Kausale Intelligenz: Der Schlüssel zur Steigerung der KI-Leistung in Unternehmen

Lösungen für künstliche Intelligenz (KI) und maschinelles Lernen (ML) gewinnen in Unternehmen immer mehr an Bedeutung. In den letzten Jahren haben Unternehmen immer mehr Geld in ‘Blackbox’-Lösungen investiert, in der Hoffnung, hochmoderne Algorithmen zu entwickeln, mit denen sie besser, intelligenter und effizienter arbeiten können. 

Denken Sie zum Beispiel an den jüngsten Hype um AutoML - Automatisierte Lösungen für maschinelles Lernen, die einfach zu bedienen sind, eine höhere Genauigkeit als herkömmliche ML-Modelle bieten und schneller in Echtzeit eingesetzt werden können. Seit Facebook im April 2016 AutoML als Rückgrat seiner KI/ML-Lösungen gepriesen hat, haben Google, Salesforce, Amazon und Microsoft ihre eigenen AutoML-Lösungen eingeführt. 

Der Hauptvorteil von Lösungen wie AutoML liegt auf der Hand: Sie ermöglichen es Anwendern, schnell produktionsreife und kostengünstige KI/ML-Lösungen einzuführen. Wie bei anderen ‘Blackbox’-KI-Systemen gibt es jedoch auch hier erhebliche Schwachstellen bei der Verwendung für die automatisierte Entscheidungsfindung. 

Diese Systeme modellieren die Ergebnisse in der Regel mithilfe von maschinellem Lernen - es sei denn, sie werden mit großen data gefüttert. Sie ordnen Benutzermerkmale bestimmten Segmenten zu (z. B. Gesundheitszustand oder finanzieller Status), ohne zu erklären, warum.

Dies ist höchst problematisch, nicht nur wegen der mangelnden Transparenz, sondern auch, weil eine solche automatische Benutzerzuordnung das Risiko birgt, den Entscheidungsalgorithmus mit möglichen Verzerrungen zu füttern, die von menschlichen Vorurteilen und Erfassungsartefakten herrühren, die im Training versteckt wurden data. Dies kann zu unfairen oder falschen Entscheidungen führen.

Um dieses Problem zu vermeiden, sollten Entscheidungsträger diese ‘Back-Box’-Systeme stattdessen mit zuverlässigeren data-Sätzen füttern - die sie durch die Entwicklung ihrer Causal Intelligence verfeinern können, dem Verständnis der Ursache-Wirkungs-Beziehungen zwischen dem, was ihre Kunden tun, und wie sich dies auf ihr Geschäft auswirkt. 

Wie funktioniert Kausale Intelligenz?

Kausalität ist kein neues Konzept. Traditionell wurde die Kausalität mithilfe von A/B-Tests und Look-alike-Analysen zwischen Test- und Kontrollgruppen abgeleitet. Das Problem bei diesem Ansatz ist jedoch, dass es umso schwieriger ist, Look-alike- und Mimik-Kontrollgruppen auszuwählen, je größer die Anzahl oder Komplexität der Interventionen ist. 

Kausale grafische Modelle hingegen (probabilistische grafische Modelle die Annahmen über den data-erzeugenden Prozess kodieren), dieses Problem zu lösen. Eines der beliebtesten grafischen Kausalmodelle ist ein Bayes'sches Netzwerk. Es sieht aus wie ein Spinnennetz oder ein Netzwerk von Verbindungen, die die Auswirkungen der einzelnen Variablen auf andere aufzeigen.

(Oben: Ein Beispiel für ein Bayes'sches Netzwerk, das zeigt, wie verschiedene Faktoren den Umsatz beeinflussen)

Um zu erklären, wie es funktioniert, stellen Sie sich eine Situation vor, in der Sie Ihren Marketing Return on Investment konsolidieren wollen. Für mehrere FMCG-Marken, bei denen der Großteil der Verkäufe offline, in einem Einzelhandelsgeschäft, stattfindet, kann ein Bayes'sches Netzwerk inter- und intra-Verbindungen zwischen internen digitalen und Offline-Marketingbemühungen, Preis, Wettbewerb, externen Faktoren wie den Rohstoffmärkten und Offline-Verkäufen identifizieren. Drei Arten von Erkenntnissen können dann extrahiert werden: 

1. Beschreibend (z.B. waren die Amazon-Rezensionen direkt für 10.000 EUR an zusätzlichen Einnahmen verantwortlich).

2. Vorhersage (z.B. kann eine Investition von 10% in CPM-Werbung einen zusätzlichen Umsatz von 3 000 EUR generieren).

3. Vorgeschrieben (z.B. kann Facebook für das gleiche Budget 30% mehr Investitionen erhalten und die Investitionen in E-Mail können um 5% reduziert werden).

Erkennen von Ursache-Wirkungs-Beziehungen

Entscheidend ist, dass Casual Intelligence den Entscheidungsträgern hilft, auch das ‘Warum’ in ihrem data zu verstehen. 

Ursache-Wirkungs-Beziehungen sind schwieriger zu erkennen, als Sie denken. Viele Analysten gehen davon aus, dass eine Ursache-Wirkungs-Beziehung vorliegt, wenn zwei Faktoren im Laufe der Zeit scheinbar voneinander beeinflusst werden; beide scheinen auf ähnliche Weise zuzunehmen und abzunehmen. Das ist jedoch ein Irrglaube. Solche Trends können rein zufällig sein, und eine Korrelation bedeutet nicht, dass eine kausale Beziehung besteht. Dies bezeichnen Statistiker als ‘Scheinkorrelation’ - sie muss nicht unbedingt existieren. 

Es ist leicht, in die Falle zu tappen, ‘falsche Korrelationen’ zu erkennen - und viele Entscheidungsträger treffen ihre Entscheidungen schließlich auf der Grundlage solcher ungenauen Annahmen. Solche Fehltritte sind so häufig, dass die Financial Times nennt falsche Korrelationen “das Kryptonit” des KI-Rausches an der Wall Street.

Mit Causal Intelligence-Modellen können Benutzer jedoch Beziehungen genauer bestimmen. Wenn Sie verstehen, wie sich eine Variable auf eine andere auswirkt, können Sie besser nachvollziehen, wie und warum sich bestimmte Zahlen oder Ergebnisse verändert haben - und (genauer) vorhersagen, ob eine Korrelation fortbestehen oder statisch bleiben wird.

Geschäftsanwendungen von Causal Intelligence

Der Bedarf an Causal Intelligence variiert je nach Branche, dem Reifegrad der KI/ML-Einführung und dem Umfang der menschlichen Eingriffe bei der Erstellung und Validierung von Vorhersagen. Der Prozess kann jedoch Unternehmen in jeder Branche helfen, ihr Verständnis für drei Schlüsselbereiche zu entwickeln:

• Marketing Return of Investment (MROI)

Traditionell haben Vermarkter ihren optimalen Medienmix oder ihre Marketingbudgets mit Marketing-Mix-Modellen (MMMs) verfeinert. Dabei handelt es sich in der Regel um klassische makroökonomische Modelle, die wohl die linearen Korrelationen zwischen den Investitionen in die Medienkanäle betonen.

Das machte Sinn, als Vermarkter einen einzigen Trichter als die absolute Wahrheit ansahen - eine lineare Kundenreise von der Aufmerksamkeit über die Überlegung bis zum Kauf. Aber als Allan Thygesen von Google erklärt, dass der Trichter dank der ‘intent-rich moments" nicht mehr existiert.’. Keine zwei Customer Journeys ähneln einander und Touchpoints können in Form eines Netzwerks oder Spinnennetzes miteinander verbunden werden. Kausalmodelle können Unternehmen dabei helfen, die Auswirkungen dieser miteinander verknüpften Berührungspunkte auf den Umsatz auf skalierbare und robuste Weise zu schätzen.

• Entwicklung von kreativen Assets

Viele Unternehmen konzentrieren sich jetzt darauf, segmentierte audiences für die Marketingaktivierung zu erzeugen. Aber wie sieht es mit der Kreativität aus, die sie ihnen anbieten? Ist es visuell ansprechend genug, um ihre Aufmerksamkeit zu erregen?

IPG Media Brands veröffentlichte eine Bericht im Jahr 2019, in der die Auswirkungen von Werbemitteln auf die Wirksamkeit von Anzeigen untersucht wurden. Die Studie zeigte, dass Größe, Form, primäre oder sekundäre dominante Farben und Logos die CTR im Durchschnitt um das Zweifache steigern. Die Auswirkungen solcher kausalen Schlüsse können die ROAS und das Kundenerlebnis erheblich verbessern, indem ansprechende Anzeigen gegenüber weniger ansprechenden Anzeigen bevorzugt werden.

• Promotion Messung

FMCG-Marken verlassen sich oft auf Werbeaktionen, um den Umsatz zu steigern und näher an die Verbraucher heranzukommen. Allerdings messen sie die Auswirkungen dieser Werbung nach wie vor an falschen Korrelationen und nicht an kausalen Beziehungen. Stattdessen sollten sie eine umfassende Untersuchung der inhärenten Kausalität zwischen den Produktbedürfnissen durchführen, um “Halo”- und “Kannibalisierungs”-Effekte zu ermitteln, ganz zu schweigen von der Isolierung der Wirkung von werbebezogenen Aktivitäten und Investitionen von zeitlichen Faktoren.

Drei Überzeugungen für den Erfolg

Wenn Sie die Funktionsweise von KI/ML-Modellen transparenter machen und die Begründungen für die Vorhersagen dieser Modelle offenlegen, können Sie den Entscheidungsträgern helfen, die nächsten Schritte zu planen. Um mit der Implementierung von Causal Intelligence zu beginnen und daraus einen Mehrwert zu generieren, können Sie jetzt damit beginnen, indem Sie drei Überzeugungen befolgen:

1. Beginnen Sie mit der Sammlung umfassenderer data: Beschränken Sie sich nicht auf das data, das Sie bereits haben. Definieren Sie gemeinsam mit allen Beteiligten aus Wirtschaft und Technik alle internen und externen Faktoren, die die Leistung Ihres Produkts auf dem Markt beeinflussen könnten. Dann können Sie damit beginnen, die data zu sammeln und alle data-Quellen zu konsolidieren.

2. Kombinieren Sie KI/ML und menschliche Intelligenz: Wenn Sie die Pfade/Verbindungen zwischen verschiedenen Faktoren aufzeichnen, können Sie ein Netzwerk auf der Grundlage reiner Statistiken erstellen. Denken Sie jedoch daran, das Netzwerk mit Hilfe von Experten aus der Wirtschaft zu validieren und zu optimieren, um Verzerrungen zu vermeiden und tabuisierte Verbindungen zu erkennen. 

3. Sorgen Sie dafür, dass Endbenutzer und Interessengruppen von Anfang an einbezogen werden: Causal Intelligence ist zeitaufwändig, da eine Vielzahl von data-Punkten verwendet wird und die Beiträge der menschlichen Geschäftsexperten mit einbezogen werden müssen. Diese Interessengruppen und Endbenutzer müssen von Anfang an in die Entwicklung einbezogen werden.