Machine Learning(ML), Artificial Intelligence (AI) und Data & Analytics (D&A) sind Schlagworte der heutigen Informatik. Es wird spekuliert, wie weit diese Intelligenz eines Tages gehen wird und was man damit wohl alles verbessern und verändern kann. Es wird grossartig erzählt, man wolle jetzt auch in diese neue Richtung gehen. Es wird gespitzelt, was die Konkurrenz schon kann und was sie noch können wird. Aber wie weit sind wir den WIRKLICH, wenn es um den Einsatz von diesen neuen Technologien geht? Ein Überblick aus verschiedenen Studien und Branchen.

69% der weltweiten Unternehmen geben an, dass D&A eine zentrale Rolle in ihrem aktuellen Geschäftsplan darstellen. Dies die Aussage der Studie „Going beyond the data“ von KPMG (https://assets.kpmg.com/content/dam/kpmg/pdf/2015/04/going-beyond-data-and-analytics-v4.pdf) aus dem Jahr 2014. Im Januar 2017 haben sich 64% der deutschen (und wohl auch der schweizer) Unternehmen aktiv mit diesem Thema beschäftigt. Gemäss der Studie „Machine Learning im Unternehmenseinsatz“ von crisp Research (https://www.unbelievable-machine.com/downloads/studie-machine-learning.pdf) setzen bereits ein Fünftel aller Unternehmen Machine-Learning Technologien ein.  Bei den Personen, welche am Schluss die Entscheidungen treffen, sieht es ganz ähnlich aus: Mit 43% ist fast die Hälfte davon überzeugt, dass Machine Learning ein wesentlicher Teil ihrer Datenanalyse-Strategie sein wird.

Warum werden Machine Learning Technologien in Betracht gezogen? Welchen Nutzen erhoffen sich die entscheidenden Personen? An erster Stelle der Zielsetzungen, welche mittels Machine Learning erreicht werden sollen, steht die Kundenbindung. Der Kunde soll sich verstanden fühlen und das Gefühl haben, persönlich wichtig und willkommen zu sein. Machine Learning Technologien sollen dies unterstützen, indem sie mithilfe der Daten über einen Kunden die richtigen Angebote oder Erklärungen bieten. Als zweites Ziel soll generell der Umsatz mit digitalen Services steigen. Auch hier liegt der Fokus darauf, dem Kunden ein gutes Gefühl zu geben, während er einen digitalen Service nutzt. Wenn Probleme auftreten, soll dem Kunden eine Lösung präsentiert werden, nicht einfach an ein Call-Center verwiesen werden. Der Kunde soll eine lebendige Interaktion mit der Maschine spüren können, nicht einfach stur ein Formular ausfüllen. An dritter Stelle der Zielsetzungen möchten mehr als ein Drittel der Befragten die Fehler an Produkten und Maschinen minimieren und gleichzeitig die Laufzeiten und Garantien erhöhen. Qualitätskontrollen sollen automatisch durchgeführt werden.  Informationen über Verschleiss und Defekt von Bauteilen soll dazu beitragen, gezielte Optimierungen vorzunehmen und dadurch die Laufzeiten zu erhöhen.

Wenig überraschend gehören die IT-Branche, Telekommunikation und Medien zu den Vorreitern beim Einsatz dieser Technologien. Ebenfalls vorne mit dabei sind die Konsumgüter-Branche und die Automobilfirmen. Das ist vielleicht schon überraschender. Branchen, welche bald an die Spitze aufschliessen werden, sind die Chemie, Logistik und Verkehr sowie Pharma. Viele weitere Branchen befinden sich in der Evaluationsphase und werden über kurz oder lang dazustossen.

Soweit die Zahlen und Ergebnisse aus wissenschaftlichen Studien. Wie sieht die Praxis nun konkret aus? Welche Schweizer Firmen nutzen Machine Learning bereits heute aktiv?

Beginnen wir mit einer Dienstleistung, welche die meisten von Ihnen kennen werden: Cumulus. Seit etwa einem Jahr gibt es Extra-Punkte für personalisierte Artikel. (http://www.netzwoche.ch/news/2017-06-29/martin-haas-ueber-cumulus-twint-und-die-migros-it)Habe ich während mehrerer Wochen Bio-Joghurt gekauft, erhalte ich beim nächsten Einkauf überraschend einen 40x-Bon auf alle Bio-Joghurt. Natürlich nur, sofern ich bei meinen Einkäufen die Cumulus-Karte vorweise. Aufgrund der gesammelten Daten zu meinen Einkäufen stellt der Machine Learning Algorithmus der Migros fest, woran ich interessiert bin, und fördert dieses Interesse gezielt durch zusätzliche Cumulus-Punkte.

Eine weitere Dienstleistung, welche viele kennen werden, sind Call-Center. Seit gestern Abend der Blitz im Nachbardorf eingeschlagen hat, habe ich kein Internet mehr. Daher rufe ich ins Call-Center an und erwarte, dass die Person am anderen Ende mein Problem sofort versteht, mögliche Ursachen im Kopf hat, diese überprüft und eine Lösung vorschlägt, wenn nicht sogar das Problem sofort löst. Nun sind die Personen im Call-Center auch keine Supermenschen, die einfach alles wissen. Deshalb hat Swisscom(https://www.swisscom.ch/de/business/enterprise/themen/digital-business/des-2017-002-interview-baeriswyl-artificial-intelligence.html#T=c4ce3968-82d1-482d-9369-ebb0642ad0e8&TS=WLnfpylswV0DN_sw7fLS7_nTjunMti7w6Q-eqHjcD_E) seit einigen Monaten einen neuen Machine Learning Assistenten im Einsatz, welcher den Personen im Call-Center aushilft. Aufgrund von Stichwörtern, welche der Call-Center-Mitarbeitende eingibt (zum Beispiel „Blitz, Internet, Problem“), und einigen Informationen über den Kunden (zum Beispiel welche Dienstleistungen er nutzt) sucht der Machine Learning Assistent nach ähnlichen Problemen bei ähnlichen Kunden und schlägt Lösungen vor. Dadurch wird nicht nur der Call-Center-Mitarbeitende entlastet, welcher beim besten Willen nicht wissen kann, wer sonst noch in den letzten 5 Jahren wann ein Problem hatte mit welchem Abonnement. Auch ich nach dem Anruf zufriedener, da ich dank dem Assistenten die erwartete Hilfe schneller bekommen habe als erhofft.

So gibt es über alle Branchen verteilt weitere Beispiele, wie Machine Learning eingesetzt wird. Novartis (https://www.novartis.com/news/media-releases/novartis-convenes-experts-discuss-new-technologies-healthcare-novartis ) stuft zukünftig den Vorschritt von Multipler Sklerose (MS) mit Hilfe eines Machine Learning Algorithmus ein. Patientenfreundlich sind dafür keine aufwendigen und anstrengenden Test mehr nötig, welche für ohnehin schon geschwächte Patienten zur Tortur werden, sondern werden die Bewegungen des Patienten mithilfe von Videoaufnahmen untersucht und zugeordnet. Die SBB (http://direktlink.prospective.ch/?view=4fddd4d5-ddfd-4043-b23a-146258ac4b61) sucht Personen mit Machine Learning Erfahrung, um die über lange Zeit gesammelten Daten zu strukturieren und mithilfe von „innovativen Methoden und Analysetools“ Informationen und Handlungsempfehlungen fürs Management zur Effizienzsteigerung abzuleiten. BMW (https://www.stepstone.de/stellenangebote–Data-Engineer-Machine-Learning-for-Autonomous-Driving-f-m-Muenchen-BMW-Group–4051614-inline.html) sucht Machine Learning Spezialisten, um das selbstständige Fahren von Autos voranzutreiben. ABB (http://new.abb.com/jobs/de/details/IN62067501_E4) sucht AI Wissenschaftler, um Analysen im Bereich Transport, Industrie, Betriebsmittel und Infrastruktur zu erstellen. Machine Learning ist eine gefragte Kunst in vielen Unternehmen weltweit, aber auch in der Schweiz.

Also nichts wie los! – Oder? Wo liegen die Schwierigkeiten? Wie können diese überwunden werden? Die eingangs erwähnten Studien haben ebenfalls darüber nachgedacht. Laut KPMG geben 85 Prozent der Befragten an, dass eine der grössten Schwierigkeiten darin liegt, den RICHTIGEN Algorithmus zu finden und zu implementieren. Eine weitere Schwierigkeit liegt darin, die richtigen Daten zu sammeln. Zudem benötigen die neuen Algorithmen oft leistungsstarke Hardware, wobei die grosse Auswahl die Entscheidung erschwert. Gemäss crisp Research vertrauen die meisten Unternehmen, welche Machine Learning einsetzen möchten, auf Ihre IT-Partner. Diese unterstützen die Unternehmen bei der Datenexploration und der Schulung der Mitarbeitenden, je nach interner Informatikabteilung jedoch auch bei der Festlegung der Algorithmen, der Implementation bis hin zur Einführung der neuen Technologien. So ist es für jedes Unternehmen möglich, von den neuen Technologien zu profitieren und das Beste aus den über Jahren angehäuften Informationen und Daten herauszuholen!