In the Code – Dank KI zum besseren Kunden­verständnis

Links: Daten aus verschiedenen Quellen fliessen zusammen.
Rechts: Dilip Menon (oben) und Severin Meichtry.
Projekte um Big Data und Künstliche Intelligenz werden vermehrt in den Geschäftsalltag eingebunden. Die Unternehmen sollten diesen Technologien jedoch noch mehr Aufmerksamkeit schenken. An einem aktuellen Beispiel erklären Dilip Menon und Severin Meichtry von Elca wie dies erfolgreich umgesetzt werden kann.
 
Stellen Sie sich vor, Sie könnten als Verkaufsleiter oder Geschäftsführer vorhersagen, wann Ihre Kunden bestimmte Dienstleistungen oder Services für die Führung ihres Geschäfts bestellen. Sie wären viel präziser und schneller als die Konkurrenz. Ressourcenplanung wäre mit einem verlässlichen Blick in die Zukunft einfacher und gezielter als heute. Die Verfeinerung der bestehenden Segmentierung, Planung und Durchführung der Kampagnen für spezifische Kundensegmente oder die Vorbereitung und Einsatzplanung der eigenen Ressourcen könnten besser angesprochen werden und im Voraus optimiert werden.
 
Das im Folgenden beschriebene Projekt zeigte bereits in einem frühen Stadium, wie effektiv eine Kombination aus CRM, Big Data und KI sein kann.
 
Unternehmen müssen ihre Angebote und Prozesse laufend personalisieren und optimieren, um eine starke Beziehung zu ihren Kunden aufzubauen und zu erhalten. Diese Personalisierung der Angebote wird durch CRM-Systeme unterstützt, die das gesamte Unternehmenswissen über seine Kunden enthalten.
 
Mit dem Aufkommen von Künstlicher Intelligenz können diese grossen Datenmengen, die in firmeninternen Systemen (z.B. CRM, ERP) gespeichert und mit öffentlich verfügbaren Daten wie Wettervorhersagen angereichert werden, von einem Unternehmen für eine kundenorientierte Strategie verwendet werden. Doch aufgepasst, gleichzeitig müssen Sie sicherstellen, dass Ihre Kundenbeziehung dauerhaft ist und die Kunden Sie weiterhin mit ihren Daten betrauen. Sie müssen glaubwürdig und transparent sicherstellen, dass das Cyberrisiko minimal ist und Sie die Vorschriften, wie die EU-Datenschutz-Grundverordnung (DSGVO) einhalten.
 
Big-Data-Analysen und Künstliche Intelligenz werden bereits erfolgreich eingesetzt, etwa bei der Verfeinerung von Kundensegmenten, der Vorhersage der Bedürfnisse dieser Kundengruppen, Findung des optimalen Kaufzeitpunkts bis hin zur Planung des Kundendienstpersonals. Allein diese vier Beispiele zeigen die wirtschaftliche Relevanz der korrekten Anwendung von KI und anderen Technologien.
 
Eine genaue Analyse der Kundenbedürfnisse als Ausgangspunkt ist wichtig und einfach zu veranschaulichen. Nehmen wir an, Sie sind ein Einzelhändler in einem vielleicht stagnierenden Markt. Wenn Sie Ihr Angebot zur richtigen Zeit platzieren können, sind Sie erfolgreicher. Die präzise Vorhersage des Zeitpunkts des Kaufentscheides Ihrer Kunden ist ein grosser Wettbewerbsvorteil.
 
Vom Projekt zur Realität
Beim erwähnten Projekt hat Elca historische ERP-Transaktionen und öffentlich verfügbare Daten analysiert, um das nächste Einkaufsfenster für bestimmte Produkte für jeden Kunden zu bestimmen. Da der Einzelhändler die Erlaubnis der Kunden zur Nutzung der Daten hatte und auch ein funktionierendes Verteilungssystem verfügbar war, haben wir modernste Technologien und Algorithmen dafür angewendet (siehe Bild oben links).
 
Das Anliegen wurde mit einer Klassifizierungs- anstatt eines Regressionsproblem-Ansatzes angegangen. Für unseren Kunden war nicht die Höhe (Kosten, Menge) der nächsten Bestellung primär wichtig,
Bild 2: Modell des Prozesses zum Erstellen von Daten für die Machine-Learning-Modelle. Gelbe Kreise illustrieren die Bestellungen des Kunden.
sondern die nächstmögliche Bestellzeit, damit man den Kunden zum richtigen Zeitpunkt kontaktiert, um ihn bei der Kaufentscheidung zu unterstützen. Das Modell musste somit Kunden in verschiedene Klassen einteilen.
 
Eine solche Klassifizierung kann zum Beispiel so aussehen:
  • 0: Kunden, die in den nächsten x Tagen einen Einkauf tätigen
  • 1: Kunden, die erst nach x Tagen einkaufen werden, aber innerhalb eines Jahres.
  • 2: Kunden, die innerhalb eines Jahres Einkauf tätigen.
Anschliessend wurden die verschiedenen Datensätze zusammengeführt, um nützliche Informationen für das nötige Machine-Learning-Modell zu erstellen. Diese Kombination aus Kunden-, Kontakt- und Produktmodell-Daten bildet einen ersten Satz von Features, die als kontobezogene Features definiert sind.
 
Jede Zeile in den endgültigen Daten zum maschinellen Lernen besteht aus drei Arten von Funktionen: den kontobezogenen, den aktuellen Monat betreffenden Merkmalen und den Merkmalen der vorherigen Bestellung. Funktionen, die sich auf den aktuellen Monat beziehen, werden hauptsächlich aus den externen Daten gebildet, um die Schwankungen von Preis und Wettertemperatur über die Zeit hinweg zu verbinden. Schliesslich werden einige Merkmale der vorherigen Bestellung verwendet, wie z. B. "War es eine grosse oder eine kleine Bestellung?" oder "Wann ist dieser Ablauf im Vergleich zur vorigen aufgetreten?".
 
Das Ergebnis war eine extensive Liste von 122 Funktionen. Diese basieren auf den Geschäftskenntnissen aus dem CRM, aber auch auf Analysen von Customer Journeys. Eine Kundenreise ist ein Diagramm, in dem alle Bestellungen eines bestimmten Kunden sowie die Wetter- und Preisinformationen im Laufe der Zeit sichtbar sind. Kundenreisen wurden als Ausgangspunkt verwendet, um die Muster der Kundenbestellungen, den Einfluss externer Daten und das allgemeine Verhalten der Kunden zu verstehen. Weitere Funktionen wurden auch nach einer Erprobungs- und Fehlerphase beim Erstellen und Testen von Maschinenlernmodellen erstellt (siehe Bild 2).
 
Um die Qualität der Ergebnisse zu vergleichen wurden verschiedene Machine-Learning-Modelle eingesetzt:
  • Linear models (linear regression)
  • Tree models (extra tree and decision tree)
  • Ensemble models (random forest, extra trees, and bagging regressor)
  • Neighbors models (neighbors regressor) Neural networks / long short-term memory networks
Nicht zu übersehen ist jedoch, dass nur wenige Austausche zwischen Experten und Datenwissenschaftlern zu einem genauen Modell führten und Fehlinterpretationen vermieden werden konnten.
 
Das Beispiel zeigt, dass die Datenqualität, Prozesseffizienz und Systeme einer Organisationseinheit bestimmen, welcher Ansatz am sinnvollsten ist. Häufig lösen bereits bekannte Massnahmen und Tools wie ein effizientes Vertriebssystem (CRM) oder die geschickte Verwendung verfügbarer Daten die wichtigsten Probleme.
 
Wenn Sie jedoch von der zuverlässigsten Vorhersage profitieren oder neue Geschäftsbereiche entdecken möchten, müssen Sie Künstliche Intelligenz einsetzen. Dabei muss man sich auch bewusst sein, dass die Anforderungen an die Organisation komplexer sind. Das obige Beispiel zeigt, dass neue Technologien wie KI die Toolbox eines Vermarkters sinnvoll ergänzen. Dies ändert nichts an der Tatsache, dass nach wie vor die Basis für eine erfolgreiche Geschäftsbeziehung das Vertrauen des Kunden ist. Um dieses Vertrauen nicht zu gefährden, müssen Datenschutz und Cyber-Sicherheit Priorität haben und entsprechend kommuniziert werden. (Dilip Menon und Severin Meichtry)
 
Zu den Autoren:
Dilip Menon arbeitet seit über 10 Jahren bei Elca und ist auf Customer Interaction/Retail spezialisiert. Severin Meichtry ist seit über zwölf Jahren als Key Account Manager bei Elca.