[über]
[lösungen]
[log]
Nichts Passendes dabei? Stellen Sie ein, welche Inhalte Sie auf aleri.de sehen möchten:
KI-basierte Datenanalyse und Anomalie-Erkennung
Identifizieren Sie Auffälligkeiten und Anomalien in Ihren Daten.
Große Datenmengen sind heute fester Bestandteil unserer Geschäftswelt und für viele Unternehmen erfolgsrelevant, nicht nur für rein datengetriebene Geschäftsmodelle. Doch in jedem Datensatz liegen Chancen auf Wettbewerbsvorteile und Risiken fürs Geschäft nah beieinander. Menschen ist es kaum noch möglich, hier den Überblick zu behalten, geschweige denn Nutzen aus den Daten zu ziehen. Hier kann künstliche Intelligenz unterstützen.
Genau zu diesem Zweck haben wir Aleri Deviation Monitoring entwickelt, ein Werkzeug, das mit Hilfe künstlicher Intelligenz Datenmengen jeder Größe automatisiert untersucht und Abweichungen identifiziert.
Mit Aleri Deviation Monitoring können Sie Auffälligkeiten in Ihren Daten identifizieren, die bei bloßer Betrachtung durch den Menschen gar nicht auffallen würden.
Die Qualität von Produktdatenbanken als Basis für erfolgreichen E-Commerce
Im E-Commerce ist die Produktdatenbank des Händlers der wesentliche Erfolgsfaktor. Bei größeren Händlern können solche Produktdatenbanken leicht mehrere hunderttausend Produktdatensätze umfassen. Da ist es offensichtlich, dass der Mensch das alleine nicht mehr bewältigen kann. Wenn aus Versehen falsch getaggte, falsch bepreiste oder falsch beschriebene Produkte in den Datenbestand gelangen, kann das für den Händler erheblichen Schaden bedeuten – zum Beispiel, wenn ein sehr wertvolles Produkt irrtümlich zu einem viel zu niedrigen Preis angeboten und verkauft wird.
An dieser Stelle unterstützt das Aleri Deviation Monitoring mit künstlicher Intelligenz und weist Fachpersonal auf relevante Abweichungen hin, die eine menschliche Prüfung erfordern. So lassen sich selbst in größten Produktdatenbanken Artikel identifizieren, die aus qualitativen oder preistechnischen Gründen nicht in die Verkaufsstrategie des Onlinehändlers passen und sich deshalb bei Nichterkennung negativ auf sein Geschäft auswirken würden.
Kundenstammdaten priorisieren und das Potenzial von Leads für Marketing und Sales herausarbeiten
Der Vertriebserfolg eines Unternehmens basiert in erster Linie auf geschäftsrelevanten Kundenstammdaten. Das können potenzielle Kontakte sein, die auf einer Messe gesammelt wurden, oder bestehende Kunden, mit denen Umsätze erzielt werden. In diesen teils großen Stammdatenbanken liegen mit hoher Wahrscheinlichkeit Kontakte, die für das Unternehmen sowohl Chancen als auch Risiken bedeuten. Risiken deshalb, weil es sich z. B. um Kunden handelt, bei denen kaum relevante Umsätze zu erwarten sind oder bei denen sogar erhöhtes Zahlungsausfallrisiko besteht. Chancen deshalb, weil die Kontakte z. B. hohes Umsatzpotential bergen oder als vielversprechende Abnehmer für ein neues Produkt in Frage kommen.
Während man Erstere gerne effizient herausfiltern will, möchte man Letztere als qualifizierte Leads identifizieren und durch Vertrieb und Marketing ansprechen. Hier die Spreu vom Weizen zu trennen ist bei wachsenden Datenbeständen für den Menschen kaum effizient machbar. An dieser Stelle setzt das Aleri Deviation Monitoring an, um mit künstlicher Intelligenz in einer unübersichtlichen Masse an Kunden die Ausreißer zu identifizieren, die sich entweder negativ oder positiv auf den Vertriebserfolg auswirken können.
Homogenität der Formulardatenerfassung in Echtzeit überprüfen und konsistente Datenqualität sichern
Datenbanken werden häufig über Formulare gespeist. Etwa über Formularmasken zur Neukundenerfassung im CRM oder bei der Registrierung eines Benutzerkontos für einen Online-Shop. In Formulardatenbanken ist die Daten-Homogenität besonders schwer zu gewährleisten, weil die Dateneingabe oft durch sehr heterogene Personengruppen erfolgt, die ihre Eingaben mit unterschiedlichen Vorstellungen vornehmen. Formularerfassungen zu identifizieren, die von der Norm abweichen und so zu problematischen Datensätzen führen, ist deshalb eine Daueraufgabe, die für den Menschen nicht realistisch handhabbar ist.
Die künstliche Intelligenz des Aleri Deviation Monitoring kann hier unterstützen und Fachpersonal auf ungewünschte Abweichungen hinweisen oder diese zur Prüfung vormerken. So wird eine konsistente Datenqualität gewährleistet, was den Wert der Daten für das Unternehmen steigert.
Profitieren Sie von Aleri Deviation Monitoring
Die meisten Unternehmen befinden sich in einem digitalen Wettbewerb. Hier kommt es darauf an, sich mit Hilfe von Daten Vorteile gegenüber der Konkurrenz zu erarbeiten. Doch die vorherrschenden Umstände sind nicht bei jedem Kunden gleich. Genau hier setzen wir von Aleri an und versuchen, Unternehmen mit ihren individuellen Voraussetzungen und Bedürfnissen in den Blick zu nehmen, um sie in die Lage zu versetzen Mehrwert aus ihren Daten zu ziehen.
FAQs zum Thema Deviation Management und KI
1) Ethical AI
Frage: Die moralische und ethische Angemessenheit von AI-Algorithmen wird dieser Tage viel diskutiert und hinterfragt. Inwieweit muss das Thema "Ethical AI" auch für das AleriDeviationMonitoring berücksichtigt werden?
Antwort: Ethical AI ist hier von untergeordneter Bedeutung, weil der Algorithmus zwar den Anomaliegrad berechnet, aber selbst keine Bewertung vornimmt. Erst die menschliche Einschätzung macht dies auf Grundlage des vorgelegten Datensatzes. Allerdings ergeben sich "normal" und "anormal" statistisch zwangsläufig aus der Beschaffenheit der Grunddatenmenge und der Wahl der Eigenschaften, die zum Training verwendet werden. Hier sollte man - insbesondere bei beschreibenden Eigenschaften von Personen - umsichtig vorgehen, um die Anomaliebewertung nicht bereits vorzuprägen.
Beispiel: In einer Datenmenge mit 100 Frauen und einem Mann wird der Mann zwangsläufig als Anomalie ausgewiesen werden. Das ist statistisch betrachtet zwar korrekt, versperrt aber ggf. den Blick auf die wirklich interessanten Anomalien, die von der dominierenden Eigenschaft "Geschlecht" überlagert werden.
2) Eigenschaften der Daten
Frage: Welche Eigenschaften müssen Daten besitzen, um für das AleriDeviationMonitoring verwendbar zu sein?
Antwort: Insbesondere nummerische Eigenschaften (z. B. Höhe, Gewicht, Alter, Preis) sind statistisch gut handhabbar. Auf diese konzentrieren wir uns beim AleriDeviationMonitoring.
Demgegenüber könnten die Gegenstände der Analyse aber auch sogenannte kategorische Eigenschaften besitzen (z. B. Farbe oder Qualität), die andere Methoden der Bewertung in Bezug auf ihren Anomaliegrad erfordern. Insbesondere ist dann ein tiefergehendes Verständnis der Zusammenhänge des Geschäfts und der betrachteten Objekte erforderlich, weil Anomalität ein komplexeres kombinatorisches Problem wird.
Weiterhin müssen Daten in der Regel in Kategorien unterteilt werden, die eine gewisse Homogenität besitzen. In einer Menge aus Büchern ungewöhnliche Bücher zu erkennen, ist sinnvoll. Wenn die Bücher aber mit dem Kochgeschirr in eine Kategorie geworfen werden, wird die Anomaliebetrachtung in dieser heterogenen Menge höchstwahrscheinlich nur schwache Ergebnisse produzieren. Die Ausgestaltung dieser Kategorien ist eine wichtige Tätigkeit im Vorfeld der Anwendung des AleriDeviationMonitoring.
3) Retraining
Frage: Viele AI-Algorithmen müssen von Zeit zu Zeit aufwändig neu trainiert werden, damit ihre Ergebnisse nicht "schlecht" werden. Wie sieht das beim AlerDeviationMonitoring aus?
Antwort: Das sogenannte "Retraining" dauert im Gegensatz zu vielen komplexen AI-Algorithmen nicht lange (unter einer Stunde) und kann im Prinzip jederzeit, z. B. einmal pro Nacht, wiederholt werden. Dies kann auch komplett automatisiert erfolgen. Insbesondere das Schneiden von Trainings- und Testdaten entfällt hier. Das Trainieren des Algorithmus erfolgt immer auf der Gesamtmenge der Daten unter Berücksichtigung des Feedbacks der Experten. Letzteres hilft entscheidend, die Qualität der Anomalieerkennung im Zeitverlauf zu erhöhen.