Was ist Machine Learning?
Definition des maschinellen Lernens
Machinelles Lernen (ML) ist ein Teilbereich von künstlicher Intelligenz (KI), der sich auf die Entwicklung von Systemen konzentriert, die basierend auf den von ihnen genutzten Daten lernen oder ihre Leistung verbessern. Künstliche Intelligenz ist ein breit gefasster Begriff, der sich auf Systeme oder Maschinen bezieht, die die menschliche Intelligenz nachahmen. Maschinelles Lernen und KI werden häufig in einem Atemzug genannt. Die Begriffe werden manchmal austauschbar verwendet, bedeuten aber nicht dasselbe. Ein wichtiger Unterschied ist, dass Machine Learning immer künstliche Intelligenz ist, aber KI nicht immer Machine Learning.
Heute gehört Machine Learning schon zu unserem Alltag. Wenn wir mit Banken interagieren, online einkaufen oder soziale Medien nutzen, kommen Machine-Learning-Algorithmen zum Einsatz, die für ein effizientes, problemloses und sicheres Erlebnis sorgen sollen. Machine Learning und die dazugehörige Technologie entwickeln sich rasant weiter – ihr Potenzial ist noch lange nicht ausgeschöpft.
Arten des maschinellen Lernens: zwei Ansätze für das Lernen
Algorithmen sind die Grundlage für Machine Learning. Im Allgemeinen werden zwei Arten von maschinellen Lernalgorithmen verwendet: überwachtes Lernen und nicht überwachtes Lernen. Der Unterschied zwischen ihnen definiert sich dadurch, wie sie aus Daten lernen, um Prognosen abgeben zu können.
| Überwachtes Machine Learning | Überwachte Machine-Learning-Algorithmen werden am häufigsten verwendet. Bei diesem Modell fungiert der Datenanalyst als Lehrer und bringt dem Algorithmus bei, welche Schlussfolgerungen er ziehen sollte. Ein Kind lernt, Obstsorten zu unterscheiden, indem es die entsprechenden Bilder in einem Buch ansieht und verinnerlicht. Analog dazu wird der Algorithmus mit einem Datensatz trainiert, der bereits gekennzeichnet ist und eine vordefinierte Ausgabe hat. Beispiele für überwachtes Machine Learning sind Algorithmen wie die lineare und logistische Regression, Multiclass-Klassifizierung und Support Vector Machines. |
| Nicht überwachtes Machine Learning | Beim nicht überwachten Machine Learning kommt ein unabhängigerer Ansatz zum Tragen. Hier lernt ein Computer, komplexe Prozesse und Muster zu erkennen, ohne dass ein Mensch eine enge, konstante Anleitung vorgibt. Nicht überwachtes Machine Learning umfasst ein Training, das auf Daten ohne Kennzeichnungen und spezifische, definierte Ausgaben basiert. Um die Kinder-Analogie aufzugreifen: Das nicht überwachte Machine Learning ist mit einem Kind vergleichbar, das Obstsorten zu erkennen lernt, indem es Farben und Muster beobachtet, anstatt die Namen unter Anleitung einer Lehrkraft zu verinnerlichen. Das Kind sucht nach Ähnlichkeiten zwischen Bildern und teilt sie in Gruppen auf, wobei jeder Gruppe eine eigene Kennzeichnung zugewiesen wird. Beispiele für nicht überwachte Machine-Learning-Algorithmen sind k-Means-Clustering, Hauptkomponentenanalyse, Unabhängigkeitsanalyse und Assoziationsanalyse. |
| Einen Ansatz wählen | Welcher Ansatz passt am besten zu Ihren Bedürfnissen? Ob die Entscheidung auf einen überwachten oder nicht überwachten Machine-Learning-Algorithmus fällt, hängt in der Regel von der Struktur und dem Volumen der Daten und dem jeweiligen Anwendungsfall ab. Maschinelles Lernen hat sich in vielen Branchen etabliert und unterstützt eine Vielzahl von Geschäftszielen und Anwendungsfällen, darunter:
|
Maschinelles Lernen und Entwickler
Wenn Entwickler mit maschinellem Lernen beginnen, werden sie sich auf ihre Kenntnisse der Statistiken, Wahrscheinlichkeit und Berechnungen verlassen, um die erfolgreichsten Modelle zu erstellen, die im Laufe der Zeit lernen. Mit intelligenten Fähigkeiten in diesen Bereichen sollten Entwickler kein Problem haben, die Verwendung der Tools zu lernen, die viele andere Entwickler zum Trainieren moderner ML-Algorithmen nutzen. Entwickler können auch entscheiden, ob ihre Algorithmen überwacht oder nicht überwacht werden. Entwickler können frühzeitig in einem Projekt Entscheidungen treffen und ein Modell einrichten und das Modell dann lernen lassen, ohne viel mehr Entwicklerbeteiligung zu haben.
Die Grenze zwischen Entwickler und Data Scientist ist oft verschwommen. Manchmal synthetisieren Entwickler Daten aus einem Modell für maschinelles Lernen, während Data Scientists zur Entwicklung von Lösungen für den Endbenutzer beitragen. Die Zusammenarbeit zwischen diesen beiden Disziplinen kann ML-Projekte wertvoller und nützlicher machen.
Geschäftsziel für maschinelles Lernen: Customer Lifetime Value modellieren
Die Modellierung des Kundenlebenszeitwerts ist für E-Commerce-Unternehmen unabdingbar, eignet sich aber auch für viele andere Branchen. Bei diesem Modell nutzen Unternehmen Machine-Learning-Algorithmen, um ihre wertvollsten Kunden zu identifizieren, zu verstehen und zu binden. Diese Wertmodelle werten riesige Mengen an Kundendaten aus, um die Kunden zu ermitteln, die am meisten Geld für eine Marke ausgeben oder treue Fürsprecher einer Marke sind oder beide dieser Eigenschaften aufweisen.
Modelle für den Kundenlebenszeitwert sind besonders effektiv darin, den zukünftigen Umsatz zu prognostizieren, den ein einzelner Kunde dem Unternehmen in einem bestimmten Zeitraum einbringt. Mithilfe dieser Informationen können Unternehmen ihre Marketingaktivitäten darauf ausrichten, ihre besten Kunden zu animieren, häufiger mit ihrer Marke zu interagieren. Außerdem helfen diese Modelle Unternehmen dabei, ihre Akquisitionsausgaben auf die Anwerbung neuer Kunden zu konzentrieren, die den vorhandenen besten Kunden ähneln.
Modellierung der Kundenabwanderung durch maschinelles Lernen
Die Akquise neuer Kunden ist zeitaufwendiger und kostspieliger, als die Zufriedenheit und Treue bestehender Kunden zu sichern. Mit der Modellierung der Kundenabwanderung können Unternehmen herausfinden, bei welchen Kunden die Wahrscheinlichkeit für eine Abwanderung am höchsten ist – und warum.
Ein effektives Abwanderungsmodell bietet mithilfe von Machine-Learning-Algorithmen Einblicke in zahlreiche Aspekte, von den Abwanderungsrisiko-Werten einzelner Kunden bis hin zu Abwanderungsfaktoren, nach Wichtigkeit eingestuft. Diese Daten ermöglichen die Entwicklung einer algorithmischen Kundenbindungsstrategie.
Ein tieferer Einblick in die Kundenabwanderung hilft Unternehmen dabei, Rabattangebote, E-Mail-Kampagnen und andere zielgerichtete Marketinginitiativen zu optimieren, die dafür sorgen, dass die besten Kunden auch weiterhin kaufen.
Die Verbraucher haben mehr Auswahlmöglichkeiten als je zuvor und können die Preise über eine Vielzahl von Kanälen sofort vergleichen. Die dynamische Preisgestaltung, auch als nachfragebasierte Preisgestaltung bezeichnet, ermöglicht es Unternehmen, mit der immer schneller werdenden Marktdynamik Schritt zu halten. Dabei können Unternehmen die Artikelpreise basierend auf diversen Faktoren flexibel anpassen. Zu diesen Faktoren gehören u. a. der Grad des Interesses des Zielkunden, die Nachfrage zum Zeitpunkt des Kaufes und ob der Kunde auf eine Marketingkampagne reagiert hat.
Dieses Maß an geschäftlicher Agilität erfordert eine sinnvolle Machine-Learning-Strategie und sehr viele Daten zur Bereitschaft verschiedener Kunden, in unterschiedlichen Situationen Geld für eine Ware oder Dienstleistung zu bezahlen. Obwohl dynamische Preismodelle komplex sein können, haben Unternehmen wie Fluggesellschaften und Mitfahrzentralen dynamische Preisoptimierungsstrategien erfolgreich implementiert, um den Umsatz zu erhöhen.
Geschäftsziel für maschinelles Lernen: Kunden durch Kundensegmentierung ansprechen
Für erfolgreiches Marketing war es seit jeher vonnöten, der richtigen Person zur richtigen Zeit das richtige Produkt anzubieten. Vor nicht allzu langer Zeit haben sich die Marketingfachkräfte bei der Kundensegmentierung auf ihre eigene Intuition verlassen und die Kunden für zielgerichtete Kampagnen in Gruppen unterteilt.
Heute können Datenanalysten mithilfe von Machine Learning Clustering- und Klassifizierungsalgorithmen nutzen, um Kunden basierend auf bestimmten Variationen in Personas zu gruppieren. Bei diesen Personas werden Unterschiede zwischen den Kunden über mehrere Dimensionen wie Demografie, Surfverhalten und Affinität hinweg berücksichtigt. Durch die Verbindung dieser Merkmale mit Mustern des Kaufverhaltens können datengestützt arbeitende Unternehmen hochgradig personalisierte Marketingkampagnen durchführen, die den Umsatz effektiver steigern als allgemeine Kampagnen.
Die für Unternehmen verfügbaren Daten nehmen zu, und Algorithmen werden immer ausgereifter. Dadurch verbessern sich auch die Personalisierungsfähigkeiten, wodurch das ideale Kundensegment des einzelnen Kunden für Unternehmen erreichbarer wird.
Geschäftsziel für maschinelles Lernen: die Leistungsfähigkeit der Bildklassifizierung nutzen
Machine Learning unterstützt eine Vielzahl von Anwendungsfällen, die über den Einzelhandel, Finanzdienstleistungen und E-Commerce hinausgehen. Es hält auch ein enormes Potenzial für Wissenschaft, Gesundheitswesen, Bauwesen und Energieanwendungen bereit. Beispielsweise verwendet die Bildklassifizierung Machine-Learning-Algorithmen, um jedem eingegebenen Bild eine Kennzeichnung aus einem festen Satz an Kategorien zuzuordnen. Unternehmen können damit u. a. 3D-Konstruktionspläne basierend auf 2D-Designs modellieren, das Markieren von Fotos in sozialen Medien vereinfachen oder Informationen für medizinische Diagnosen bereitstellen.
Deep-Learning-Methoden wie neuronale Netzwerke werden häufig für die Bildklassifizierung verwendet, da sie die relevanten Merkmale eines Bildes bei potenziellen Komplikationen am effektivsten identifizieren können. Zum Beispiel können sie Variationen des Blickwinkels, Beleuchtung, Skalierung oder unwichtige Elemente im Bild berücksichtigen und diese Probleme ausgleichen, um die relevantesten, hochwertigen Daten zu liefern.
Empfehlungs-Engines
Empfehlungs-Engines sind für das Cross-Selling und Up-Selling bei Verbrauchern und für ein besseres Kundenerlebnis unerlässlich.
Netflix bemisst den Wert seiner Empfehlungs-Engine, die Inhalte vorschlägt, auf 1 Mrd. US-Dollar pro Jahr. Nach Angaben von Amazon erhöht das System des Online-Versandhändlers seinen jährlichen Umsatz um 20 bis 35 Prozent.
Empfehlungs-Engines verwenden Machine-Learning-Algorithmen, um große Datenmengen zu untersuchen. So können sie prognostizieren, mit welcher Wahrscheinlichkeit ein Kunde einen Artikel kaufen oder einen Inhalt nutzen wird, und dem Benutzer anschließend individuelle Vorschläge unterbreiten. Dieses Verfahren führt zu einem stärker personalisierten und relevanten Erlebnis, das die Kundeninteraktion fördert und Abwanderung verhindert.
Machine Learning – Anwendungsfälle
Machine Learning unterstützt zahlreiche wichtige geschäftliche Anwendungsfälle. Aber inwiefern sorgt die Technologie für einen Wettbewerbsvorteil? Zu den überzeugendsten Qualitäten von Machine Learning zählt die Fähigkeit, die Entscheidungsfindung zu automatisieren und sie ebenso wie die Wertschöpfung zu beschleunigen. Das beginnt mit einer besseren geschäftlichen Visibilität und optimierter Zusammenarbeit.
„Wir erleben oft, dass Menschen nicht zusammen arbeiten können“, berichtet Rich Clayton, Vice President of Product Strategy für Oracle Analytics. „Wenn man Oracle Analytics Cloud um Machine Learning erweitert, können Mitarbeiter ihre Arbeit organisieren und diese Datenmodelle entwickeln, trainieren und bereitstellen. Es ist ein Tool für die Zusammenarbeit, dessen Wert in der Beschleunigung des Verfahrens liegt – und darin, dass unterschiedliche Unternehmensbereiche zusammenarbeiten können. So können Sie eine bessere Qualität und bessere Modelle bereitstellen.“
Beispielsweise führen typische Finanzabteilungen routinemäßig wiederholt einen aufwendigen Varianzanalyseprozess durch, d. h. einen Vergleich zwischen den tatsächlichen Gegebenheiten und dem, was vorhergesagt wurde. Es ist eine wenig kognitive Anwendung, die von Machine Learning deutlich profitieren kann.
„Durch die Implementierung von Machine Learning kann die Finanzabteilung schneller und intelligenter arbeiten und dort ansetzen, wo die Technologie an ihre Grenzen kommt“, sagt Clayton.
Die Macht der Prognose
Eine weitere herausragende Fähigkeit von Machine Learning sind die Prognosefunktionen. In der Vergangenheit wurden geschäftliche Entscheidungen häufig auf der Grundlage früherer Ergebnisse getroffen. Heute sagt Machine Learning mithilfe von umfassenden Analysen voraus, was geschehen wird. Unternehmen können vorausschauende, proaktive Entscheidungen treffen, anstatt sich auf Daten aus der Vergangenheit zu verlassen.
Durch die prädiktive Wartung können Fertigungsunternehmen, Energieunternehmen und Firmen aus anderen Branchen beispielsweise proaktiv sicherstellen, dass ihre betrieblichen Vorgänge zuverlässig und optimiert bleiben. In einem Ölfeld mit mehreren hundert Ölbohrmaschinen können Machine-Learning-Modelle Bohrer erkennen, die bald auszufallen drohen, und dann die Wartungsteams im Voraus benachrichtigen. Dieser Ansatz erhöht nicht nur die Produktivität, sondern auch die Leistung, Verfügbarkeit und Lebensdauer der Anlagen. Außerdem verringert er das Risiko für Arbeiter und die Haftung und unterstützt die Einhaltung von Vorschriften.
Die Vorteile der prädiktiven Wartung erstrecken sich auch auf die Bestandskontrolle und -verwaltung. Wenn Unternehmen mit prädiktiver Wartung ungeplante Ausfälle vermeiden, können sie den Bedarf an Ersatzteilen und Reparaturen präziser vorhersagen – was die Investitions- und Betriebskosten senkt.
Das Potenzial des Machine Learning
Machine Learning bietet ein enormes Potenzial und kann Unternehmen dabei unterstützen, aus der Fülle der heute verfügbaren Daten geschäftlichen Nutzen zu gewinnen. Ineffiziente Arbeitsabläufe können Unternehmen jedoch daran hindern, das Potenzial von Machine Learning voll auszuschöpfen.
Damit Machine Learning auf Unternehmensebene erfolgreich genutzt werden kann, ist eine umfassende Plattform nötig, mit der Unternehmen ihre betrieblichen Abläufe vereinfachen und Modelle in großem Umfang bereitstellen können. Mit der richtigen Lösung können Unternehmen alle Data Science-Arbeiten in einer Plattform für die Zusammenarbeit zentralisieren und die Nutzung und Verwaltung von Open Source-Tools, Frameworks und Infrastrukturen beschleunigen.