Mit Big Data Kunden binden und Prozesse automatisieren

Die Rechnungsprüfung verschlanken oder mit digitalen Assistenten und personalisierten Angeboten Kunden binden: Die Basis für diese neuen Möglichkeiten bilden Big Data, Künstliche Intelligenz und Machine Learning. Damit können Unternehmen ihre Wertschöpfung verbessern. Das sollten sie nutzen.

In Deutschland erzielen viele Unternehmen bereits erste Erfolge mit Big Data, indem sie beispielsweise Geschäftsrisiken reduzieren oder Produkte individueller auf Kunden zuschneiden. Das Potenzial von Big Data wird durch den zunehmenden Einsatz von Künstlicher Intelligenz und Machine Learning besonders deutlich und bietet damit auch noch unerfahrenen Unternehmen Anlass, sich mit dem Thema zu beschäftigen. Denn es ergeben sich daraus neue Möglichkeiten für die Automatisierung von Arbeitsprozessen sowie für die Personalisierung von Produkten und Kundenansprachen. Das zeigen die folgenden Beispiele:

1. Mit Personalisierung Kundenbedürfnisse besser erfüllen

Wo steht KI heute? Dr. Lars Schwabe, Leiter Smart Data Analytics und Experte für Machine Learning bei LHIND, fasst zusammen, was KI heutzutage leisten kann, wo die Herausforderungen liegen und wie LHIND KI in der Praxis einsetzt.

Vertrieb und Marketing vieler Unternehmen verwenden zwar bereits Datenanalysen, um Zielgruppen zu segmentieren und Reportings für das Management zu gliedern. Eine Seltenheit ist jedoch noch die personalisierte Ansprache, die jede einzelne Person in ihrer Individualität betrachtet. Wie das gelingt, zeigt vor allem die Digitalwirtschaft. Verlage profitieren beispielsweise, indem sie aus Lesern, die online kostenlos News konsumieren, durch Personalisierung und individualisierte Angebote zahlende Abonnent:innen machen. Im E-Commerce ist dies ebenfalls üblich. Ermöglicht werden solche individuellen Ansprachen mit deutlichem Mehrwert für die Kund:innen durch Big Data und Machine Learning. Mit Künstlicher Intelligenz werden inzwischen auch zunehmend digitale Assistenten eingesetzt, um kanalübergreifend mit den Kund:innen zu kommunizieren, anstatt sie nur mit Marketingaktionen zu umwerben.

Die Schnittstelle zur Kundschaft müssen jedoch nicht nur Unternehmen aus der Digitalwirtschaft besetzen und verteidigen, sondern alle – auch jene aus der Logistik oder der Industrie. Beispielsweise kann ein Transportunternehmen sein Onlineportal auf Basis von Big Data personalisieren und mit Künstlicher Intelligenz die Auftragsaufnahme und -bearbeitung viel besser individualisieren, um Kund:innen stärker zu binden.

So erweitern Big Data und Künstliche Intelligenz das klassische Customer Relationship Management (CRM) und erhöhen sowohl die Effizienz als auch die Zufriedenheit der Kundschaft. Alle Schnittstellen vom Unternehmen zum Endkunden werden zukünftig stark von Künstlicher Intelligenz geprägt sein. Chatbots sind hier nur ein Beispiel für neue sprachbasierte Schnittstellen.

2. Unstrukturierte Daten durch maschinelles Lernen nutzen

Bei der Digitalisierung von Dokumenten, Patenten, Wartungsberichten oder ganzen Archiven und Bilddatenbanken fällt eine Vielzahl an unstrukturierten Massendaten an, die für herkömmliche Analysen zunächst schwer zugänglich sind. Mittels Machine Learning können Unternehmen auch aus diesen Daten neue Werte schaffen. Beispiel: Rechnungsprüfung. Große Unternehmen erhalten Tausende Rechnungen aus verschiedenen Quellen in Papierform, die gescannt, geprüft und zugewiesen werden müssen. Mit Maschinenintelligenz lernen Algorithmen selbstständig die Prüfung und Zuordnung von Rechnungen oder erkennen aus Wartungsberichten häufige Fehlertypen.

Auch im Bereich Internet of Things (IoT) wird Machine Learning zunehmend eingesetzt. Intelligente Sensoren erfassen nicht nur Daten, sondern werten sie intelligent aus. Ein Beispiel ist die zustandsorientierte Wartung von Geräten in Gebäuden oder Fabriken. Anhand von Vibrations- und Geräuschmessungen lernen sogenannte Sensorschwärme den normalen Betriebszustand vom sich anbahnenden Schaden zu unterscheiden. Dies wird eingesetzt bei der Wartung von Aufzügen, Rolltreppen und Belüftungsanlagen in Gebäuden, bei hochkomplexen Maschinen in der Fertigungsindustrie oder bei Maschinen und Fahrzeugen im Baugewerbe.

Konzeption und Umsetzung von Big-Data-Lösungen – von der Entwicklung der Architektur über die Implementierung bis hin zur Schulung der Mitarbeiter
Entwicklung von Analysen und Reports oder vollständig datenbasierter Produkte im Rahmen von Minimum Viable Products (MVPs, Produkte mit minimalem Funktionsumfang)
Einsatz von und Beratung zu Technologien im Bereich Machine Learning und Künstlicher Intelligenz, um unstrukturierte Massendaten auszuwerten
Intelligente Analyse von Sensordaten
Entwicklung von Prototypen im Data Insight Lab