Data Science – die Extraktion von Wissen aus Daten – ist eine stark wachsende Disziplin und findet breite Anwendung bei der Preisgestaltung. Der nächste Schritt ist die Automatisierung der Datenanalyse mittels künstlicher Intelligenz. Smart Pricing durch Methoden der künstlichen Intelligenz (KI) ist bereits im Einsatz. In diesem Bereich stützt sich KI auf statistische Methoden und hilft bei der Bestimmung von optimalen Preiskorridoren.

Smart Pricing verschafft aber auch dem Einkäufer das qualitative Umfeld für seinen Einkauf – wie er es auch aus seinem privaten Online-Einkäufen kennt. Datenbasierte Erkenntnisse auf Basis von KI-Technologien können eine Welt voller Möglichkeiten eröffnen. Dabei sind folgende Entwicklungen abzusehen.

Machine Learning im breiten Einsatz
Immer mehr Unternehmen werden 2020 automatisierte Pipelines auf Basis von Machine Learning erforschen und implementieren. Data Scientists beschäftigen sich täglich mit Aufgaben wie Datenaufbereitung, Merkmalsentwicklung aus Prädiktorvariablen und Modellierung. Diese werden durch Tools ergänzt, die mit neuronalen Netzen arbeiten und solche Schritte automatisieren. Wir werden systematischere Implementierungen von Geschäftslösungen sehen, um Ad-hoc-Analysen effizienter und wiederholbar zu machen. Heute bereits lassen sich fast alle operativen Vertriebsentscheidungen im Bereich Preise, Nachbestellungen oder Kataloge automatisieren. Dabei sollte der Vertriebsmitarbeiter solche KI-Werkzeuge als Beschleuniger verstehen und nicht als unliebsame Konkurrenz.

KI-Ergebnisse werden hinterfragt
Zwar durchdringen immer mehr KI-Methoden die Geschäftswelt, doch wird der Interpretierbarkeit von KI-Ergebnissen große Aufmerksamkeit geschenkt werden. Warum gibt mir das System diesen Preis und diese Angebotsempfehlung? Professor Marco Huber vom Fraunhofer-Institut für Produktionstechnik und Automatisierung in Stuttgart arbeitet dazu etwa an sog. Stellvertreter-Modellen, die Entscheidungen eines neuronalen Netzes Schritt für Schritt überprüfen. Dies hilft sicher auch dabei, im Rahmen von Change Management die organisatorische Einführung von KI-Werkzeugen zu unterstützen. Wenn ein System empfiehlt, eine bestimmte Verkaufschance für Vertriebsmitarbeiter zu verfolgen, müssen sie deren Wert verstehen und hinterfragen können.

Intelligente Chatbots verbreiten sich langsam
Viele erwarteten, dass es 2019 eine breite Akzeptanz von Chatbots im geschäftlichen Kontext geben würde. Doch es sieht nicht so aus, als ob das so schnell wie erwartet abläuft. Ein Schweizer Unternehmen fand bei einer kleinen Umfrage heraus, dass Chatbots von Kunden durchaus positiv wahrgenommen werden, solange sie nicht versuchen, einen Menschen vorzutäuschen. Im kommenden Jahr werden Unternehmen jedoch verstärkt die Verarbeitung und den Aufbau oder die Integration von Chatbots auf ihren Business-KI-Systemen einsetzen, um die Kunden- und Benutzererfahrung zu verbessern. Unternehmen werden über Chatbots hinausgehen, die sich auf „if/then“-Befehle verlassen, um die am häufigsten gestellten Fragen der Kunden anzusprechen. Intelligentere, dialogfähigere Chatbots werden die spezifischen Kundenwünsche besser erfüllen können. Die größte Herausforderung bei der Entwicklung dieser intelligenteren Chatbot-Technologie besteht darin, die Absicht des Kunden oder Benutzers zu erkennen. Dies erfordert das Sammeln vieler Trainingsdaten aus früheren Benutzerinteraktionen mit dem Chatbot, um zu verstehen, ob die Absicht des Benutzers für jede Interaktion richtig identifiziert wurde. Es bedingt das Lernen aus Fehlern, um sich für zukünftige Interaktionen zu verbessern.

Open-Source-Werkzeuge helfen beim Entwickeln
Der dritte Trend ist die rasante Expansion und Demokratisierung der Analyse-Tools, die Auswertungen einer breiteren Basis von Anwendern zugänglich machen. Große Internetanbieter wie Google oder Facebook bieten schon eine Reihe Tools an, die ohne Kosten Aufgaben erledigen. Sie lassen sich auch in eigene Projekte einbinden – nichts Ungewöhnliches in der Software-Entwicklung von heute. Universitäten und Software-­Riesen arbeiten eng zusammen. Bei den IT-Konzernen wie Google oder Facebook beschäftigen sich ganze Abteilungen mit der Entwicklung von KI-Tools, und stellen sie oft auch als Open Source zur Verfügung. Apache Mahout ist z. B. eine Bibliothek von skalierbaren Maschinenlernalgorithmen, die in Big-Data-Umgebungen funktioniert und statistische Berechnungen mit Machine Learning kombiniert.

Das richtige Data-Science-Team finden
Manche suchen die eierlegende Wollmilchsau: tolle Programmierer, großartig in der mathematischen Statistik und zudem exzellente Kommunikatoren. Zum einen gibt es diese Person kaum, zum anderen kann man einem Menschen nicht die Last aller Aufgaben aufbürden. Aus diesem Grund werden Führungskräfte nach Data-Science- und KI-Talenten in vielen akademischen Disziplinen suchen. Die eher traditionellen datenwissenschaftlichen Hintergründe – Statistik, Mathematik, Informatik – werden durch Ingenieure, Physiker, Ökonomen, Psychologen etc. ergänzt. Erfolgreiche Teams profitieren von einem ausgewogenen Kompetenzspektrum. Für Unternehmen, die sich eigene Teams aufbauen wollen, ist es sicher sinnvoll, sich an jenen Hochschulen nach Talenten umzusehen, die heute bereits KI lehren.

Key Performance steuert KI
KI-Systeme lernen aus kontinuierlichem Feedback durch echte Benutzer- und Kundeninteraktionen. Große Unternehmen nutzen KI, um Key Performance Indicators (KPI) etwa aus einem Filialnetzwerk überhaupt erst richtig zu interpretieren. Das Beratungsunternehmen RPC rechnet vor, das die KPI-Analyse aller 5.000 Filialen eines Konzerns ein Jahr Arbeitszeit eines Vertriebsmanagers erfordern würde. Der Weg führt jedoch weiter: Bei der Implementierung von KI-Lösungen zur Lösung von realen Geschäftsproblemen können Unternehmen die Auswirkungen dieser Lösungen durch KPIs besser messen. Die Erkenntnisse aus der Verfolgung dieser KPIs können genutzt werden, um das KI-System direkt darüber zu informieren, wie es sich anpassen kann. So optimiert sich das System laufend selbst.