Künstliche Intelligenz

Analytics - der Lebenszyklus von Modellen

| Redakteur: Jürgen Schreier

KI erlaubt Prognosen von enormer Treffsicherheit. Doch nicht für jeden Zweck ist die genaueste Prognose auch die beste.
KI erlaubt Prognosen von enormer Treffsicherheit. Doch nicht für jeden Zweck ist die genaueste Prognose auch die beste. (Bild: Pixabay / CC0)

Wer sich von Künstlicher Intelligenz unterstützen lassen will, muss wissen: Analytics ist ein andauernder Prozess. Hat man ein Vorhersagemodell entwickelt, fängt die Arbeit erst richtig an. Denn die KI-Welt verlangt nach permanenter Evolution. Timo Schulz von ITGAIN skizziert, wie der Lebenszyklus eines Modells aussieht.

Herr Schulz, was ist die größte Herausforderung, wenn es um den Einsatz von Analytics geht?

Entgegen der weitverbreiteten Meinung ist es nicht nur die Entwicklung oder das Training der Modelle, durch die die Algorithmen automatisiert zu Entscheidungen oder Voraussagen kommen. Mindestens genauso aufwändig sind ihr Deployment – also die Integration in die bereits bestehenden Arbeitsprozesse – und ihre Verwaltung.

Warum?

Diese beiden Schritte sind sehr arbeitsintensiv und gleichzeitig entscheidend für den Erfolg. Und sie müssen immer wieder gegangen werden. Aber eigentlich darf man all diese Schritte – die Entwicklung, das Testen, die Validierung, das Deployment und die Verwaltung – gar nicht isoliert voneinander betrachten. Sie sind Teil eines größeren Prozesses. Die Modelle, auf denen Analytics-Anwendungen beruhen, haben einen Lebenszyklus, der diesen Prozess immer wieder durchlaufen sollte.

Das heißt, Modelle müssen gepflegt werden?

Richtig. Es reicht nicht, einmal ein Modell zu entwickeln, um es dann unendlich lange zu verwenden. Denn jedes Voraussagemodell, das Sie entwickeln, trainieren Sie mit Daten. Daten, die Ihnen zum Zeitpunkt der Entwicklung zur Verfügung stehen und die den Zustand der Welt zu genau diesem Zeitpunkt widerspiegeln. Dadurch sieht das Modell die Welt sozusagen durch die Brille dieses Zeitpunkts. Und danach trifft es auch seine Entscheidungen und sagt beispielsweise voraus, dass Ihr Kunde X wahrscheinlich kündigen wird. Wenn sich aber die Welt zwischenzeitlich ändert, wird die Wahrscheinlichkeit größer, dass das Modell falsche Voraussagen trifft, weil sich die Kunden in dieser veränderten Welt mittlerweile anders verhalten.

Wie sieht der Lebenszyklus eines Modells aus?

In den ersten drei Schritten identifiziert man, was man mit der Analytics-Anwendung erreichen möchte – die Verhinderung von Kündigungen beispielsweise. Man entwickelt das Modell, trainiert es mit den vorliegenden Daten und testet die Genauigkeit seiner Vorhersagen. Wenn es noch nicht genau genug ist, verfeinert man es. Diesen Schritt wiederholt man solange in einer Schleife, bis das Modell Voraussagen liefert, die gut genug für den jeweiligen Zweck sind .

Dann, im vierten Schritt, folgt das Deployment. Stellen wir uns vor, für wen eine Vorhersage von potenziellen Kündigern nützlich sein kann: für einen Helpdesk-Mitarbeiter zum Beispiel. Er hat den direkten Kundenkontakt. Seine Customer-Relationship-Management-Software spielt ihm alle möglichen Informationen zu dem Kunden auf den Bildschirm, mit dem er gerade telefoniert. In diese Software muss nun das neue Vorhersagetool integriert werden.

Nach dem Deployment beginnt alles wieder von vorn. In einem Helpdesk zum Beispiel laufen ja ständig neue Daten auf. Über mehrere Monate hinweg haben einige Kunden gekündigt. Manche davon hat das Modell korrekt vorausgesagt, manche nicht. Mit diesen neuen Daten trainiert man das Modell und testet, ob sich die Voraussagegenauigkeit verbessert hat. Wenn ja, wird das alte Modell gegen das neue ausgetauscht. Das alte wird in einer Datenbank abgelegt, mit einem Versionsnamen und Informationen darüber, wie genau es arbeitet und mit welchen Daten es trainiert wurde. Schließlich weiß man nie, ob es später noch einmal nützlich werden könnte. Dieser Schritt heißt Historisierung.

Klingt, als müsse man ziemlich viel Aufwand betreiben, um Analytics-Anwendungen in Schuss zu halten.

Die gute Nachricht ist: Das meiste davon kann man automatisieren. Vom Training über das Deployment bis zur Historisierung ist wenig menschliche Kontrolle nötig. Das spart sehr viel Zeit und Aufwand und sorgt dafür, dass Ihr Analytics-Projekt auch auf lange Sicht ein gutes Analytics-Projekt bleibt .

Timo Schulz ist Analytics-Experte bei der ITGAIN Consulting Gesellschaft für IT-Beratung mbH, Frankfurt am Main.

Fünf Tipps für ein gutes Analytics-Projekt

Es gibt eigentlich nichts, das man mithilfe von Analytics nicht prognostizieren könnte. Und auch der Genauigkeit sind dabei kaum Grenzen gesetzt. Aber nicht für jeden Zweck sind die genauesten Prognosen die besten. Ein „gutes“ Analytics-Projekt ist dasjenige, dessen Prognosegenauigkeit dem Projektziel angemessen ist. Um ein Analytics-Projekt aufzusetzen, das sich auch lohnt, sollte man von Anfang an wissen, welches Ziel damit verfolgt wird. Und über noch ein paar Dinge mehr sollte man sich im Klaren sein:

1) Definieren Sie die Handlung, die Sie durch Ihre Analyse auslösen oder verändern möchten. Das ist letztlich Sinn und Zweck eines jeden Analytics-Projekts: Handlungen auszulösen oder bestehende Prozesse zu optimieren. Wenn Sie das Ziel haben, die Effizienz Ihrer Direktmailings zu verbessern, also Kosten zu sparen und die Rücklaufquote zu verbessern, dann sollten Sie darauf bedacht sein, die Zielgruppe auf vielversprechende Kontakte einzugrenzen. So schicken Sie Ihr Informationsmaterial zum großen Teil nur noch an tatsächliche Interessenten.

2) Nehmen Sie die Geschäftsprozesse Ihres Unternehmens ins Visier, hinter denen sich ein großes Volumen verbirgt. Bei sehr kostenintensiven Prozessen beispielsweise bringt schon eine Verbesserung um wenige Prozentpunkten deutliche Einsparungen.

3) Legen Sie im Vorfeld das „Gut genug“-Kriterium fest. Damit ist der Punkt gemeint, an dem Sie Ihr Analysemodell nicht noch weiter verfeinern müssen, etwa weil Sie damit mindestens die Refinanzierung der Projektkosten erreichen werden.

Diesen Punkt identifizieren Sie mit einer Confusion Matrix. Sie sagt Ihnen, wie viele „Treffer“ Sie mit Ihrem Mailing landen werden (tatsächliche Interessenten angeschrieben) und wie viele „Fehlschüsse“ zu erwarten sind (nicht Interessierte angeschrieben oder Interessenten nicht angeschrieben). Und sie sagt Ihnen, wie viele Kosten und wie viel Gewinn damit jeweils verbunden ist.

Dazu müssen Sie alle mit dem Analytics-Projekt in Verbindung stehenden Geschäftsvorfälle monetär bewerten: Wie viel kostet der Druck meiner Werbeflyer? Wie viel Umsatz mache ich mit einer abgeschlossenen Police? Wie viel Umsatz entgeht mir, wenn ich einen wahrscheinlichen Interessenten nicht erreiche? Berücksichtigen Sie auch immaterielle Gegenstände wie Imageverlust.

4) Bleiben Sie nicht in den technischen Bedingungen des Modells stecken. Involvieren Sie die Fachbereiche. Sie überblicken die wirtschaftlichen Zusammenhänge besser als die IT-Abteilung. Mit ihnen gemeinsam erreichen Sie viel einfacher eine monetäre Bewertung der Geschäftsvorfälle.

5) Achten sie früh auf die Verwendung der richtigen Daten in der richtigen Qualität. Stellen Sie sich vor, Sie analysieren einen Prozess und kommen zu einem Ergebnis, das Sie dazu führt, ihn vollkommen umzugestalten. Und im Nachhinein finden Sie heraus, dass Sie die Analyse mit ungenügenden, verzerrten Daten durchgeführt haben. Dann wird Ihr neuer Prozess auf falschen Grundlagen beruhen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45299532 / Praxis)