Künstliche Intelligenz als Wachstumsmotor

Produktionsfehler, Fehlinvestitionen, Betrügereien oder Maschinenausfälle können Unternehmen teuer zu stehen kommen. Kommen sie ans Licht, ist das PR-Debakel vorprogrammiert, der gute Ruf der Marke vorerst verloren, im Extremfall ist die Firmenexistenz bedroht. Mit künstlicher Intelligenz (KI) lässt sich gegensteuern. Sie kann auf vielfachen Ebenen eingesetzt werden und gehört bereits zum realen Geschäftsalltag, indem sie beispielsweise die Kundenkommunikation übernimmt – Stichwort Chatbots – oder die Lagerhaltung steuert.

Wie funktioniert Predictive Analytics?

Künstliche Intelligenz nutzt große Datenmengen, um mit verschiedenen Methoden Zukunftsprognosen zu treffen und Geschäftsprozesse zu optimieren. Dieses Verfahren wird als Predictive Analytics bezeichnet. Die „vorausschauende Analyse“ ruht auf mehreren Säulen.

Zum Beispiel Data Mining: Bei diesem Prozess werden Massendaten mithilfe statistischer Instrumente wie etwa „Clustering“ oder „Assoziationsanalysen“ untersucht, Zusammenhänge erkannt und Trends vorausgesagt.

Seinen Ursprung hat das Prognoseverfahren im Marketing- und Finanzsektor: Wie hoch ist zum Beispiel das Risiko, dass ein Kunde zukünftige Ratenzahlungen eines gewährten Kredits nicht leisten kann? Anhand der Zukunftsprognosen lässt sich die Wahrscheinlichkeit abschätzen.

Predictive Analytics: Die Weisheit der Glaskugel Predictive Analytics braucht Rechenkapazität. (© 2017 Regissercom/Shutterstock)

Auch im Sicherheitsbereich findet Data Mining Anwendung. Wer den Science-Fiction-Thriller „Minority Report“ gesehen hat, kann nachvollziehen, wie das Predictive-Analytics-Verfahren funktioniert: Eine Software bestimmt anhand von Tatmustern aus der Vergangenheit – entscheidende Parameter sind etwa Tatzeit, Tatort sowie Tatmuster – die Wahrscheinlichkeit, mit der in einer Region Einbrechen verübt werden. Als Reaktion wird die Polizei dort mehr Streifenwagen einsetzen.

Nicht zuletzt findet das Verfahren auch in Onlineshops Anwendung. Händler analysieren mithilfe der Predictive-Analytics-Werkzeuge die Kaufhistorie jedes einzelnen Kunden. Die Daten nutzen sie für neue Produktvorschläge. Beispiel Amazon: Der Onlineversandhandelsriese geht sogar noch einen Schritt weiter. Er nutzt die Daten seiner Kunden, um Besucher auf Angebote aufmerksam zu machen, die andere Nutzer mit ähnlichen Interessen erworben haben („Kunden, die diesen Artikel gekauft haben, kauften auch ...“). Durch die Analyse von Kundendaten im großen Stil wird das gezielte Schalten von Individualwerbung und Bannerwerbung möglich.

Eine weitere Säule von Predictive Analytics ist das maschinelle Lernen. Der Oberbegriff bezeichnet die Fähigkeit künstlicher Systeme, Muster zu erkennen und selbstständig Gesetzmäßigkeiten abzuleiten. Beispiel: Mark Zuckerbergs KI „Jarvis“. Die smarte Haussteuerung kann wie ein Mensch angesprochen werden und lernt jeden Tag mehr über die Gewohnheiten und Bedürfnisse der Hausbewohner hinzu.

Predictive Analytics ist dazu in der Lage, die Erkenntnisse aus Data Mining und maschinellem Lernen zu kombinieren. Mithilfe spezieller Tools für die Datenintegration werden Informationen ausgewertet und so künftige Entwicklungen erkannt. Die Anwendungsszenarien für Predictive Analytics sind immens. Da die Modelle kontinuierlich mit Daten gefüttert werden, können sie immer präzisere Vorhersagen treffen. Anders gesagt: Die Datenmodelle werden immer besser, je mehr sie „üben“.