Machine Learning (ML) definiert sich über den Einsatz selbstlernender Programme, welche Muster in großen Datenbeständen erkennen, aus diesen Daten lernen und daraus zu verallgemeinernde Kenntnisse gewinnen oder Vorhersagen treffen. Grundlage dieser Programme sind besondere Machine-Learning-Algorithmen, die selbstlernend Wissen aus Erfahrungen in Form von eingegebenen Daten generieren und somit eine zentrale Disziplin von Künstlicher Intelligenz (KI) darstellen.
Was ist Machine Learning?
Machine Learning ist als Teilgebiet Künstlicher Intelligenz (KI) zu verstehen und wird als derzeit bekanntester Bereich von AI angesehen. KI wiederum ist eine Disziplin der Informatik. Konzeptionell, theoretisch und methodisch kann Machine Learning (ML) als breit angelegtes Feld betrachtet werden, mit einer Fülle an unterschiedlichen praktischen sowie theoretisch möglichen Einsatzgebieten, sodass sich die Anwendungsfälle von Machine Learning nicht auf bestimmte Branchen oder Unternehmensformen reduzieren lässt.
Das Lernen der Software funktioniert durch den Input von Daten in das System. Die Lernsoftware bzw. der Algorithmus soll im Zuge dessen bestimmte Erkenntnisse eigenständig gewinnen, nachdem Programmierer:innen dem System ein gewisses Grundwissen durch manuelle Rückmeldungen in Form von kontinuierlicher Ein- und Ausgabe vermittelt haben. Dieses Feedback wird so genutzt, dass das Modell auf Basis von Trainings- und Testdaten stetig angepasst und entsprechend optimiert werden kann.
Der Lernprozess erfolgt infolgedessen entweder überwacht oder unüberwacht durch die Programmierer:innen. In diesem Zusammenhang spielt auch die zu verarbeitende Komplexität der Daten und die Datenmenge eine gewichtige Rolle. Neben überwachten und unüberwachten Lernens existieren noch weitere Lernkategorien, in die sich Machine Learning einordnen lässt, wie beispielsweise teil-überwachtes, bestärkendes oder aktives Lernen.
Dazu werden je nach Problemstellung entsprechende mathematische und statistische Modelle verwendet. Ziel von Machine Learning ist es, durch künstliche Generierung von Wissen versteckte oder komplexe Gesetzmäßigkeiten in den Datenmengen zu identifizieren.
Wie kann Machine Learning eingesetzt werden?
Die Einsatzgebiete bewegen sich bei Machine Learning auf einem breiten Spektrum. Neben Anwendungen im Feld des autonomen Fahrens existieren noch viele weitere Beispiele, wie Szenarien in der Qualitätskontrolle, dem Energiemanagement, Predictive Maintenance, Predictive Logistics oder Smart Manufacturing. Auch in Recht und Verwaltung, dem Gesundheitswesen oder in der IT-Security finden Machine-Learning-Lösungen Anwendung.
Des Weiteren kann der zentrale Einkauf von Unternehmen im Lieferanten-Management Machine-Learning-Technologien einsetzen, um die digitale Supply Chain zu optimieren.
Oft genannte praktische Anwendungsbereiche bei Wirtschaftsunternehmen sind dabei beispielsweise:
- Bildanalyse/ Bilderkennung
- Spracherkennung/ Sprachsteuerung (Natural Language Processing)
- Übersetzung
- Textanalyse/ Natural Language Processing
- Intelligente Bots/ (Sprach-) Assistenten
- Gesichtserkennung
- Videoanalyse
Wie wird Machine Learning im Online Marketing eingesetzt?
Machine Learning birgt das Potenzial, Geschäftsanalysen wie Risikomanagement, Forecasting, Lead-Priorisierung oder Talent Management stark zu vereinfachen und komplexe Zusammenhänge sichtbar und vorhersehbar zu machen. Insbesondere Kundensegmentierung, personalisierte Produktempfehlungen, Spracherkennung und Gesichtserkennung sind im Bereich Customer Experience relevante Use Cases.
Machine Learning soll im Marketingbereich bei der Identifizierung von Marketing-Qualified-Leads (MQLs) sowie Sales-Qualified-Leads (SQL) unterstützen und dabei Marketingkampagnen individuell für Segmente oder einzelne Personen optimieren. Dies gilt vor allem für das Lead Management im Online Marketing. Dabei kann Machine Learning durch Predictive Analysis erkennen, welche User den potenziell höchsten Wert haben, um zum:r Kund:in zu konvertieren.
Ziele von Machine Learning
Ziel von Machine Learning ist es, Streuverluste zu vermeiden und so zielsicheres Targetieren von potenziellen Kund:innen sicherzustellen. Diese künstlich erlernten Lösungen sollen die Customer Journey individuell für Unternehmen optimieren, die Customer Experience an einzelnen Touchpoints verbessern und so für eine stärkere Kundenbindung sorgen. Auf diese Weise kann ein ganzheitlicher Lösungsansatz geschaffen werden, wie Machine Learning im gesamten Kundenlebenszyklus (CLV) eingesetzt werden kann. Dies geht von der Anbahnungsphase bis zum Kundenrückgewinnungsmanagement.
Dabei unterstützen intelligente Risikomanagementsysteme, die die zu erwartende Absprungrate individuell auf Basis der digitalen Kundensignale berechnen. In der Gewinnung von Marketing- bzw. Sales-Qualified-Leads bietet Machine Learning die Möglichkeit eines Einsatzes von Predictive-Lead-Scoring, welche auf Basis von bereits gewonnene Verhaltensdaten und Signalen die Wahrscheinlichkeit einer Konvertierung zu Kund:innen berechnen.
Im Bereich der Online-Werbung bzw. des Real-Time-Biddings beispielsweise hilft Machine Learning dabei, Muster in den Verhaltensweisen der Nutzer:innen zu erkennen und darauf basierend zu bestimmen, welche Werbung für die Nutzer:innen am relevantesten ist. So bietet Machine Learning auch bei der Webanalyse Vorteile, wobei eine größere Zeitersparnis und Effizienz erreicht werden soll.
