KI und Predictive Analytics: Was bringt die Zukunft?

Fortschritte bei KI und prädiktiver Analyse werden Auswirkungen haben, die über die technologischen Fähigkeiten der Unternehmen hinausgehen. Organisationen werden sich neuen Herausforderungen in Bezug auf Fähigkeiten, Implementierung und mehr stellen. Wie können sich Marketer auf Veränderungen vorbereiten?

In dieser Serie haben wir gesehen, wie der evolutionäre Fortschritt der Analytics-Branche auf natürliche Weise zur Integration von künstlicher Intelligenz (KI) führt, um genaue Vorhersagemodelle zu erstellen.

Im ersten Artikel haben wir das Potenzial von KI und Predictive Analytics als Marketingtools untersucht , angetrieben durch technologische Verbesserungen, die sich von der regelbasierten Automatisierung hin zu etwas näher an der Empfindungsfähigkeit entwickelt haben. Beispiele dafür sehen wir überall, von Apps wie Waze von Google über den Schutz vor Finanzbetrug bis hin zu den personalisierten Empfehlungen bei Amazon.

Der zweite Artikel der Serie basierte auf konkreten Anwendungsfällen für diese Technologie und stellte eine Vielzahl von Unternehmen vor, die maschinelles Lernen und KI eingesetzt haben, um das Verbraucherverhalten vorherzusagen und bessere Geschäftsergebnisse zu erzielen. Diese Möglichkeiten stehen heute allen Unternehmen offen, aber sie zu nutzen ist eine komplexere Aufgabe, als nur eine neue Software zu kaufen.

Der dritte und letzte Artikel unserer Serie konzentriert sich auf die Zukunft von Predictive Analytics und die Herausforderungen, denen sich die Branche gegenübersieht.

Herausforderungen bei der Implementierung

Obwohl es unvermeidlich erscheinen mag, dass ein so leistungsstarkes Geschäftstool massenhaft eingeführt wird, ist die Realität nuancierter. Führungskräfte wollen intelligentere und schnellere Entscheidungen, aber die Balance zwischen Daten, Menschen und Technologie ist ein Hochseilakt, wenn es darum geht, ein Unternehmen auf ein KI-gesteuertes Predictive-Analytics-Modell umzustellen.

Die Implementierung dieser Technologie erfordert einen ideologischen Wandel für Unternehmen, nicht nur Kapitalinvestitionen, und eine Grundausbildung der Mitarbeiter in der Datenanalyse ist unerlässlich.

Dies kommt zu einer Zeit, in der das Vertrauen der Führungskräfte in die digitale Expertise ihres Unternehmens zu sinken scheint. Die jüngste Digital IQ-Umfrage von PwC zeigt ein sinkendes Vertrauen der Führungskräfte in die Fähigkeiten ihres Teams:

Das Know-how sinkt nicht; die Branche verändert sich einfach so schnell, dass die Mitarbeiter nicht mithalten.

Damit KI-getriebene Predictive Analytics einen zentralen Platz im Werkzeugkasten des CIO/CMO einnehmen sollen, sind daher einige wesentliche Hürden zu nehmen.

In diesem letzten Teil unserer Serie über Predictive Analytics werden wir einige der zukünftigen Herausforderungen dieser Branche skizzieren, bevor wir die Lösungen diskutieren, die Unternehmen heute implementieren können.

Datenqualität

In einer aktuellen Umfrage von Protoviti unter leitenden Angestellten wurden Daten als der größte Hemmschuh für die weit verbreitete Einführung von Predictive Analytics in Unternehmen eingestuft. Qualität war einer der wichtigsten Modifikatoren, um einem so nebulösen Begriff wie „Daten“ Spezifität zu verleihen.

Auch „Qualität“ bedarf einer weiteren Definition, bevor wir uns entscheiden können, wie wir eine solch gigantische Herausforderung angehen.

Qualitativ hochwertige Daten werden in ihrem Format konsistent sein (auch in erheblichem Umfang), das beschriebene Szenario der realen Welt widerspiegeln und zuverlässige, reproduzierbare Forschung ermöglichen.

Als Beispiel können wir einen Datensatz mit Zugabfahrten von Waterloo aus den Jahren 2010-2014 nehmen, der Lücken über Zeitrahmen hinweg enthält und inkonsistente Namenskonventionen verwendet. Menschen haben mit solchen Lücken in Datensätzen zu kämpfen, aber wir können die Daten anpassen und vielleicht sogar woanders beschaffen. Künstliche Intelligenz kann mit solchen unvollständigen Daten einfach nicht arbeiten, da sie nur mit dem arbeiten kann, was in das System eingespeist wird.

Die besten KI-Technologien der Welt können nur die von uns bereitgestellten Daten nutzen. Daher ist es wichtig, dass Unternehmen sich dieser potenziellen Fallstricke bewusst sind und wissen, wie sie vermieden werden können. Mehr Daten bedeuten in der Regel bessere Ergebnisse von KI-gesteuerten Vorhersageanalysen, aber es müssen die richtigen Daten sein, um das Geschäftsproblem zu lösen, das Sie lösen möchten.

Das richtige Team zu haben, ist eine großartige Möglichkeit, diesen Weg einzuschlagen.

Recruiting und Training für die richtigen Fähigkeiten

Predictive Analytics-Technologie wird immer ausgereifter, aber der Wissensstand in der Branche schreitet nicht unbedingt im gleichen Tempo voran.

Einem Capgemini-Bericht zufolge sehen 77 % der Unternehmen den Mangel an den richtigen Fähigkeiten als größte Hürde für eine erfolgreiche digitale Transformation:

Ein ClickZ- Bericht ging tiefer, um die Fähigkeitenbereiche zu identifizieren, die im Vergleich zu ihrem aktuellen Entwicklungsstand in Unternehmen am wünschenswertesten waren.

Es war keine Überraschung, dass Analytics angesichts seines Potenzials für den Einsatz in jeder Marketingfunktion als die wichtigste Fähigkeit eingestuft wurde. Es war vielleicht etwas überraschender, Analytics als den Bereich mit der größten Kompetenzlücke zu sehen.

Quelle: ClickZ

Analytics umfasst eine Vielzahl von Techniken und Arten der Datenuntersuchung. Die meisten analytischen Arbeiten, die heute durchgeführt werden, fallen unter das Banner entweder deskriptiv (was ist passiert?) oder explorativ (warum ist es passiert?).

Obwohl das erforderliche Qualifikationsniveau für den Umgang mit der Technologie hinter zukünftigen Predictive-Analytics-Systemen im Laufe der Zeit wahrscheinlich sinken wird, müssen Unternehmen dennoch sicherstellen, dass ihre Mitarbeiter über detaillierte Kenntnisse der Datenanalyse verfügen, bevor sie in einige neue, spannende Systeme der künstlichen Intelligenz investieren.

Glücklicherweise gibt es reichlich Ressourcen und Qualifikationen, um diese Ausbildung zu unterstützen, solange die Unternehmen bereit sind zu investieren. Sowohl Theorie als auch Praxis sollten als grundlegende Bestandteile dieser Ausbildung betrachtet werden.

In Analytics: Wie Win mit Intelligenz, postulieren die Autoren , dass ein Analyse Center of Excellence sollte in größeren Unternehmen gebildet werden, mit der Abteilungsleiter Berichterstattung an den CTO:

Ziel dieses Ansatzes ist es, Analytics eine klar definierte Basis zu geben, von der aus ihre Experten andere innerhalb der Organisation unterrichten können.

Wir können dies jedoch aus einer anderen Perspektive betrachten. Nicht jeder in einem Marketingteam muss die interne Funktionsweise einer Analyseplattform kennen, um davon zu profitieren. Dies wird immer wahr, da diese Plattformen von maschinellem Lernen abhängig werden, um Vorhersagemodelle zu erstellen.

Egal: Eine breite Wissensbasis ist nach wie vor unabdingbar . Ohne die Fähigkeit, die richtigen Fragen zu stellen oder zu wissen, wozu die Technologie fähig ist (und wozu sie nicht fähig ist), sind die Ergebnisse nicht zweckdienlich.

Es gibt daher eine wachsende Denkweise, dass ein geisteswissenschaftlicher Hintergrund eine immer wichtigere Ergänzung zu Statistikern und Ingenieuren sein wird. Die Fähigkeit, die richtigen Fragen als Rahmen für eine Hypothese zu stellen und dann die Ergebnisse zu untersuchen, wird ebenso wichtig sein wie die Soft Skills, die erforderlich sind, um sie hochrangigen Stakeholdern zu präsentieren.

Im Wesentlichen braucht es heute ein Dorf, um Analysen richtig zu machen. Es ist jedoch ein guter Anfang, sicherzustellen, dass die Qualität Ihrer Daten zweckdienlich ist und Sie in Ihrem Analyseteam über ausgewogene Fähigkeiten verfügen.

Datenmanagement

In der heutigen Zeit herrscht kein Mangel an Daten, und die Mengen werden nur zunehmen, wenn Internet-of-Things (IoT)-Geräte weltweit ihren Weg in die Haushalte finden.

Jedes Unternehmen hat eine potenziell lukrative Quelle für proprietäre und fremde Daten zur Hand. Cloud-basierte Lösungen, die Daten in großen Mengen aus der Ferne speichern können, beantworten die Frage, wo Daten aufbewahrt werden sollen.

Aber selbst wenn ein Unternehmen ein Data Warehouse wie Hadoop verwendet, müssen die Informationen dennoch an eine Analyseplattform übertragen und über statistische Modelle in Erkenntnisse umgewandelt werden.

Die Frage, wie genau sichergestellt werden kann, dass Analytics-Plattformen und KI-Systeme mithalten, bleibt für viele Unternehmen ein Rätsel.

Auch beim Datenmanagement gibt es andere Herausforderungen – vom Data Mining über die Speicherung bis hin zur Umwandlung der Informationen in nützliche Erkenntnisse.

Ein Papier von Wissenschaftlern der George Washington University und der American University aus dem Jahr 2013 mit dem Titel Big Data: Issues and Challenges Moving Forward fasste diese potenziellen Probleme zusammen:

Mit der bevorstehenden Einführung der DSGVO-Verordnung der EU sind diese Fragen wichtiger denn je. Es liegt in der Verantwortung des Unternehmens, sicherzustellen, dass alle Daten den lokalen Gesetzen entsprechen, und Daten, die nicht den Vorschriften entsprechen, sicher zu entsorgen.

Wenn eines sicher ist, können wir es nicht der KI überlassen, diese Anrufe zu tätigen. KI-Vorhersagemodelle bewerten alle historischen Daten, die ihnen präsentiert werden, und sollte ein Unternehmen später feststellen, dass fehlerhafte Daten in seine KI-Analyseplattform eingespeist wurden, müssen alle daraus gezogenen Schlussfolgerungen für ungültig erklärt werden.

Die Schritte solch komplexer Berechnungen zurückzuverfolgen und unerwünschte Variablen zu debuggen, wäre eine unmögliche Aufgabe. Daher sollten alle Unternehmen, die planen, Big Data in ein KI-basiertes Vorhersagemodell einzuspeisen, mit ihren Datenquellen vorsichtig sein.

Bild: Wikimedia

Rechenschaftspflicht

Diese Kategorie dient als Überbegriff für eine Reihe kleinerer – aber immer noch wichtiger – Herausforderungen.

KI und Predictive Analytics haben in Branchen wie dem Gesundheitswesen klar definierte und wichtige Rollen. 80 % der Krankenhausleiter halten diesen Bereich für „wichtig“, und es ist leicht zu verstehen, warum. Jedes Werkzeug, das historische Muster im Zusammenhang mit Krankheiten erkennen und ihr zukünftiges Verhalten vorhersagen kann, wird sich in diesem Bereich als unschätzbar erweisen.

Bei der Anwendung auf das Marketing ist der Fall nicht ganz so eindeutig. Zweifellos könnten wir alle von genauen Vorhersagen profitieren, die auf der Vergangenheit basieren. Das gilt eigentlich für die gesamte Gesellschaft.

Es gibt jedoch ein Argument, dass die Vorhersagemodellierung in einer Branche, die von neuen Ideen lebt, einige Einschränkungen hat. Die Versuchung bei ausgeklügelten KI-Systemen und Vorhersagemodellen besteht darin, die Kontrolle abzugeben und an dem festzuhalten, von dem wir wissen, dass es weiterhin Wachstum bringen wird.

Darüber hinaus kann Predictive Analytics zu einer selbsterfüllenden Prophezeiung werden. Wir sehen, dass eine bestimmte Nachricht, ein bestimmtes Produkt oder ein bestimmtes Zielgruppensegment voraussichtlich mit einer höheren Conversion-Rate konvertiert wird, daher verschieben wir das Budget, um daraus Kapital zu schlagen. Wenn die Vorhersage eintrifft, liegt das daran, dass die Vorhersage richtig war oder weil wir gehandelt haben, um sie richtig zu machen?

Schließlich sollten wir die Rolle der menschlichen Kreativität in diesem Prozess berücksichtigen. Wie wir in unserem Artikel über KI-gesteuerte Inhaltserstellung besprochen haben, ist die menschliche Fähigkeit zur Innovation und Entwicklung neuer, kreativer Lösungen eine, die KI noch nicht ganz beherrschen kann. Daher müssen wir unsere Teams mithilfe von Technologie freisetzen, damit sie ihre Fähigkeit zur langfristigen Strategie optimal nutzen können.

Wie bei jeder KI-Technologie ist einer der wichtigsten Erfolgsfaktoren die Rolle, die die Menschen spielen, um das Beste aus den ihnen zur Verfügung stehenden Tools herauszuholen. Insbesondere bei Predictive Analytics bedeutet dies, das richtige Gleichgewicht zwischen Qualitätsdaten, der besten Technologie und Menschen mit der Fähigkeit, die Grenzen der Technologie zu kennen, sicherzustellen.

Damit ist unsere dreiteilige Serie zu KI und Predictive Analytics abgeschlossen. Wenn Sie die vorherigen beiden Folgen verpasst haben, folgen Sie den folgenden Links für eine Zusammenfassung:

• Wie kann KI es Marketern ermöglichen, die Zukunft vorherzusagen?
• 5 Unternehmen, die KI verwenden, um die Zukunft und den Gewinn vorherzusagen