KI rettet Kunden
SAP wolle nach Aussage von Firmenchef McDermott der führende Anbieter von maschinellem Lernen im Firmenkundengeschäft werden. Das Unternehmen investiere daher stark in KI und hat mit dem Innovations-System Leonardo eine Grundlage für Anwendungen für maschinelles Lernen und Software für künstliche Intelligenz geschaffen.
Sowohl anbieterseitig als auch auf der Nachfrageseite investieren Unternehmen zunehmend in KI und ihrem Teilgebiet, dem Machine Learning. 73 Prozent der Unternehmen erwarten sich vom Einsatz von KI-Technologien eine höhere Kundenzufriedenheit und 65 Prozent, dass sie so die Abwanderung von Kunden reduzieren können laut Beratungsunternehmen Capgemini.
Prädestiniert sind ML-Lösungen in diesem Umfeld, um Abwanderungsprognosen zu ermitteln, auch Churn Prediction oder Customer Retention genannt.
Mithilfe von Customer Retention können Kunden frühzeitig Identifiziert werden, die kurz davor stehen zum Wettbewerb abzuwandern, wenn etwa ihr Vertrag bei einem Dienstleister ausläuft. Customer Retention ist vor allem für Unternehmen mit einer hohen Anzahl an Kunden relevant, weil hier die Loyalität jedes einzelnen nur schwer einschätzbar ist.
Auch hier hat SAP eine ML-basierte Lösung in petto. Mit SAP Customer Retention könne laut der Lösungsbeschreibung das Kundenverhalten auf Basis von Transaktionsdaten und digitalen Interaktionspunkten abgeleitet und vorhergesehen werden.
Doch der Algorithmus eines Customer-Retention-Systems benötigt neben möglichen Abwanderungs-Parametern vor allem einen möglichst großen Datensatz über die jeweilige Kundenhistorie. Dazu gehören sämtliche Kundeninformationen, sprich die Stammdaten und die Bewegungsdaten.
Diese umfassen Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt. Doch all diese Daten müssen erst einmal für das ML-System verfügbar gemacht, aufbereitet und validiert werden.
Und genau hier liegt die Herausforderung für Unternehmen. Denn Stammdaten und Bewegungsdaten von Kunden liegen in Unternehmen mehreren Systemen verteilt – seien es etwa Systeme wie SAP CRM, SAP Service Ticketing Intelligence, SAP-ERP-Lösung oder Call-Center-Anwendungen.
Damit ist es kaum möglich, die in den unterschiedlichen Systemen verwalteten Kundendaten zusammenzuführen und für das ML-System verfügbar zu machen. Daher brauchen Unternehmen eine Lösungs- und Prozessmethodik, die alle Kundendaten – Adressdaten, Kaufverhalten, Kaufhistorie, Vorlieben und die Spuren, die der Kunde im Internet und den sozialen Medien hinterlässt – aus all ihren einzelnen Unternehmenssystemen zusammenführt, ohne Silohaltung und Redundanzen.
Garbage in, Garbage out
Darüber hinaus müssen Unternehmen bedenken, dass der Einsatz von ML nur dann wirklichen Nutzen bringt, wenn die Datenbasis, die Unternehmen dem System zur Verfügung stellen, auch qualitativ hochwertig ist.
Denn Grundlage jedes Machine-Learning-Systems sind Datenmengen, anhand derer ML-Systeme trainiert werden. Damit das System nicht falsch lernt und irrtümliche Prognosen erstellt, ist es also kritisch, dass die zugrundliegende Datenbasis absolut fehlerfrei ist.
Im Falle von Customer-Retention-Anwendungen müssen daher die Kundendaten aktuell, korrekt und umfassend sein – und Fehler bereits vorab ausgemerzt werden. Potenzielle Fehlerquellen sind falsche Schreibweisen, Dubletten, veraltete Daten und semantische Probleme.
ML bringt nur dann die beste Erfolgsquote, wenn die Datenbasis, die man ihr zum Lernen zur Verfügung stellt, auch qualitativ hochwertig ist. Je korrekter eine Datenbasis ist, umso besser wird ein Algorithmus daraus seine Schlüsse ziehen.
Aus diesem Grund müssen Daten über ihren gesamten Lebenszyklus hinweg gepflegt, geschützt und überwacht werden. Nur so können KI- und ML-Systeme ihr volles Potenzial entfalten.
