Abseits vom Medienhype: Wo Machine Learning für Unternehmen relevant ist

Dem Hype um Machine Learning lässt sich 2018 nur schwer entkommen. Als Konferenzthema, Inhalt von Zeitungsartikeln oder Trend in der Produktentwicklung ist die Technologie in aller Munde.

Suchanfragen nach "Machine Learning" sind von 2013 bis 2018 um 567% gestiegen
Suchanfragen nach „Machine Learning“ 2013 – 2018
Quelle: Google Trends

Bei der oft ins Spekulative abrutschenden Berichterstattung (Roboter-Apokalypse, Computer-Geheimsprachen, künstliche Gehirne und “Maschinen-Gefühle” wurden alle dieses Jahr schon heraufbeschworen) und Nennung der ewig gleichen Beispiele ist es jedoch nicht immer einfach, herauszufinden, welches Potenzial Machine Learning wirklich für Unternehmen hat und in welchen Bereichen sich der Einsatz lohnt. Gerade für Firmen, deren Geschäftsmodell nicht originär digital ist, ist es wichtig, nüchtern sinnvolle Einsatzgebiete für die Technologie zu evaluieren und sich nicht auf pauschale Fortschrittsversprechen zu verlassen.

Signifikante Verbesserungen von Geschäftsprozessen möglich

Die Veränderungen, die sich durch den richtigen Einsatz von Machine Learning in Unternehmen ergeben, sind oft deutlich. Insbesondere in der Automatisierung von Geschäftsprozessen werden neue Dimensionen der Optimierung erreicht. So kann zum Beispiel Amazon durch prädiktive Logistik für manche Gebiete und Produkte Lieferzeiten von unter einer Stunde anbieten. Google hat durch den Einsatz von Deep Learning in der Kühlung von Rechenzentren eine Kostenreduktion von 40% erreicht. Auch traditionellere Unternehmen nutzen die Möglichkeiten von Machine Learning für signifikante Verbesserungen – ein prominentes Beispiel ist die Zurich Insurance Group, die die Bearbeitungszeit für relevante Schadensfälle durch Machine Learning von durchschnittlich einer Stunde auf fünf Sekunden reduzieren konnte. Ein treffender Vergleich ist daher zum Beispiel der von Machine Learning mit relationalen Datenbanken. So wie in den 70er Jahren die Datenbanktechnologie unumgänglich für alle Unternehmen wurde, die mit dem Wettbewerb mithalten wollten, wird es in einigen Jahren voraussichtlich nur wenige konkurrenzfähige Unternehmen geben, die in keinem Bereich Machine Learning Methoden einsetzen.

Die meisten Unternehmen haben noch “Low Hanging Fruits”

Die Möglichkeiten für einen gewinnbringenden Einsatz der Technologie sind in den meisten Unternehmen heute schon vielzählig. Durch fortschreitende Digitalisierung, zunehmende Internetnutzung und das Internet of Things stehen mehr und mehr Daten zur Verfügung. Der Großteil dieses Datenschatzes wird nicht genutzt. Das ist kein Wunder, da die nötigen Fähigkeiten zur fortgeschrittenen Nutzung in den meisten Unternehmen noch nicht vorhanden sind. In einer kürzlich vom Technologieverlag O’Reilly veröffentlichten Studie gaben 50% der Teilnehmer an, noch keine signifikante Erfahrung mit Machine Learning zu haben. (Interessanterweise war der Unterschied zwischen den USA und Westeuropa in dieser Statistik sehr gering – die Vorstellung, dass Europa den USA in der Nutzung künstlicher Intelligenz im Allgemeinen nachsteht, ist also nicht unbedingt richtig.)

Machine Learning Maturity
Machine Learning Reifegrad in Unternehmen
Quelle: O’Reilly

Fast jedes Geschäftsmodell bietet eine Möglichkeit, mit kleinen, abgegrenzten Machine Learning Projekten spürbare Verbesserungen zu schaffen. In vielen Unternehmen ungenutzte “Low Hanging Fruits” sind zum Beispiel

  • Eine gezieltere Vertriebssteuerung durch Lead Scoring / Predictive Sales Analytics
  • Besseres Pricing durch Machine Learning basierte Pricing Modelle
  • Geringere Wartungskosten durch Predictive Maintenance
  • Effizientere und bessere Kundenbetreuung durch Priorisierung von eingehenden E-Mails nach ihrer Dringlichkeit
  • Prädiktive Logistik durch eine Machine Learning basierte Vorhersage der Bedarfsmengen

Bei diesen Beispielen gilt, wie bei vielen Einsätzen von Machine Learning in heutigen Geschäftsprozessen: die menschliche Arbeit wird nicht vollständig ersetzt, sondern komplementiert. So wie das Aufkommen von Microsoft Excel nicht dazu geführt hat, dass Controlling-Abteilungen abgeschafft wurden, sondern Controller schneller und effektiver gemacht hat, übernimmt kaum eine Machine Learning Lösung einen gesamten Geschäftsprozess.

Interessanterweise ist das Finden von innovativen Machine Learning Lösungen nicht unbedingt den großen Technologiefirmen vorbehalten. So hat es zum Beispiel das Kölner Startup DeepL geschafft, mit gerade mal 20 Mitarbeitern bessere maschinelle Übersetzungen zu erstellen als Google, Microsoft oder Facebook (Link). Und im renommierten DAWNBench Wettbewerb für künstliche Intelligenz der Universität Stanford hat dieses Jahr im Bereich schnelle Bildklassifikation ein Team aus vier Data Scientists des Startups fast.ai den Sieg geholt und die Einreichungen von Google und anderen geschlagen (Link).

“Walk before you run” – mit schnellen und sichtbaren Verbesserungen lässt sich Akzeptanz in der Organisation schaffen

Die großflächige Anwendung von Machine Learning im Unternehmen bedarf einiger Voraussetzungen, um erfolgreich zu sein. Das Data Science Team muss die nötige Erfahrung in der Modellentwicklung und statistische Kenntnisse mitbringen. Die benötigten Daten müssen vorliegen und eine Architektur für geeignete Data Pipelines existieren. Die Fähigkeiten zur richtigen Integration eines Modells in die relevanten Produktivsysteme, z.B. über APIs, müssen vorhanden sein. Und nicht zuletzt muss das Data Science Team so gut mit den Fachabteilungen verzahnt sein, dass die entstehende Lösung nicht nur ein technologischer Showcase wird, sondern die tatsächlichen Geschäftsprozesse unterstützt. Für die meisten Unternehmen, die noch wenig Erfahrung haben, gilt daher die Devise “walk before you run”. Kleine, auf einen Geschäftsbereich abgegrenzte Projekte, die innerhalb weniger Wochen eine sichtbare Verbesserung erzielen, schaffen Akzeptanz in der Organisation und sind der erste Schritt zu einem großflächigen Einsatz von Machine Learning im Unternehmen.


Fintu Data Science implementiert maßgeschneiderte Data Science und Machine Learning Lösungen zur Automatisierung und Optimierung von Prozessen. Wir kombinieren tiefgehende Machine Learning Expertise mit der nötigen Strategie- und Business-Erfahrung, um die Technologien erfolgreich im Geschäftsumfeld anzuwenden. Zu unseren Kunden gehören Mittelständler, Startups und NGOs aus Deutschland und Europa.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.