Business Analytics

KI & Business Analytics.

Künstliche Intelligenz (KI) ermöglicht zahlreichen Unternehmen, die Geschäftsprozesse zu verbessern und so wettbewerbsfähiger zu werden. Ein Praxisbeispiel aus einer Versicherung.

* Von Christoph Mertens und Lars Marek 

In vielen Bereichen des privaten Alltags sind KI-Anwendungen mittlerweile etabliert: bei Spracherkennungsprogrammen wie Siri genauso wie bei elektronischen Assistenten wie Alexa; oder in Form von Smart Home-Apps. 

Und in sehr mutigen Angeboten geht die Entwicklung schon hin bis zur Kreation einer virtuellen Vertrauensperson, die – wie die KI-Software Replika – als ein zweites, spiegelbildliches Ich der intimen Selbstreflektion dienen soll. Diese KI-Angebote im privaten Bereich sind in der Regel einfach zu nutzen, und sie unterstützen bei den Alltagsabläufen.

Auch in der Betriebswirtschaft bietet der KI-Einsatz großes Potential, bei geringem Aufwand die Prozesse kontinuierlich zu verbessern. Zudem kann er helfen, die Kosten zu senken und mehr Umsatz zu generieren. Doch wie lassen sich die Effekte auf den Unternehmensalltag übertragen? 

Das Rohmaterial für einen breiten KI-Einsatz steht bereit: Laut einer IBM-Studie liegen in Unternehmen mittlerweile 80 Prozent aller Daten als Freitext vor. Hierzu gehören unstrukturierte Daten wie Call-Center-Notizen, Wartungsberichte, Kommentierungen im Controlling und vieles mehr. Diese lassen sich mithilfe der klassischen IT nur schwer verarbeiten.

 

Umfassende Informationsgewinnung.
Im datengeprägten Geschäftsalltag rückt somit die Analyse unstrukturierter Daten verstärkt in den Fokus, um die verborgenen relevanten Informationen aufzudecken und übersichtlich darzustellen. 

Für die entsprechende Datenanalyse und -aufbereitung müssen kontinuierliche Verbesserungsprozesse (KVP) mit direktem Geschäftsnutzen geschaffen werden. Dafür eignen sich vor allem die Schlüsseltechnologien «Text Mining» und «Data Mining», die sich mit Fragestellungen befassen, wie zum Beispiel: 

  • Welche Fakten (Konzepte) enthalten die Daten?
  • Wie stehen diese Konzepte miteinander in Verbindung?
  • Welche übergeordneten Kategorien lassen sich ihnen zuordnen? 
  • Was sagen die Konzepte und Kategorien über das Verhalten der Menschen und Organisationen aus? 

 

Text Mining mit Clou.
Das Text Mining besteht wesentlich aus der Analyse gesammelten Textmaterials. Das Ziel ist, Schlüsselkonzepte und Themen zu erfassen sowie verborgene Beziehungen und Trends aufzudecken. Der Clou dabei: Die Anwender müssen die genauen Terme, die die Autoren zur Konzeptbeschreibung verwendet hatten, gar nicht kennen. Die Technik bündelt algorithmische Analyseverfahren zur Entdeckung von Bedeutungsstrukturen aus gering- und unstrukturierten Textdaten.

Zusätzlich hilft es dabei, dass sich dank statistischer und linguistischer Mittel aus den Texten verborgene Strukturen erschließen. Die Nutzer werden dadurch in die Lage versetzt, Kerninformationen der verarbeiteten Texte schnell zu erkennen. Im Optimalfall liefert Text Mining völlig neue Erkenntnisse, von denen die Anwender zuvor nichts wussten. 

Bei zielgerichteter Anwendung sind sie  außerdem in der Lage, Hypothesen aufzustellen, diese zu überprüfen und schrittweise zu verfeinern.

 

Data Mining mit System. 
Dagegen beschreibt die Methode des Data Minings die systematische Anwendung statistischer Methoden auf große Datenbestände. Ihr Ziel ist es, neue Querverbindungen und Trends zu erkennen. So bieten  die leistungsstarken Textanalysefunktionen auf der Grundlage hoch entwickelter linguistischer Technologien und der Verarbeitung natürlicher Sprache (Natural Language Processing, kurz: NLP) eine schnelle Aufbereitung unstrukturierter Textmengen. Auf diese Weise werden Schlüsselkonzepte extrahiert und geordnet.

Bei beiden Mining-Verfahren lassen sich einfach und jederzeit externe Daten hinzuziehen, um den Erkenntnisgewinn zu steigern. Dazu gehören beispielsweise  Daten aus Foren und sozialen Medien, Börsenkurse oder E-Government-Informationen, die in bestehende BI-Architekturen eingebunden werden. 

 

Kombinationslösungen für Manager. 
Wenn Unternehmen in der betrieblichen Praxis beide Ansätze des Text- und des Data-Minings miteinander verbinden, können gesammelte und unstrukturierte Informationen mit den klassischen strukturierten Daten – zum Beispiel aus dem Reporting – verknüpft werden. 

Durch diese Kombination erhält das Management umfassendere Einblicke in die jeweiligen Themengebiete, beispielsweise die Veränderung von Produktpreisen oder die Vorbereitung von Kostensenkungsprogrammen im Unternehmen. 

So komplex diese Analysen technisch auch sein mögen – aus den Ergebnissen lassen sich unmittelbar Maßnahmen ableiten, die einerseits positive Erkenntnisse weitertragen und stärken. Andererseits helfen sie dem Management, negative Entwicklungen klarer zu erkennen – und praktisch gegenzusteuern. 

Mittlerweile bieten ausgereifte Analytics-Werkzeuge auch Fachanwendern die Möglichkeit, selbst Text Mining-Analysen zu machen. Dazu müssen sie nicht über fundierte Programmier- und Statistikkenntnisse verfügen.

 

Standardisiertes Vorgehen.
Für Organisationen, die mithilfe von Mining-Projekten schnelle Ergebnisse erzielen wollen, bietet sich ein standardisiertes Vorgehen an, welches im Wesentlichen aus drei Phasen besteht (siehe Abbildung «Klarer Ablauf»). Kontinuierliche Anpassungen an aktuelle Begebenheiten müssen in allen Phasen stets berücksichtigt werden, um Maßnahmen effektiv und effizient ableiten zu können. Nach der Einführung lassen sich die Analysen problemlos wiederholen und in den Unternehmensalltag integrieren.

Bei der «Collection» werden die geeigneten Datenquellen identifiziert und zusammengeführt. Darüber hinaus geht es darum, die Mining-Algorithmen auf die Zusammenführung aller gesammelten Informationen anzuwenden. 

Im «Processing» geht es darum, die Konzept- und Kategorie-Modelle zu erstellen. Außerdem werden die strukturierten Daten ergänzt. Abschließend erstellen die Experten das (Fach-)Wörterbuch und arbeiten an der Verbesserung der Modelle.

Schließlich werden bei der «Analyse» die gewonnenen Erkenntnisse genauer unter die Lupe genommen. Und daraus leitet das Management die betriebswirtschaftlichen Maßnahmen ab.

 

Praxisbeispiel einer Versicherung.
Wie aber kann dieses Procedere in der Praxis umgesetzt werden? Ein mittelständisches Versicherungsunternehmen nutzte die Mining-Ansätze in einem Projekt, das als Ziel die Verbesserung der Serviceleistung anvisierte. 

Den ganzen Artikel lesen Sie in der Druckausgabe Nr. 1/2019. Hier bestellen.

 

Christoph Mertens ist Manager bei der avantum consult AG und leitet das Competence Center «Betriebswirtschaftliche Konzepte & Advanced Analytics». Er hat mehr als zwölf Jahre  Berufserfahrung im Konzerncontrolling und in der Beratung, mit umfassenden Kenntnissen in CFO-Ressorts und IT.

Lars Marek ist Berater bei der avantum consult AG und Mitarbeiter im Competence Center «Betriebswirtschaftliche Konzepte & Advanced Analytics». Er hat acht Jahre Berufserfahrung auf dem Gebiet Data Science und bei der strategischen Geschäftsentwicklung im CEO-Bereich.

 

 

Quelle: BUSINESS INTELLIGENCE MAGAZINE, www.bi-magazine.net

© ProfilePublishing Germany GmbH 2019. Alle Rechte vorbehalten. 

Vervielfältigung nur mit Genehmigung der ProfilePublishing Germany GmbH

Business Intelligence Magazine: Springe zum Start der Seite