Wie Top-Unternehmen maschinelles Lernen nutzen

Im vergangenen Jahr hat die Manie des maschinellen Lernens die Geschäftswelt erfasst. Laut Arthur Samuel, dem Informatiker, der den Begriff vor einem halben Jahrhundert geprägt hat, ist maschinelles Lernen definiert als das Teilgebiet der Informatik, das große Datensätze und Trainingsalgorithmen verwendet, um „Computern die Fähigkeit zu geben, zu lernen, ohne explizit programmiert zu werden“.

Viele Führungskräfte haben ein intuitives Gefühl dafür, dass sich maschinelles Lernen als ebenso wichtiger Paradigmenwechsel erweisen wird wie das Internet und der Personal Computer. Eine kürzlich von PwC durchgeführte Umfrage ergab, dass 30 % der Unternehmensleiter glauben, dass KI innerhalb von fünf Jahren die größte Störung ihrer Branche sein wird. Allein im Jahr 2016 flossen mehr als 5 Milliarden US-Dollar an Risikokapital in Start-ups im Bereich maschinelles Lernen. Das McKinsey Global Institute stellt fest, dass maschinelles Lernen „breite Anwendbarkeit für viele gängige Arbeitsaktivitäten“ hat, einschließlich Mustererkennung, Generierung und Verständnis natürlicher Sprache und Prozessoptimierung.

Warum maschinelles Lernen jetzt wichtig ist

Der jüngste Hype wird von drei Schlüsselentwicklungen angetrieben, die die Eintrittsbarriere für Unternehmen in allen Sektoren und Phasen verringert haben, die maschinelles Lernen anwenden möchten:

• Mehr Daten und billigere Speicherung: Der Aufstieg Cloud-basierter Tools und die sinkenden Kosten für die Speicherung von Daten durch Dienste wie Amazon Redshift bedeuten, dass routinemäßig mehr Daten als je zuvor von geschäftskritischen Anwendungen generiert und gespeichert werden.
• Open-Source-Bibliotheken: Weit verbreitete Bibliotheken für maschinelles Lernen wie Googles TensorFlow und scikit-learn machen modernste Algorithmen für ein breiteres Publikum von Datenwissenschaftlern und allgemeinen Softwareentwicklern zugänglicher.
• Mehr Leistung: Die Entwicklung cloudbasierter Plattformen und kundenspezifischer Hardware, die für maschinelles Lernen optimiert sind, bedeutet, dass diese Anwendungen schneller und kostengünstiger ausgeführt werden können, wodurch ihre Eignung für eine Vielzahl von Geschäftsanforderungen erhöht wird.

Kurz gesagt, es gibt überzeugende Beweise dafür, in maschinelles Lernen zu investieren. Aber wie nutzen Unternehmen diese Technologie wirklich? Auf welche Weise wird maschinelles Lernen heute eingesetzt, um Unternehmen dabei zu helfen, Werte zu schaffen, Kosten zu senken und den ROI zu steigern?

In diesem Artikel teilen wir Fallstudien, die veranschaulichen, wie Unternehmen jeder Größe maschinelles Lernen einsetzen, um fünf wichtige Geschäftsfälle anzugehen: Benutzerakquise, Kundensupport, Prognosen, Betrugsprävention und Personalmanagement.

1. Benutzergewinnung

Im Großen und Ganzen besteht der Kundenakquisitionstrichter für ein typisches Verbraucher- oder Unternehmensgeschäft aus drei Phasen: Segmentierung Ihres Kundenstamms, um seine Bedürfnisse zu verstehen und zu erfüllen, ihn mit der richtigen Botschaft zur richtigen Zeit anzusprechen und ihn in Benutzer Ihres Produkts umzuwandeln.

Maschinelles Lernen wird von Startups und großen Unternehmen gleichermaßen im gesamten Benutzerakquise-Funnel eingesetzt. Amazon ist hier ein Schlüsselbeispiel – in seinem Brief an die Aktionäre aus dem Jahr 2017 bemerkte CEO Jeff Bezos, wie maschinelles Lernen „unter der Oberfläche“ zum Amazon.com-Erlebnis beiträgt, indem es Produkt- und Deal-Empfehlungen basierend auf Benutzerpräferenzen unterstützt. Das Segmentieren von Benutzern und das Zeigen relevanter Produkte ist jedoch nur der erste Schritt: Viele Einzelhändler verwenden maschinelles Lernen, um Branding, Copy und Aktionspreise spontan anzupassen, um die Wahrscheinlichkeit eines Verkaufs für einen bestimmten Kunden zu maximieren.

An der Unternehmensfront hat Salesforce kürzlich Einstein eingeführt, ein Produkt, das CRM-Daten untersucht, um maßgeschneiderte Empfehlungen bereitzustellen, um die Wahrscheinlichkeit zu erhöhen, dass ein bestimmter Interessent von einem Verkaufsgespräch konvertiert, und sogar den richtigen Zeitpunkt zum Senden einer E-Mail vorschlägt.

2. Kundensupport

Natürlich ist die Kundenakquise nur der erste Schritt. Ob für den E-Commerce oder das Unternehmen, die Bindung von Benutzern und die Begrenzung der Abwanderung erfordern einen zeitnahen und effektiven Kundensupport.

Dutzende von Marken nutzen inzwischen maschinelles Lernen, um die Kundenbetreuung zu verbessern. Beispielsweise verwendete der brasilianische Supermarkt Ocado APIs für maschinelles Lernen von Google, um ein benutzerdefiniertes System zu erstellen, das die Stimmung von Kundensupportanfragen misst und negative Antworten an die Spitze des Support-Hinweises setzt. Das Ergebnis ist, dass Ocado viermal schneller auf dringende Nachrichten antwortet, wodurch eine wertvolle Gelegenheit geschaffen wird, Kunden zurückzugewinnen, die einem hohen Risiko ausgesetzt sind, zu Kritikern zu werden.

In jüngerer Zeit prüfen Konversations-„Bots“ jetzt Supportanfragen ohne die Hilfe eines menschlichen Bedieners – indem sie maschinengestützte natürliche Sprache verwenden, um eine erste Antwort zu liefern, die Routineanfragen wie das Ausstellen von Rücksendeetiketten erfüllen kann. Chatbots können nicht nur die Supportkosten um bis zu 30 % senken, sondern auch die Kundenzufriedenheit steigern, indem sie schneller reagieren, und der Umfang ihrer Fähigkeiten wächst, wenn sich ihre Verständnisfähigkeiten verbessern. Da erstaunliche 44 % der US-Verbraucher lieber mit Chatbots als mit Menschen interagieren, werden verbraucherorientierte Unternehmen, die in maschinelles Lernen investieren, einen enormen Vorteil haben.

3. Prognose

Im Backoffice beginnen eine Vielzahl von Organisationen damit, maschinelles Lernen zu nutzen, um robustere, granularere und genauere Prognosemodelle zu erstellen.

Im Jahr 2016 führte Walmart einen Wettbewerb auf der datenwissenschaftlichen Rekrutierungsplattform Kaggle durch und forderte Bewerber auf, historische Daten aus 45 Geschäften zu verwenden, um ein Modell zu erstellen, das den Umsatz pro Abteilung für jedes Geschäft prognostiziert. Der Versicherungsriese AIG hat ein 125-köpfiges Data-Science-Team zusammengestellt, um Modelle für maschinelles Lernen zu erstellen, mit dem Ziel, die Fähigkeit des Unternehmens zu verbessern, Ansprüche zu antizipieren und Ergebnisse vorherzusagen.

Sogar das globale Brillenkonglomerat Luxottica setzt maschinelles Lernen ein, um die Nachfrage zu prognostizieren: Jedes Jahr fügt es seiner Kollektion 2000 neue Stile hinzu und nutzt maschinelles Lernen und Daten aus früheren Markteinführungen, um die Verkaufsleistung vorherzusagen.

4. Sicherheit und Betrugserkennung

Im Jahr 2016 kostete Betrug den durchschnittlichen E-Commerce-Händler über 7 % des Gesamtumsatzes. Gehälter für Mitarbeiter des Betrugsmanagements, Rückbuchungen und legitime Transaktionen, die aufgrund von Fehlalarmen abgelehnt werden, tragen alle zu diesen Ausgaben bei.

Maschinelles Lernen entfaltet allmählich sein Potenzial als leistungsstarkes Tool zur intelligenten Überwachung von Millionen von Transaktionen in Echtzeit und zur Reduzierung von Verschwendung durch Betrug. PayPal ist führend in diesem Bereich: Sie haben Open-Source-Tools und ihren riesigen Fundus an Transaktionsdaten verwendet, um eine Engine für künstliche Intelligenz von Grund auf neu zu bauen, mit dem Hauptziel, die Anzahl der Fehlalarme zu reduzieren, die von ihren älteren Betrugsmodellen erzeugt werden.

Die Menschen sind immer noch auf dem Laufenden, um das Modell zu trainieren und Unklarheiten auszuräumen, aber das erste Ergebnis war erstaunlich: Seit der Implementierung ihres neuen Modells hat PayPal seine Rate an Fehlalarmen halbiert. Für Unternehmen, die eine White-Glove-Lösung suchen, können Startups wie Sift Science die Daten eines Unternehmens nutzen und Betrugssignale von ihrem gesamten Netzwerk von Unternehmenskunden anwenden, um sicherzustellen, dass die neuesten Techniken von Betrügern schnell entdeckt werden.

5. Personalmanagement

Die Einstellung, Führung und Bindung hochwertiger Mitarbeiter ist die Wurzel aller Geschäftskompetenzen. Einer der mühsamsten Teile der Einstellung ist das Filtern von Hunderten oder Tausenden von Lebensläufen, um eine Auswahlliste für Vorstellungsgespräche zusammenzustellen. Über die Hälfte der Personalvermittler sagen, dass dies der schwierigste Teil ihrer Arbeit ist. Dieses Problem wird von Startups wie Restless Bandit angegangen, die ein Kandidatenmanagementsystem entwickeln, das von Unternehmen wie Adidas und Macy's verwendet wird, um Lebensläufe basierend auf Entscheidungen zu filtern, die Personalchefs in der Vergangenheit getroffen haben.

Entscheidend ist, dass diese Algorithmen darauf trainiert werden können, unbewusste menschliche Vorurteile zu ignorieren und sogar voreingenommene Sprache in Stellenbeschreibungen zu kennzeichnen – was bedeutet, dass maschinelles Lernen das Potenzial hat, leistungsstarke, vielfältige Kandidaten zu identifizieren, die von menschlichen Personalvermittlern beim ersten Durchgang übersehen werden könnten. Was die Kundenbindung betrifft, kann maschinelles Lernen die Mentorenschaft großartiger Manager verbessern und Mitarbeitern helfen, bessere Leistungen zu erbringen, indem spezifische und unvoreingenommene Karriereratschläge auf der Grundlage früherer Mitarbeiter mit ähnlichen Profilen generiert werden.

Da erstaunliche 44 % der US-Verbraucher lieber mit Chatbots als mit Menschen interagieren, werden verbraucherorientierte Unternehmen, die in maschinelles Lernen investieren, einen enormen Vorteil haben.

Der Einfluss des maschinellen Lernens wird zunehmen

In diesem Artikel haben wir einige der wichtigsten Möglichkeiten untersucht, wie maschinelles Lernen direkten und unmittelbaren Wert für eine Vielzahl von Organisationen schaffen kann. Es wäre ein Fehler, maschinelles Lernen als eine Art Allheilmittel für Unternehmen zu betrachten – letztendlich ist die Leistung eines maschinellen Lernsystems nur so gut wie die Daten, auf denen es trainiert wird, und die wichtigsten Entscheidungen eines Unternehmens sind oft „Grenzfälle“. erfordern ein gewisses Maß an menschlichem Urteilsvermögen und anekdotischer Erfahrung, um sie zu beurteilen.

Anstatt sich vom abstrakten Potenzial des maschinellen Lernens blenden zu lassen, sollten Führungskräfte die Frage der Investition in diese Technologie angehen, indem sie eine Bestandsaufnahme ihrer Kerngeschäftsherausforderungen machen und sie mit der Schlüsselfähigkeit des maschinellen Lernens abgleichen: Sinn und Bedeutung aus einer Tonne von Daten ziehen . Angesichts der Vielfalt der oben genannten Fallstudien sind die Chancen, dass maschinelle Lerntechniken helfen können, möglicherweise größer als Sie erwarten.