Business Intelligence
Mit Machine Learning auf Tuchfühlung
Ein besserer Analyseprozess, genauere Bewertungen, verbesserte Prognosen: Das erhoffen sich Unternehmen von Machine Learning im BI-Umfeld. Doch juristische und ethische Bedenken sowie mangelndes Know-how halten oft von einem ML-Einsatz zurück.
In seinem Kern bedeutet Business Intelligence, Geschäftsdaten sinnvoll zu nutzen. Mittels BI-Systemen werden Markt-, Wettbewerbs- und Unternehmensdaten systematisch analysiert, sodass auf Basis dieser Analysen bestmögliche Entscheidungen für ein Unternehmen getroffen werden können. Diese Systeme haben jedoch ihre Grenzen: So sind BI-Systeme zwar effektiv darin, Daten zu analysieren und darzustellen – also sogenannte Key Performance Indicators (KPIs) zu tracken – jedoch können sie nur bedingt versteckte Informationen sichtbar machen.
Hier kommt Machine Learning ins Spiel: ML-Algorithmen können Datensätze aus verschiedenen Winkeln beleuchten und so beispielsweise Faktoren identifizieren, die Prozesse behindern oder Trends erkennen, die für eine menschliche Analyse nicht sofort ersichtlich sind. Machine Learning erweitert somit in der Regel die Möglichkeiten bei Business Intelligence-Fragestellungen. ML kann ferner nicht nur den Prozess der Analyse unterstützen, sondern verändert auch die Art und Weise, wie BI von verschiedenen Abteilungen gemeinsam genutzt wird und optimiert die datengesteuerte Entscheidungsfindung in allen Bereichen. Aus dem Experian-Report „Explainability: ML and AI in credit decisioning“ geht beispielsweise hervor, dass der Einsatz von Machine Learning bei Kreditentscheidungen zu einer genaueren Bewertung von „guten“ und „schlechten“ Kunden führen kann. Die Optimierung dieser Entscheidung beschleunigt nicht nur den Prozess in seiner Gesamtheit, wodurch Kunden weniger lang auf Entscheidungen warten müssen und möglicherweise seltener mittendrin abbrechen werden. Der Einsatz von ML hat auch das Potenzial, dass die Entscheidungsmodelle eine höhere Trennschärfe aufweisen. Das heißt einerseits, dass risikoreichere Kunden zielsicherer erkannt werden, andererseits aber auch, dass risikoarme Kunden nicht fälschlicherweise als problematisch eingestuft werden, die sogenannten „False Positives“. Eine hohe False-Positives-Rate bedeutet ungenutztes Umsatzpotenzial – die manuelle Überprüfung von vermeintlichen Problemfällen würde viel Zeit in Anspruch nehmen.
Ein besonderes Potenzial, das ML birgt, ist also die verbesserte Vorhersage. In die Analyse können auf einfache Art und Weise große Datenmengen einfließen, womit sich spezifischere Muster identifizieren lassen. Gleichzeitig können verschiedenartige Daten herangezogen werden; durch die Hinzunahme von unstrukturierten Daten zu den klassischerweise verwendeten strukturierten Daten lassen sich zusätzliche aussagekräftige Faktoren erschließen. Durch bessere Prognosen können die Systeme auch bessere Entscheidungen treffen, wodurch Unternehmen ihre Entscheidungsfindung automatisieren können.
- Mit Machine Learning auf Tuchfühlung
- Was Unternehmen von ML abhält
Lesen Sie mehr zum Thema
