Da Data Science und KI-Technologien immer stärker in alltägliche Geschäftsprozesse integriert werden, erkennen immer mehr Unternehmen deren enormen Nutzen. Es gibt jedoch Herausforderungen bei der erfolgreichen Bereitstellung von KI in einer Weise, die messbare Geschäftsergebnisse fördert. Ich wollte Ihnen einige der besten Möglichkeiten vorstellen, wie Sie diese Herausforderungen meistern und Ihrem Data-Science-Programm zum Erfolg verhelfen können. 

Seit mehr als einem Jahrzehnt haben zahlreiche Unternehmen ihre Business Intelligence Ressourcen und investieren stark in die Analyse des vergangenen Kundenverhaltens. Diese Investition ermöglichte es ihnen, regelbasierte Empfehlungsmaschinen zu entwickeln, leistungsstärkere Verkaufsstrategien zu entwickeln, Verbraucher für Marketing- und Produktdesignzwecke zu segmentieren und so weiter. 

Diese Art der deskriptiven und retrospektiven Analyse ist für jedes wachstumsorientierte Unternehmen – ob in öffentlichem oder privatem Besitz – zu einem festen Bestandteil geworden. Viele fingen sogar an, ihre Zehen einzutauchen Maschinelles Lernen und KI mit dem Ziel, wettbewerbsfähige Unterscheidungsmerkmale in ihrem Produkt zu schaffen.

Um das Geschäftswachstum wirklich voranzutreiben, haben wir die Möglichkeit, noch weiter zu gehen, indem wir Datenanalyse und Datenwissenschaft verbinden, um das zukünftige Kundenverhalten vorherzusagen. Dies kann erreicht werden, ohne dass Unternehmen massive Data-Science-Teams aufbauen müssen – oder möglicherweise ohne ein Data-Science-Team überhaupt aufzubauen. 

Mir ist klar, dass dies ein wenig kontrovers sein könnte, aber bitte hören Sie mir zu.

Mehrere Business-First-Anwendungsfälle können ein Unternehmen voranbringen und Unternehmen, die noch nicht von maschinellem Lernen und KI profitiert haben, den Wettbewerbsvorteil verschaffen, den sie benötigen. Diese Anwendungsfälle nutzen historische Daten, indem sie KI verwenden, um mithilfe von Neigungsmodellen Vorhersagen zum individuellen Kundenverhalten zu erstellen. Diese Modelle können den zukünftigen Customer Lifetime Value (LTV) bewerten, die Conversion-Wahrscheinlichkeit prognostizieren, die Cross-Selling-/Upselling-Wahrscheinlichkeit berechnen oder die zukünftige Abwanderung vorhersagen. Diese Art von Vorhersagen auf Geschäftsebene öffnen die Tür für viel intelligentere und effizientere Wachstumsmöglichkeiten, während gleichzeitig die Kosten für die Kundenakquise und -bindung gesenkt und das Kundenerlebnis verbessert werden.

Sie kennen wahrscheinlich die Statistiken darüber, wie viele Data-Science-Projekte keine Ergebnisse liefern. Gartener hat geschätzt, dass 60-85 % der Data-Science-Projekte es entweder nicht bis zur Produktion schaffen oder nicht die erwarteten Ergebnisse liefern. Die meisten Data-Science-Plattformen preisen die Millionen von Modellen an, die sie zum Erstellen ermöglicht haben, scheuen sich jedoch, zu teilen, wie viele dieser Modelle einen Mehrwert für ihre Kunden bieten. 

Einer der Hauptgründe für diesen Mangel an Ergebnissen ist eine Diskrepanz zwischen den datenwissenschaftlichen Zielen und den tatsächlichen Geschäftszielen, die zu mehr Umsatz führen werden. Data-Science-Projekte können einzigartige Möglichkeiten zur Nutzung von Daten aufdecken, aber die Anwendung dieser Methoden zur Unterstützung bestimmter Geschäftsziele kann eine Herausforderung darstellen. Modelle können am Ende intellektuell interessant, aber letztendlich für das Unternehmen unrentabel sein. Es ist nicht ungewöhnlich, dass sich einige Data Scientists monatelang auf die Optimierung der statistischen Metriken für ein Modell konzentrieren (das ist schließlich das, was viele von uns in unseren Master- und Promotionsprogrammen trainiert haben) – und dabei das Ziel vergessen, unsere Modelle darauf abzustimmen Geschäftswert steigern. 

Und natürlich einstellen Datenwissenschaftler – besonders gute – ist selbst eine große Herausforderung! Es ist kein Wunder, dass große und kleine Unternehmen angesichts der Anforderungen und Investitionen, die erforderlich sind, damit Data Science funktioniert, nervös sind, selbst wenn sie wissen, wie wichtig KI für ihr Wachstum sein könnte.

Die gute Nachricht ist, dass Unternehmen heute nicht bei Null anfangen müssen, um Data Science zu implementieren. Das Feld ist nicht mehr dasselbe wie vor einem Jahrzehnt oder sogar fünf Jahren. 

Es ist tatsächlich möglich, dass Ihre Business-Intelligence- und Analytics-Teams in den Bereichen Vertrieb, Marketing oder Kundenerfolg die Superkräfte der Datenwissenschaft nutzen. Analysten aus diesen Geschäftsteams sind für bestimmte Arten von Data-Science-Anwendungen besser gerüstet, als Sie vielleicht erwarten, z.  

Berücksichtigen Sie die folgenden Fragen, um sich auf die Implementierung von Predictive Analytics in Ihrer Unternehmensorganisation vorzubereiten:

Definieren Sie das Geschäftsproblem, das Sie lösen möchten. 

• Fragen Sie sich, was ist die geschäftliche Herausforderung, die besondere Aufmerksamkeit erfordert? Ist die Abwanderung höher als Sie denken, obwohl Ihr NPS-Wert hoch ist? Wenn Kunden sagen, dass sie Ihr Produkt mögen, warum verlassen sie es? 
• Gibt es eine Möglichkeit, die Akquise- und Bindungsbemühungen zu optimieren, wenn Sie herausfinden könnten, auf welche Kunden Sie sich konzentrieren sollten, um die gewünschte Steigerung zu erzielen? Was wäre, wenn Sie VIP-Kunden viel früher in ihrer Customer Journey genau identifizieren könnten, sagen wir nach nur zwei oder drei Käufen, und dann viele weitere genau wie sie identifizieren könnten, bevor sie irgendwelche Käufe getätigt haben? Oder die Vertriebsreichweite mit Lead-Scoring optimieren? Oder sogar die Cross-Selling-Möglichkeiten erhöhen, indem Sie die richtigen Kunden für den Anruf ermitteln? Wenn Sie diese Antworten haben, wie könnte diese Fähigkeit Ihr Unternehmen verändern?
• Welche geschäftlichen Maßnahmen werden auf der Grundlage der Ergebnisse dieser Modelle/Vorhersagen ergriffen? Diese Vorhersagen können unter anderem die Form einer numerischen Punktzahl für die Wahrscheinlichkeit einer Kundenabwanderung oder eines prognostizierten Dollarbetrags für den Lebenszeitwert eines Kunden annehmen. Das Konzept der Vorhersagemodellierung könnte für einige Marketing-, Vertriebs- und Kundenerfahrungsteams neu sein, insbesondere wenn es darum geht, diese Vorhersagewerte direkt in CRM-, CDP- oder Marketingautomatisierungstools einzuspeisen. Dies unterscheidet sich jedoch nicht wirklich davon, wie diese Revenue-Teams bereits die automatisierte Lead-Qualifizierung verwenden, um Leads weiterzuleiten, oder wie sie Kundenverhaltensdaten in ihrem CDP verwenden, um eine Facebook- oder E-Mail-Kampagne für ein bestimmtes Segment zu orchestrieren. Der Hauptunterschied besteht darin, dass die KI-basierten Vorhersagewerte viel genauer sind, sodass die von diesen Systemen orchestrierten Aktionen zielgerichteter und präziser sind.  

Überprüfen und definieren Sie Ihre Datenanforderungen.

• Nachdem Sie die geschäftliche Herausforderung, die Sie zu lösen versuchen, überprüft und festgelegt haben, sollten Sie ein gutes Gespür dafür haben, welche Eingaben das Verhalten steuern und welche Art von Daten Sie benötigen, um die Antwort aufzudecken. 
• Schwitzen Sie nicht die Daten, die Sie nicht haben. Viele Unternehmen verbringen Jahre damit, Daten zu sammeln und zu bereinigen, bevor sie überhaupt mit Data Science beginnen. Aber wenn Sie die spezifische Herausforderung und die Eingaben kennen, die diese Herausforderung nähren, können Sie sich auf die eigentlichen Daten konzentrieren, die das Problem lösen, ohne jede mögliche Quelle, auf die Sie Zugriff haben, sammeln und vorbereiten zu müssen.
• Wenn Sie in der Vergangenheit transaktions- oder ereignisbasierte Daten erfasst haben, verfügen Sie wahrscheinlich bereits über die Daten, die Sie benötigen, um in die Zukunft zu blicken. 

Ermöglichen Sie Ihren Datenanalysten, umsetzbare Vorhersagen zu erstellen.

• Suchen Sie nach internen oder externen Personen, die die Geschäftsbedingungen und -regeln rund um Ihre aktuellen BI- oder andere datenorientierte Projekte verstehen. Der Trick besteht darin, jemanden zu finden, der mit den Daten vertraut ist. Die ideale Person wüsste, wo sich für Ihre Geschäftsfragen relevante Daten befinden, wie die Daten strukturiert sind, wie verschiedene Teile der Daten miteinander verbunden sind und was die einzelnen Bestandteile der Daten für das Unternehmen in der „realen Welt“ darstellen (z B. ob ein „Kunde“, der in einer bestimmten Datenbank enthalten ist, ein aktiv Kunde). Diese Person muss auch wissen, was die gewünschten Geschäftsergebnisse des Teams sind. Sie werden wahrscheinlich erfolgreicher sein, Mitglieder Ihres BI-Teams zu schulen, als zu versuchen, externe Ressourcen einzustellen, aber mit den richtigen Tools können Sie oft Geschäfts-/Marketing-/Vertriebsanalysten einsetzen, um umsetzbare Vorhersagen zu erstellen, indem Sie sich auf bestimmte Fragen konzentrieren. Stellen Sie einfach sicher, dass das Team einen direkten Anteil am Gesamterfolg Ihres Unternehmens oder an den spezifischen KPIs des Geschäftsteams hat, das es unterstützt. 
• Stellen Sie sicher, dass Sie nicht in die Falle tappen, Data Science als großes Experiment mit unklaren Ergebnissen zu betreiben. Ihre Projekte sollten sich darauf konzentrieren, das Geschäft voranzutreiben. Sie können auf langfristigen Erfolg aufbauen, wenn Sie Ihre BI- und Geschäftsteams mit Lösungen ausstatten, die viele Schritte des Data-Science-Prozesses automatisieren, einschließlich Datenvorbereitung, Modellerstellung und Bewertung. Diese waren vielleicht vor ein paar Jahren noch nicht verfügbar, aber jetzt sind sie es. Datenwissenschaftler verwenden heute Automatisierungspakete, um ihre Projekte zu rationalisieren, aber Automatisierung und durchdacht gestaltete Schnittstellen machen den Datenwissenschaftsprozess jetzt auch für diejenigen zugänglich, die keine fortgeschrittene Ausbildung oder die Fähigkeit haben, in Python oder R zu programmieren.
• Stellen Sie sicher, dass alle Teams und Ressourcen auf die Anforderungen, Zeitpläne, Datenquellen, Tests und Maßnahmen für dieses Programm ausgerichtet sind. Unabhängig davon, wie Sie Ihr Team organisieren und besetzen, konzentrieren sich alle auf das Geschäftsziel und die spezifischen KPIs, die Sie erreichen möchten. Data Science kann alle Arten von Erkenntnissen aufdecken, aber stellen Sie sicher, dass Sie sich auf Erkenntnisse konzentrieren, die das Unternehmen jetzt mit dem Wissen über die Zukunft voranbringen.

Wenn ich auf die Entwicklung des Geschäfts zurückblicke und darauf, dass Business Analytics eine so wichtige Rolle in Strategie und Planung gespielt hat, ist es schwer vorstellbar, heute ohne mindestens ein oder zwei Dashboards zu leben, die den Zustand Ihres Unternehmens zeigen. Diese Dashboards haben ihren Platz. Aber wenn es um die Orchestrierung der Customer Journey geht, gibt es die Möglichkeit, sich von Dashboards und starren Geschäftsregeln zu lösen, die auf einer handverlesenen Auswahl von Datenpunkten aus der Vergangenheit basieren.

KI, maschinelles Lernen und Data Science ermöglichen es uns, in die Zukunft zu blicken, anstatt uns auf die Vergangenheit zu konzentrieren. Wir können spezifische Vorhersagen darüber treffen, wie sich einzelne Kunden wahrscheinlich verhalten werden. Algorithmen für maschinelles Lernen können weitaus mehr Faktoren und Daten betrachten, als Menschen jemals analysieren könnten, und Muster finden, die nicht durch menschliche „beste Vermutungen“ und Vorurteile verzerrt werden. KI kann wertvolle, komplexe Muster in Ihren Daten aufdecken, an die Sie vielleicht nie denken würden. 

Der Einsatz von Data Science kann sich wie ein unüberwindliches Problem anfühlen. Aber ich kann Ihnen sagen, dass es möglich ist, die Fähigkeiten Ihrer Analysten und die Daten, die Sie bereits haben, zu nutzen, um sich den Weg in ein Data-Science-Programm zu ebnen, das Wachstum und Geschäftseffizienz in nur wenigen Wochen transformieren kann. Die Zeit ist jetzt!