Künstliche Intelligenz (KI)

Für den Begriff „Künstliche Intelligenz“, kurz KI, mangelt es an einer einheitlichen Definition, was nicht zuletzt daran liegt, dass es bereits für den Begriff „Intelligenz“ keine wissenschaftlich eindeutige Definition gibt. Lämmel und Cleve definieren KI als „Teilgebiet der Informatik, welches versucht, menschliche Vorgehensweisen der Problemlösung auf Computern nachzubilden, um auf diesem Wege neue oder effizientere Aufgabenlösungen zu erreichen“ (Lämmel/Cleve (2020): Künstliche Intelligenz). Diese Definition von künstlicher Intelligenz beschreibt also ganz allgemein eine computergestützte Problemlösung bzw. Entscheidungsfindung. 

Unter dem Begriff „Maschinelles Lernen“ versteht man Algorithmen, die spezielle Problemstellungen lösen können, wobei sie die Lösungswege vorher selbstständig erlernt haben. Während bei klassischen Algorithmen alle Berechnungsschritte regelbasiert programmiert werden müssen, ist ein auf künstlicher Intelligenz basierender Algorithmus in der Lage, die notwendigen Berechnungsschritte selbstständig zu entwickeln. Hierzu verarbeiten diese Algorithmen automatisiert große Datenmengen („Big Data“) und suchen in den Daten nach Mustern, die für einen Menschen oftmals gar nicht zu erkennen wären. Die Erkennung von Mustern führt dann dazu, dass sich der Algorithmus selbstständig anpasst. 

Wird das maschinelle Lernen mittels eines künstlichen neuronalen Netzes durchgeführt, spricht man von Deep Learning. Ein künstliches neuronales Netz bildet die Funktionsweise des menschlichen Gehirns nach und besteht aus Knoten und Kanten. Ob die Verwendung eines neuronalen Netzwerkes sinnvoll ist, hängt mit der Komplexität der Aufgabenstellung zusammen. 

Ein typisches Anwendungsbeispiel für neuronale Netze ist die Gesichtserkennung. Das neuronale Netz lernt anhand tausender Bilder, wie ein bestimmtes Gesicht aussieht und leitet daraus Regeln zur Erkennung ab. Anschließend ist es in der Lage, Bilder danach zu klassifizieren, ob das entsprechende Gesicht auf dem Bild enthalten ist oder nicht. Solche Regeln von Hand zu programmieren wäre aufgrund der enormen Komplexität nicht möglich. 

Auch im CRM-Bereich gibt es zahlreiche Anwendungsgebiete für künstliche Intelligenz.  

Künstliche Intelligenz trifft auf Next Best Offer Ansatz:

Beim Next Best Offer Ansatz geht es darum, für jeden einzelnen Kunden aus einer Vielzahl von Produkten das für ihn passendste zu bestimmen. Hierzu muss kundenindividuell für jedes Produkt die Kaufwahrscheinlichkeit anhand diverser Kriterien bestimmt werden. Durch die Verwendung von maschinellem Lernen können deutlich umfangreichere Datenmengen in die Berechnung mit einbezogen werden und Zusammenhänge aufgedeckt werden, die ohne die Verwendung dieser Technologie verborgen geblieben wären. Eine präzisere Ermittlung der Kaufwahrscheinlichkeiten erhöht nicht nur den Unternehmensumsatz  sondern führt auch zu einer höheren Kundenzufriedenheit, da sich die Kunden verstanden fühlen (à Customer Experience). 

Künstliche Intelligenz hilft dabei Kunden zu halten:

Einen neuen Kunden zu gewinnen ist im Schnitt 5 Mal teurer* als einen Kunden zu halten. Daher ist es für Unternehmen von großer Bedeutung, abwanderungsgefährdete Kunden frühzeitig zu erkennen, um mittels geeigneter Maßnahmen gegensteuern zu können. Allerdings ist die Erkennung abwanderungsgefährdeter Kunden eine große Herausforderung. Woran kann man erkennen, dass ein Kunde abwanderungsgefährdet ist? Zahlreiche Faktoren spielen hier eine Rolle, welche auf komplexe Art und Weise zusammenhängen. Die Verwendung von Algorithmen des maschinellen Lernens hilft Unternehmen  dabei, die wesentlichen Einflussfaktoren für Kundenabwanderungen frühzeitig zu erkennen. Das versetzt Entscheider in die Lage, proaktiv Maßnahmen zu ergreifen, um Kundenabwanderungen so gut wie möglich zu verhindern. 

* https://www.handelsblatt.com/unternehmen/handel-konsumgueter/kundenbindung-kundenorientierung-findet-an-vielen-stellen-statt-seite-2/2963390-2.html 

Künstliche Intelligenz hilft mit Clusteranalyse bei Kundensegmentierung:

Mit einer Kundensegmentierung ordnen Sie Ihre Kunden entsprechend ihrer Bedürfnisse und Ansprüche verschiedenen Kundengruppen zu. Für die Durchführung einer Kundensegmentierung werden unterschiedlichste Kundendaten betrachtet. Während eine einfache Kundensegmentierung anhand festgelegter Kriterien erfolgt, kann mittels maschinellen Lernens eine so genannte Clusteranalyse durchgeführt werden. Diese bietet den großen Vorteil, dass sie Muster und Zusammenhänge in den Daten mitberücksichtigt, die ein Mensch in den Daten nicht erkennen könnte. Eine solche Kundensegmentierung schafft je nach Zielsetzung eine deutlich genauere Zuordnung der Kunden zu den Segmenten. 

Künstliche Intelligenz erleichtert individuelle Preisstrategie:

Während der eine Kunde ein Produkt nicht kauft, weil es ihm zu teuer ist, hätte ein anderer Kunde sogar deutlich mehr bezahlt als das Produkt gekostet hat. Durch eine differenzierte Preisstrategie, so genanntes „Dynamic Pricing“, können sowohl neue Kunden gewonnen als auch der Umsatz optimiert werden. Die optimalen Preise für jedes Produkt und für jeden Kunden zu ermitteln, ist jedoch kein leichtes Unterfangen. Durch die Verwendung von maschinellem Lernen können deutlich mehr Daten für die Preisberechnungen mit einbezogen werden. Das ermöglicht Ihnen, die optimalen Preise für jeden Kunden und für jedes Produkt präzise und effizient zu ermitteln, wobei auch hier wieder Zusammenhänge mit einbezogen werden, die bei einer manuellen Datenauswertung nicht zu erkennen gewesen wären. 

Zusammenfassend lässt sich sagen, dass ein umfassendes Verständnis Ihrer Kunden sowie ihrer Bedürfnisse Ihnen einen deutlichen Wettbewerbsvorteil gegenüber Ihren Mitbewerbern bietet. Die Verwendung von künstlicher Intelligenz ermöglicht es Ihnen, mehr Wissen aus Ihren Kundendaten zu gewinnen als je zuvor. Dieser Wissensvorsprung lässt sich in diversen Anwendungsbereichen einbringen und verschafft Ihnen einen baren Vorteil.