SAP,maschinelles Lernen,Umsatz,Prozessoptimierung

Maschinelles Lernen ermöglicht es Unternehmen, ihren Umsatz zu steigern, Prozesse zu optimieren und gleichzeitig das Mitarbeiterengagement und die Kundenzufriedenheit zu steigern. - Bild: SAP

Führende Unternehmen nutzen heute auf maschinellem Lernen basierende Tools, um Entscheidungsprozesse zu automatisieren und experimentieren im Zuge des digitalen Wandels mit zukunftsweisenden Einsatzszenarien für künstliche Intelligenz (KI).

Vorhersagen zufolge werden sich die Investitionen von Unternehmen in künstliche Intelligenz im Jahr 2017 verdreifachen. Insgesamt soll das Marktvolumen bis 2025 auf 100 Milliarden US-Dollar anwachsen. Allein im letzten Jahr wurden 5 Milliarden US-Dollar Risikokapital in maschinelles Lernen investiert.

Veränderungen in der Arbeitswelt

Zudem prognostizierten 30 Prozent der Teilnehmer einer aktuellen Umfrage, KI werde ihre Branche in den nächsten fünf Jahren wie keine andere Innovation umwälzen. Es steht außer Frage, dass dieser Wandel auch die Arbeitswelt tief greifend verändern wird.

KI,künstliche Intelligenz,SAP
Führende Unternehmen nutzen heute auf maschinellem Lernen basierende Tools, um Entscheidungsprozesse zu automatisieren und experimentieren im Zuge des digitalen Wandels mit zukunftsweisenden Einsatzszenarien für künstliche Intelligenz (KI). - Bild: Fotolia / Elnur

Maschinelles Lernen ermöglicht es Unternehmen, ihren Umsatz zu steigern, Prozesse zu optimieren und gleichzeitig das Mitarbeiterengagement und die Kundenzufriedenheit zu steigern. Hier sind einige konkrete Beispiele dafür, wie Unternehmen KI und maschinelles Lernen bereits heute gewinnbringend einsetzen:

  • Personalisierter Kundenservice: KI und maschinelles Lernen haben das Potenzial, den Kundenservice zu verbessern und gleichzeitig Kosten zu senken, was den Einsatz der Technologien in diesem Bereich besonders spannend macht. Durch die Kombination von historischen Daten aus dem Kundendienst, natürlicher Sprachverarbeitung und Algorithmen, die kontinuierlich aus Interaktionen lernen, können qualitativ hochwertige Antworten auf Kundenfragen generiert werden. Tatsächlich interagieren bereits jetzt 44 Prozent der US-Verbraucher im Kundengespräch lieber mit Chat-Bots als mit Menschen. Wenn es zu Missverständnissen oder Komplikationen kommt, können Kundendienstmitarbeiter eingreifen – und schulen mit ihrem Verhalten die Algorithmen, sodass diese später vergleichbare Situationen selbstständig bewältigen können.
  • Stärkere Kundentreue und -bindung: Unternehmen können die Stimmungs- und Meinungsdaten der Nutzerbeiträge aus sozialen Netzwerken auswerten und das Kundenverhalten analysieren, um Kunden mit hohem Kündigungsrisiko zu identifizieren. In Kombination mit Rentabilitätsdaten können sie so ihre Next-Best-Action-Strategien optimieren und das Kundenerlebnis durchgehend personalisieren. Junge Erwachsene beispielsweise, deren Handyverträge zuvor über ihre Eltern liefen, wechseln häufig zu anderen Anbietern, wenn sie ihren ersten eigenen Vertrag abschließen. Telekommunikationsunternehmen können maschinelles Lernen nutzen, um dieses Verhalten vorauszusehen und Kunden auf der Basis ihrer Nutzungsmuster maßgeschneiderte Angebote zu unterbreiten, bevor sie zu Wettbewerbern überlaufen.
Software,Personal,Bewerbung
250 Bewerber auf eine Stelle - da fällt die Auswahl schwer. Mithilfe von Software kann man erfolgsversprechende Referenzen vorab herausfiltern - und das in kürzester Zeit. - Bild: Pixabay
  • Die richtigen Mitarbeiter einstellen: Auf jede offene Stelle kommen etwa 250 Bewerber. Mehr als die Hälfte aller befragten Personalverantwortlichen gibt an, das Schwierigste an ihrem Job sei es, eine engere Auswahl an qualifizierten Kandidaten zu treffen. Eine Software hingegen kann innerhalb kürzester Zeit tausende von Bewerbungen sichten und Kandidaten mit erfolgversprechenden Referenzen herausfiltern. Dabei muss sichergestellt werden, dass subjektive menschliche Wahrnehmungsmuster durch dieses Vorgehen nicht verstärkt werden. Doch Software kann auch bei der Bekämpfung menschlicher Vorurteile helfen, zum Beispiel, indem sie voreingenommene Sprache in Stellenbeschreibungen identifiziert oder hochqualifizierte Bewerber findet, die zuvor übersehen wurden, weil sie nicht den traditionellen Erwartungen entsprechen.
  • Automatisierung des Finanzwesens: KI kann die Ausnahmebehandlung in vielen Finanzprozessen beschleunigen. Geht beispielsweise eine Zahlung ohne eine Bestellnummer ein, muss ein Mitarbeiter herausfinden, zu welcher Bestellung sie gehört. Dann entscheidet er, was zu tun ist, falls der Rechnungsbetrag über- oder unterschritten wird. KI kann bestehende Prozesse überwachen und lernen, verschiedene Situationen zu erkennen. So lässt sich die Anzahl der automatisch zugeordneten Rechnungen signifikant steigern. Unternehmen müssen in diesem Fall weniger Arbeit an Servicecenter auslagern und können Mitarbeitern aus dem Finanzwesen strategische Aufgaben übertragen.
SAP,logo
Logos können dank automatisierter Programme einfach erkannt werden, beispielsweise die Position des Logos in Videoaufnahmen. - Bild: SAP
  • Messen der Markenpräsenz: Automatisierte Programme können Produkte, Menschen, Logos und vieles mehr erkennen. Mithilfe moderner Bilderkennung lässt sich zum Beispiel die Position von Markenlogos in Videoaufnahmen von Sportveranstaltungen wie Basketballspielen nachverfolgen. Firmensponsoren können zudem detaillierte Analysen zur Anzahl, Anzeigedauer und Platzierung von Logos nutzen, um zu prüfen, ob sich ihre Investition auszahlt.
  • Aufdecken von Betrugsfällen: Ein durchschnittliches Unternehmen verliert jährlich fünf Prozent seines Umsatzes durch Betrug. Mit Algorithmen für maschinelles Lernen lassen sich Modelle entwickeln, die helfen, Muster zu erkennen, zum Beispiel Anomalien, Ausnahmen und Ausreißer. Dafür werden historische Transaktionen sowie Informationen aus sozialen Netzwerken und anderen externen Datenquellen herangezogen. So lassen sich betrügerische Transaktionen in Echtzeit aufspüren und verhindern, auch wenn es sich um eine bisher unbekannte Form des Betrugs handelt. Banken können beispielsweise historische Transaktionsdaten zur Entwicklung von Algorithmen verwenden, die Betrugsversuche erkennen. Zudem können Sie verdächtige Zahlungsmuster und Überweisungen zwischen Personennetzwerken mit sich überschneidenden Beziehungen zu Unternehmen aufdecken. Für diese Art der „algorithmischen Sicherheitsvorkehrungen“ gibt es zahlreiche Anwendungsgebiete wie die Cybersicherheit und die Aufklärung von Steuerhinterziehung.
Mit Algorithmen für maschinelles Lernen lassen sich betrügerische Transaktionen in Echtzeit aufspüren und verhindern, auch wenn es sich um eine bisher unbekannte Form des Betrugs handelt. - Bild: Fotolia/Elnur
  • Vorausschauende Wartung: Mit maschinellem Lernen lassen sich Anomalien in der Temperatur der Achse eines Zuges ermitteln, die darauf hinweisen, dass die Achse voraussichtlich in den nächsten Stunden einfrieren wird. In diesem Fall kann der Zug in die Wartung gebracht werden, bevor der Fehler auftritt. Statt die Passagiere also auf der Strecke warten zu lassen, bis eine teure Reparatur durchgeführt wird, können sie rechtzeitig in einen Ersatzzug umsteigen.
  • Reibungslosere Lieferketten: Logistikdaten lassen sich mit maschinellem Lernen in ihrem jeweiligen Kontext analysieren, um mögliche Risiken in der Lieferkette vorauszusagen und zu minimieren. So können Algorithmen öffentliche Daten aus sozialen Netzwerken und Nachrichten-Feeds in mehreren Sprachen durchsuchen und erkennen, dass in der Fabrik eines Zulieferers ein Feuer ausgebrochen ist. Dann ist klar, dass sich die Lieferung der Kugellager, die für die Getriebeproduktion benötigt werden, verzögern wird.

Weitere Bereiche, in denen maschinelles Lernen schon bald zum Einsatz kommen könnte:

  • Karriereplanung: Maßgeschneiderte Empfehlungen könnten Mitarbeitern helfen, Karrierepfade einzuschlagen, die zu hoher Leistung und Zufriedenheit und zu besserer Mitarbeiterbindung führen. Hat ein Ingenieur das Ziel, eines Tages Abteilungsleiter zu werden, erhält er Vorschläge, welche Weiterbildungen er absolvieren sollte, welche Berufserfahrungen er noch sammeln sollte und in welcher Reihenfolge er dies tun sollte.
  • Drohnen- und satellitenbasiertes Anlagenmanagement: Drohnen, die mit Kameras ausgestattet sind, könnten regelmäßige externe Inspektionen an gewerblichen Anlagen wie Brücken oder Flugzeugen durchführen. Die Bilder, die sie aufnehmen, werden daraufhin automatisch auf neue Risse oder Änderungen auf der Außenfläche hin untersucht.
  • Analyse von Regalen im Einzelhandel: Ein Sportgetränkehersteller könnte KI in Kombination mit maschinellem Sehen nutzen, um zu prüfen, ob sich seine Werbeaufsteller im Laden am versprochenen Standort befinden, die Verkaufsregale ordnungsgemäß aufgefüllt sind und die Produktetiketten zum Kunden zeigen.

Maschinelles Lernen ermöglicht es Unternehmen, digitale Intelligenz zu nutzen, um durchgängige Geschäftsprozesse umzustrukturieren. Dies birgt ein enormes Potenzial. Softwarehersteller investieren deshalb große Summen in die Integration von KI in vorhandene Anwendungen und die Entwicklung neuer KI-Lösungen.

Chief Data Officer einstellen

Doch es gibt Herausforderungen, die es zuvor zu bewältigen gilt. Die größte ist die Bereitstellung großer Mengen qualitativ hochwertiger Daten, die zur Schulung von Algorithmen verwendet werden können. Viele Unternehmen speichern ihre Daten nicht zentral an einem Ort oder in einem brauchbaren Format. Zudem weisen viele Datensätze Verzerrungen auf, die zu falschen Entscheidungen führen können.

Wer sein Unternehmen für die Zukunft rüsten möchte, muss vorhandene Informationssysteme und Datenströme evaluieren, um herauszufinden, welche Bereiche für die Automatisierung bereit sind und an welchen Stellen weitere Investitionen erforderlich sind. Zudem sollten Unternehmen über die Ernennung eines Chief Data Officer nachdenken, um die Verwaltung von Daten als Unternehmensressource sicherzustellen.

Isolierte Innovation vermeiden

Eine weitere Herausforderung ist die Priorisierung: Es stehen so viele Möglichkeiten zur Verfügung, dass es schwer ist, herauszufinden, wo man anfangen soll. Um dieses Problem zu lösen, bieten Softwarehersteller seit Kurzem vordefinierte Lösungen mit Standardfunktionen zu maschinellem Lernen an.

Viele Unternehmen eröffnen auch Kompetenzzentren mit dem Schwerpunkt KI, die eng mit den einzelnen Fachabteilungen zusammenarbeiten. Egal, wo Sie anfangen: Sie sollten KI-Projekte immer mit einer langfristigen Strategie zum Aufbau einer Digitalplattform zu verbinden, um isolierte Innovation zu vermeiden.

Weiter Anreize für Mitarbeiter schaffen

Letztlich sind auch kulturelle Hindernisse nicht zu unterschätzen. Viele Mitarbeiter machen sich Sorgen um die Auswirkungen der neuen Technologien auf ihre Tätigkeit. In den meisten Fällen wird die Technik ihnen künftig langwierige und mühsame Arbeiten abnehmen, sodass sie sich zusätzlichen Aufgaben widmen können. Entscheidend für den Erfolg von Initiativen rund um maschinelles Lernen ist es, Mitarbeitern auch weiterhin Anreize zu schaffen, die sie motivieren.

Datenschutz im Fokus

Datenschutz,Computer,Internet
Unternehmen müssen das Thema Datenschutz ernst nehmen, und wer wichtige Entscheidungen von Computern treffen lässt, sollte klare Richtlinien entwickeln. - Bild: Pixabay

Auch im Umgang mit Kunden ist KI ein sensibles Thema. Die Technologie birgt das Potenzial, Erkenntnisse aus Kundendaten zu gewinnen – und zwar mehr, als es Kunden vielleicht lieb ist. Unternehmen müssen das Thema Datenschutz ernst nehmen, und wer wichtige Entscheidungen von Computern treffen lässt, sollte klare Richtlinien entwickeln. Um die tatsächlichen Auswirkungen automatisierter Systeme zu prüfen, müssen Unternehmen Verfahren einrichten, die auch Regress- und Übersteuerungsmechanismen umfassen. Der Prozess für KI-Systeme, die personenbezogene Daten verwenden, sollte zudem immer das Einholen von Einverständniserklärungen einschließen.

KI schnell implementieren

Der Siegeszug von KI ist unaufhaltsam – die Technologie beginnt, die Arbeitswelt in atemberaubender Geschwindigkeit zu erobern. Die Frage, vor der Unternehmen heute stehen, ist nicht, ob sie den Einsatz von KI erwägen sollen, sondern wie schnell sie es schaffen, die neue Technik zu implementieren. Gleichzeitig müssen sie sinnvolle Strategien zum Einsatz von KI entwickeln, die alle Vor- und Nachteile der Technologie berücksichtigen.