Shaping Business Intelligence
Über uns
Unsere Methodik
NextTables
NextLytics Connectoren
Data Science & Engineering
SAP Planning
Dashboarding
SAP Data Warehouse
Procurement Analytics
SAP HR Reporting & Analytics
Data Quality Management
Arbeiten bei NextLytics
Berufserfahrene
Berufseinsteigende
Studierende
Offene Stellen
Der Begriff “Künstliche Intelligenz” steht als Oberbegriff für alle Methoden, die durch Imitation Teilaspekte menschlicher Intelligenz nachzustellen versuchen. In diesem Zusammenhang spielen Lernfähigkeit, Wahrnehmen, logische Entscheidungsfindung sowie Mustererkennung eine signifikante Rolle. Beispielsweise können Systeme dank Künstlicher Intelligenz, Tiere auf Bildern erkennen, ohne darüber hinaus zu wissen, was ein Tier ist, wie es lebt, sich bewegt usw..
Geht eine Aufgabe jedoch über die erlernte Spezialdisziplin hinaus, versagt die Künstliche Intelligenz. Auch regelbasierte “Expertensysteme”, wie z. B. Schachcomputer, können als Form einer künstlichen Intelligenz aufgefasst werden.
Mit "Machine Learning" bezeichnet man ein Vorgehen, bei dem Künstliche Intelligenz durch ein Computersystem abgebildet wird, welches komplexe Muster sowie Strukturen aus Daten erlernen kann. Statistische Modelle und Algorithmen sind in der Lage, ohne menschliches Zutun, einen Zusammenhang zwischen Input- und Output-Daten zu erlernen und diesen auch auf neue Daten zu übertragen. Der dynamische Algorithmus eines Machine Learning Modells versucht, eine vom Anwender definierte Zielfunktion zu optimieren. Dies unterscheidet Machine Learning Modelle von klassischen Entscheidungssystemen mit starren Entscheidungsregeln.
"Deep Learning" ist ein viel betrachteter Teilbereich des Machine Learnings, welcher durch Aufbau und Funktionsweise des menschlichen Gehirns inspiriert ist. Beim Deep Learning verarbeiten modellierte neuronale Netze Informationen. Daten werden als Input in das Netz eingespeist und in tieferen Schichten des Netzes (Deep) können immer komplexere Strukturen erlernt werden (Learning), um bestimmte Resultate zu erzeugen. Solch neuronale Netze sind in der Lage, aus historischen Daten zu lernen, die von modernen Algorithmen eingespeist werden. Auf Basis des Outputs können Prognosen, Entscheidungen oder Muster abgeleitet werden.
Machine Learning Algorithmen sind in der Lage, Beziehungen und Trends in riesigen Datenmengen zu erkennen und hieraus Prognosen und Empfehlungen für wichtige umsatz- und kostenrelevante Geschäftsentscheidungen abzuleiten. Auf diese Weise kann der Unternehmensgewinn unmittelbar durch KI gesteigert werden.
Eine weiteres Anwendungsszenario des Machine Learnings liegt darin, Strukturen, Abhängigkeiten und Trends in großen unstrukturierten Datenmengen zu erkennen. So ist es zum Beispiel möglich, Daten besser zu strukturieren, verständlich zu machen und hieraus geschäftsrelevante Erkenntnisse zu generieren.
Für die Planung der liquiden Mittel ist eine verlässliche Prognose der Zahlungseingänge entscheidend. Soll vorhergesagt werden, wann Rechnungen beglichen werden, spielt ein komplexes Gerüst aus internen und externen Faktoren eine Rolle, welche mit Machine Learning optimal ausgewertet werden. Kalenderbasierte Informationen wie Wochen- und Feiertage, Kennzahlen über die Zahlungsmoral eines Debitors und aktuelle globale Zustände werden aus internen und externen Datenquellen gewonnen. Tagesaktuelle Prognosen werden anschließend automatisiert erstellt und in Form von Reports an die verantwortlichen Stellen weitergeleitet. Dort hilft die Information den kurzfristigen Kapitalbedarf oder -überschuss abzuschätzen.
Auch der Vertrieb kann durch den Einsatz von Machine Learning effizienter ausgerichtet werden. Basierend auf historischen Geschäftsdaten zu einem Kunden und verschiedener Angebotskennzahlen kann eine Prognose zur Erfolgswahrscheinlichkeit eines Angebots erstellt werden. Dies ermöglicht es, mögliche Angebotsalternativen miteinander zu vergleichen und die beste auszuwählen.
Eine automatisierte Verarbeitung von Rechnungen muss sowohl mit Rechnungen in Papierform, als auch mit Rechnungen in digitalen Formaten (Email, PDF) umgehen können. Hierfür wird optische Zeichenerkennung (OCR) für die Verarbeitung von gescannten und fotografierten Dokumenten eingesetzt. Die Datenextraktion und -validierung liefert die benötigten Textelemente, welche in eine Datenbank übertragen werden. Eine anschließende Klassifizierung der Rechnungen und bedingte Weiterverarbeitung kann ebenfalls mittels Machine Learning angestoßen werden. Durch diesen Prozess erreicht man eine Zeitersparnis, die gesenkte Bearbeitungskosten zur Folge hat.
Besonders digitale Geschäftsprozesse sind einem erhöhten Angriffs- und Betrugsrisiko ausgesetzt. Nicht nur im Einkauf kann eine Machine Learning gestützte Betrugsanalyse dazu beitragen, die Sicherheit zu erhöhen. Statt alle Betrugsarten einzeln abzuarbeiten, gibt das System eine Warnung bei Verhaltensabweichungen von Debitoren oder Unregelmäßigkeiten in Transaktionen aus. Die besondere Herausforderung besteht darin, ein System zu erschaffen, welches Betrugsfälle zuverlässig erkennt, ohne eine unnötige Warnungsflut in Gang zu setzen, welche die Mitarbeiter eher aus- statt entlastet.
Zielgruppenorientierte oder verhaltensbasierte Kundensegmentierung - es gibt viele Möglichkeiten, das Marketing und den Vertrieb zu beflügeln. Bei einer Kundensegmentierung werden diejenigen Kunden ermittelt, die Ihr Geschäft beleben. Neben den Gewinnbringenden gibt es auch Kunden, welche durch geringe Abschlüsse vergleichsweise kaum oder gar nicht gewinnbringend sind. In beiden Fällen verursacht die Kundengewinnung und -bindung Kosten durch Rabatte, Betreuung und Marketingaktionen. Investieren Sie Ihr Kapital optimal in die Kunden mit der höchsten Profitabilität. Mit Machine Learning und dem RFM (Recency, Frequency, Monetary) - Klassifikationsansatz lässt sich unter anderem durch den Umsatz und das Bestellintervall ein individueller Indikator pro Kunde erstellen, der weitere Vertriebstätigkeiten optimieren kann. In diesem Zuge kann auch das datengetriebene Erkennen von Kundenabwanderung ebenfalls implementiert werden.
Aufgrund der besseren Lesbarkeit wird im Text das generische Maskulinum verwendet. Gemeint sind jedoch immer alle Menschen.
/Logo%202023%20final%20dunkelgrau.png?width=221&height=97&name=Logo%202023%20final%20dunkelgrau.png "logo")
/HP_Hintergrundbild-01-06-2023_paralax-scrolling-Kreis-dunkel_klein.png)
