GLOSSAR

Was ist Machine Learning?

Machine Learning 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 darstellen.

Überblick

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 ML nicht auf bestimmte Branchen oder Unternehmensformen reduzieren lässt. ML ist als Teilgebiet von Artificial Intelligence (AI) zu verstehen und wird als derzeit bekanntester Bereich von AI angesehen. AI wiederum ist eine Disziplin der Informatik.

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 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 in Folgedessen entweder überwacht oder unüberwacht durch die Programmierer. 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 ML einordnen lässt, wie beispielsweise teil-überwachtes, bestärkendes oder aktives Lernen. Dazu werden je nach Problemstellung entsprechende mathematische und statistische Modelle verwendet. Ziel von ML ist es, durch künstliche Generierung von Wissen versteckte oder komplexe Gesetzmäßigkeiten in den Datenmengen zu identifizieren.


Sie interessieren sich dafür wie strategisches Digital Marketing funktioniert?

Squared Online Logo

Squared Online ist der Digital Marketing & Leadership Kurs entwickelt mit Google und powered by Avado.


Machine Learning

Wie kann Machine Learning eingesetzt werden?

Die Einsatzgebiete bewegen sich bei ML 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 ML-Lösungen Anwendung. Des Weiteren kann der  zentrale Einkauf von Unternehmen im Lieferantenmanagement ML-Technologien einsetzen, um die digitale Supply Chain zu optimieren.

Oft genannte praktische Anwendungsbereiche bei Wirtschaftsunternehmen sind dabei beispielsweise:

Machine Learning

Wie wird Machine Learning im Digital Marketing eingesetzt?

ML birgt das Potential Geschäftsanalysen wie Risikomanagement, Forecasting, Lead Priorisierung, Talent Management stark zu vereinfachen und komplexe Zusammenhänge sichtbar und vorhersehbar zu machen.

Insbesondere Kundensegmentierung, personalisierte Produktempfehlungen, Spracherkennung, Gesichtserkennung sind im Bereich Customer Experience relevante Use-Cases. ML 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 insbesondere für das Lead Management im Digital Marketing. Dabei kann ML durch Predictive Analysis erkennen, welche User den potentiell höchsten Wert haben, um zu Kunden zu konvertieren. Ziel ist es, Streuverluste zu vermeiden und so zielsicheres Targetieren von potentiellen Kunden 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 ML im gesamten Kundenlebenszyklus 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 ML die Möglichkeit eines Einsatzes von Predictive Lead Scoring, welche auf Basis von bereits gewonnene Verhaltensdaten und Signalen die Wahrscheinlichkeit einer Konvertierung zu Kunden berechnen.

Im Bereich der Online Werbung bzw. des Real-Time-Biddings beispielsweise hilft ML dabei Muster in den Verhaltensweisen der Nutzer zu erkennen und darauf basierend zu bestimmen welche Werbung für den Nutzer am relevantesten ist. So bietet ML auch bei der Webanalyse Vorteile, wobei eine größere Zeitersparnis und Effizienz erreicht werden soll.