Mit Machine Learning als Baustein künstlicher Intelligenz können der Finanzsektor und andere Branchen Daten aus Prozessen und Kundenbeziehungen passgenauer nutzen.
the_lightwriter/Fotolia
Als erste Branche überhaupt setzte man diese Technologie im E-Commerce ein, um Inhalte zu personalisieren – was dem Ziel dient, Verkäufe und Umsätze anzukurbeln. Inzwischen verwendet auch die CMS-Industrie Machine Learning, um intelligente Inhalte zu erstellen, die die Basis einer kontextualisierten User Experience (UX) bilden. Denn es ist das Kundenerlebnis, das künftig über den Erfolg und Misserfolg von Unternehmen entscheiden wird.
Für viele Menschen ist die Vorstellung, dass Machine Learning und weitere Artifical-Intelligence-Technologien (AI) Einzug in unser Leben halten, es sogar beherrschen könnten, sehr beängstigend. Diese Angst ist allerdings unbegründet. Denn bei Machine Learning handelt es sich beispielsweise um eine einfache Datenanalyse, die man auch manuell vornehmen könnte – allerdings wesentlich langsamer. Unternehmen aus allen Branchen können Machine Learning individuell für völlig unterschiedliche Zwecke einsetzen. Wie Unternehmen Künstliche Intelligenz (KI) in der Praxis verwenden und in ihre digitalen sowie operativen Prozesse integrieren, verdeutlichen drei Beispiele:
Machine Learning im Finanzsektor als persönlicher Berater
Im Finanzsektor bietet es sich an, Machine Learning einzusetzen. Dadurch erhalten Kunden mehr Klarheit, Transparenz und einfacheren Zugriff auf wichtige Services. Einen Finanzplan zu erstellen, ist mit großem Aufwand verbunden. Dutzende Faktoren, die die finanziellen Entscheidungen einer Person beeinflussen, sind dabei zu berücksichtigen. Darum gleicht kein Finanzplan dem anderen. Machine Learning kann automatisiert die Entscheidungen und deren Folgen aller Kunden einbeziehen, um zu verstehen, an welcher Stelle seines Finanzplans der einzelne Kunde sich befindet. Das verbessert die Qualität der Beratung über mögliche Folgeschritte enorm.
Passende Informationen liefern
Person A sucht nach "Wie bereitet man sich auf die Geburt eines Babys vor", während Person B wissen will, Um wie viel der Wert einer Schuldvereinbarung in 18 Jahren steigt. Auch wenn sich die Suchanfragen grundsätzlich unterscheiden, kann es sein, dass beide an identischen Inhalten interessiert sind, nämlich daran, wie man ein Neugeborenes am besten finanziell absichert. Mit dem NLP-Prinzip lernt das System permanent mit den eingegebenen Suchaufträgen und ist in der Lage, Nutzern automatisch die gesuchten Informationen zur Verfügung zu stellen. Suchen diese besonders oft nach einer bestimmten Kategorie, erhalten die Websitebetreiber automatisch eine Benachrichtigung und können gegebenenfalls mehr passende Inhalte aufbereiten und veröffentlichen.
Bedürfnisse der Besucher verstehen
Analysiert man das Klickverhalten aller Besucher, können Unternehmen, beispielsweise Banken, dadurch nützliche Inhalte für spezifische finanzielle Fragen selektieren. Ein Beispiel: Besuchen Nutzer, die auf der Suche nach Studentendarlehen sind, anschließend Seiten, die ihnen Tipps für die Finanzierung geben? Daten über die finanzielle Historie lassen Rückschlüsse zu, an welcher Stelle des Finanzplans sich der Nutzer befindet. Finanzunternehmen können hier einhaken und automatisch Informationen für den nächsten Schritt bereitstellen.
Einzelhandel: Bessere Kauferlebnisse für Kunden
Der Einzelhandel verwendet Machine Learning, damit Kunden schneller die gewünschten Produkte finden. Zudem möchte man ihnen ein noch besseres Einkaufserlebnis bieten.
Jede Customer Journey ist unterschiedlich – sogar zwischen zwei Personen, die das gleiche Produkt suchen, da sie vermutlich unterschiedliche Präferenzen haben und sich in verschiedenen Stadien ihrer Kundenreise befinden. Erhält ein Kunde am Ende des Monats sein Gehalt (das erfahren Einzelhändler dadurch, dass er zu diesem Zeitpunkt besonders häufig einkauft), ist es sinnvoll, ihn am letzten Donnerstag eines Monats mit einem attraktiven Rabattcode zu locken und ihn zu Beginn des neuen Monats mit unterhaltsamen, informationsreichen Inhalten zu versorgen. Mithilfe von Machine Learning gelingt das völlig automatisch und perfekt skaliert.
Genau wissen, was der Kunde will
Natural Language Processing (NLP) ist eine Methode, die Unternehmen dabei unterstützt, effiziente Marketingseiten aufzubauen, die auf einem einfachen Site-Suchbalken basieren. NLP erfasst natürliche Sprache und versucht, sie auf Basis von Regeln und Algorithmen computerbasiert zu verarbeiten. Eine inhärente Sprachanalyse ermöglicht, die Absichten eines Kunden zu erkennen und miteinander zu verknüpfen. Es handelt sich dabei um eine Art High-Performance-Analyse, die nicht nur einen Einblick in Trending-Suchaufträge gibt, sondern auch anhand der Daten vorhersagen kann, welche Themen und Kategorien als nächstes im Trend liegen werden und welche Produkte des derzeitigen Portfolios dazu zählen. Um das zu gewährleisten, erkennt NLP auch komplexe Textzusammenhänge und Sachverhalte – wobei die Komplexität der menschlichen Sprache definitiv eine Herausforderung ist.
Individualisierter Besuch im stationären Handel
Auch einen "Offline"-Besuch können Einzelhändler mithilfe von Machine Learning bedarfsgerecht personalisieren. Frühere Käufe eines Kunden lassen auf dessen Geschmack schließen, sodass Händler Produkte empfehlen können, die dem Geschmack, der Größe und den finanziellen Möglichkeiten des Kunden entsprechen. Der Checkout kann über ein digitales Terminal erfolgen – wobei die dabei generierten Daten eine zukünftig noch gezieltere Personalisierung ermöglichen.
Fertigungsindustrie: Effizienz in der gesamten Supply Chain
Daten und Analysen sind schon immer Teil von Produktionsketten gewesen – mithilfe von Machine Learning können Unternehmen diese Informationen schneller und effizienter verarbeiten. So können sie ihre Produktion problemlos multiplizieren und ihre Supply Chain rationalisieren. Machine Learning gewährt tiefe Einblicke in große Datenmengen – Daten, die Unternehmen entlang der Supply Chain sammeln. Dazu können etwa Informationen über
- Bestände,
- Ressourcen,
- Fertigungskapazitäten,
- Transportmittel und sogar die
- Wetterlage
gehören. Fertigungsunternehmen können sie nutzen, um ihre Fertigungskette effizient einzurichten und zu automatisieren. Hat ein Kunde zum Beispiel zu wenige Produkte auf Lager, kann das System dank automatischer Meldung eine optimale Supply Chain errechnen, was eine durchgängige Auslieferung garantiert. Eine ausführliche Datenanalyse erlaubt es darüber hinaus auch, Kunden und Mitarbeiter über ihre Supply Chain zu informieren. Automatisch erstellte Leistungsberichte geben ihnen die nötige Kontrolle darüber. Die Berichte gewähren Echtzeit-Einblicke in die Supply Chain und beinhalten Vorschläge für mögliche Kosten- und Zeiteinsparungen.
Einsatz für Produktinnovation und -optimierung
Durch die Analyse von Daten erhalten Unternehmen einen Einblick in die Produktvariationen und -eigenschaften, die Kunden bevorzugen. Zudem erfahren sie, welche Variationen Kunden gut annehmen. So ist es möglich, Produktionsprozesse zu rationalisieren und sie zu niedrigeren Kosten effizienter zu gestalten.
Nur diejenigen Unternehmen, die ihre Kunden kennen und sich am besten auf sie einstellen, können am Markt konkurrenzfähig bleiben. Machine Learning ermöglicht es, die Kundenbedürfnisse in nie vorher dagewesenem Umfang zu erkennen und zu erfüllen. Immer schleichender treten Machine Learning und Künstliche Intelligenz (KI) in unser Leben – zwar (noch) nicht in Form von Robotern. Sie können sich jedoch auf eine intelligente Art und Weise auf unsere früheren Entscheidungen einstellen und unser Leben somit ein Stück vereinfachen. Aus diesem Grund sollten Unternehmen nicht nur darüber nachdenken, wie sie KI oder Machine Learning effektiv für sich nutzen können. Vielmehr geht es darum, durch diese Technologie eine sinnstiftende Interaktion zwischen Mensch und Maschine herzustellen, womit Unternehmen auch die Akzeptanz bei den Kunden stärken können. Gleichzeitig müssen sich Kunden darauf verlassen können, dass Unternehmen mit ihren Daten sensibel umgehen. Darum sollten Kunden nach wie vor die alleinige Entscheidungsmacht darüber haben, was mit ihren Interaktionen und Daten geschieht.
Weitere Informationen zum Thema liefert das Whitepaper "Winning Digital Commerce with Digital Experience" von Bloomreach.