Lesson
    1
    Lesson
    2
    Lesson
    3

    0%
    • 2.3 Zwei KI-Use Cases für KMU aus der Praxis

    • Fragen, die in dieser Lektion behandelt werden

      • Wie sieht KI-unterstützte Analyse und Prognose am Beispiel „Churn Prediction“ aus?
      • Wie sieht KI-unterstütztes Marketing am Beispiel „Predictive Marketing“ aus?

      Entsprechend trainiert sind KI-Lösungen dem Menschen schon heute bei sich wiederholenden Aufgabenstellungen mit klarem Regelwerk sowie der Verarbeitung von Wissen in Tiefe und Breite haushoch überlegen. Voraussetzung hierfür sind allerdings qualitativ hochwertige, gut zugängliche Datensätze, welche eine der ersten und größten Hürden bei der erfolgreichen Implementierung von KI-Lösungen darstellen.

      Die größten Potenziale für KMU zum Einstieg in das Themengebiet KI-Lösungen liegen zunächst auf der Prozessebene. Das vorrangige Ziel auf der Prozessebene ist die Automatisierung von Geschäftsprozessen, damit verbundene Effizienzgewinne und die Unterstützung des Menschen im Entscheidungsprozess. Das bedeutet, es wird sich in der ersten Analyse des eigenen Unternehmens auf standardisierbare, sich wiederholende Aufgaben und Prozesse konzentriert, die für das Unternehmen und die Mitarbeiter z.B. schwerfällig, lästig, langsam, unangenehm, kundenunfreundlich, teuer usw. sind. Da die Grundlage und der Treibstoff für den Einsatz einer KI qualitativ hochwertige, systemisch zugängliche Daten sind, müssen diese für die identifizierten Geschäftsprozesse jedoch zunächst erschlossen und entsprechend aufbereitet werden. Insgesamt nehmen KI-Lösungen dem Menschen also Stück für Stück die Tätigkeiten innerhalb ihres Berufes ab, die wiederholbar und standardisierbar sind. 


      Zwei Use-Cases aus der Praxis

      Beispiel 1: Wie sieht KI-unterstützte Analyse und Prognose am Beispiel Churn Prediction aus?


      Was besagt die Churnrate eines Unternehmens? Was ist Churn Management?

      Die Churnrate eines Unternehmens misst datenbasiert die Abwanderungsquote von Kunden. Wie viele Kunden gehen dem Unternehmen im betrachteten Zeitraum verloren? Dies kann aktiv geschehen, durch die Kündigung von Verträgen oder passiv z.B. durch Orderausfälle. Das Churn Management vereint dabei verschiedene Werkzeuge im Bereich Kundenabwanderung.

      Wie funktioniert KI-unterstützte Churn Prediction?

      Beim Churn Management geht es im Kern darum durch einen Mix aus Analyse, Forecast und Maßnahmen die Kundenbindung und Kundenloyalität zu erhöhen oder hoch zu halten. Um dieses Ziel umzusetzen, gibt es verschiedene Werkzeuge und Möglichkeiten. Die beiden Hauptanwendungsfälle im Churn Management sind die Kundenabwanderung und die Kundenrückgewinnung.

      Ein Werkzeug des Churn Managements ist die Churn Prediction. Die Churn Prediction hilft dabei, frühzeitig vorherzusagen, welcher Kunde, mit welcher Wahrscheinlichkeit, wann kündigt. Es handelt sich hierbei also um ein Instrument für datenbasierte Prognosen zu Kundenabwanderungen.

      Wie der Zeitpunkt der Abwanderung definiert wird, hängt dabei von der Natur der Kundenbeziehung ab. In handelsbasierten Kundenbeziehungen findet dieser Prozess oft schleichend statt. Produkte und Dienstleistungen werden bspw. seltener erworben oder der Wert des Warenkorbs eines Bestandskunden sinkt über einen gewissen Zeitraum Stück für Stück. Hier geben eine Analyse der Interaktionsdaten mit Marketingkampagnen oder des Surfverhaltens der Bestandskunden auf der eigenen Website Aufschluss. In vertragsbasierten Kundenbeziehungen ist der Zeitpunkt der Vertragskündigung logischerweise der Moment, an dem die Kundenbeziehung endet. Auch hier können mit Hilfe von datenbasierter, KI-unterstützter Churn Prediction Muster erkannt und Maßnahmen zur Kundenbindung ergriffen werden. Nicht zuletzt bietet auch der Datensatz mit den bereits abgewanderten Kunden eine Chance für wertvolle Erkenntnisse, z.B. im Vergleich mit den loyalen Bestandskunden. 

      Wo liegen die Herausforderungen für KMU?

      Die Herausforderungen liegen zum einen in der Verfügbarkeit und Qualität der für Churn Prediction Modelle benötigten Daten. Ist diese gewährleistet, liegen die weiteren Herausforderungen in der Bewertung und Interpretation der Daten. Insbesondere in den Bereichen, die sich den Algorithmen der KI-Lösung nicht offenbaren. Es gibt zwei Arten von Kunden. Solche, die Vertrauen in das Unternehmen haben und als treue und loyale Kunden immer wiederkehren. Dann gibt es Kunden, welche dem Unternehmen z.B. durch negative Erfahrungen wenig bis gar kein Vertrauen mehr entgegenbringen. Jedoch bleiben diese Kunden dem Unternehmen aus Mangel an Alternativen trotzdem erhalten und kaufen dort weiter ein.

      Wie kann KI-unterstützte Churn Prediction von KMU eingesetzt werden?

      Churn Prediction Modelle bieten einem KMU die Möglichkeit, Abwanderungsvorhersagen in Bezug auf ihre Kunden zu treffen und Maßnahmen zur Gegensteuerung einzuleiten. Sie können in verschiedenen Unternehmensbereichen eingesetzt werden, wie z.B. Marketing, Vertrieb und Kundenservice.

      Beispiele aus der Praxis sind selbstverständlich immer abhängig von Branchen und Geschäftsmodellen zu betrachten.

      Churn Prediction Modelle können für KMU in folgender Form eingesetzt werden:

      • Zur frühzeitigen Erkennung der Auslöser von Abwanderungen wichtiger Kundengruppen: Diese Daten geben Rückschlüsse auf offene Kundenwünsche zu bestehenden Produkten, verbesserungswürdigen Kundenservice oder Defizite in der Markenkommunikation.
      • Für Strategien zur Gewinnung von potenziell attraktiven neuen Kundengruppen.
      • Durch die Analyse negativer Resonanzen auf zurückliegende Werbekampagnen können KMU künftige Werbekampagnen gezielter und budgeteffizienter steuern.
      • Es können Kundengruppen mit niedrigem Kundenwert (CLV) identifiziert werden, um den Rückgewinnungsprozess zu optimieren.

      Welche Daten sollten für ein Churn Prediction Modell mindestens vorhanden sein?

      Um ein solches Churn Prediction Modell bauen zu können, müssen Kundenhistorien angelegt sein, d.h. Stammdaten, sowie Bewegungs- bzw. Verhaltensdaten müssen vorhanden sein.

      Beispiel 2: Wie sieht KI-unterstütztes Marketing am Beispiel Next Best Offer aus?

      Was ist die KI-unterstützte Next-Best-Offer?

      Unter der Next-Best-Offer (NBO) versteht man das für einen spezifischen Kunden individuell nächstbeste Kaufangebot. Dieses wird KI-unterstützt aus den hierfür relevanten Daten ermittelt und für jeden einzelnen Kunden individuell vorhergesagt. Die bekannten E-Commerce-Riesen arbeiten mit dieser Technologie. Durch diesen auf den spezifischen Kunden individualisiert zugeschnittenen Marketingansatz werden Kundenbedürfnisse besser bedient, sowie Up-und Cross-Selling Potenziale der Bestandskunden besser genutzt, was langfristig den Umsatz steigert.   

      Wie funktioniert die KI-unterstützte Next-Best-Offer?

      Ein einfaches Beispiel: Die letzten beiden zurückliegenden Käufe von Kunde A waren Handtasche und Ausgehschuhe. Auf Basis dieser Daten ermittelt der Algorithmus, dass Kunde A als nächstes mit einer Wahrscheinlichkeit von z.B. 70% Lippenstift, mit der Wahrscheinlichkeit von z.B. 50% ein Kleid und mit der Wahrscheinlichkeit von z.B. 32% eine Uhr erwerben möchte. Je größer der Datensatz der Kaufhistorie und anderer relevanter Daten, wie Seitenbesuche und dabei angeschaute Produkte, genutzte Kanäle, Kaufzeitpunkte, historische Preispunkte etc., desto akkurater das Angebot. Sie kennen vielleicht von Amazon die Einblendung „Kunden die dieses Produkt kauften oder ansahen, kauften auch…“. Die Produktempfehlungen beruhen auf KI-unterstützer Next-Best-Offer. Es wird also das Kundenverhalten analysiert um damit vorherzusagen, an welcher Stelle, welche Werbung den ersehnten Effekt einbringt. Diese Technik lässt sich dabei mit Einschränkungen auch für Leads oder Neukunden anwenden, um Kaufwahrscheinlichkeit in diesen Fällen ebenfalls zu erhöhen.  

      Wo liegen die Herausforderungen für KMU?

      Die Herausforderungen liegen in der technischen Umsetzung, sowie dem Sammeln, Ordnen und algorithmischen Analysieren der entsprechenden Daten. Die folgenden Daten lassen sich für die Next-Best-Offer verwenden:

      • Kundenhistorie
      • ermittelte Präferenzen auf Basis der Resonanz gemachter Werbung
      • Warenkörbe
      • Kundeninformationen
      • Produktbeschreibungen
      • Produktbuchungen
      • Artikelstammdaten

      Wie nützt die KI-unterstützte Next-Best-Offer dem KMU?

      Das Ziel der Next-Best-Offer ist es, dem Kunden ein wirklich relevantes Kaufangebot machen zu können, anstatt ihn mit Werbung und Angeboten nach dem Gießkannenprinzip zu befeuern und so seine Kaufbereitschaft deutlich zu erhöhen.

      Ist beispielsweise die finanzielle Entwicklung des Kunden bekannt, z.B. durch Zahlungs- und Warenkorbhistorien, können Aussagen darüber abgeleitet werden, ob dieser Kunde zeitnah bereit ist für ein Up-Selling Angebot. Wurde hier früher eher intuitiv und mit vielen Vermutungen agiert, läuft dieser Vorgang heute datengestützt ab.

      Ein weiterer Effekt ist die Möglichkeit, das Marketingbudget automatisiert, effektiv und effizient einsetzen zu können. Wird dem Kunden ein Angebot mit hoher Relevanz gemacht, ist die Wahrscheinlichkeit, dass es zu einem Kauf kommt signifikant höher und damit ebenfalls die Konversionsrate pro Marketingkampagne um ein Vielfaches besser.

      Langfristig betrachtet, sprechen zwei Argumente für den Einsatz von Next-Best-Offer. Zum einen ist es sehr schwer für eine große Anzahl von Kunden das richtige individuelle Angebot zu unterbreiten. Der Kunde macht als Mensch eine Entwicklung durch und somit ändern sich über die Zeit auch seine Präferenzen. Zum anderen gleichen sich Kunden in bestimmten Gruppen sehr. Je mehr Daten zu verschiedenen Kundengruppen vorliegen, desto besser können Algorithmen daraus genauere Erkenntnisse und Unterteilungen ableiten.

      KI-Lösungen sind langfristig ein spannendes Thema für alle Unternehmensebenen und Bereiche. Als KMU empfiehlt es sich mit den Basics zu beginnen, also zunächst Automatisierungslösungen auf Prozessebene zu realisieren und sich mit steigendem Erfahrungswert, Schritt für Schritt, an schwerere und größere Herausforderungen im Zusammenhang mit KI-Lösungen zu wagen.

      Aufgabe

      Bitte bearbeiten Sie die folgende Aufgabe.