5 Unternehmen, die KI verwenden, um die Zukunft und den Gewinn vorherzusagen

Im ersten Teil dieser Serie über KI-basierte Predictive Analytics haben wir die Funktionalität dieser Technologie sowie ihr Potenzial zur Entwicklung effektiverer Geschäftsstrategien untersucht.

Predictive Analytics kann als eine Form des Data Mining definiert werden, die statistische Modellierung verwendet, um historische Muster zu analysieren und diese Modelle dann verwendet, um zukünftige Ergebnisse zu prognostizieren. Der Einsatz künstlicher Intelligenz ermöglicht es Analysetechnologien, Beziehungen zwischen Variablen zu erkennen, die Menschen einfach nicht sehen können.

In diesem Artikel möchten wir diese Theorie mit fünf Predictive Analytics-Anwendungsfällen zum Leben erwecken.

Es gab einige berichtenswerte Geschichten auf diesem Gebiet, insbesondere die Schlagzeilen „Target weiß, wann Sie schwanger sind“, die vor einigen Jahren so viel Aufmerksamkeit erregten.

Seitdem hat sich einiges entwickelt. Die Entwicklung weithin verfügbarer und zugänglicher Analyseplattformen hat Unternehmen jeder Größe Zugang zu ausgeklügelten statistischen Modellen verschafft. Abgesehen von der Übertreibung leicht gruseliger Schwangerschaftsvorhersagen wird Big Data eher von kleinen und großen Unternehmen verwendet, um ihre alltäglichen Funktionen zu verbessern.

Durch die Definition der zu lösenden Probleme, die Beschaffung der richtigen Daten, die Einstellung von Mitarbeitern mit den Fähigkeiten, die Daten zu verstehen, und die Bereitstellung der geeigneten Technologie, kann jedes Unternehmen heute mit dem profitablen Bereich der Predictive Analytics beginnen.

Es gibt zu viele Anwärter, um jedes Beispiel im Rahmen eines Artikels zu betrachten, daher haben wir stattdessen versucht, eine repräsentative Stichprobe effektiver KI-basierter Analysen über ein breites Spektrum von Fallstudien bereitzustellen.

1. Optimierung der Lieferkette: Walmart

Wir beginnen mit einem schwergewichtigen Beispiel, das jedoch allen Einzelhändlern Inspiration bietet.

Während so viele andere "alte" Einzelhändler Probleme haben, hat Walmart in den letzten elf aufeinander folgenden Quartalen Wachstumszahlen vermeldet. Dies ist insbesondere auf einen Anstieg der Online-Verkäufe um 63 % gegenüber dem Vorjahr zurückzuführen.

Walmart hat viel Anerkennung für seine Anpassungsbereitschaft im digitalen Zeitalter erhalten und setzt auf seine Fähigkeit, die Online- und Offline-Welt zu verbinden, um mit Amazon zu konkurrieren.

Künstliche Intelligenz und Predictive Analytics sind das Herzstück dieser Bemühungen. Walmart entnimmt sofort Daten aus seinen Point-of-Sale-Systemen und bezieht diese in seine Prognosen ein, um zu beurteilen, welche Produkte wahrscheinlich ausverkauft sind und welche unterdurchschnittlich abgeschnitten haben.

In Kombination mit Online-Verhaltensmustern bietet dies eine riesige Menge an Datenpunkten (über 40 Petabyte davon), die Walmart helfen, sich auf einen Anstieg oder Rückgang der Produktnachfrage vorzubereiten.

Foto von chuttersnap auf Unsplash

Die Datenverwaltung erfolgt in der Cloud über das „Data Cafe“ von Walmart, das vom Walmart Labs-Team im Silicon Valley betreut wird. Es handelt sich um eine ausgeklügelte, groß angelegte Operation, die der Anzahl der Variablen entspricht, die ein Unternehmen dieser Größe benötigt, um aus zuverlässigen Daten genaue Prognosen zu erstellen.

Die Vorteile, die es mit sich bringt, können jedoch auch von kleineren Unternehmen genutzt werden.

Der Einsatz von KI und Predictive Analytics bei Walmart ist beispielsweise für das Bestandsmanagement von unschätzbarem Wert, da Manager angemessen einlagern können, ohne das Risiko eingehen zu müssen, in letzter Minute teure Anpassungen vornehmen zu müssen, um Lücken zu schließen, wenn die Nachfrage das Angebot übersteigt.

Diese Prognosen ermöglichen es Walmart auch, seine Online-Präsenz zu personalisieren und Produkte bestimmten Kunden basierend auf ihrer vorhergesagten Kaufwahrscheinlichkeit zu präsentieren.

Die Disziplin und Strenge, die dieser Ansatz mit sich bringt, bedeuten, dass Walmart strenge Liefertermine einhalten kann, da jeder Schritt seiner Lieferkette durch den Einsatz von Predictive Analytics optimiert wurde. Alle diese Bereiche können von jedem Unternehmen durch zugängliche Technologien wie Google und Adobe verbessert werden.

Bezeichnenderweise bietet Walmart den Kunden auch Anreize in Form von Preisnachlässen oder Warteschlangenvorteilen, wenn sie ihre Einkäufe in einem physischen Geschäft abholen. Trotz aller Vorteile, die KI-basierte Analysen dem Unternehmen bringen können, bleibt der Wettbewerb mit Amazon bei den Versandkosten eine große Aufgabe.

2. Preisentwicklung prognostizieren: Hopper

Die Reisebranche ist notorisch wettbewerbsintensiv, mit volatilen Nachfragespitzen und -tiefs und vielen Strecken mit niedrigen Margen. Dies kann dazu führen, dass Reisende im Dunkeln tappen und sich nicht sicher sind, wann die beste Zeit zum Buchen ist. Manchmal ist es besser, im Voraus zu buchen, manchmal ist es besser, bis kurz vor dem Abflugdatum zu warten.

Dies macht es zu einem reifen Feld für die Leistungsfähigkeit von KI-gesteuerter prädiktiver Analyse, eine Tatsache, die dazu geführt hat, dass die Reise-App Hopper seit 2015 dramatisch an Popularität gewonnen hat.

Hopper ist immer einen Schritt voraus, indem es zukünftige Preismuster vorhersagt und Reisende auf die günstigsten Zeiten für Flüge zu ihren bevorzugten Zielen aufmerksam macht.

Es tut dies, indem es jeden Tag Milliarden von Preisen beobachtet und basierend auf historischen Daten für jede Route antizipiert, wie sich der Trend entwickeln wird. Benutzer können dann Benachrichtigungen einrichten, um sie an die Buchung zu erinnern, wenn diese Preissenkungen eintreten.

Obwohl Hopper nicht das einzige Unternehmen dieser Art ist, das diesen Service anbietet, berichtet Hopper mit seinen Vorhersagen über eine Genauigkeitsrate von 95 % und behauptet, Kunden durchschnittlich über 50 US-Dollar pro Flug zu sparen.

Der folgende Screenshot zeigt, wie dieser Prozess funktioniert. Begleitet von einem kuscheligen, bebrillten Hasen wähle ich die Flugroute New York nach Honolulu für den wohlverdienten Urlaub.

Aufgrund meiner ausgewählten Daten sagt mir der überraschend herrische Hase, dass ich jetzt buchen soll, da die Tickets für diese Route mit der Zeit nur teurer werden.

Hopper ist ein großartiges Beispiel für ein Unternehmen, das Machine Learning und Predictive Analytics als zentrale Grundsätze seiner Geschäftsstrategie ansieht. Ohne Predictive Analytics gäbe es keinen Hopper.

Die statistischen Modelle, die es mit so großer Wirkung verwendet, sind jedoch Lehren für alle Unternehmen. Der Erfolg von Hopper beruht im Wesentlichen auf seiner Verlässlichkeit als objektive Verbraucherberatungsplattform. Daher könnten viele andere Unternehmen diese Rolle übernehmen, indem sie Statistiken verwenden, um Prognosen zu erstellen, die im besten Interesse der Kunden sind und nicht nur für ihr eigenes Endergebnis.

3. Wachstum kleiner Unternehmen: Point Defiance Zoo & Aquarium

Eine Umfrage von SAP Ende 2016 ergab, dass über 70 % der Führungskräfte kleiner Unternehmen der Meinung waren, dass sie sich noch in den „Anfangsstadien“ der Gewinnung von Erkenntnissen aus ihren Daten befinden.

Ein Zoo in Tacoma, Washington, widersetzte sich diesem Trend, indem er mit dem National Weather Service zusammenarbeitete, um die Faktoren zu identifizieren, die dazu führten, dass die Besucherzahlen so unvorhersehbar steigen und fallen. Dies führte zu Problemen für das Management, das den Park immer besetzte, um ein großes Publikum zu versorgen, aber oft aufgrund der überwältigenden Besucherzahl zu viel für die Gehälter ausgab.

Intuitiv könnten wir davon ausgehen, dass die Besucherzahlen an warmen, trockenen Tagen höher sind, aber niedriger, wenn es kalt oder nass ist. Durch die Integration der Daten des National Weather Service in die KI-gesteuerte Watson-Plattform von IBM konnte der Zoo jedoch genau feststellen, welche Bedingungen mehr Menschen zu einem Besuch veranlassten.

Dieses Wissen wurde dann verwendet, um zukünftige Besuchermuster zu modellieren, wobei historische Besucherzahlen und prognostizierte Wetterstatistiken verwendet wurden.

Das Projekt war ein großer Erfolg und ist heute zentraler Bestandteil der Geschäftsplanung des Zoos. Point Defiance kann Besucherzahlen mit einer Genauigkeit von mehr als 95 % vorhersagen, sodass Manager den Park angemessen besetzen können. Dies hat keinen negativen Einfluss darauf, wie Besucher den Park erleben (vielleicht sogar das Gegenteil) und schafft einige wichtige Geschäftseffizienzen.

Die Anwendungsmöglichkeiten dieser Methodik reichen natürlich weit über die reine Besucherzahl hinaus. Port Defiance kann überwachen, wie Besucher mit dem Zoo interagieren und so zu einem besseren Kundenerlebnis beitragen. Es gibt auch Pläne, KI-gesteuerte prädiktive Analysen zu verwenden, um Gesundheitsdaten zu überwachen und Probleme mit den Tieren des Parks zu diagnostizieren, um eine vorbeugende Behandlung zu ermöglichen.

4. Mitarbeiterbindung: IBM

Die grundlegende Attraktivität von Predictive Analytics ist das Potenzial, bessere Ergebnisse im Hinblick auf die Unternehmensziele zu erzielen. Diese sind oft offen gewinnorientiert, aber Predictive Analytics kann auch dabei helfen, Probleme bei der Mitarbeiterbindung zu erkennen und Lösungen vorzuschlagen.

Durch das Hochladen einer strukturierten Datendatei (wie im Screenshot unten) kann Watson die häufigsten Faktoren erkennen, die zur Personalabwanderung beitragen. Dies fließt dann in die Generierung eines „Qualitätsfaktors“ für jeden Mitarbeiter ein, basierend auf seiner prognostizierten Wahrscheinlichkeit, das Unternehmen bald zu verlassen.

Dies kommt vor allem in der Fähigkeit zum Tragen, auf Anfragen von Benutzern in natürlicher Sprache zu reagieren. Ähnlich wie bei der neuen Analytics-Funktion von Google, die Daten als Reaktion auf Benutzerfragen abruft, kann Watson auf spezifische Anfragen antworten und Datenvisualisierungen basierend auf den Präferenzen des Benutzers erstellen.

Dies ist ein großartiges Beispiel für eine Plattform, die schnell von explorativen und diagnostischen Analysen in den Bereich der prädiktiven Analyse übergeht. Jeder Geschäftsinhaber oder Manager kann diese Tools nutzen, um genau zu identifizieren, was genau Mitarbeiter ausscheidet, aber er kann auch sehen, was hinter diesen Faktoren steckt, und vorbeugende Maßnahmen ergreifen, um mögliche Austritte zu beschwichtigen. Angesichts der Kosten für die Rekrutierung neuer Mitarbeiter im Vergleich zur Bindung aktueller Leistungsträger führt dies direkt zu geringeren Betriebskosten.

5. Zielgruppenerweiterung: Under Armour

Audience Extension ist ein weiterer Bereich des Marketings, der deutlich vom Einsatz von KI und Predictive Analytics profitiert. Durch das Verständnis der quantitativen Merkmale vorhandener hochwertiger Kunden ist es möglich, ähnliche Personen zu identifizieren und sie mit personalisierten Botschaften anzusprechen, die wahrscheinlich Anklang finden.

Zu wissen, wo Sie Ihr Werbebudget ausgeben sollen, ist wichtig, aber auch zu wissen, wo Sie es nicht ausgeben sollten. Predictive Analytics ermöglicht es Unternehmen wie Under Armour, sich auf die Bereiche zu konzentrieren, die die größten Renditen erzielen, und Budgets zu reinvestieren, die andernfalls falsch ausgegeben worden wären.

Künstliche Intelligenz wird von Under Armour verwendet, um Aufgaben wie Sentiment-Analyse und Social Listening durchzuführen, um zu verstehen, was Kunden von der Marke halten und wo die Marktlücken liegen. Dies hat dazu geführt, dass sich das Unternehmen darauf konzentriert, eine digitale Fitnessmarke zu werden, eine Initiative, mit der es in einem gesättigten Markt eine neue Nische erobert hat.

Under Armour produziert Produkte für die körperliche Fitness, aber auch Apps und tragbare Geräte, um die Offline- und die digitale Welt miteinander zu verbinden. Je mehr Menschen die Produkte nutzen, desto mehr Daten kann Under Armour sammeln, um sein Angebot zu verbessern. Und bei über 200 Millionen registrierten Nutzern und mehr als 10 Milliarden digitalen Interaktionen pro Jahr mangelt es nicht an Daten.

Lesen Sie den letzten Teil dieser Serie: KI und Predictive Analytics: Was bringt die Zukunft?