15.02.2017 Schlaue Maschinen verhindern Regelsalat

Was Machine Learning zum CRM beitragen kann

Von: Sudhir Sawant

Wer heutzutage ein erfolgreiches Marketing betreiben will, muss seine Inhalte individuell an seine Kunden anpassen. Die Personalisierung von Angeboten spielt im Zeitalter der Digitalisierung eine zunehmend wichtige Rolle. Trotzdem vertrauen viele Unternehmen immer noch auf veraltete Methoden, bei denen sie offline gesammelte Daten analysieren und daraus fixe Regeln ableiten.

Die Herausforderung maschinellen Lernens besteht in der Implementierung.

Diese Regeln implementieren die Marketer der Unternehmen dann automatisch mithilfe einer Business Rule Engine. Im Laufe der Zeit werden jedoch immer mehr Daten analysiert und die Maschine muss demnach mehr Regeln aufnehmen. Der dadurch entstehende Regelsalat ist eher hinderlich für eine individuelle Kundenansprache. Alte Ansätze funktionieren somit nicht länger und schaden vielmehr der Effektivität sowie Effizienz eines Unternehmens.

Maschinelles Lernen auf Datenbasis


Die erfolgreichen IT-Unternehmen wie Google, Twitter oder Netflix haben die Lösung für dieses Problem längst erkannt: Sie setzen auf Machine Learning – ein Konzept, bei dem eine Software kontinuierlich Informationen über ein Thema sammelt und sich selbst optimiert. Dazu werden selbstlernende Algorithmen zunächst im Rahmen bestimmter Regeln festgelegt. Je mehr Daten das System sammelt, desto besser werden die Algorithmen – und auch die Auswertungen.

Solche selbstlernenden Systeme helfen Unternehmen dabei, ab der ersten Sekunde Daten über ihre Kunden zu sammeln und sie in Echtzeit zu analysieren. Gleichzeitig ergänzt die Software diese Daten durch eigene, neue Informationen. Basierend auf den Auswertungen stellen die Data-Analytics-Systeme schließlich Regeln auf. Je nachdem ob diese erfolgreich sind oder nicht, passt das System sie entsprechend an. Anstelle eines Regelchaos entsteht auf diese Weise eine übersichtliche Plattform, mit der Marketer schnell Einsichten gewinnen können. Mit den richtigen Informationen sind sie sofort in der Lage, kundenorientiert zu entscheiden und so das Unternehmen nach vorne zu bringen.

Anwendungsbeispiele für Machine Learning


Machine-Learning-Algorithmen können so beispielsweise vorhersagen, wann ein Kunde das Bedürfnis haben wird, ein bestimmtes Produkt zu kaufen. Dazu analysiert ein selbstlernendes System die vergangenen Einkäufe des Kunden, um wiederkehrende Muster aufzudecken. Kauft der Kunde z.B. zwei Mal im Jahr neue Sportschuhe, wird das System diese Wiederholung erkennen und eine Regel daraus erstellen. Anhand weiterer Kundendaten prüft die Maschine die Regel. Wenn sich andere Kunden ähnlich verhalten, kann das Unternehmen auch diesen Kunden Angebote zu neuen Sneaker-Modellen zukommen lassen – genau dann, wenn diese das Bedürfnis danach verspüren.

Dabei spielt es keine Rolle, ob die Kunden lieber etwas online am PC bestellen oder vor Ort im Laden kaufen. Ein Machine-Learning-Algorithmus analysiert mithilfe von Location-Daten das Verhalten eines Käufers und vergleicht es mit ähnlichen Kunden. So weiß das System mit hoher Wahrscheinlichkeit, auf welchem Kanal ein Kunde als nächstes unterwegs sein wird – und kann ihm das richtige Produkt auf dem richtigen Kanal anbieten.

Auch Kundenempfehlungen lassen sich durch Machine-Learning-Algorithmen direkt bereitstellen. Aus den Such- und Kaufverläufen eines Kunden kann ein selbstlernendes System Informationen wie Produktkorrelationen generieren. Die Maschine reagiert in Echtzeit auf die Verläufe und vergleicht die bereits gekauften oder angesehenen Produkte mit anderen Angeboten. Das geschieht, während der Kunde noch auf der Suche ist. Dieser Prozess ist dabei auch nicht nur auf einen Kunden beschränkt, sondern auf ganze Kundensegmente gleichzeitig anwendbar.

Vor- und Nachteile selbstlernender Systeme


Im Management von Kundenbeziehungen bietet Machine Learning drei klare Vorteile: Durch eine effektivere Kundenakquise, Konversion und Kundenbindung erhöht es den Unternehmensumsatz, die dadurch ermöglichten persönlichen und relevanten Angebote führen zu zufriedeneren Kunden und die automatisierte Pflege der selbstlernenden Systeme sorgt schließlich für sinkende Wartungskosten.

Die Herausforderung maschinellen Lernens besteht jedoch in der Implementierung. Um selbstlernende Software in Kunden-Management-Systeme zu integrieren, brauchen Unternehmen fachliche Expertise. Die selbstlernenden Systeme müssen vor ihrem Einsatz entsprechend programmiert werden, damit sie funktionsfähig sind und die gewünschten Ergebnisse liefern. Dies schaffen nur Experten aus dem Bereich des Machine Learnings.

Das Grundprinzip selbst stellt einen weiteren Nachteil dar. Das maschinelle Lernen ist von einer kontinuierlichen Datenzufuhr abhängig. Das erfordert enorme Datensätze, die nicht jedes Unternehmen aufbringen kann. Bleiben die Daten aus, ist das System nicht in der Lage, weiter zu lernen. Kleinere Datenmengen lassen sich somit eher schlecht analysieren.

Personalisierung durch Machine Learning beginnt letztlich bei den Daten, wie etwa der Digitalexperte Mindtree betont. Unternehmen müssen diese aus unterschiedlichen Quellen – online, offline und von Dritten – zusammentragen und zur Analyse vorbereiten. Der zweite Schritt besteht darin, selbstlernende Systeme zu implementieren, die die Analyse übernehmen. Anhand der vorhandenen Daten müssen Unternehmen Algorithmen erstellen und trainieren. Nur so können sie später nützliche Handlungsempfehlungen erhalten. Der dritte und letzte Schritt ist die Integration der Modelle in Echtzeit. Die Kunden der Unternehmen erhalten dann zur richtigen Zeit und auf dem richtigen Kanal die für sie richtigen Angebote und Inhalte.

Bildquelle: Sergey Nivens

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH