Häufig gestellte Fragen

Eine KI-Lösung für Unternehmen ist ein System, das aus den Daten des Unternehmens lernt und eine Entscheidung oder Handlung übernimmt, die zuvor einen Menschen erforderte: Nachfrage prognostizieren, das Abwanderungsrisiko eines Kunden bewerten, Anfragen klassifizieren, eine Empfehlung auswählen, eine Antwort in Unternehmensdokumenten finden.

Künstliche Intelligenz für Unternehmen unterscheidet sich von gewöhnlicher Automatisierung dadurch, dass sie nicht nach einer fest vorgegebenen Regel arbeitet, sondern nach einem Muster, das aus historischen Daten abgeleitet wurde.

KI-Automatisierung wirkt am schnellsten bei wiederkehrenden Vorgängen, die sich nicht auf eine einfache Regel reduzieren lassen: Verarbeitung und Prüfung von Dokumenten, Klassifizierung und Weiterleitung von Anfragen, Aufbereitung und Normalisierung von Daten, Erstellung von Standardtexten.

Wo ein Prozess durch klare Bedingungen beschrieben ist, ist die klassische Automatisierung von Geschäftsprozessen günstiger und zuverlässiger. Wir trennen diese beiden Ebenen: Die KI übernimmt genau den Schritt, der ein „Verstehen“ von Text, Dokument oder Verhalten erfordert.

KI-Datenanalytik kommt dort zum Einsatz, wo die Informationsmenge die Möglichkeiten manueller Auswertung übersteigt: Mustersuche in Transaktionen, Verhaltensclusterung der Kundenbasis, Anomalieerkennung, Prüfung von Geschäftshypothesen an historischen Daten.

Im Projekt für Planeta Kino teilten ML-Algorithmen die Basis anhand von mehr als einem Jahr Transaktionen in Verhaltenscluster; die Ergebnisse wurden gemeinsam mit dem Marketingteam in Tiefeninterviews überprüft.

Prädiktive Analytik prognostiziert künftige Ereignisse auf Basis historischer Daten: Nachfrage, Umsatz, Auslastung, Bestände, Abwanderungswahrscheinlichkeit. Anders als gewöhnliche Berichte, die die Vergangenheit beschreiben, verschafft prognostische Analytik Zeit zum Handeln.

Ein praktisches Beispiel: Für die Novi Produkty Group prognostiziert ein Ensemble-ML-Modell die Produktionsmengen mit über 80% Genauigkeit. Das Unternehmen ist von der nachträglichen Reaktion auf Fehl- oder Übermengen zur vorausschauenden Planung übergegangen.

Ja, und genau das macht eine Lösung praktisch nutzbar. Die KI-Integration erfolgt über REST API, Message Queues, Webhooks oder eine direkte Anbindung an das Data Warehouse — je nach Ihrer Infrastruktur.

Ein Beispiel aus der Praxis: Bei Planeta Kino wird der Abwanderungs-Risikowert an Salesforce Marketing Cloud übergeben, und der Nutzer erhält eine auf sein Risiko abgestimmte Nachricht. Ebenso können Prognosen in ein ERP für die Produktionsplanung oder in das BI-Reporting fließen.

Ja, die Entwicklung von KI-Lösungen entlang der konkreten Prozesse eines Unternehmens ist unser Hauptformat. Individuelle KI-Lösungen sind dann nötig, wenn ein fertiger Dienst die Besonderheiten des Geschäfts nicht berücksichtigt.

Ein anschaulicher Fall ist goodwine: Der Kunde wollte einen fertigen Empfehlungsdienst nutzen, doch im Test zeigte sich, dass das Modell die Lagerbestände nicht einbezieht. Ein eigenes Modell, das Verhaltens- und Logistikfaktoren verband, brachte +5% durchschnittlichen Bestellwert und +10% Lagerrotation.

Benötigt wird die Historie der Ereignisse, die Sie prognostizieren oder klassifizieren wollen: Transaktionen, Anfragen, Bestellungen, Produktionskennzahlen, Nutzerverhalten. Wichtig ist nicht nur die Menge, sondern auch die Länge des Zeitraums und die Vollständigkeit der Erfassung.

Der Zustand der Daten erweist sich fast immer als eigene Aufgabe. Im Fall der Novi Produkty Group erfassten manche Verkaufsstellen Nullbestände nicht, sodass das System fehlende Verkäufe mit fehlender Nachfrage verwechselte — Approximationsverfahren korrigierten diese Verzerrung und verbesserten die Prognose deutlich. Deshalb beginnen wir eine KI-Einführung mit einem Datenaudit und nicht mit der Wahl eines Modells.

Die Dauer hängt vom Zustand der Daten ab und davon, wie viele Systeme die Integration berührt. Zur Orientierung die realen Laufzeiten unserer Projekte: Das Abwanderungsmodell für Edenred dauerte fünf Monate, Analytik und Abwanderungsmodell für Planeta Kino acht Monate, Produktionsprognose für die Novi Produkty Group und das Empfehlungssystem für goodwine jeweils zwölf Monate einschließlich Einführung.

Eine Hypothese im PoC zu prüfen geht in der Regel deutlich schneller. Eine genaue Schätzung geben wir nach dem Datenaudit und der Festlegung des Umfangs der ersten Phase.

Ja, und für die meisten Aufgaben ist das der sinnvollste Einstieg. Ein PoC prüft eine einzige Sache: ob in den Daten ein Signal steckt, das für die benötigte Genauigkeit ausreicht. Damit beruht die Entscheidung über weitere Investitionen auf Fakten statt auf Erwartungen.

Diesen Ansatz wenden wir systematisch an. Die erste Version des Modells für die Novi Produkty Group entstand noch während der Ausschreibung auf einer begrenzten Merkmalsmenge und erreichte trotz ihrer Einfachheit die höchste Genauigkeit aller Teilnehmer. Das vollständige Ensemble-Modell wurde erst nach Bestätigung der Hypothese entwickelt.

Ja. Nach dem Start braucht ein Modell Betreuung: Die Prognosequalität wird überwacht und das Modell auf neuen Daten nachtrainiert, weil sich Kundenverhalten und Markt verändern.

Die Skalierung verläuft meist auf zwei Wegen: Erweiterung auf angrenzende Aufgaben und Kategorien — bei der Novi Produkty Group wurde das erste Modell zur Grundlage für weitere Warengruppen — oder Anbindung neuer Kanäle und Systeme, wie bei Planeta Kino, wo Empfehlungen gleichzeitig in Push, E-Mail und der mobilen App laufen.