Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Warum korrekte Daten essenziell für die Nutzung von KI im Unternehmen sind

KI im Unternehmen erhält eine immer höhere Bedeutung durch den Einsatz von Chatbots im Callcenter, auf Webseiten, als Diagnoseinstrument in der Medizin oder anderen Einsatzbereichen wie der Optimierung von Geschäftsprozessen oder Analysen von großen Datenmengen. Künstliche Intelligenz kommt zudem eine große Bedeutung für die Begünstigung von Cross-Selling oder für die Leadgenerierung bei (Predictive Lead Scoring). KI im Unternehmen entwickelt sich daher immer mehr zu einem signifikanten Faktor für Unternehmenserfolg und Wachstum. Kritiker warnen dagegen vor möglichen Nutzungsbarrieren und vor potenziellen Fehlern in der Programmierung und den dadurch entstehenden Konsequenzen wie falschen Entscheidungen. Im Hinblick auf damit verbundenen Technologien wie beispielsweise der Gesichtserkennung kann eine falsche Programmierung oder die Nutzung inkorrekter Daten in KI-Systemen fatale Auswirkungen haben. Wer diese Gefahren von KI im Unternehmen vermeiden möchte, muss zwingend auf den Einsatz korrekter Daten achten. Eine hohe Datenqualität ist erforderlich, um aus hohen Datenvolumina strukturierte Daten für Geschäftsprognosen zu gewinnen.

Möchten auch Sie Künstlicher Intelligenz anwenden, um zuverlässige Prognosen für künftige Unternehmensentscheidungen zu treffen? Dann kontaktieren Sie uns für eine individuelle Data Mining Beratung!

Was bedeuten die Begriffe Künstliche Intelligenz (KI) und Maschinelles Lernen?

Die Bezeichnungen Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) werden häufig synonym genutzt. Künstliche Intelligenz (KI) ist ein Computersystem, mit dessen Hilfe man komplexe Aufgaben im Unternehmen lösen kann. Zu Künstlicher Intelligenz (KI) werden die visuelle Wahrnehmung von Computersystemen sowie die Spracherkennung und Entscheidungsfindung gezählt. Maschinelles Lernen (ML) ist eine Unterkategorie der Künstlichen Intelligenz (KI), d. h. Künstliche Intelligenz (KI) setzt Maschinelles Lernen (ML) voraus. In Kombination können KI-Systeme von bisherigen Erfahrungen mit Spracherkennung und Entscheidungsfindung profitieren und durch selbstlernende Algorithmen kontinuierlich hinzulernen. Dafür sind hohe Datenmengen (Big Data) erforderlich, in denen die KI bestimmte Muster erkennen kann.

KI im Unternehmen: Datenquantität und -qualität ist entscheidend!

Es ist zwar wichtig, dass man Künstliche Intelligenz mit möglichst hohen Datenmengen für das Training versorgen sollte. Diese Datenmengen müssen jedoch korrekt und hochqualitativer Natur sein. Sind Daten nicht korrekt, ungenau oder nicht für die gegebene Aufgabenstellung geeignet, können KI-Systeme falsche Entscheidungen treffen. Das bedeutet, dass der Einsatz von Künstlicher Intelligenz im Unternehmen entsprechend negative Konsequenzen hat. Es ist wichtig, dass eine hohe Datenqualität vor der Nutzung durch KI-Systeme sichergestellt wird. Aufgrund der hohen Datenvolumina besteht im Nachhinein keine Möglichkeit, die Datenqualität anzuheben oder Fehler in den Daten zu beseitigen.

Wie kann eine hohe Datenqualität und Korrektheit der Daten sichergestellt werden?

Für die Sicherstellung einer hohen Datenqualität und einer Korrektheit der Daten müssen qualifizierte Mitarbeiter sowie eine entsprechende Künstliche Intelligenz im Unternehmen vorhanden sein. Zunächst sollte man prüfen, für welche Aufgabenstellung oder Problemlösung ein KI-System Lösungen suchen soll. Die Aufgabenstellung kann beispielsweise die Leadgenerierung, die Steigerung der Kundenverbleibquote (Retention Rate) oder einer Verringerung der Kundenabwanderungsrate (Churn Rate) beinhalten. Die für die KI im Unternehmen genutzten Daten müssen korrekt, präzise, genau und konsistent sein. Diese Konsistenz muss auch während des Prognoseprozesses erhalten bleiben.

Wie lässt sich die Datenqualität bewerten?

Wichtig für die Bewertung der Datenqualität ist der Entstehungsort bzw. die Datenquelle. Zudem sind Daten auch durch den Standort und Kultur geprägt. Amerikanische Kundendaten lassen sich beispielsweise nicht 1:1 auf das Kundenverhalten in Deutschland übertragen. Auch der Zeitpunkt der Datenauswertung spielt eine große Rolle. Die Auswertung von Sensordaten einer Produktionsanlage muss analog zur zeitlichen Abfolge der einzelnen Herstellungsschritte erfolgen. Bei der Nutzung von externen Datenquellen muss sichergestellt werden, dass diese als vertrauenswürdig eingestuft werden können.

In welchen Bereichen kann KI im Unternehmen eingesetzt werden?

Der Einsatz von Künstlicher Intelligenz im Unternehmen erfolgt vor allem in den Bereichen Cross-Selling, Leadgenerierung und Prognostizierung von Wachstumsmärkten. Die Funktion, mit der Kunden Kaufempfehlungen erhalten wie beispielsweise „Kunden, die dieses Produkt gekauft haben, kauften auch…“ ist in Online-Shop Systemen mittlerweile selbstverständlich. Diese Funktion wird häufig durch Shop-Administratoren eingepflegt. Algorithmen der Künstlichen Intelligenz (KI), die das bisherige Kundenverhalten anhand einer entsprechenden Datenaufbereitung analysieren und auswerten, können an dieser Stelle maßgeschneiderte Angebote für Kunden generieren, um das Cross-Selling zu fördern.

Kombination von CRM und ERP-Informationen mithilfe von KI

Informationen aus dem CRM (Customer Relationship Management)- und ERP (Enterprise Resource Planning)-System können mithilfe von KI-Algorithmen zusammengeführt werden, um Datenquellen mit personalisierten Kaufempfehlungen zu generieren. Somit kann man sich bereits vor dem Cross-Selling Warenkorbanalysen erstellen. Damit kann man die Wahrscheinlichkeit für erfolgreiches Cross-Selling ermitteln und sicherstellen. Plattformen Künstlicher Intelligenz (KI) können hunderte von Online-Shops durchforsten, um das Kundenverhalten zu analysieren und die Kundenpräferenzen zu ermitteln. Die zugrundeliegenden ML-Algorithmen identifizieren diese. Zudem erlauben KI-Plattformen eine effektive Akquise und Aussagen darüber, welche Leads für zukünftige Projekte genutzt werden können (Leadgenerierung).

Predictive Lead Scoring für Leadgenerierung durch KI im Unternehmen

Kombinierte Informationen aus ERP- und CRM-System mithilfe von KI (z.B. für Cross-Selling und Leadgenerierung)

Diese Prozesse können optimaler effizient mithilfe von Algorithmen des Maschinellen Lernens (ML) und entsprechenden Zuweisungslogiken (Welcher Kunde passt in welche Kundenkategorie?) durchgeführt werden. Selbstlernende Algorithmen erlernen die Zuweisungslogiken eigenständig und optimieren diese kontinuierlich.

Zudem können mithilfe von Künstlicher Intelligenz im Unternehmen Leads generiert werden.

Wie funktioniert die Leadgenerierung mithilfe von KI im Unternehmen?

Mithilfe der Algorithmen des Maschinellen Lernens und dem Einsatz von Künstlicher Intelligenz im Unternehmen können bessere Informationen über Kunden generiert werden. Durch den Einsatz von KI im Unternehmen werden das Kundenverhalten und die Kundenmerkmale analysiert, die einen interessanten Lead definieren (Englisch: Sales Qualified Lead). Mithilfe dieser Informationen erfolgt die Leadgenerierung, die für ein Verkaufsgespräch zur Verfügung stehen und an den Vertrieb übermittelt werden können. Für eine tiefergehende und künftige Prognose von Leads sorgt das Predictive Lead Scoring.

Wie funktioniert das Predictive Lead Scoring?

Predictive Lead Scoring konzentriert sich auf aussagekräftige Merkmale von Erfolg versprechenden Leads. Mithilfe dieser Methode werden analog zu den Unternehmensanforderungen maßgeschneiderte Bewertungsmodelle erzeugt, die flexibel an sich verändernde Marktbedingungen angepasst werden können. KI-gesteuerte CRM- und ERP-Plattformen werten auch aktivitätsbasierte Informationen von Kunden wie beispielsweise Informationen aus sozialen Medien, IoT-Daten oder E-Mail- und Kalender-Informationen aus. Mithilfe von Predictive Lead Scoring lassen sich Erfolg versprechende Leads identifizieren und diverse Prognosemodelle erzeugen. Die Prognosemodelle lassen sich mithilfe von Algorithmen des Maschinellen Lernens (ML) kontinuierlich testen. Zudem lassen sich Unternehmensziele präziser definieren, der Ressourcen-Einsatz besser planen und Frühwarnsignale für Abweichungen von Unternehmenszielen erkennen. Außerdem kann die Kundenzufriedenheit gesteigert werden.

Wie kann die Kundenzufriedenheit gesteigert werden?

Da selbstlernende KI-Systeme Kundenerfahrungen und -verhalten sowie andere Informationen miteinander kombinieren und aus diesen Erfahrungen kontinuierlich hinzulernen, lässt sich auch die Kundenzufriedenheit durch den Einsatz von Künstlicher Intelligenz im Unternehmen und Algorithmen des Maschinellen Lernens (ML) steigern. Beispielsweise können auf unternehmenseigenen Internetseiten Chatbots eingesetzt werden, die den Kunden auf der Internetseite begrüßen und sich um Beschwerdefälle kümmern. Mithilfe von ML-Algorithmen kann eine personalisierte Kundenansprache erfolgen und eine schnelle Beantwortung von häufig gestellten Kundenanfragen auf der Internetseite. Zudem kann man die unterschiedlichen Kundenerfahrungen aus einer Omni-Channel-Perspektive betrachten. Internetbetrug kann man so durch das KI-System bereits im Vorfeld erkennen.

Datenqualität für KI im Unternehmen: Fazit

Wie dieser Artikel zeigt, sind eine hohe Datenqualität sowie korrekte Daten für die Problemlösung für KI-Systeme existenziell. Basierend auf korrekten Daten und einer hohen Datenqualität lässt sich Predictive Lead Scoring durchführen, das Cross-Selling verbessern und Prognosen hinsichtlich der Kundenzufriedenheit, der Kundenverbleibquote (Retention Rate) und der Kundenabwanderungsrate (Churn Rate) erstellen. Die Skepsis vieler Entscheider gegenüber dem Einsatz Künstlicher Intelligenz im Unternehmen basiert oft darauf, dass sie die Qualität von Trainingsdaten anzweifeln. Wie dieser Artikel gezeigt hat, müssen Qualität und Quantität jedoch keinen Widerspruch darstellen. Auf korrekten Daten beruhende Prognosen hinsichtlich erfolgversprechender Leads lassen sich auf der Basis entsprechender Unternehmensdaten mit hoher Datenqualität problemlos erstellen. Novustat berät Sie gerne bei der Auswahl der entsprechenden Verfahren. Kontaktieren Sie uns für eine kostenlose Beratung & ein unverbindliches Angebot!

Weiterführende Quellen

Apple Siri

Cortana Microsoft

Microsoft: Work with Predictive Lead Scoring

Buxmann, Peter & Schmidt, Holger (Hrsg.) (2018): Künstliche Intelligenz – Mit Algorithmen zum wirtschaftlichen Erfolg, Berlin: Springer.

Gil, Laurent & Liska, Allen (2018): Security with AI and Machine Learning, London: O´Reilly.

Hanning, Uwe (2017): Marketing und Sales Automation: Grundlagen – Tools – Umsetzung. Alles, was Sie wissen müssen, Wiesbaden: Springer-Gabler.

Kuhn, Max & Johnson, Kjell (2018): Applied Predictive Modeling, New York: Springer.

Weber, Matthias & Burchard, Aljoscha (2017): Entscheidungsfindung mit Künstlicher Intelligenz, Gipfelpapier zur Künstlichen Intelligenz der Universität Kassel