So können sogar Neukunden ohne Vertragshistorie Empfehlungen gegeben werden. Um die Empfehlungen für einen Kunden nach persönlicher Präferenz zu sortieren, ist ein Random-Forest-basiertes Klassifikationsverfahren ein probates Mittel.
Das nächste Finanzierungsmodell
Vor dem Hintergrund eigener Finanzinstitute der Automobilhersteller ist auch das Finanzierungsmodell des nächstbesten Autos ein wichtiger Faktor für Automobilhersteller. Basierend auf der Autowahl soll mithilfe von Analytics das passende Finanzierungsmodell gefunden werden. Dafür ist es essenziell, zu wissen, welche Faktoren den Kunden ein bestimmtes Finanzierungsmodell bevorzugen lassen. Indem das für ihn, seine Bedürfnisse und seine Autopräferenz bestpassendste ausgesucht wird, steigt nicht nur die Kundenzufriedenheit, sondern auch die Konversionsrate. Wie beim vorherigen Fall ist auch hier ein Random-Forest-Modell ein Mittel der Wahl. So konnten einige Hersteller hiermit eine Vorhersagegenauigkeit von mehr als 75% erreichen.
Die Wahrscheinlichkeit eines Neuwagenkaufs
Hätte der Kunde als Nächstes lieber einen Gebraucht- oder einen Neuwagen? Hat man eine Antwort auf diese Frage, lassen sich Marketingmaßnahmen und Umsatzziele wesentlich konkreter planen. Die Wahrscheinlichkeit, mit der sich ein Kunde für eine der beiden Seiten entscheidet, sollte auch im Hinblick auf die Differenzierung von Lauf- und Stammkundschaft einbezogen werden. In diesem Anwendungsfall können wie beim nächstbesten Auto Vorhersagemodelle mit maschinell lernenden Algorithmen auf Basis historischer Daten genutzt werden.
Der Restwert eines Gebrauchtwagens
In einem eigens entwickelten statistischen Modell konnte die Genauigkeit von herkömmlichen Richtwerttabellen deutlich übertroffen und der aktuelle Verkaufswert eines Gebrauchtwagens präzise bestimmt werden. Diese Steigerung hat sich als wertvoller Beitrag zur Profitabilität des Business Case herausgestellt.
Der Nettokaufpreis wird als Näherungsvariable für eine Bestimmung des Transaktionspreises genutzt, während Informationen über Kilometerstand und Wagenalter von qualitativ hochwertigen Daten ausgehend abgeleitet werden.
Implementierung: Die Bestimmung des Autowertes beruht auf dem Nettokaufpreis. Zur Verbesserung der Vorhersagen wurde ein Modell implementiert, das die Preismuster des kompletten Automobilportfolios (auf Basis unterschiedlicher Parameter wie Laufleistung) erlernt und eine sehr geringe Fehlerquote aufweist. Zur Überprüfung der Ergebnisse wurde eine GUI zur Validierung durch menschliche Experten umgesetzt.
Upselling
Ein wichtiger Baustein der Absatzsteigerung ist Upselling. Hier ist es zielführend, durch die hierfür implementierten Algorithmen nicht nur die Wahrscheinlichkeit, mit der ein Kunde auf ein teureres Auto umsteigen möchte, zu berechnen, sondern auch den Preis, den er bereit ist, für sein nächstes Auto zu zahlen. Neben diesen absoluten Werten geht es genauso um die Frage nach den kundenseitig motivierenden Faktoren für ein solches Upgrade. Mit diesem Wissen können wiederum Marketing- und Verkaufstätigkeiten zielgerichteter und auf den individuellen Kunden angepasst stattfinden. Auch in diesem Fall empfehlen sich Algorithmen, die selbstständig von historischen Daten lernen, also vom bisherigen Kaufverhalten des Kunden und seinen daraus ersichtlichen Wünschen und Bedürfnissen.
Welche Kampagne sich für welche Autoserie eignet
Das Ziel dieser Analyse ist die Zuordnung und Ermittlung des besten Kampagnen-Sets für eine Fahrzeugserie. Alle existierenden Marketingkampagnen inklusive ihrer spezifischen Charakteristiken und Regeln für Anwendungsfälle werden in Kombination mit den möglichen Finanzierungen und Autos erfasst. Das beste Angebot für eine bestimmte Baureihe basiert auf der Kombination aller möglichen Kampagnen und korrespondierender Finanzierungsmodelle. Um dem Marketingbereich eine Spielwiese bereitzustellen, kann hierfür zusätzlich eine Echtzeitberechnung mit Visualisierung der jeweiligen Raten und Ergebnisse umgesetzt werden. In Abbildung 3–5 ist exemplarisch eine Architektur mit aktuellen Webtechnologien wie HTML5, CSS, JS und OpenUI5 abgebildet.
Wie wir am Beispiel der Automobilhersteller sehen konnten, sind Analytics-Lösungen vor allem eines: komplex! Es führt einmal mehr vor Augen, wie aufwendig und damit investitionsintensiv der Einsatz solcher Technologien sein kann. Doch es zeigt auch, was es bedeutet, Kundenbindung und Ertragssteigerung in Form einer besseren Serviceleistung miteinander zu verschmelzen und damit nachhaltig zu gestalten.
Entscheidend bleibt schlussendlich vor allem die Einsicht, dass für den erfolgreichen Einsatz von künstlicher Intelligenz deutlich mehr bedacht werden muss als die reinen Modelle.
Abb. 3–5 Abschließender kurzer Blick in die Architektur
3.5Fazit
Data-Science-basierte Anwendungen sind in der Praxis mittlerweile weit verbreitet. Das Potenzial dieser Anwendungen scheint grenzenlos. Um nachhaltig durch Data Science und KI neue Geschäftsmodelle zu erschließen, die Kosten zu senken und den Ertrag zu erhöhen, ist aber eine differenzierte Betrachtung des Nutzens von Data-Science-basierten Anwendungen im Unternehmen erforderlich. Viele auf den ersten Blick einfachen Anwendungsfälle erfordern zugrunde liegende Datenbasen mit einer hohen Qualität, neue Anwendungen, Technologien und die Schulung der Mitarbeiter. Ein zunächst kostengünstiger Use Case kann vor diesem Hintergrund schnell eine große Investition erfordern. Deshalb ist es auch im Bereich der Data Science erforderlich, die Investments bewusst mit Proof of Values und Business Cases zu beleuchten. Nur die bewusste Investition in ausgewählte Anwendungsfälle ermöglicht Unternehmen, ihre häufig eingeschränkten personellen sowie finanziellen Ressourcen möglichst positiv für die Zukunft einzusetzen. Als mahnendes Beispiel kann hier eine internationale Großbank gelten, bei der kurzfristig ein Data-Science-Bereich mit zehn hochbezahlten Scientists aufgebaut wurde, ohne eine geeignete Datenbasis oder Infrastruktur zu besitzen. Binnen eines Jahres konnte dieser Bereich keinen einzigen Use Case implementieren und hat letztlich keinen Nutzen für die Bank geschaffen.
4Konzeption und Entwicklung von Data-driven Products/Datenprodukten
Christoph Tempich
Data Science bietet große Vorteile für Unternehmen, weil man mit ihr aus Daten neue Angebote für Kunden entwickeln kann. Dabei arbeiten verschiedene Disziplinen eng zusammen – vom Produktmanagement über das Datenmanagement bis hin zum Design –, denn die Methoden der Data Science und ihre Ergebnisse sind nicht ohne Weiteres allgemeinverständlich. Die Erkenntnisse der Data Science müssen vielmehr in ein Datenprodukt umformatiert werden, das einen konkreten Kundennutzen formuliert. Datenprodukte helfen ihren Nutzern dann dabei, informiertere Entscheidungen zu treffen, und lassen sich deshalb monetarisieren.
In diesem Beitrag beschreiben wir auf Basis etablierter Vorgehensmodelle für die digitale Produktenwicklung ein Modell für die Entwicklung von datenbasierten Produkten. Dabei werden u. a. die Aspekte Ideenfindung, Value Proposition
