Machine Learning in Unternehmen: Chancen nutzen und teure Fehler vermeiden

Bild: shutterstock

15.03.2022 - Künstliche Intelligenz (KI), Automatisierung und Machine Learning (ML) sind die Buzzwords der Stunde und werden bereits in vielen Unternehmen genutzt. Vor allem Machine Learning bietet große Chancen für Unternehmen, denn damit lernen IT-Systeme Muster und Zusammenhänge aus Daten und verbessern sich selbst, ohne explizit programmiert zu werden. Es lauern aber auch Fallstricke.

von Christina Rose

Die klassischen Anwendungsfelder von Machine Learning (ML) ziehen sich von der Bearbeitung von Kundenanfragen, der Erkennung möglicher Störfälle und unerwarteter Ereignisse wie etwa Cyberangriffe, über die Unterstützung bei einer rein datengestützten Entscheidungsfindung bis hin zur Interpretation großer Datenmengen. Generell hoffen Unternehmen mit ML Kosten zu reduzieren und qualifizierte Mitarbeiter effektiver einzusetzen. Die Implementierung bringt jedoch Herausforderungen mit sich, an denen Unternehmen scheitern können - darunter die Datenaufbereitung, die Bereitstellung des Konzepts oder die Schätzung des ROI. Denn die komplexe und fortschrittliche Technologie fordert interne Experten zur Umsetzung, Projekterfahrung sowie eine realistische Zielsetzung. Hierzu sollten zuverlässige Partner an Bord geholt werden.

Stanislav Appelganz

Bild: WaveAccess

Stanislav Appelganz, Head of Business Development / Consulting & Smart Customer Solutions bei WaveAccess , erklärt, worauf Unternehmen beim Einsatz von ML achten sollten:

Datenqualität ist Grundlage für ML-Erfolg

Viele ML-Projekte scheitern an der Qualität der zur Verfügung stehenden Daten, schließlich sind sie die einzige Quelle für den automatisierten Prozess. Minderwertige Daten werden zwangsläufig zu minderwertigen Ergebnissen führen.

Eine ideale Datenbasis ist ausreichend groß (mit 10.000 bis 100.000 Fakten), korrekt, hinreichend umfassend und sachgerecht gelabelt. Doch ist dieser Idealzustand in der Praxis selten vorhanden. Wie lässt sich das Problem dann lösen?

Unvollständigkeit: Ist es wirklich nicht möglich, ausreichend Inputdaten bereitzustellen, muss die Problemstellung neu eingegrenzt werden. Ähnliches gilt bei zu kleinen Datenmengen in bestimmten Situationen. Für eine automatische Routenplanung dürfen zum Beispiel nicht nur die Daten aus einer bestimmten Region vorliegen, deren spezielles Muster nicht auf andere übertragbar ist.
Falsches Labelling: Alle ML-Algorithmen benötigen zum Training korrekte Antworten auf die gestellte Frage. Datensätze müssen also entsprechend gekennzeichnet sein. Erfahrungsgemäß sollte das nicht allein dem Technologiepartner überlassen bleiben, der oft nicht das nötige Expertenwissen besitzt. Schneller und kostengünstiger gelingt das Labelling unter Mitwirkung hausinterner Fachleute.
Datenfehler: Wurden die Grunddaten des ML-Modells manuell gesammelt, besteht die Gefahr einer größeren Menge systematischer Fehler. In diesem Fall sollten Experten die Daten im Vorfeld überprüfen und korrigieren. Denn ein ML-Modell verzeiht nur einzelne Fehler ohne gemeinsames Muster.

Mit Prototypen starten

Machine Learning bietet bei ihrer Einführung einen enormen Vorteil: Es lässt sich bereits vor der Entwicklungsphase feststellen, wie viel Geld aus den gesammelten Daten gewonnen werden kann - das heißt wie viel ein ML-Projekt für das Unternehmen einbringen wird. Das ist durch die Erstellung eines Pilotprojekts möglich: Auf diese Weise kann man die Technologie testen und das Potenzial für Anwendungen und Aufgaben erkennen. Dieser Ansatz macht das Projekt nicht zu einem Risiko, sondern zu einer ganz bewussten Investition mit einem prognostizierten ROI.

Vieles spricht also dafür, ML-Projekte zunächst als Proof of Concept anzugehen, um sie gründlich auf Vor- und Nachteile prüfen zu können. Welche Daten repräsentieren oder beeinträchtigen die Zusammenhänge am besten? Welche Trefferquote ist mit dem Modell erreichbar und wie kann sie verbessert werden? Nach welchen Kriterien lässt sich der Erfolg eines Projekts sinnvoll bewerten? Ein Prototyp kommt zudem mit anonymisierten Datenquellen aus, also ohne die Weitergabe sensibler Daten an den Technologiepartner. Partner-Unternehmen bieten die Möglichkeit, solche Pilotprojekte auch kostenlos durchzuführen.

Erwartungen an Fehlertoleranz und Erfolg realistisch halten

Oft sind die Erwartungen an Zeitersparnis, Trefferquote, Ergebnisqualität und Amortisationszeit von ML-Projekten unrealistisch hoch - während gleichzeitig Problembeschreibung und Daten viel zu vage sind. Erfahrene Partner und Prototyping können helfen, die Erwartungen auf ein realistisches Maß zu reduzieren. Wird der Return on Investment im Vorfeld geschätzt, lässt sich auch die Fehlertoleranz des Modells besser kalkulieren. Denn jedes Prozent mehr an Genauigkeit kann ein Vielfaches an Kosten verursachen! Oft ist es besser, ein falsch negativ eingestuftes Ergebnis zu verpassen, als viele falsch positiv gemeldete Ergebnisse teuer bewerten zu müssen. Übrigens kann auch das Nichteintreffen eines erwarteten Ereignisses wertvolle Hinweise auf das Modell geben.

Jedes Projekt braucht zudem den passenden Algorithmus. Die Erstellung teurer und rechenintensiver neuronaler Netze oder der Zukauf von Marktforschungsdaten sind aber oft unnötig. Auch hier sollte man auf die Erfahrungswerte des Technologiepartners vertrauen. Bei der Umsetzung von ML-Projekten können Unternehmen also leicht scheitern, wenn sie vom raschen Erfolg getrieben sind, den falschen Partner wählen oder ihm den nötigen Einblick in Geschäftsprozesse oder Daten verweigern. Dagegen sind saubere Daten, Prototyping, realistische Erwartungen und Vertrauen gute Voraussetzungen für den Erfolg von ML-Projekten.

Bild: Till Göhre

Till Göhre
(MediaMarktSaturn)

Die unsichtbare Conversion: Wie Omnichannel-Daten den wahren Wert von Retail Media sichtbar machen

Online recherchiert, dann im Store gekauft - Kunden sind längst omnichannel unterwegs. Doch die klassischen Retail Media Metriken drehen sich weiterhin um Klicks und Onlineshop-Performance, stationäre Käufe nach Entscheidung im Onlinestore tauchen in der Kampagnenmessung häufig gar nicht erst auf. Dabei sind sie mittlerweile ein wesentlicher Teil der Wirkung von Retail Media. Wie können omnichannel-Daten diese unsichtbare Conversion messbar machen und zum echten Business-Treiber werden? Gerade bei komplexen Kaufentscheidungen wie im Consumer-Electronics-Bereich entscheidet nicht die Reichweite, sondern die Fähigkeit, den Weg vom ersten Kontakt bis zum Kaufabschluss datenbasiert nachzuvollziehen. So wird Retail Media vom Werbekanal zur Commerce-Infrastruktur - und der wahre Wert einer Kampagne erst sichtbar.

Vortrag im Rahmen der Transformation des Handels 26 am 20.10.26, 09:00 Uhr