von Eldar Sultanow, Lukas Sprinck, Ekaterina Schütt

Einleitung

Im Zeitalter der Digitalisierung werden immer mehr Daten erhoben, Prozesse automatisiert und Angebote personalisiert. Es wird jedoch zunehmend schwerer, diese enormen Datenmengen mit klassischen Methoden zu analysieren und relevante Schlüsse daraus zu ziehen. Ein Ansatz, der hier weiterhelfen kann, ist die Methodik des maschinellen Lernens.

Maschinelles Lernen ist eine Form der Künstlichen Intelligenz, bei der Maschinen und Programme auf Grundlage von beispielhaften Vergangenheits- und Vergleichsdaten eigenständig Muster erkennen und darauf aufbauend Entscheidungen treffen bzw. agieren können (169). Die Mustererkennung kann für verschiedenste Anwendungsfälle genutzt werden.

Dieses Kompendium soll als ­Referenz-architektur des Machine Learning eine Übersicht über die Möglichkeiten und vielfältigen Einsatzgebiete von ­ML-Algorithmen geben.

In der ersten Hälfte des Exzerpts wurden glossarartig 112 Use Cases beschrieben, die sich auf 28 Branchen verteilen. Die Branchen stellen dabei einen Querschnitt der gesamten Wirtschaft dar – angefangen von der Automobilindustrie bis hin zum Einkauf und Supply Chain Management. Die gewählten Use Cases sind teilweise einzigartig für die jeweilige Branche, teilweise aber auch allgemeiner Natur und auch in anderen Branchen vorzufinden.

In dem aktuellen Artikel, der zweiten Hälfte des Kompendiums folgen Use Cases, die übergreifend in nahezu allen Branchen eingesetzt werden (können).

Bei allen Use Cases werden immer zunächst die klassischen Methoden genannt, die an ihre Grenzen stoßen, bzw. die Problemsituation beschrieben. Im Anschluss folgt dann die Problemlösung bzw. der Mehrwert durch den Einsatz von ML.

Im Folgenden werden Use Cases beschrieben, die in nahezu allen Branchen eingesetzt werden (können). Die Use Cases sind den sechs dargestellten Bereichen zugeordnet.

Customer Experience

Im Handel ist Kundenerfahrung das Produkt einer ­Interaktion zwischen einer Organisation und einem Kunden über die Dauer ihrer Beziehung. Die Bereitstellung eines außergewöhnlichen Kundenerlebnisses ist nach wie vor eines der wichtigsten Differenzierungsmerkmale für Unternehmen (117). ML ermöglicht die schnelle Erstellung und kontinuierliche Verbesserung neuer datengetriebener Kundenerkenntnisse, die von den Unternehmen genutzt werden, um Kunden zu begeistern, Bedürfnisse und Präferenzen zu antizipieren und Wettbewerbsvorteile daraus zu erzielen (118).

Kundensegmentierung

Kundensegmentierung ist eine Marketingstrategie, die einen Kundenstamm in diskrete Kundengruppen unterteilt, die ähnliche Merkmale aufweisen. Durch die Segmentierung können Vermarkter ihre Marketing­bemühungen besser auf verschiedene Zielgruppen ­abstimmen (119).

Die ML-Methoden identifizieren Gruppen, die inner­halb eines Datensatzes existieren und die den Kundenstamm widerspiegeln. Dieser faktenbasierte Ansatz öffnet/verschiebt sofort Grenzen/Limitationen des meinungsbasierten oder menschlichen Ansatzes. Es kann Kunden über viele Attributdimensionen segmentieren und homogene Gruppen bilden (120).

Personalisierte Produktempfehlungen

Kunden verbringen viel Zeit damit, für sich passende Produkte zu finden. Dabei sind viele der allgemeinen Produktempfehlungen, zum Beispiel auf Webseiten, für den jeweiligen Kunden nicht relevant. Durch Analyse verschiedener Nutzerdaten wie Alter und Geschlecht, aber auch komplexerer Variablen, wie Interessen oder aktuelle Stimmung, kann ein Algorithmus personalisierte Produktempfehlungen generieren. Diese sind auf den jeweiligen Kunden zugeschnitten und für ihn in hohem Maße relevant. Durch Einsatz solcher Algorithmen, können auf der einen Seite die Umsätze erhöht werden, während andererseits Zufriedenheit und Loyalität der Kunden gesteigert werden (121) (118) (170).

Spracherkennung

Spracherkennung ist die Fähigkeit eines Programms, Wörter und Sätze in gesprochener Sprache zu erkennen und in ein maschinenlesbares Format umzuwandeln (122). ML ermöglicht dem System eine genauere Unterscheidung zwischen Sprache und Hintergrundgeräuschen und die Identifikation der einzelnen Wörter, indem es Millionen von Gesprächen und Audiobeispiele analysiert. Dies kann genutzt werden, um auf Spracheingaben von Kunden zu reagieren, ohne dass diese durch Programmmenüs navigieren oder manuell Texte eingeben müssen. (123).

Gesichtserkennung

Bei der Gesichtserkennung werden Gesichtszüge eines Menschen mathematisch abgebildet und die Daten werden als Gesichtsabdruck speichert. Die Software verwendet Deep Learning, um eine Live-Aufnahme oder ein digitales Bild mit dem gespeicherten Gesichtsabdruck zu vergleichen, um die Identität einer Person zu überprüfen. Dadurch können Kunden beispielsweise ihr Smartphone entsperren oder ihre Haustür öffnen ohne Passwörter oder Schlüssel benutzen zu müssen. Ein weiteres Einsatzgebiet ist die im nächsten Block beschriebene Personalisierung (124).

Personalisierung und Unterstützung

Personalisierung ist ein Instrument, mit dem die ­Bedürfnisse der Kunden effektiver und effizienter ­erfüllt, die Interaktion schneller und einfacher gestaltet und somit die Kundenzufriedenheit und Loyalität erhöht werden kann. Neue Untersuchungen belegen, dass die Konsumenten hoch personalisierte Erlebnisse erwarten, wenn nicht sogar verlangen. Das Wachstum des Internet der Dinge hat dazu geführt, dass immer mehr Kunden über mehrere Geräte miteinander verbunden sind. Eingesetzt wird Personalisierung oft im Rahmen von personalisierten Produktempfehlungen. Die Kunden sollen insgesamt bestmöglich unterstützt werden, um ihre Zufriedenheit sicherzustellen (125).

Echtzeitdaten

In unserer modernen und schnelllebigen Welt verändern sich Informationen oft in kürzester Zeit. Um das Kundenerlebnis zu verbessern, setzen viele Branchen auf Echtzeitdaten. So kann dem Kunden zum Beispiel der Status einer Lieferung live angezeigt werden oder man weiß mittels Regenradar recht zuverlässig, wie sich das Wetter in der nächsten Stunde verändern wird. In Unternehmen können beispielsweise auch Betriebsdaten in Echtzeit eingesehen werden, was enorme Vorteile bei der Präzisierung von Planungsvorhaben mit sich bringt (125).

Produktion und Prozesse

Große Unternehmen investieren in ML, um alle Bereiche der Fertigung zu verbessern. Die Technologie wird eingesetzt, um Arbeitskosten zu senken, ­Produktfehler zu reduzieren, ungeplante Stillstandszeiten zu verkürzen, Übergangszeiten zu verbessern und die ­Produktionsgeschwindigkeit zu erhöhen (126) (171).

Prozessoptimierung

Prozesse und Abläufe ändern sich im Laufe der Jahre und oft werden einzelne Schritte ergänzt oder ersetzt. Dies führt zu Medienbrüchen und ineffizienten Prozessen. Klassische Verfahren zur Prozessoptimierung setzen auf Erfahrungen und kosten viel Zeit und Mühe. ML-basierte Prozessanalysen können viel mehr Parameter berücksichtigen und so einzelne Prozesse an aktuelle Bedingungen anpassen (z.B. kurzfristig erhöhte Nachfrage in einem Bereich), aber auch ganze zusammenhängende Prozessketten optimieren (127).

Garantie-Analysen

Durch die frühzeitige Erkennung von Garantieproblemen können Unternehmen sowohl bei Reparaturkosten als auch bei der Kundenbindung tausende von Euro einsparen, da Probleme proaktiv angegangen werden, bevor sie zu kostspieligen Problemen werden. ML-Algorithmen können bei der Analyse von ­Gewährleistungsdaten helfen, um das Gewährleistungsmanagement zu optimieren. Eine größere Menge an ­Garantiedaten, erschwinglichere Datenbanklösungen und eine höhere Rechenleistung geben ML-Technologien die Möglichkeit, große Datenmengen auf eine Weise zu analysieren, die schnellere und genauere ­Ergebnisse liefert (128) (129).

Vorausschauende Wartung

Unter vorausschauender Wartung (Predictive Maintenance) versteht man die Wartung bevor es zu ­einem ­Defekt oder Ausfall kommt. Durch Analyse von ­Betriebs- und Sensordaten können ML-Algorithmen genutzt werden, um zum Beispiel vorherzusagen, welche Teile eines Aufzugs, einer Produktionsmaschine oder eines Flugzeugs mit einer gewissen Wahrscheinlichkeit in Zukunft repariert oder ausgetauscht werden müssen. Da es bei Ausfällen zu Zeitverzögerungen kommt und die Sicherheit beeinträchtigt sein kann, entstehen deutliche Kostenvorteile, wenn betreffende Teile bereits im Voraus gewartet werden (130).

Telematik

Telematik ist ein interdisziplinäres Gebiet, das ­Telekommunikation, Fahrzeugtechnik, Straßenverkehr, Verkehrssicherheit, Elektrotechnik und Informatik umfasst.

Die Telematik stellt für Kfz-Versicherer eine wachsende und wertvolle Methode zur Quantifizierung des Fahrerrisikos dar. Anstatt Preisentscheidungen über Fahrzeug- und Fahrereigenschaften zu treffen, bietet die Telematik die Möglichkeit, die Quantität und Qualität des Fahrerverhaltens zu messen. Für Autover­sicherer stellt ML eine Möglichkeit dar, eine Vielzahl von Faktoren zu berücksichtigen, die bei der Berechnung des potenziellen Risikos einzelner Kunden eine Rolle spielen. Bei Schadensfällen können Muster im Fahrerverhalten mit einer Reihe weiterer Informationen kombiniert und analysiert werden, um ein genaues und ganzheitliches Bild zu erhalten. Auf diese Weise können Vorfälle von Fall zu Fall persönlich beurteilt werden, was die Genauigkeit verbessert und die Bearbeitungszeiten im Vergleich zu herkömmlichen ­Methoden verkürzt (131).

Anomalie-Erkennung

Unter Anomalien-Erkennung versteht man die Identifizierung von Objekten oder Ereignissen, die nicht einem erwarteten Muster oder anderen in einem Datensatz vorhandenen Objekten entsprechen. Typischerweise haben diese anomalen Elemente das Potenzial, in irgendeine Art von Problem wie strukturelle Mängel, Fehler oder Betrug übersetzt zu werden. Der Einsatz von ML zur Erkennung von Anomalien hilft, die Erkennungsgeschwindigkeit zu erhöhen bzw. macht das Erkennen an sich erst möglich, da es für den Menschen sehr schwer ist, Unregelmäßigkeiten in großen Datenmengen zu identifizieren. (132) (167).

Echtzeitdaten

Wenn man in Echtzeit weiß, wie sich die Auslastung der einzelnen Maschinen auf die Gesamtleistung des Produktionsplans auswirkt, kann man bessere Entscheidungen treffen, die den Produktionslauf steuern. Die Optimierung des bestmöglichen Maschinenparks für einen bestimmten Produktionslauf ist mit Hilfe von ML möglich. Durch Einsatz von Sensoren und durch das Internet der Dinge steigt der Bedarf an der Verarbeitung großer Fertigungsdaten, die sich durch hohe Stückzahlen, hohe Geschwindigkeiten und große Vielfalt auszeichnen. ML bietet fortschrittliche Analysewerkzeuge für die Verarbeitung und Analyse großer Produktionsdaten in Echtzeit (133).

Kundendienst und Support

Die Kundenzufriedenheit ist in den meisten Branchen ein hoch priorisiertes Ziel. Um die Zufriedenheit zu gewährleisten und Kunden langfristig zu behalten, gibt es in vielen Unternehmen einen telefonischen oder lokalen Kundendienst. Beim Support gibt es viele ähnliche Kundenanfragen, die durch ML effizienter ­bearbeitet werden können.

Diagnosesysteme

Beim Einsatz von verschiedensten Geräten kann es jederzeit zu Störungen und Ausfällen kommen. Klassischerweise sind immer ausreichend Techniker oder Fachleute vor Ort, um eventuelle Fehler direkt zu beheben oder um regelmäßige Kontrollen durchzuführen. Durch Überwachung der Geräte mit Sensoren, können Diagnosesysteme auf Basis von ML die Sensordaten auswerten und bei Fehlern entsprechende Maßnahmen einleiten. So eine Maßnahme könnte zum Beispiel auch sein, dass ein Techniker die nötige Fehlerbehebung mit Unterstützung des Systems und aus der Ferne vornimmt (134).

Automatisierte Lösungsempfehlungen für den Kundendienst

ML kann den Prozess des Erkennens von Problemen und der Empfehlung von Korrekturen automatisieren, was die Problemlösung beschleunigt, die Kundenzufriedenheit verbessert und die Kosten senkt. ML hilft, das Wissen von Hunderten von Kundendienstmitarbeitern und Fachleuten zu sammeln und unterstützt Servicemitarbeiter dabei, die Zeit bis zur Lösung zu ­verkürzen und Kundenherausforderungen effektiv zu lösen (135) (173).

Analyse von Call-Center-Kommunikation

Durch Spracherkennung können ML-Algorithmen die Anliegen von Anrufern vorklassifizieren, sodass der Anruf direkt an den zuständigen Mitarbeiter weiter­geleitet werden kann. In manchen Fällen wird die Weiterleitung ggf. nicht einmal benötigt, weil der ­Anrufer nur eine einfache Information wollte. In jedem Fall werden die Mitarbeiter, die die Vorklassifizierung ­bisher übernommen haben, entlastet und haben mehr Zeit, sich persönlich um die Anliegen der Anrufer zu kümmern (136).

Sentiment-Analysen

Die Sentiment- oder auf Deutsch auch Stimmungsanalyse hat zum Ziel, menschliche Emotionen aus Texten oder gesprochener Sprache zu extrahieren (172).

ML versucht, die einem Text oder einer Aussage zugrunde liegenden Meinungen zu ermitteln. Anhand der Art und Weise, wie der Text oder das Sprachmuster aufgebaut ist, können ML-Algorithmen erkennen, ob ein Mensch wütend, traurig oder glücklich ist. Dies ist für Unternehmen nützlich, z.B. bei der Suche nach positiven/negativen Bewertungen, um auf dieser Basis eine Einschätzung über die eigene Performance und den Blick von außen auf das Unternehmen zu erhalten und dementsprechend seine Leistungen zu verbessern. Ein Mitarbeiter würde für die gleiche Tätigkeit sehr viel mehr Zeit benötigen und womöglich weniger ­präzise klassifizieren (137).

Chatbots

Im Wesentlichen ist ein Chatbot ein Roboter-Chat, der menschliche Gespräche durch Sprachbefehle, Text-Chats oder beides imitiert. Inmitten der KI eines Chatbots befindet sich das ML. Chatbots sind derzeit auf einer Reihe von Kanälen, innerhalb von Apps und auf Messaging-Plattformen, im Einsatz (138).

Das Textverständnis kann durch ML-Algorithmen ohne künstliche Einbettung von Wissen über Wörter, Phrasen, Sätze oder andere syntaktische oder semantische Strukturen, die mit einer Sprache verbunden sind, erreicht werden. Im Gegensatz zu verschiedenen Ansätzen, bei denen ein Wörterbuch ein notwendiger Ausgangspunkt ist und in der Regel das strukturierte Parsen fest in das Modell eingebunden ist, bricht Deep Learning die Sprache auf eine Art und Weise auf, die eine Chatbot-Konversation auf „menschlicher Ebene“ möglich erscheinen lässt. Dadurch können Serviceleistungen angeboten werden, ohne dass dafür Personal nötig ist (139).

IT-Abteilungen

Die wenigsten Unternehmen kommen ohne den Einsatz von IT-Mitarbeitern oder einer ganzen IT-Abteilung aus. Dabei fallen im Vergleich zu anderen Geschäftsfeldern hohe Kosten an, die für einen reibungslosen Betrieb und ausreichende Sicherheitsmaßnahmen notwendig sind. Durch den Einsatz von ML können in verschiedenen Bereichen Effizienzvorteile erzielt werden (140).

Diagnostische Systeme

Ein Diagnoseprogramm ist ein automatisierter Programmablauf, der den Betriebszustand innerhalb von Soft- und Hardware in einer Komponente, einem System oder einem Netzwerk von Systemen bestimmt. ­Diagnoseprogramme bieten dem Anwender eine optimale Hilfestellung bei Problemen, die während des Betriebs auftreten können. Die Diagnose beschäftigt sich mit der Entwicklung von Algorithmen und Techniken, die in der Lage sind, festzustellen, ob das Verhalten eines Systems korrekt ist. Wenn das System nicht richtig funktioniert, sollte der Algorithmus in der Lage sein, so genau wie möglich zu bestimmen, welcher Teil des Systems betroffen ist und welche Art von Fehler vorliegt. Daraufhin können die Verantwortlichen ­entsprechend eingreifen (141).

E-Mail-Klassifizierung

In Zeiten von überfüllten E-Mail-Postfächern, verbringt man viel Zeit mit händischer Klassifizierung von Mails. Dabei werden Tags und Farben vergeben oder man verschiebt die Mails in verschiedene Ordner. Dabei geht viel Zeit verloren und es besteht das Risiko, dass wichtige Mails untergehen und unbeantwortet bleiben.

Eine automatisierte E-Mail-Klassifizierung kann aus eigenen Gewohnheiten lernen und zusätzlich die Meta­daten von E-Mails nutzen, um Vorschläge zu unterbreiten, welche Mail wie markiert werden könnte oder nachfragen, ob man vergessen hat eine bestimmte Mail zu beantworten (142) (143).

Spam-Erkennung

Ein Spamfilter ist ein Programm, das verwendet wird, um unerwünschte E-Mails zu erkennen. Ältere Systeme verwenden regelbasierte Systeme, bei denen manuell Regeln auf Basis neu aufkommender Spam-Muster erstellt werden. Der Spam-Filter von Google Mail lernt seit einigen Jahren aus den Gewohnheiten seiner Benutzer und entscheidet automatisch, wie bestimmte Mails sortiert werden, je nachdem, wie mit vergleichbaren Mails in der Vergangenheit umgegangen wurde. Der Spam-Filter erkennt und blockiert nun Spams mit Eingaben aus einem Künstlichen Neuronalen Netzwerk (KNN). Dieses KNN enthält nicht nur Informationen, die aus dem Drücken der Schaltflächen „Spam melden“ und „Nicht Spam“ stammen, sondern integriert auch Informationen, die auf dem Verhalten von Gmail-Nutzern basieren (144).

Dokumentenklassifizierung

Die Dokumentenklassifizierung ist ein Beispiel für ML in Form von Natural Language Processing (NLP). Durch die Klassifizierung von Texten wird das Ziel verfolgt, einem Dokument eine oder mehrere Klassen oder Kategorien zuzuordnen, was die Verwaltung und Sortierung erleichtert. Die automatische Dokumentenklassifizierung mit ML führt zu einer schnelleren, ­skalierbaren und objektiveren Klassifizierung (145).

IT Compliance

IT Compliance ist die „Einhaltung und Umsetzung von regulatorischen Anforderungen […] mit dem Ziel eines verantwortungsvollen Umgangs mit allen Aspekten der Informationstechnik“ (146). Durch die Implementierung von ML-Algorithmen kann ein Unternehmen feststellen, welche Daten den größten Einfluss auf ihre Geschäftsprozesse haben und welche am wertvollsten sind. Sobald entsprechende Daten identifiziert sind, können die Datenwissenschaftler und Business-Analysten das Klassifizierungssystem priorisieren, um sicherzustellen, dass die wertvollsten Unternehmensdaten zuerst die gewünschte Konformität erreichen (147).

Verbesserte Quellcode-Analyse

Quellcode-Analyse ist das Testen des Quellcodes ­eines Programms mit dem Ziel, Fehler zu finden und zu beheben, bevor die Anwendung verkauft oder vertrieben wird. Traditionelle Methoden können einige Fehler nicht finden, Testregeln müssen vordefiniert sein und die klassischen Quellcode-Analysetools lernen nicht aus bereits aufgetretenen Fehlern. ML-basierte Methoden ermöglichen Mustererkennung, das automatisierte Prüfen eines neuen Codes und die Identifizierung von Programmierregeln aus vorhandenen Codes. Darüber hinaus können Vorschläge zur Einhaltung von Codekonventionen unterbreitet werden, ein Code kann automatisch vervollständigt werden und es können automatische Zusammenfassungen von Codeabschnitten in natürlicher Sprache erstellt werden (148).

Unterstützung bei der Tool-Entwicklung

Softwarelösungen sind in den letzten Jahren deutlich komplexer geworden. ML kann Entwicklern mit Hilfe von intelligenten Programmierassistenten die Arbeit erleichtern. Entwickler verbringen viel Zeit damit, Dokumentationen und Quellcodes zu lesen. ­Programmierassistenten, die auf ML basieren, bieten diverse Vorteile: Sie erkennen, an welcher Aufgabe der Entwickler arbeitet und bieten kontextbezogene Unterstützung in Echtzeit, wie z. B. geeignete Codebeispiele, Nutzungsstatistiken und Empfehlungen. Darüber hinaus ist es möglich, dass Programmierer keinen Code selbst schreiben müssen. Sie erklären statt dessen die funktionalen, nichtfunktionalen und die technischen Anforderungen und der ML-Assistent erzeugt den ­Programmcode aufgrund der Vorgaben (149) (174).

Anomalie-Erkennung

Analog zu Anomalie-Erkennung im Bereich Produktion und Prozesse.

Management, Finance und HR

Komplexe ML-Algorithmen werden zunehmend eingesetzt, um Geschäftsziele zu erreichen, die angebotene Leistung zu verbessern und Differenzierung zu schaffen. Unternehmen haben die Möglichkeit, mit Hilfe von Algorithmen auf dem Markt in Führung zu gehen und sich besser im regulatorischen Umfeld ­zurechtzufinden (150) (168).

Risikomanagement

Finanzinstitute müssen die Risiken ihrer Geschäfte kontinuierlich abwägen und ihr Risikoniveau durch Kredit-Scoring bestimmen. Bis zur Finanzkrise 2008/09 nutzten fast alle großen Banken Kredit-Scoring-Modelle, die auf statistischen Theorien beruhen. Diese Krise, die größtenteils durch eine Unterschätzung des Risikos verursacht wurde, zeigte die Notwendigkeit einer höheren Genauigkeit in Scoring-Modellen.

ML gibt Unternehmen die Möglichkeit, Daten schnell aufzunehmen und zu transformieren. Sie können nun selbstlernende Verhaltensmodelle in hoher Qualität erstellen, bereitstellen und verwalten, indem sie große Unternehmensdatensätze verwenden. Diese Risikobewertung und -verwaltung erfolgt sicher und in Echtzeit und hilft Finanzinstituten, die Kreditwürdigkeit und andere Geschäftsanforderungen genauer zu bestimmen (151).

Prognosen

Bei Prognosen werden historische Daten verwendet, um zukünftige Trends zu bestimmen. Unternehmen verwenden Prognosen, um zu bestimmen, wie sie ihre Budgets verteilen oder um für einen bestimmten Zeitraum die zu erwartenden Ausgaben zu planen. Das Problem bei Prognosen, die von Menschen erstellt werden, sind die vielen Daten und Variablen. Aus denen resultieren aufgrund der hohen Komplexität oft nicht die besten Ergebnisse.

ML-Algorithmen nutzen für ihre Prognose Unternehmensdaten wie Bilanzen und Gewinn- und Verlustrechnungen, aber auch weltweite Nachrichten über das Unternehmen und Social Media Daten. Unter Berücksichtigung aller relevanten Parameter ermittelt der ML-Algorithmus beispielsweise das finanzielle Risiko bei Investitionen (152) (153).

Leadmanagement

Ein Lead ist ein potenzieller Vertriebskontakt, also eine Person oder Organisation, die an Waren oder Dienstleistungen interessiert ist. Leads werden in der Regel durch die Empfehlung eines bestehenden Kunden oder durch eine direkte Reaktion auf Werbung gewonnen. Die Marketingabteilung eines Unternehmens ist typischerweise für die Lead-Generierung zuständig. Predictive Lead Scoring ist ein neuartiger Ansatz zur Priorisierung von Kunden. Da einige Leads besser sind als andere, kämpfen die Vertriebsteams darum, gute Leads effektiv gegenüber schlechten zu priorisieren. Je mehr sich der Kunde positiv engagiert, desto höher ist die Kaufabsicht. Aber es ist schwierig, den Grad des Engagements zu bestimmen – eine Messung, die notwendig ist, um das Engagement Ranking zu konfigurieren. Die automatische Erfassung der Engagement-Daten dient als Input für ML. Die daraus resultierende Analyse des Kundeninteraktionsmusters hilft bei der Bestimmung des Mindestmaßes an Engagement, das zu neuen Vertriebskontakten führt (154) (155).

Trainingsempfehlungen

Trainingsprogramme werden Mitarbeitern oft angeboten, damit diese sich spezifische Kenntnisse oder ­Fähigkeiten aneignen, welche die Leistungsfähigkeit in ihrer aktuellen Position verbessern.

ML zeigt Potenzial bei der Förderung des individuellen Kompetenzmanagements und der Entwicklung. ML-Plattformen können eine personalisierte Anleitung ohne menschliche Coaches geben, dadurch Zeit sparen und so mehreren Menschen ermöglichen, in ihrer ­Karriere zu wachsen und sich zu engagieren. Es werden personalisierte Trainingsempfehlungen für Mitarbeiter gegeben, die auf die Bedürfnisse eines Unternehmens, Markttrends und Mitarbeiterspezifika abgestimmt sind (156).

Abwanderungserkennung

Die Abwanderungsquote ist eine Kennzahl zur Quantifizierung der Anzahl der Mitarbeiter, die das Unternehmen verlassen. Zusammen mit anderen Metriken kann eine Quote dabei helfen, die Mitarbeiter­zufriedenheit über einen bestimmten Zeitraum hinweg zu bewerten.

ML-Algorithmen kann es angelernt werden, die Wahrscheinlichkeit dafür zu berechnen, dass jemand im Begriff ist zu gehen. So können gefährdete Mitarbeiter frühzeitig identifiziert werden. Das Unternehmen kann damit reagieren und ihnen ein attraktives ­Angebot unterbreiten, um sie weiterhin im Unternehmen zu halten. (157).

Lebenslauf-Screening

Beim Lebenslauf -Screening geht es darum, die qualifiziertesten Kandidaten für eine offene Stelle zu finden. Ein Lebenslauf-Screening wird traditionell manuell anhand bestimmter Kriterien durchgeführt, die nicht für jeden Lebenslauf standardisiert sind. Dieses System erzeugt inhärente Verzerrungen. Durch die Verwendung von Standardparametern zur Entwicklung der Kriterien für einen idealen Kandidaten kann der virtuelle ML-Assistent die gewünschten Elemente durch Mustererkennung schneller identifizieren (156).

Talentmanagement

Talentmanagement ist eine Reihe von HR-Prozessen zur Gewinnung, Entwicklung, Motivation und ­Bindung produktiver, engagierter Mitarbeiter.

Durch die Fähigkeit von ML, Muster in den von den Mitarbeitern generierten Daten zu erkennen und durch den Einsatz fortschrittlicher Systeme und Frameworks zur Messung von Kompetenzen und Fähigkeiten, wird es Unternehmen ermöglicht, flexibler zu sein, bestimmtes Verhalten zu belohnen, entscheidende Beiträge und Ergebnisse zu erkennen und somit die Produktivität zu steigern (158).

Autoren

Dr. Eldar Sultanow

Eldar Sultanow ist Architekt bei Capgemini. Seine Schwerpunkte sind moderne Softwarearchitekturen, Digi­talisierung und Unternehmensarchitekturmanagement. eldar.sultanow (äät) capgemini.com

Lukas Sprinck

Lukas Sprinck ist Business Analyst bei Capgemini. Er hat an der Universität Potsdam Wirtschaftsinformatik studiert und befasste sich mit der 3D-Visualisierung von Infrastrukturdaten auf Grundlage von ML-Prognosemodellen. lukas.sprinck (äät) capgemini.com

Ekaterina Schütt

Ekaterina Schütt ist Business Analyst bei Capgemini. Sie hat an der Universität Potsdam Wirtschaftsinformatik studiert. Im Rahmen ihrer Masterarbeit untersuchte sie den Markt für Machine ­Learning Software. ekaterina.schuett (äät) capgemini.com

Literaturverzeichnis

116. Vaske, Heinrich. Computerwoche. [Online] 2017. https://www.computerwoche.de/a/machine-learning-die-technik,3330420

117. SAS. [Online] https://www.sas.com/en_us/insights/marketing/customer-experience-management.html

118. Murari, Vyoma. Cognizant. [Online] 2017. https://www.cognizant.com/whitepapers/recoding-the-customer-experience-codex2512.pdf

119. Sanchez, Sergio. NeuralDesigner. [Online] 2018. https://www.neuraldesigner.com/blog/customer_segmentation_using_advanced_analytics

120. Guillema, Warren. Medium. [Online] 2017. https://medium.com/bacai/the-cx-imperative-optimised-customer-segmentation-through-personas-and-machine-learning-f9fbde63bbfb

121. Kordík, Pavel. Medium. [Online] 2016. https://medium.com/recombee-blog/the-value-of-personalized-recommendations-for-your-business-6b2e81ce0a4d

122. Rouse, Margaret. SearchCRM. [Online] 2007. https://searchcrm.techtarget.com/definition/speech-recognition.

123. SmartAction. [Online] 2017. https://www.smartaction.ai/blog/machine-learning-customer-service/

124. William Pao, a&s International. Asmag. [Online] 2018. https://www.asmag.com/showpost/24600.aspx

125. Murari, Vyoma. Cognizant. [Online] 2017. https://www.cognizant.com/whitepapers/recoding-the-customer-experience-codex2512.pdf

126. Research, Data Science Consulting &. BitRefine Group. [Online] 2018. https://bitrefine.group/machine-learning/93-manufacturing/manufacturing-solutions/256-process-parameters-optimization

127. Bit Refine Group. [Online] 2018. https://bitrefine.group/machine-learning/93-manufacturing/manufacturing-solutions/256-process-parameters-optimization

128. Raut, Sandeep. Halmstad University. [Online] 2012. https://www.datasciencecentral.com/profiles/blogs/warranty-analytics-increase-product-quality-customer-satisfaction

129. Prytz, Rune. [Online] Halmstad University, 2014. https://hh.diva-portal.org/smash/get/diva2:789498/FULLTEXT01.pdf

130. Microsoft. [Online] 2017. https://docs.microsoft.com/en-us/azure/machine-learning/desktop-workbench/scenario-deep-learning-for-predictive-maintenance

131. Huttner, Bianca. Linkedin. [Online] https://www.linkedin.com/pulse/telematics-machine-learning-bianca-huttner

132. Joshi, Naveen. Allerin. [Online] 2017. https://www.allerin.com/blog/machine-learning-for-anomaly-detection

133. Walker, Jon. Techemergence. [Online] 2017. https://www.techemergence.com/machine-learning-in-manufacturing/

134. FinancesOnline. [Online] https://financesonline.com/customer-support-software-reviews-15-popular-systems/

135. Aravindakumar Venugopalan, Sivasubramaniam Renganathan, Rajarajan Gandhi. Cognizant. [Online] 2016. https://www.cognizant.com/whitepapers/optimizing-customer-support-with-machine-intelligence-codex2337.pdf

136. Diaz, Julian. Principa. [Online] https://insights.principa.co.za/how-machine-learning-is-helping-call-centres-improve-customer-experience

137. Gage, Justin. Algorithmia Blog. [Online] 2018. https://blog.algorithmia.com/introduction-sentiment-analysis/

138. Nguyen, Mai-Hanh. Business Insider. [Online] 2017. http://www.businessinsider.com/what-is-chatbot-talking-ai-robot-chat-simulators-2017-10

139. Withey, Dean. Ubisend. [Online] 2017. https://blog.ubisend.com/optimise-chatbots/how-to-make-a-chatbot-that-learns

140. infocenter. [Online] 2017. https://infocenter.io/how-machine-learning-transform-it-operations/

141. Merriam-Webster. [Online] https://www.merriam-webster.com/dictionary/diagnostic

142. Taiwo Ayodele, Rinat Khusainov, David Ndzi. IEE Explore. [Online] 2007. https://ieeexplore.ieee.org/document/4786325/

143. Gmail. [Online] https://www.google.com/gmail/

144. Techtheday. [Online] http://techtheday.com/google-makes-use-of-machine-learning-to-help-gmail-users-deal-with-spam/

145. Ghaffari, Parsa. KDnuggets. [Online] 2015. https://www.kdnuggets.com/2015/01/text-analysis-101-document-classification.html

146. Nirmal, Dinesh. InfoWorld. [Online] 2017. https://www.infoworld.com/article/3206624/machine-learning/how-machine-learning-can-be-a-pathway-to-compliance.html

147. Rath, Michael. Computerwoche. [Online] 2007. https://www.computerwoche.de/a/law-and-order-was-ist-it-compliance,590497

148. Codeburst. [Online] https://codeburst.io/how-machine-learning-and-ai-could-eventually-replace-development-work-922ebf0d59c0

149. Flache, Mike. Mike Flache. [Online] 2017. https://www.mikeflache.com/how-machine-learning-can-improve-software-development/

150. IBM. [Online] https://developer.ibm.com/code/patterns/apply-machine-learning-to-financial-risk-management/

151. Chretienne, Alexis. IBM. [Online] 2018. https://developer.ibm.com/code/patterns/apply-machine-learning-to-financial-risk-management/

152. Marutitech. [Online] https://www.marutitech.com/machine-learning-finance/

153. Investopedia. [Online] https://www.investopedia.com/terms/f/forecasting.asp

154. Kutuva, Lokanathan. Linkedin. [Online] 2017. https://www.linkedin.com/pulse/lead-management-crm-becomes-smarter-ai-driven-lokanathan-kutuva

155. Search IT Channel. [Online] https://searchitchannel.techtarget.com/definition/lead

156. Faggella, Daniel. Techemergence. [Online] 2017. https://www.techemergence.com/machine-learning-in-human-resources

157. Araújo, Priscilla. Towards Data Science. [Online] 2017. https://towardsdatascience.com/churn-prediction-with-machine-learning-e6612cd5538f

158. Medium. [Online] 2016. https://medium.com/@PeopleHum/how-machine-learning-will-change-talent-management-13ca5a1dce3c

159. Pal, Kaushik. Techopedia. [Online] 2018. https://www.techopedia.com/2/31846/trends/big-data/how-machine-learning-can-improve-supply-chain-efficiency

160. Techopedia. [Online] https://www.techopedia.com/2/31846/trends/big-data/how-machine-learning-can-improve-supply-chain-efficiency

161. Medium. [Online] 2017. https://medium.com/@KodiakRating/6-applications-of-artificial-intelligence-for-your-supply-chain-b82e1e7400c8

162. Retail Technology Review. [Online] 2017. https://www.retailtechnologyreview.com/articles/2017/11/28/next-generation-supply-and-demand-forecasting-how-machine-learning-is-helping/

163. Joshi, Naveen. Allerin. [Online] 2017. https://www.allerin.com/blog/how-machine-learning-is-revolutionizing-the-supply-chain-industry

164. Retail Technology Review. [Online] 2014. https://www.retailtechnologyreview.com/articles/2017/11/28/next-generation-supply-and-demand-forecasting-how-machine-learning-is-helping/

165. Approyo. [Online] 2018. https://www.approyo.com/single-post/2018/01/24/How-Machine-Learning-Improves-Supply-Chain-Management

166. Allerin. [Online] https://www.allerin.com/blog/how-machine-learning-is-revolutionizing-the-supply-chain-industry

167. Perfomatix. [Online] https://www.perfomatix.com/blog/how-machine-learning-can-help-anomaly-detection/

168. Codeburst. [Online] https://codeburst.io/how-machine-learning-and-ai-could-eventually-replace-development-work-922ebf0d59c0

169. Shai, Shalev-Shwartz und Shai, Ben-David. Understanding Machine Learning: From Theory to Algorithms. s.l. : Cambridge University Press, 2014

170. Martech Today. [Online] https://martechtoday.com/new-era-personalization-hyper-connected-customer-experience-209529

171. Michal Romaniuk, Barbara Rutkowska. deepsense.ai. [Online] 2017. https://blog.deepsense.ai/machine-learning-for-applications-in-manufacturing/

172. SAP Concur. [Online] https://www.concur.com/newsroom/article/machine-learning-with-heart-how-sentiment-analysis-can-help-your

173. Utermohlen, Karl. Cognizant. [Online] https://www.cognizant.com/whitepapers/recoding-the-customer-experience-codex2512.pdf

174. Despoudis, Fanis. Codeburst. [Online] https://codeburst.io/how-machine-learning-and-ai-could-eventually-replace-development-work-922ebf0d59c0