Selbstlernende Algorithmen

Dynamic Pricing: Big Data vs. Bauchgefühl

Big Data statt Bauchgefühl: Selbstlernende Algorithmen sorgen für Dynamic Pricing und erleichtern Sales-Mitarbeitern sowie Data Scientists die Arbeit, berichtet Prof. Dr. Michael Feindt, Gründer und Chief Scientific Advisor der Blue Yonder GmbH.

Michael Feindt, Blue Yonder

Prof. Dr. Michael Feindt, Gründer und Chief Scientific Advisor der Blue Yonder GmbH

IT-DIRECTOR: Herr Feindt, glaubt man den Marketing-Aussagen der Software-Anbieter, reicht allein die Anschaffung von Big-Data-Tools aus, um Unternehmen mittels vorausschauender Analysen auf die Erfolgsspur zu bringen. Inwieweit ist eine solche Einschätzung realistisch oder doch viel zu kurz gegriffen?
M. Feindt:
Das ist deutlich zu kurz gegriffen: Tools sind eine Voraussetzung, um überhaupt die richtigen Fragen stellen und die Ergebnisse richtig interpretieren zu können, aber sie brauchen Experten, die sie sinnvoll bedienen. In diesem Fall sind das Data Scientists mit mathematisch-statistischer Ausbildung und guten Programmierkenntnissen, starken analytischen Fähigkeiten und gleichzeitig tiefem Branchenwissen. Solche Experten sind dünn gesät, aber es gibt eine Alternative zum für Unternehmen schwierigen Recruiting: Full-Service-Anbieter wie Blue Yonder, die die Tools, aber auch die qualifizierten Mitarbeiter mit der genannten Kombination von Fähigkeiten einsetzen und ihren Kunden Lösungen für ganz konkrete Fragestellungen anbieten.

Vor dem Einsatz von Big-Data-Tools steht aus unserer Erfahrungen zudem erst mal eine Geschäftsherausforderung oder ein Business Case. Meist geht es darum, bestimmte Kennzahlen oder Prozesse zu optimieren. Gerade bei operativen Entscheidungen, die aufgrund der Masse, Geschwindigkeit und Komplexität die menschlichen Fähigkeiten überfordern würden, können datenbasierte Lösungen und Predictive Applications einen erheblichen Mehrwert liefern. Dabei müssen zunächst die richtigen Daten und Einflussfaktoren identifiziert und bereitgestellt werden. Neben der Qualität der Daten kommt es hier auch auf die Technologie an, die man einsetzt.

Für gewinnbringende Entscheidungen braucht es modernste Technologien. Gartner hat dies vor kurzem sehr gut auf den Punkt gebracht: Algorithmen bestimmen das Business. „Algorithms are where the real value lies“, sagt zum Beispiel Peter Sondergaard, Senior Vice President von Gartner Research. Um diese Werte zu heben, geht es für Unternehmen darum, statt irgendeiner die richtige Technologie anzuwenden. Hier positionieren wir uns mit unseren cloud-basierten Machine-Learning-Algorithmen, die von renommierten Data Scientists entwickelt und angewendet werden. Ziel ist es, Händlern optimale Entscheidungen für ihre operativen Prozesse zu liefern.

IT-DIRECTOR: An welchen Stellschrauben müssen die Verantwortlichen tatsächlich drehen, damit der Einsatz von Big-Data-Analyse-Software das Unternehmen entscheidend voranbringen kann?
M. Feindt:
Sie müssen dort an Stellschrauben drehen, wo täglich millionenfach Entscheidungen getroffen werden müssen, die der Mensch im Einzelnen gar nicht mehr treffen kann. Das betrifft mehrere Abteilungen in den Unternehmen – wie zum Beispiel die Warendisposition, Pricing-Abteilungen, das Marketing und den Vertrieb.

Im Handel, auf den wir uns mit unseren cloud-basierten Predictive Applications konzentrieren, gibt es viele Tätigkeiten, die für künstliche Intelligenz prädestiniert sind. Dazu zählen operative Entscheidungen, die täglich und routinemäßig anfallen. Machine-Learning-Algorithmen können diese Entscheidungen auf Basis von historischen Daten und zusätzlichen externen Faktoren besser und automatisiert treffen. Vor allem Bereiche wie Logistik, Disposition und Marketing profitieren davon. Diese Entscheidungshilfen sind dem Bauchgefühl weit überlegen, da sie jede Einzelentscheidung genau berechnen. Gerade bei der Preisoptimierung spielen diese Anwendungen eine wichtige Rolle, da für jedes Produkt entsprechend der Nachfrage die individuelle Preiselastizität bestimmt und so der optimale Preis festgelegt werden kann.

IT-DIRECTOR: Generell sind Analysen bzw. deren Ergebnisse immer nur so gut wie die Algorithmen, die ihnen zugrunde liegen. Wer in den Anwenderunternehmen sollte die Erstellung von Algorithmen übernehmen?
M. Feindt:
Die Entwicklung von Algorithmen muss auf der Basis von wissenschaftlichem Hintergrundwissen und komplexer Mathematik erfolgen – in Verbindung mit tiefem Verständnis der konkreten Fragestellung. Sonst bleibt der Algorithmus sinnlos. Daher arbeiten bei uns fast nur PhD-Data-Scientists, die Erfahrungen aus renommierten Instituten wie dem Cern mitbringen und das mit Fachwissen und Erfahrung aus dem Handel kombinieren.

Wir entwickeln Produkte für ganz konkrete, immer wiederkehrende Fragestellungen, zum Beispiel für die Warendisposition (Replenishment) oder die Preissetzung für Handelsketten. Unsere Kunden geben die strategischen Ziele vor: Soll jetzt zu Weihnachten in einer bestimmten Produktkategorie eher Marktanteil oder doch Umsatz und Gewinn im Vordergrund stehen? Wir liefern mit unseren Lösungen die "Intelligenz", die der Handel zur Erreichung seiner Ziele und angestrebten KPIs benötigt. Damit kann er seine strategischen Ziele auf tausende von operativen Einzelentscheidungen herunterbrechen. Die Kunden steuern also strategisch, überwachen die Ausführung und sorgen dafür, dass die Daten in guter Qualität zur Verfügung stehen, die dafür nötig sind. Ich halte diese Form der Kooperation, letztlich das Auslagern, oder das Beziehen von auf Big Data basierenden Services, für viel zielführender als die Vision, dass sich jedes Unternehmen eigene Big-Data-Abteilungen aufbaut.

IT-DIRECTOR: Inwieweit kann dabei sichergestellt werden, dass Fachabteilungen eigene Big-Data-Analysen erstellen können, ohne auf das Fachwissen spezieller "Data Scientists" angewiesen zu sein?
M. Feindt:
Bei rein deskriptiven Analysen auch von großen Datenmengen helfen Visualisierungstools. Aber für Predictive Analytics und Entscheidungsautomatisierung generell gilt das auf lange Sicht nicht. Immer wieder sehen wir, dass ohne tiefes analytisch-mathematisches Verständnis nicht die richtigen Schlussfolgerungen gezogen werden, die wirklich nachweisbar zu besseren Kennzahlen führen.

Prognosen zu erstellen, überhaupt zu wissen, was prognostizierbar ist und wieviel Unsicherheit in jeder einzelnen Prognose steckt, zu beurteilen, ob eine Prognose gut ist oder nicht und wie Entscheidungen die Zukunft beeinflussen: das alles sind komplexe Fragestellungen, für die Unternehmen Fachexpertise benötigen. Die Basis für datenbasierte Analysen ist die IT-Infrastruktur im Unternehmen. Sie liefert in Zusammenarbeit mit den Fachbereichen performante Systeme und valide Daten. Wir wenden Machine-Learning-Algorithmen für die Analyse dieser Daten an und liefern fertige Entscheidungen. Am Ende sind es die Fachbereiche, die mit unseren Analysen und Handlungsempfehlungen arbeiten und ihr Business optimieren.

IT-DIRECTOR: Wie lassen sich aus den durch Big-Data-Analysen ermittelten Mustern und Zusammenhängen konkrete Erkenntnisse ziehen? Und im nächsten Schritt gar konkrete Handlungsempfehlungen ableiten?
M. Feindt:
Unsere Algorithmen benötigen zunächst historische Daten und eventuell zusätzliche Einflussfaktoren wie das Wetter, um bestimmte Muster zu erkennen und Entscheidungen treffen zu können. Diese werden permanent auf Basis von aktuellen Daten optimiert. In der Praxis geht es hier um tausende Produkte, die von Millionen von Kunden gekauft werden und beispielsweise in Form von Abverkaufszahlen abgespeichert werden. Ein Mensch ist nicht mehr in der Lage, diese Vielzahl an Faktoren zu kombinieren und in Beziehung zu setzen. Hier geht es um mathematische Gleichungen und Wahrscheinlichkeitsdichten, die statistisch auswertbar sind, deren Wert also gemessen und bewiesen werden kann. Angewendet werden Machine-Learning-Algorithmen vor allem beim Replenishment oder bei der Preisgestaltung im Handel. Sie erhöhen die Geschwindigkeit, in der operative Entscheidungen gefällt werden können.

IT-DIRECTOR: Ein Bereich von Data Science umfasst Methoden wie Machine Learning oder Deep Learning. Was genau verbirgt sich dahinter?
M. Feindt:
Beide Begriffe benennen Methoden, bei denen Computer permanent Daten analysieren, aus vergangenen Ereignissen lernen und Entscheidungsunterstützung für bestimmte Fragestellungen liefern. Sie liefern dabei schnell und zuverlässig Ergebnisse.

IT-DIRECTOR: Inwieweit braucht man in Zeiten von künstlicher Intelligenz und selbstlernenden Algorithmen den Menschen überhaupt noch?
M. Feindt:
Viele Routinejobs sind nervig und zeitaufwendig. Diese Zeit kann man besser mit anderen Tätigkeiten verbringen, die fürs Unternehmen wertvoller sind. Täglich tausende Artikel nachzubestellen und dabei die bestmögliche Entscheidung zu treffen, das können Maschinen zum großen Teil besser erledigen.

Wenn es aber zum Beispiel um spezielle Sonderartikel oder Verkaufsanlässe wie Weihnachten oder Ostern geht, können Mitarbeiter jederzeit feinjustieren. Also braucht es auch bei intelligenten Systemen Menschen, die Prozesse begleiten, überwachen und notfalls eingreifen können. Hier sind menschliche Fähigkeiten nach wie vor unersetzlich. Letztendlich entwickeln sich die Berufsbilder mit der Technologie weiter.

IT-DIRECTOR: Warum sind „intelligente, selbstlernende Maschinen“ den Menschen überlegen - wie häufig in der IT-Branche kolportiert wird?
M. Feindt:
Maschine-Learning-Algorithmen sind Menschen in einer einzigen Hinsicht überlegen: Sie können aus einer großen Menge von Daten nahezu in Echtzeit Entscheidungen treffen – und das rund um die Uhr und an 365 Tagen im Jahr.

IT-DIRECTOR: Welchen Gefahren und Risiken setzt man sich aus, wenn man selbstlernenden Algorithmen blindlings vertraut? Können Sie ein Beispiel nennen?
M. Feindt:
Vertrauen ist gut, Kontrolle ist besser. Wir raten dringend davon ab, Algorithmen blindlings zu vertrauen. Jeder Lernprozess ist mit Irrungen und Wirrungen verbunden – bei Menschen ebenso wie bei Maschinen. Algorithmen unterstützen menschliche Entscheidungen und ersetzen sie bei Routinetätigkeiten. Für den Einsatz von Predictive Analytics braucht ein Unternehmen klare Ziele und KPIs, die dann auch permanent kontrolliert, nachjustiert und aufgrund neuer Erkenntnisse und Entwicklungen hinterfragt werden.

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok