sich in diesem Bereich weiterbilden müssen. Data Governance gewährleistet die Einhaltung der erforderlichen Compliance-Richtlinien.
Was würdest du Unternehmen empfehlen, die mit der Prozessoptimierung ihres Data Managements anfangen wollen? Was für Ansätze und Tools gibt es da?
Ich würde jedem Unternehmen empfehlen, zuerst die Struktur zu definieren und nicht einfach loszulegen. Das ist ganz wichtig, wenn Unternehmen den Umgang mit ihren Daten nachhaltig verbessern wollen. Unternehmen sollten sich zuerst folgende Fragen stellen: Welche Infrastruktur wollen wir aufbauen? Welche Rollen gibt es in unserem Unternehmen? Welche Verantwortlichkeiten müssen wir vergeben?
Ich würde jedem Unternehmen empfehlen, zuerst die Struktur zu definieren und nicht einfach loszulegen.“
Um einen langfristig erfolgreichen Data Management-Prozess zu etablieren, ist die Ausgangsposition besonders wichtig. Hier entscheidet sich, ob die Daten „sauber“ sind, also ob sich daraus auch belastbare Informationen ableiten lassen. Ein Ansatz, um die eigene Datenbasis zu standardisieren, ist die Einführung eines Data Integration Lifecycle. Der Data Integration Lifecycle beinhaltet Maßnahmen, um unterschiedliche Datenbestände zusammenzuführen. Ohne eine Vereinheitlichung der Daten und der entsprechenden Infrastruktur kann keine Prozessoptimierung im Bereich des Data Managements erfolgen.
Langfristige Ansätze zur Prozessoptimierung lassen sich dagegen mit Ansätzen wie Kaizen, Six Sigma oder agilen Methoden realisieren. Welche konkrete Methode für ein Unternehmen in Frage kommt, hängt immer von den Gegebenheiten im Unternehmen und der spezifischen Problemstellung ab. Unabhängig davon sollte aber in jedem Unternehmen eine Verbesserungskultur gelebt werden.
Warum ist eine Verbesserungskultur für die Prozessoptimierung im Unternehmen so wichtig?
Das Thema Daten verliert nicht an Bedeutung, im Gegenteil. Deswegen reicht es auch nicht aus, dass Data Management im Unternehmen einmal zu optimieren und dann nicht wieder anzufassen. Um auf dem aktuellen Stand zu bleiben, müssen Unternehmen ihren Umgang mit Daten kontinuierlich überprüfen und verbessern. Damit das Thema nicht nach und nach wieder an Bedeutung verliert, braucht es eine Verbesserungskultur, bei der das Bewusstsein für eine kontinuierliche Optimierung des Data Managements in den Köpfen aller Führungskräfte und Mitarbeiter verankert ist. Das geht aber nicht ohne klare Verantwortlichkeiten. Wer kümmert sich darum, dass das Thema weitergetrieben wird? Diese Frage sollte jedes Unternehmen beantworten können.
An wen können sich Unternehmen wenden, wenn sie Hilfe bei der Optimierung ihrer Datenverarbeitung brauchen?
Den Umgang mit den eigenen Daten zu optimieren ist ein komplexes Thema, weil es unternehmensübergreifend passieren muss. Unternehmen sollten deshalb nicht davor zurückschrecken, externe Unterstützung hinzuzuziehen. Ein externer Blick hilft auch dabei, Problemstellungen zu identifizieren und Lösungen in Betracht zu ziehen, die man selbst gar nicht sieht. Beratungen und Dienstleister mit einem Fokus auf IT sind hierfür ein guter Ansprechpartner, weil sie auch technisch das Know-how haben, die nötigen Schnittstellen einzurichten.
Big Data: Effektive Datennutzung durch Data Management
Daten gewinnen für Unternehmen immer mehr an Bedeutung. Doch mehr Daten bedeuten nicht automatisch mehr Informationen. Big Data bedeutet vielmehr, dass Unternehmen es mit großen, komplexen und schnelllebigen Daten zu tun haben, die sich durch herkömmliche Methoden kaum noch verarbeiten lassen.
Ein grundlegendes Problem vieler Unternehmen ist das Fehlen einer einheitlichen Datenbasis. Das Resultat: Entscheidungen werden auf Grundlage von Daten getroffen, die nur bedingt aussagekräftig sind. Solche Entscheidungen können den Geschäftserfolg eines Unternehmens gefährden. Doch wie können Unternehmen ihren Prozess der Datenverarbeitung optimieren?
Im ersten Interviewteil sprechen wir mit Nils Koppe, Project Manager bei affinis, über die Herausforderungen von Big Data, die Glaubwürdigkeit von Daten und die Relevanz von Data Management und Data Governance.
Nils, du beschäftigst dich mit der Prozessoptimierung im Data Management, das heißt, wie Unternehmen ihren Umgang mit Daten verbessern können. Warum ist das Thema Daten für Unternehmen so relevant?
Big Data ist inzwischen fast jedem ein Begriff. Nicht nur Unternehmen, sondern wir alle werden mit einem exponentiellen Wachstum von Datenmengen konfrontiert. Google schätzt beispielsweise, dass die Menge an Daten, die momentan in zwei Tagen entstehen, der Menge an Daten entspricht, die im gesamten Jahr 2003 generiert wurde. Das sind unglaublich große Zahlen. Für Unternehmen sind Daten deswegen relevant, weil sie durch die richtige Verarbeitung sämtliche Geschäftsprozesse unterstützen können. Dafür geeignete Zahlen lassen sich inzwischen in fast jedem Bereich im Unternehmen finden.
„Google schätzt beispielsweise, dass die Menge an Daten, die momentan in zwei Tagen entstehen, der Menge an Daten entspricht, die im gesamten Jahr 2003 generiert wurde.“
Wir können Daten und Informationen heutzutage sogar als Produktionsfaktor oder Rohstoff betrachten, der einen direkten monetären Wert für Unternehmen hat. Der Vorteil an Daten als „Rohstoff“ ist, dass sie unerschöpflich sind. Daraus ergeben sich für Unternehmen große Potentiale.
Vor welchen konkreten Herausforderungen und Schwierigkeiten stehen Unternehmen beim Umgang mit Daten?
Erstmal ist die große Menge an Daten, denen Unternehmen gegenüberstehen, ein Problem. Hier besteht die grundsätzliche Schwierigkeit, den Überblick zu behalten und zu entscheiden: Welche Daten brauche ich überhaupt?
Daten lediglich zu sammeln, bringt Unternehmen erstmal nicht weiter, denn Daten allein „sprechen“ nicht. Hier liegt der Unterschied zwischen Daten und Informationen. Daten haben keine Aussagekraft, sie sind lediglich Zeichen und Symbole. Erst wenn sie gefiltert und in der richtigen Form vorhanden sind, werden sie zu Informationen und können überhaupt einen Mehrwert liefern.
Viele Unternehmen stehen aber auch vor der Herausforderung, auf für sie notwendige Daten zugreifen zu können. Verwenden Unternehmen verschiedene Systeme und zahlreiche Schnittstellen, entstehen oft Probleme beim Datenaustausch. Die Systeme sprechen jeweils ihre eigene „Sprache“ und machen damit einen effizienten Austausch der Daten unmöglich. Dadurch leiden die Genauigkeit und die Konsistenz der Daten und damit am Ende auch die Glaubwürdigkeit der daraus abgeleiteten Informationen.
Was können Unternehmen dafür tun, um die Glaubwürdigkeit ihrer Daten zu verbessern?
Die Grundlage für einen effizienten Umgang mit Daten ist die Etablierung einer Data Governance-Struktur, bzw. eines Data Managements. Durch die Umsetzung einer geeigneten Infrastruktur, der Definition von Rollen und Verantwortlichkeiten sowie einem genauen Monitoring können Unternehmen eine einheitliche Datenbasis schaffen, die wirklich belastbare Informationen liefert.
Du nennst den Begriff „Data Governance“. Was ist das?
Mit Blick in die Wissenschaft kann Data Governance als „Bündel an unternehmensweiten Rahmenbedingungen für die Zuweisung von Entscheidungsrechten und Zuständigkeiten im Hinblick auf die Nutzung von Daten im Unternehmen“[1] verstanden werden. Data Governance umfasst damit die Festlegung aller Rollen, Verantwortlichkeiten und Voraussetzungen, die einen produktiven Umgang mit Daten im Unternehmen ermöglichen.
Du erwähnst außerdem den Begriff Data Management. In welchem Zusammenhang stehen Data Governance und Data Management?
Die Begriffe Data Management und Data Governance sind sich inhaltlich recht ähnlich. Data Governance kann als Teil des Data Managements verstanden werden. Das Data Management umfasst alle Maßnahmen, die auf eine effektive Nutzung von Daten abzielen. Die Etablierung einer Data Governance-Struktur ist dementsprechend ein Teilbereich davon. Es kommt aber auch vor, dass beide Begriffe synonym verwendet werden.
Im zweiten Teil des Interviews sprechen wir mit Nils Koppe über den Nutzen und die konkrete Einführung von Data-Governance-Strukturen im Unternehmen.
[1] Krotova, A., Eppelsheimer, J. (2019). Was bedeutet Data Governance. Eine Clusteranalyse der wissenschaftlichen Literatur zu Data Governance. Institut der deutschen Wirtschaft: Köln.
Advanced Predictive Analytics – Wenn traditionelle BI nicht genug ist
Einführung in Predictive Analytics: So setzen Sie auf ihre bestehende IT-Landschaft auf um Mehrwerte zu generieren
Advanced Analytics geht einen Schritt weiter als traditionelle BI. Dabei sind wissenschaftliche Methoden aus der angewandten Mathematik und Statistik im Einsatz. Dazu gehören z. B. Data Mining, Modellierung, Simulation und maschinelles Lernen. Diese werden herangezogen, um die Wahrscheinlichkeit zukünftiger Ereignisse zu bestimmen oder Korrelationen aufzudecken, die durch andere Methoden unentdeckt blieben. Mit Hilfe von Advanced Analytics werden Fragen beantwortet wie
- „Was wird wahrscheinlich als nächstes passieren?“ (Vorhersage)
- „Warum ist das passiert?“ (Korrelation)
- „Was ist das Beste was passieren kann?“ (Optimierung)
Advanced Analytics Methoden sind daher meist vorhersagend (predictive) oder vorschreibend (prescriptive), während traditionelle BI Analysen wie OLAP oder Reporting & Dashboards fast ausschließlich beschreibender Natur (descriptive) sind und Fragen beantworten wie „Was ist passiert?“.
In unserer neuen Serie soll das Thema „Predictive Analytics“ in den Fokus gerückt werden. Nach der Definition des Analystenhauses Forrester® kann zu Predictive Analytics jede Lösung gezählt werden,
- mit deren Hilfe sich aussagekräftige Muster und Abhängigkeiten in Datenbeständen identifizieren lassen,
- und auf diese Weise mögliche zukünftige Ereignisse vorhersagen sowie potenzielle Handlungsmöglichkeiten bewerten lassen.
Damit umfasst Predictive Analytics eine Vielzahl von computergestützten Methoden, die historische oder aktuelle Daten analysieren, um Vorhersagen über die Zukunft zu geben. Frei nach dem Motto „Insight not Hindsight“ handelt es sich bei Predictive Analytics um ein sehr vielschichtiges Thema. Die Anwendung komplexer Methoden auf riesige Datenmengen bringt aber enorme Wertschöpfungspotenziale mit sich.
Sind in die bestehende IT-Landschaft eines Unternehmens bereits CRM- oder BI-Systeme integriert, so können Predictive Analytics-Anwendungen direkt darauf aufbauen. Im Zeitalter von Big Data werden bestehende Infrastrukturen vor neue Herausforderungen gestellt. Die passenden Werkzeuge zu besitzen, um strukturierte und unstrukturierte Daten aus einer Vielzahl unterschiedlicher Datenquellen zusammenzubringen ist zwar auf der einen Seite ein Problem, auf der anderen Seite aber auch eine Chance, neue Erkenntnisse durch die Verknüpfung unterschiedlichster Datentöpfe zu gewinnen.
Mathematisch betrachtet basiert ein Großteil von Predictive Analytics auf der Erfassung von Beziehungen zwischen erklärenden Variablen und den abhängigen Variablen aus vergangenen Ereignissen. Dabei gilt es diese Beziehungen aufzudecken, um prädiktive Scores (Wahrscheinlichkeiten) für Ereignisse zu erstellen. Im Gegensatz zu Forecasts können mit Predictive Analytics Vorhersagen für das Verhalten eines Individuums erstellt und damit ein detaillierterer Grad an Granularität erreicht werden. Zu beachten ist, dass die Genauigkeit und Brauchbarkeit der Vorhersagen stark von der gewählten Methode und der Qualität der zu Grunde liegenden Annahmen abhängen.
Phasen und Methoden von Predictive Analytics: Schritt für Schritt zum Wettbewerbsvorteil
Für die Durchführung von Predictive Analytics Projekten hat sich in den letzten Jahren mit dem „Cross Industry Standard Process for Data Mining“ (kurz: CRISP-DM) ein Standard etabliert, der laut Umfragen in den meisten Projekten im Predictive Analytics und Data Mining Umfeld zum Einsatz kommt. Die Entstehung dieses Ansatzes ist auf das Jahr 1996 zurückzuführen, als ein Konsortium im Bereich Data Mining führender Unternehmen (unter ihnen z. B. Daimler und Teradata) eine Arbeitsgemeinschaft gründete und bis zum Jahr 1999 die erste Version des danach mehrfach optimierten Ansatzes entwickelte.
Der äußere Kreis der Grafik von oben verdeutlicht den zyklischen Charakter von Predictive Analytics. Ein Data Mining Prozess hört nach der Inbetriebnahme nicht auf:
Auch nach der Inbetriebnahme ist es essenziell, die Geltung der getroffenen Annahmen zu überprüfen und gegebenenfalls anzupassen. Die Verantwortlichen sollten sich stets darüber im Klaren sein, auf welchen Annahmen sie ihr Modell aufgebaut haben und unter welchen Voraussetzungen diese nicht mehr zuträfen. Ebenso ist darauf zu achten, dass keine wichtigen Einflussvariablen bei der Modellierung vergessen wurden. Derartige Lessons Learned machen eine kontinuierliche Anpassung der Modelle notwendig.
Das Innere der Grafik zeigt, dass nach CRISP-DM 6 Phasen unterschieden werden, die im Folgenden näher beleuchtet werden sollen.
Business Understanding – Vor der Antwort kommt die Frage
In dieser Phase gilt es die Rahmenbedingungen zu verstehen und die wirtschaftlichen Ziele des Projektes zu klären. Anschließend sind die wirtschaftlichen Fragestellungen in Predictive-Analytics-Problemstellungen zu transferieren. Hierbei handelt es sich um den wahrscheinlich wichtigsten Schritt im Predictive Analytics/ Data Mining Prozess. Ohne gut durchdachte Problemstellungen ist es so gut wie unmöglich die richtigen Daten zu sammeln und die richtigen Algorithmen anzuwenden.
Data Understanding – Den Wald vor lauter Bäumen sehen
In dieser Phase steht die initiale Datensammlung am Anfang. Daraufhin macht man sich mit dem Datenbestand vertraut und macht sich auf die Suche nach Problemen in der Datenqualität.
Data Preparation – Was nicht passt, wird passend gemacht
Hat man in der Phase zuvor einen Überblick über die Rohdaten erlangt, gilt es nun diese Daten in eine Form zu bringen, mit der unsere Predictive-Analytics-Modelle arbeiten können. Neben der Auswahl der benötigten Tabellen, Attribute und Einträge, gehören hierzu auch die Datenbereinigung (Cleansing) und die Transformation der Daten in die benötigten Formate.
Modeling – Viele Wege führen nach Rom
Diese Phase beinhaltet die Anwendung der ausgewählten Modellierungstechniken. Frei nach dem Motto „viele Wege führen nach Rom“ wird es in der Regel eine Vielzahl von Ansätzen für die gleiche Problemstellung geben. In diesem Zusammenhang besteht die Herausforderung, die beste Modellierungsmethode für das vorliegende Predictive-Analytics-Problem zu identifizieren. Da unterschiedliche Modellierungsmethoden unter Umständen andere Anforderungen an die Form der Daten haben, ist es nicht unüblich, die Data Preparation anzupassen, bevor man mit der eigentlichen Modellierung eines Alternativansatzes fortfährt.
Die Vielzahl an Modellen abzuhandeln, die in diesem Rahmen einsatzfähig sind, würde bei Weitem den Rahmen sprengen. Wir möchten hier nur einen kurzen Auszug der riesigen Bandbreite an Modellen widerspiegeln:
- Klassifikationsmethoden
- Entscheidungsbäume
- Künstliche Neuronale Netze
- Bayessche Netze
- Support Vector Maschinen
- Ensemble Modelle
- Regressionsmethoden
- Assoziationsanalysen (z. B . Warenkorbanalysen)
- Zeitreihenanalysen
Alle Techniken vereint eins: Der Ansatz die vorhandenen Daten in Trainingsdaten und Testdaten aufzuteilen (partitionieren). Dem zu Grunde liegt die Annahme, dass die vorhandenen Daten adäquat die Voraussetzungen repräsentieren, die sowohl in der Vergangenheit als auch in der Zukunft vorherrschen. Dabei ist darauf zu achten, dass die Partitionierung zufällig (in einem zuvor definierten Verhältnis z. B. 70% zu 30%) erfolgt, um zu verhindern, dass die Zusammensetzung einer oder beider Gruppen in Teilen einem Muster folgt. Die Trainingsdaten (auch als Lerndaten bezeichnet) werden zu der Erstellung des Modells herangezogen. Durch die Masse an Daten „lernt“ das Modell dazu bzw. „trainiert“ seine Effektivität. Die Testdaten dienen der Evaluierung und schließlich der Auswahl der Modelle (Welches der betrachteten Modelle liefert statistisch die besten Ergebnisse?). Insgesamt stellt die Partitionierung der Daten eine wichtige Voraussetzung dar, um gewährleisten zu können, dass das schließlich ausgewählte Modell akkurate und verlässliche Vorhersagen liefert.
Evaluation – Vertrauen ist gut, Kontrolle ist besser
Auf die Phase der Modellierung folgt die Evaluation. In dieser Phase soll die Frage beantwortet werden, ob das ausgewählte Modell in angemessener Art und Weise die dem Projekt zu Grunde liegenden wirtschaftlichen Fragestellungen beantworten.
Für Klassifikationsmethoden sind oft Wahrheitsmatrizen (auch Konfusionsmatrizen genannt) im Einsatz. Aus ihnen werden Kennzahlen wie Sensitivität, Spezifität, Genauigkeit oder Trefferquote errechnet. Für weitergehende Analysen sind sog. ROC-Kurven (Receiver-Operating-Characteristic-Kurve) und Lift-Charts beliebt.
Deployment – Nicht reden sondern handeln
Hat das Modell auch der Evaluation standgehalten, so gilt es die erlangten Erkenntnisse in die Entscheidungsprozesse des Unternehmens zu integrieren. Das Ausmaß dieser Phase kann dabei sehr unterschiedlich sein und von der Erstellung eines einfachen Reports bis hin zur automatisierten Umsetzung der bewerteten Handlungsoptionen (Prescriptive Analytics) gehen.
Im nächsten Teil unserer Serie werden wir unseren Fokus auf Use Cases, also dem Einsatz von Predictive Analytics in der Praxis verlagern.
Analytics Use Cases in allen denkbaren Bereichen
Analytics Use Cases lassen sich entlang der gesamten Wertschöpfungskette finden. Um einen groben Überblick zu geben, orientieren wir uns an der Wertkette:
Einkauf
Im Bereich des Einkaufs können, z. B. Absatz- oder Preisprognosen dafür sorgen, dass bestmögliche Einkaufsstrategien entwickelt werden und kostspielige Über- und Unterbestände vermieden werden. Dies ist vor allem im Falle von stark schwankenden Rohstoffpreisen und hohen Einkaufsvolumina zu empfehlen.
Produktion
Als Beispiele für Analytics Use Cases in der Produktion wollen wir Losgrößenoptimierung, Predictive Maintenance und Personaleinsatzplanung nennen. Hierbei geht es darum, Kapazitäten besser auszulasten, Ausschuss zu verringern bzw. mögliche Produktionsausfälle frühzeitig zur prognostizieren. Auf der Grundlage von Analysetechniken und der Visualisierung der Ergebnisse (z. B. in Form von Dashboards) können Mitarbeiter schnellere und besser fundierte Entscheidungen treffen.
Distribution
Analytics in der Distribution besteht hauptsächlich aus der Optimierung von Logistikprozessen, vor allem von Transport- und Lagerprozessen.
Marketing/Vertrieb
Customer Churn, Dynamic Pricing, Customer Value, Up-&Cross-Selling u. v. m. – Die Liste von Analytics Use Cases in den Bereichen Marketing und Vertrieb ist lang. Die Use Cases haben das Ziel das gesammelte Wissen über die Kunden zu bündeln und gezielt nutzbar zu machen. Gelingt dadurch eine individuellere Kundenansprache und eine Verbesserung der Kundenerfahrung, stärkt dies die Kundenbindung und damit den Unternehmenserfolg.
(Kunden-) Service
Fortgeschrittene Analysen können auch helfen individualisierte Kundeninteraktion, Tarife und Service-Level sowie optimierte Antwortzeiten zu bewirken.
Besseres Kundenverständnis durch Predictive Analytics: Gezielte Kündigungsprävention durch individuelle Kundenansprache
Am Beispiel der Kundenabwanderungs-Prävention, dem sog. Churn-Management wollen wir uns folgendes im Detail ansehen:
- Welche Motivation/Leitfragen stecken hinter diesem Use Case?
- Welche Methoden kommen zur Anwendung?
- In welcher Form stiftet dieser Use Case Nutzen?
Motivation/Leitfragen
Neukundengewinnung ist um ein vielfaches teurer als Kundenbindung.
- Wie erkenne ich potentielle Kündiger?
- Was kann ich tun die Loyalität meiner Kunden zu erhöhen?
- Was biete ich einem Kunden an, damit er seine Kündigung zurückzieht?
Methodik
- Einsatz von Klassifikations- und Regressionsmethoden
- Mit Hilfe meiner beschrifteten, historischen Daten trainiere und teste ich den Algorithmus
- Erst wenn der Algorithmus eine zufriedenstellende Güte aufweist, verwende ich ihn dafür die Kündigungsneigung meiner aktiven Kunden individuell vorherzusagen
- Regelmäßige Aktualisierung (Closed Loop Ansatz)
- Darüber hinaus können Kundenwertberechnungen helfen die Kunden, die auf Grund eines hohen Werts für das Unternehmen unbedingt gehalten werden sollten, zu identifizieren
Nutzen von Predictive Analytics
- Durch Kündigungsprävention Kundenabwanderung (von profitablen Kunden) vermeiden
- Rückgewinnung von Kunden die bereits gekündigt haben
- Einen neuen Kunden gewinnen ist für Unternehmen 5-10 mal so teuer, als einen bestehenden Kunden zu halten
Eine individuelle Kundenansprache ist die Chance sich von der Konkurrenz abzuheben und Wettbewerbsvorteile zu generieren. Ihre Kunden werden es Ihnen danken.
Quellen
