![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/11\/GettyImages-1223789411.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ DIGITAL<\/p>\n<\/div>
7. Januar 2021 L\u00f6sungen f\u00fcr k\u00fcnstliche Intelligenz (KI) und maschinelles Lernen (ML) gewinnen in Unternehmen immer mehr an Bedeutung. In den letzten Jahren haben Unternehmen immer mehr Geld in \u2018Blackbox\u2019-L\u00f6sungen investiert, in der Hoffnung, hochmoderne Algorithmen zu entwickeln, mit denen sie besser, intelligenter und effizienter arbeiten k\u00f6nnen.\u00a0<\/span><\/p>\n Denken Sie zum Beispiel an den j\u00fcngsten Hype um AutoML - <\/span>Automatisierte L\u00f6sungen f\u00fcr maschinelles Lernen, die einfach zu bedienen sind, eine h\u00f6here Genauigkeit als herk\u00f6mmliche ML-Modelle bieten und schneller in Echtzeit eingesetzt werden k\u00f6nnen<\/span><\/a>. Seit Facebook im April 2016 AutoML als R\u00fcckgrat seiner KI\/ML-L\u00f6sungen gepriesen hat, haben Google, Salesforce, Amazon und Microsoft ihre eigenen AutoML-L\u00f6sungen eingef\u00fchrt.\u00a0<\/span><\/p>\n Der Hauptvorteil von L\u00f6sungen wie AutoML liegt auf der Hand: Sie erm\u00f6glichen es Anwendern, schnell produktionsreife und kosteng\u00fcnstige KI\/ML-L\u00f6sungen einzuf\u00fchren. Wie bei anderen \u2018Blackbox\u2019-KI-Systemen gibt es jedoch auch hier erhebliche Schwachstellen bei der Verwendung f\u00fcr die automatisierte Entscheidungsfindung.\u00a0<\/span><\/p>\n Diese Systeme modellieren die Ergebnisse in der Regel mithilfe von maschinellem Lernen - es sei denn, sie werden mit gro\u00dfen data gef\u00fcttert. Sie ordnen Benutzermerkmale bestimmten Segmenten zu (z. B. Gesundheitszustand oder finanzieller Status), ohne zu erkl\u00e4ren, warum.<\/span><\/p>\n Dies ist h\u00f6chst problematisch, nicht nur wegen der mangelnden Transparenz, sondern auch, weil eine solche automatische Benutzerzuordnung das Risiko birgt, den Entscheidungsalgorithmus mit m\u00f6glichen Verzerrungen zu f\u00fcttern, die von menschlichen Vorurteilen und Erfassungsartefakten herr\u00fchren, die im Training versteckt wurden data. Dies kann zu unfairen oder falschen Entscheidungen f\u00fchren.<\/span><\/p>\n Um dieses Problem zu vermeiden, sollten Entscheidungstr\u00e4ger diese \u2018Back-Box\u2019-Systeme stattdessen mit zuverl\u00e4ssigeren data-S\u00e4tzen f\u00fcttern - die sie durch die Entwicklung ihrer Causal Intelligence verfeinern k\u00f6nnen, dem Verst\u00e4ndnis der Ursache-Wirkungs-Beziehungen zwischen dem, was ihre Kunden tun, und wie sich dies auf ihr Gesch\u00e4ft auswirkt.\u00a0<\/span><\/p>\n Kausalit\u00e4t ist kein neues Konzept. Traditionell wurde die Kausalit\u00e4t 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 auszuw\u00e4hlen, je gr\u00f6\u00dfer die Anzahl oder Komplexit\u00e4t der Interventionen ist.\u00a0<\/span><\/p>\n Kausale grafische Modelle hingegen (<\/span>probabilistische grafische Modelle<\/span><\/a> die Annahmen \u00fcber den data-erzeugenden Prozess kodieren), <\/span>dieses Problem zu l\u00f6sen. 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.<\/span><\/p>\n (Oben: Ein Beispiel f\u00fcr ein Bayes'sches Netzwerk, das zeigt, wie verschiedene Faktoren den Umsatz beeinflussen)<\/span><\/i><\/p>\n Um zu erkl\u00e4ren, wie es funktioniert, stellen Sie sich eine Situation vor, in der Sie Ihren Marketing Return on Investment konsolidieren wollen. F\u00fcr mehrere FMCG-Marken, bei denen der Gro\u00dfteil der Verk\u00e4ufe offline, in einem Einzelhandelsgesch\u00e4ft, stattfindet, kann ein Bayes'sches Netzwerk inter- und intra-Verbindungen zwischen internen digitalen und Offline-Marketingbem\u00fchungen, Preis, Wettbewerb, externen Faktoren wie den Rohstoffm\u00e4rkten und Offline-Verk\u00e4ufen identifizieren. Drei Arten von Erkenntnissen k\u00f6nnen dann extrahiert werden:\u00a0<\/span><\/p>\n 1. Beschreibend<\/b> (z.B. waren die Amazon-Rezensionen direkt f\u00fcr 10.000 EUR an zus\u00e4tzlichen Einnahmen verantwortlich).<\/span><\/p>\n 2. Vorhersage<\/b> (z.B. kann eine Investition von 10% in CPM-Werbung einen zus\u00e4tzlichen Umsatz von 3 000 EUR generieren).<\/span><\/p>\n 3. Vorgeschrieben <\/b>(z.B. kann Facebook f\u00fcr das gleiche Budget 30% mehr Investitionen erhalten und die Investitionen in E-Mail k\u00f6nnen um 5% reduziert werden).<\/span><\/p>\n Entscheidend ist, dass Casual Intelligence den Entscheidungstr\u00e4gern hilft, auch das \u2018Warum\u2019 in ihrem data zu verstehen.\u00a0<\/span><\/p>\n 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 \u00e4hnliche Weise zuzunehmen und abzunehmen. Das ist jedoch ein Irrglaube. Solche Trends k\u00f6nnen rein zuf\u00e4llig sein, und eine Korrelation bedeutet nicht, dass eine kausale Beziehung besteht. Dies bezeichnen Statistiker als \u2018Scheinkorrelation\u2019 - sie muss nicht unbedingt existieren.\u00a0<\/span><\/p>\n Es ist leicht, in die Falle zu tappen, \u2018falsche Korrelationen\u2019 zu erkennen - und viele Entscheidungstr\u00e4ger treffen ihre Entscheidungen schlie\u00dflich auf der Grundlage solcher ungenauen Annahmen. Solche Fehltritte sind so h\u00e4ufig, dass <\/span>die Financial Times nennt falsche Korrelationen \u201cdas Kryptonit\u201d des KI-Rausches an der Wall Street<\/span><\/a>.<\/span><\/p>\n Mit Causal Intelligence-Modellen k\u00f6nnen Benutzer jedoch Beziehungen genauer bestimmen. Wenn Sie verstehen, wie sich eine Variable auf eine andere auswirkt, k\u00f6nnen Sie besser nachvollziehen, wie und warum sich bestimmte Zahlen oder Ergebnisse ver\u00e4ndert haben - und (genauer) vorhersagen, ob eine Korrelation fortbestehen oder statisch bleiben wird.<\/span><\/p>\n Der Bedarf an Causal Intelligence variiert je nach Branche, dem Reifegrad der KI\/ML-Einf\u00fchrung und dem Umfang der menschlichen Eingriffe bei der Erstellung und Validierung von Vorhersagen. Der Prozess kann jedoch Unternehmen in jeder Branche helfen, ihr Verst\u00e4ndnis f\u00fcr drei Schl\u00fcsselbereiche zu entwickeln:<\/span><\/p>\n Traditionell haben Vermarkter ihren optimalen Medienmix oder ihre Marketingbudgets mit Marketing-Mix-Modellen (MMMs) verfeinert. Dabei handelt es sich in der Regel um klassische makro\u00f6konomische Modelle, die wohl die linearen Korrelationen zwischen den Investitionen in die Medienkan\u00e4le betonen.<\/span><\/p>\n Das machte Sinn, als Vermarkter einen einzigen Trichter als die absolute Wahrheit ansahen - eine lineare Kundenreise von der Aufmerksamkeit \u00fcber die \u00dcberlegung bis zum Kauf. Aber als <\/span>Allan Thygesen von Google erkl\u00e4rt, dass der Trichter dank der \u2018intent-rich moments\" nicht mehr existiert.<\/span><\/a>\u2019. Keine zwei Customer Journeys \u00e4hneln einander und Touchpoints k\u00f6nnen in Form eines Netzwerks oder Spinnennetzes miteinander verbunden werden. Kausalmodelle k\u00f6nnen Unternehmen dabei helfen, die Auswirkungen dieser miteinander verkn\u00fcpften Ber\u00fchrungspunkte auf den Umsatz auf skalierbare und robuste Weise zu sch\u00e4tzen.<\/span><\/p>\n
\nUnternehmen investieren zunehmend in KI- und Machine Learning-L\u00f6sungen, die versprechen, Gesch\u00e4ftsprozesse zu automatisieren und die Effizienz zu steigern. Damit sich ihre Investitionen in Algorithmen jedoch wirklich auszahlen, m\u00fcssen die Verantwortlichen in den Unternehmen zun\u00e4chst die Ursache-Wirkungs-Beziehungen verstehen, die sich auf die Leistung auswirken. Eine solche Kausalintelligenz wird ihnen helfen, ihre KI-F\u00e4higkeiten zu st\u00e4rken und ihre Entscheidungsfindung zu verbessern, sagt Siddharth Mohan, leitender Data-Wissenschaftler<\/strong> bei Artefact Niederlande & Frankreich.<\/p>\n<\/div><\/div><\/div><\/div><\/div>Wie funktioniert Kausale Intelligenz?<\/b><\/h4>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/MROI-Offer.png\")
<\/p>\nErkennen von Ursache-Wirkungs-Beziehungen<\/b><\/h4>\n
Gesch\u00e4ftsanwendungen von Causal Intelligence<\/b><\/h4>\n
\n
\n
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april-1.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>