Machine Learning – noch viel Potenzial

Von der Prozessoptimierung bis hin zu ganz neuen Geschäftsmodellen

Kognitive Lösungen mit Machine Learning werden Alltag. Sie übernehmen Routinearbeiten und unterstützen uns dabei, komplexe Aufgaben effizient zu erledigen. Jedoch nicht nur: Sie ermöglichen auch Geschäftsmodellinnovation. Die IT Consultants Nina Zurbuchen und Zsolt Czinkan berichten über den Stand der Dinge.

In den 1970er-Jahren war künstliche Intelligenz schon einmal ein Hype, ist aber wieder von der Agenda verschwunden. Wie erklärt ihr euch, dass das Thema jetzt wieder aufs Tapet kommt?

 

NZ: Dafür gibt es mehrere Gründe: Zum einen wurden die Machine-Learning-Algorithmen weiterentwickelt und wir wissen heute viel mehr darüber, welcher Algorithmus wo eingesetzt werden kann. Zum andern hat die Hardware mehr Power. Dadurch können selbst grosse Datenmengen sehr schnell verarbeitet werden. Ein weiterer Punkt ist die Wiederentdeckung neuronaler Netze. Zwar wurde bereits in den 1940-Jahren mit neuronalen Netzen experimentiert, doch stand damals noch zu wenig Rechenkraft zur Verfügung. Heute erleben neuronale Netze als Deep Learning eine Renaissance.

 

ZC: Ein weiterer Aspekt ist, dass Daten heute systematisch erfasst und verwaltet werden. Alles ist mit allem vernetzt, alle Systeme produzieren Daten und Logfiles und speichern Daten ab. Diese Unmengen von Daten lassen sich auswerten und auch dazu verwenden, Algorithmen zu trainieren.

 

Notitia31_interview_1
Nina Zurbuchen und Zsolt Czinkan: nutzen kognitive Lösungen in Kundenprojekten.

Wie trainiert man Algorithmen?

 

NZ: Oft sind die Daten auf verschiedene Systeme verteilt und wir müssen sie erst in eine einheitliche Form bringen, damit wir sie nutzen können. Danach analysieren wir die Daten mithilfe von Algorithmen und erstellen so ein Modell. Wie man das macht, hängt davon ab, ob man die erwarteten Ergebnisse kennt. Kennt man die Ergebnisse, spricht man von Supervised Learning. In diesem Fall verwendet man einen Teil des Datensatzes als  Testdaten. So kann man überprüfen, wie verlässlich das Modell funktioniert. Sind die Ergebnisse nicht bekannt, werden die Daten analysiert und geclustert und der Zusammenhang zwischen den Daten wird interpretiert. Das Ziel dabei ist, abweichendes Verhalten zu erkennen. So kann zum Beispiel entdeckt werden, dass jemand mit einer gestohlenen Identität Geld zu überweisen versucht.

 

Welche kognitiven Ansätze nutzen eure Kunden?

 

ZC: Unsere Kunden setzen kognitive Lösungen zum Beispiel dazu ein, den Kundenberatungsprozess zu optimieren. Algorithmen suchen Informationen über Kunden aus unterschiedlichen Quellen zusammen und verbinden sie miteinander, um die Daten für den Kundenberater integriert darzustellen.

 

NZ: Viele Unternehmen nutzen kognitive Lösungen erst ansatzweise. Hier gibt es noch viel Potenzial.

 

Wo seht ihr das grösste Potenzial für kognitive Lösungen?

 

ZC: Überall dort, wo Menschen mit grossen Datenmengen  arbeiten. Nehmen wir als Beispiel die Bearbeitung von Schadenmeldungen bei einer Versicherung. Kognitive Lösungen können einfache Fälle automatisch aussortieren und bearbeiten, um die Schadenexperten zu entlasten, sodass diese sich komplexeren Aufgaben widmen können.

 

Welche weiteren Vorteile bietet die automatisierte Verarbeitung grosser Datenmengen?

ZC: Sie erlaubt es beispielsweise, Betrug aufzudecken. Wenn man über grosse Datenmengen und ein hohes Volumen von Schadenmeldungen verfügt, lassen sich gewisse Muster herauslesen und Fälle erkennen, die von diesem Muster abweichen. Diese Fälle werden dann durch den Schadenexperten untersucht. Es geht also nicht darum, dass die Maschine für den Menschen die Entscheidung trifft, sondern darum, den Entscheidungsprozess zu unterstützen und zu beschleunigen.

 

Was sind die Voraussetzungen, damit Unternehmen kognitive Lösungen einsetzen können?

 

NZ: Zum einen die Verfügbarkeit von Daten in der geforderten Qualität, zum andern die Bereitschaft des Unternehmens, solche Lösungen zu nutzen. Die Zeit spielt ebenfalls eine Rolle. Wenn man am Ende das Resultat sieht, ist man immer begeistert. Bis dahin braucht es aber eine gewisse Zeit. Deshalb schlagen wir unseren Kunden vor, ein Projekt mit einem Proof of Concept (PoC) zu beginnen, bei dem ein reduzierter Anwendungsfall abgebildet wird. So erhält man schnell erste Resultate und kann entscheiden, wie es mit dem Projekt weitergehen soll. Sehr oft entstehen während eines PoC interessante «Nebenprodukte», die sich auch für andere Anwendungsfälle nutzen lassen. Deswegen ist es sinnvoll, den Projektumfang erst nach dem PoC zu definieren.

 

ZC: Hier ist wichtig zu verstehen, dass ein grosser Unterschied besteht zwischen traditionellen Softwareentwicklungsprojekten und Machine-Learning-Projekten. Für traditionelle Projekte stellt ein Unternehmen ein gewisses Budget, Ressourcen und Zeit bereit. Innerhalb dieses Rahmens muss das Projekt fertiggestellt werden. Wenn es fertig ist, wird es für fünf bis zehn Jahre genutzt, oft mit minimalen Anpassungen. In unserem Fall ist der gesamte Prozess iterativ. Wir schauen die Machine-Learning- Lösung immer wieder an, um sie finezutunen und anzupassen. Dies unter anderem deshalb, weil sich die Daten, die dem Modell als Basis dienen, verändern können.

 

Welche Hürden gibt es bei der Einführung kognitiver Lösungen?

 

NZ: Damit ein Unternehmen Machine Learning nutzen kann, muss es wissen, welche Daten zur Verfügung stehen. Zudem ist es von Vorteil zu wissen, welches Ziel man durch den Einsatz von Machine Learning erreichen will. Wir schauen dann, ob das mit den vorhandenen Daten möglich ist, und stellen sicher, dass wir das richtige Werkzeug dafür bieten. Manchmal kann eine bestimmte Fragestellung auch mit einfacheren Mitteln als dem Einsatz von Machine Learning angegangen werden. Deshalb ist es immer sinnvoll, alle möglichen Lösungen anzuschauen und sich erst dann für eine zu entscheiden.

 

ZC: Es gibt auch Fälle, in denen Machine Learning nicht eingesetzt werden kann, weil nicht genügend oder nicht die richtigen Daten vorhanden sind.

 

NZ: Eine weitere Hürde ist die Angst der Mitarbeitenden um ihre Stelle. Bekanntlich hat jede industrielle Revolution dazu geführt, dass gewisse Berufe verschwunden sind. Sie sagen sich deshalb: «Wenn die Maschine meine Aufgabe erfüllen kann, braucht es mich nicht mehr.» Wir müssen den Leuten erklären, dass es sich lohnt, sich mit den neuen Möglichkeiten auseinanderzusetzen. Die Tools werden ihnen dabei helfen, ihre Arbeit effizienter zu bewältigen.

 

ZC: Genau. Die Angst vor einem Stellenverlust ist ein interessanter Punkt. Meiner Meinung nach werden einige Jobprofile verschwinden und neue entstehen. Dies hat oft auch organisatorische Konsequenzen und es braucht eine gewisse Flexibilität, um mit diesen Änderungen umzugehen. Das Unternehmen muss dazu bereit sein, sich auf diesen Change-Prozess einzulassen.

 

Wie wirkt sich der Einsatz kognitiver Lösungen auf das Geschäft aus?

 

NZ: Durch kognitive Lösungen werden unter Umständen ganz neue Geschäftsmodelle möglich, man spricht dann von Geschäftsmodellinnovation. Ein bekanntes Beispiel dafür ist ein international tätiger Werkzeughersteller. Das Unternehmen bietet seinen Kunden heute zum Beispiel Service-Abonnements statt Bohrmaschinen an, denn der Kunde will letztlich keine Bohrmaschinen, sondern Löcher.

 

Der Kunde kauft also keine Maschine mehr, sondern Löcher?

 

NZ: Richtig, der Kunde kauft ein Service-Abo und hat damit jederzeit Zugang zur gesamten Maschinenflotte. Machine Learning unterstützt das neue Modell, indem es zum Beispiel eine flexible Preisstruktur berechnet, die Mitarbeiter bei der Einsatzplanung unterstützt oder voraussagt, wann die Maschine ersetzt werden muss. Der Kunde hat mit dem Service-Abo jederzeit  genau die richtige Spezialmaschine zur Hand und muss nicht selbst einen ganzen Maschinenpark unterhalten. Das heisst jedoch nicht, dass persönliche Betreuung heute nicht mehr wichtig ist, wie das Beispiel eines Auto-Importeurs zeigt. Dieser betreibt ein grosses Call-Center, da nur ein geringer Teil seiner Kunden die elektronischen Bestellmöglichkeiten nutzt und rund 8000 Garagen lieber telefonisch bestellen. Gemäss Berechnung nehmen die rund 40 Call-Center-Mitarbeiter 1700 Anrufe pro Tag entgegen und benötigen für jeden etwa 2,5 Minuten.

 

Würde sich eine Machine-Learning-Lösung in diesem Fall nicht auch auszahlen?

 

NZ: Genau das hat sich der Importeur auch überlegt, nämlich, ob eine Maschine die Anrufe ebenso schnell beantworten könnte wie ein Mitarbeiter – oder ob man gleich ein neues Geschäftsmodell anbieten sollte. Nun verkaufen die Call-Center-Mitarbeiter anlässlich der Telefonanrufe nicht nur Ersatzteile, sondern bieten auch zusätzliche Services an. Hier kommt die Machine-Learning- Software ins Spiel: Sie sagt dem Call-Center-Mitarbeiter, mit welcher Wahrscheinlichkeit der Kunde einen zusätzlichen Service beziehen wird, beispielsweise eine Flüssigkeit nachbestellen. Tatsächlich kauft jeder zweite Anrufer ein solches Produkt dazu.

 

ZC: Dieses Beispiel zeigt klar, dass es oft eher darum geht, mit bestehenden Ressourcen zusätzlichen Wert zu generieren, als bestehende Ressourcen oder Stellen abzubauen.

 

Es gibt die Aussage «Digitial insights are the new currency of business». Wie denkt ihr darüber?

 

ZC: Unternehmen, die sich in einem starken Wettbewerb befinden, können sich differenzieren, indem sie sich digitalisieren und aus Daten neue Erkenntnisse gewinnen, die ihnen einen Vorsprung verschaffen.

 

Tatsächlich verfügen Unternehmen heute oft über jede Menge Daten, können diese aber nicht richtig nutzen. Was hilft in solchen Fällen?

 

ZC: Viele Unternehmen sammeln Daten und erstellen daraus  sogenannte Data Lakes, zentrale Datenbanken, die Unmengen von Daten speichern. Nun möchten sie diese Daten nutzen und daraus Assets generieren. Dabei hilft Data Science oder Data  Mining, wie es früher genannt wurde.

 

Machen das die Unternehmen selbst oder brauchen sie dazu Spezialisten?

 

ZC: Einerseits braucht es Experten, die sich mit Data Science und Algorithmen auskennen. Andererseits braucht es Personen von innerhalb des Unternehmens, die mit den Daten selbst vertraut sind, also deren Inhalte und Zusammenhänge verstehen. Hat ein Unternehmen schon ein gewisses Nutzenpotenzial erkannt, benötigt es IT-Spezialisten, um konkrete Massnahmen umzusetzen.

 

Inwiefern verstärken kognitive Technologien den Trend zur Monopolisierung?

 

ZC: Wenn jemand für die Kunden einen derart hohen Mehrwert schafft, dass sie auf die Plattform dieses Anbieters umsteigen und dieser dadurch so stark wächst, dass alle anderen unbedeutend werden, kann durchaus eine Monopolsituation entstehen.

 

NZ: Allerdings: Wenn wir die Entwicklung grosser Retail Shops betrachten, sehen wir, dass Boutiquen auch noch da sind. Sehr spezialisierte Online Shops werden höchstwahrscheinlich nicht aussterben, da sie auf ganz bestimmte Kunden ausgerichtet sind.

 

ZC: Im Retailgeschäft in Deutschland wird Amazon immer stärker. Diese Entwicklung verfolgen viele mit grosser Besorgnis. Es ist zu hoffen, dass einige starke Mitbewerber in diesen Markt eintreten.

 

NZ: Oder der Markt wird reglementiert durch die Wettbewerbsbehörden.

 

Wird das Unternehmen in dem Fall nicht einfach auf ein anderes Land ausweichen?

 

NZ: Das ist denkbar. Doch gibt es überall Gesetze, die zu beachten sind. So erlauben zum Beispiel die Schweizer Gesetze vieles nicht. Daher haben Unternehmen unter Umständen Daten, die sie gar nicht auswerten dürfen.

 

Die Gesetze sind folglich ein grosses Hindernis für eure Projekte …

 

NZ:  So würde ich das nicht sagen. Gesetze sind schliesslich dazu da, ungerechtfertigte und gefährliche Datenauswertungen zu verhindern, was wir unterstützen. Ausserdem sind die Risiken nicht zu unterschätzen und die meisten Unternehmen verfügen über wenig bis gar keine Erfahrung mit dem Einsatz von kognitiven Lösungen. Ausserdem sind Experten auf diesem Gebiet schwierig zu finden. Wir empfehlen deshalb, mit etwas Kleinem zu beginnen und die Lösung dann schrittweise auszubauen.

 

ZC: Die meisten Unternehmen stehen bezüglich kognitiver Lösungen noch am Anfang. Für sie geht es zunächst darum, die notwendigen Informationen zu sammeln. Der nächste Schritt ist dann die Auswertung, Verbindung, Anreicherung usw. der Daten. Von jenen, die bereits über Daten verfügen, sitzen zahlreiche auf Hunderten von Datentöpfen, die nicht miteinander verbunden sind. Ein weiterer Punkt ist der Datenschutz. Daten, die für einen bestimmten Zweck erhoben wurden, dürfen nicht einfach für etwas anderes verwendet werden, vor allem dann nicht, wenn es sich um personenbezogene Daten handelt.

 

 

Interviewpartner

Nina Zurbuchen

Nina Zurbuchen, Wirtschaftsinformatikerin und Betriebswirtschafterin, ist seit 2015 bei AdNovum. Als Consultant befasste sie sich während mehrerer Jahre mit den Themen Strategie, Governance und Compliance sowie Risiko- und Prozessanalyse, bevor sie sich den Entwicklungen im Bereich kognitive Lösungen zuwandte. Sie erarbeitet zusammen mit ihren Kunden die für diese am besten geeigneten Lösungen und begleitet bei Bedarf deren Umsetzung. Blockchain ist ein weiteres Thema, das sie vorantreibt. Ihre Freizeit verbringt sie gerne im Kreis ihrer Familie, spielt Tennis oder liest ein Buch.

 

Zsolt Czinkan

Zsolt Czinkan, MSc Information Technology Engineer, arbeitet seit 2012 bei AdNovum. Als Principal Consultant berät er Grossunternehmen in IT-Innovations-, -Organisations- und -Umsetzungsthemen. Seit 2017 ist er verantwortlich für AdNovums Beratungspraxis für die Versicherungsbranche. Seine Freizeit geniesst er am liebsten mit seiner Familie in den Schweizer Bergen oder auf einer Reise.

 

 

notitia31_interview_2
Zoom
Schritt für Schritt zur kognitiven Lösung.

Massgeschneiderte kognitive Lösungen kombinieren Datenanalyse, intelligente Suche und maschinelles Lernen. Sie ermöglichen es Unternehmen, aus strukturierten und unstrukturierten Daten Informationen und Erkenntnisse zu gewinnen, die zu mehr Effizienz, schnellerer Reaktion sowie einem wirksameren Kundenservice und einem besseren Geschäftsergebnis führen. Die verstärkte und automatisierte Nutzung der vorhandenen Daten erfolgt am besten in kleinen Schritten. So fokussiert man auf die gewinnbringendsten Fälle und lernt auch als Organisation laufend dazu. Für Unternehmen, die mehr Nutzen aus ihren Daten generieren wollen, bietet AdNovum die folgenden Dienstleistungen:

  • Potenzialanalyse für kognitive Lösungen (1–2 Tage)
  • Einführung und Marktüberblick zu kognitiven Lösungen für Entscheider (1 Tag)
  • Use-Case-Workshops für kognitive Lösungen (1 Tag)
  • Datenanalyse: Wo verstecken sich die Werte in den Daten? Hypothesenbildung (in der Regel 1 Woche)
  • Überprüfung der Hypothese mittels Prototypen (2–8 Wochen)
  • Umsetzung massgeschneiderter kognitiver Lösungen
  • Laufende Optimierung und Wartung kognitiver Lösungen

Unsere Interviewpartner Nina Zurbuchen und Zsolt Czinkan stehen Ihnen für Fragen und weitere Auskünfte gerne zur Verfügung.