Beiträge

Die Frage, ob Ihr Unternehmen künstliche Intelligenz (KI) benötigt, steht heutzutage gar nicht mehr zur Debatte – denn die Antwort lautete in nahezu allen Branchen rund um die Welt sehr deutlich „Ja“.

Laut Prognosen kann im Jahr 2025 der Umsatz im Bereich von Unternehmensanwendungen mit künstlicher Intelligenz bis zu 31,24 Milliarden US-Dollar betragen.
Die Möglichkeiten der KI werden in den verschiedensten Bereichen ausgeschöpft: zur Verbesserung des Kundenerlebnisses, um neue Einnahmen zu erzielen und Kosten zu senken.

Die Frage, die sich also stellt, bezieht sich nicht auf das „ob“ bei der Einführung von KI Software, sondern auf das „wie“.

Hierzu wollen wir die verschiedenen Aspekte einer „Make or Buy“-Entscheidung in Bezug auf KI Software beleuchten.

Was bedeutet „Make or Buy“?

„Make or Buy“-Entscheidungen beschäftigen sich mit der Frage, ob bestimmte Leistungen oder Produkte von externen Anbietern bezogen oder vom eigenen Unternehmen produziert werden. Hierbei spielen die Kriterien Kosten, Qualität, Zeit, Ressourcen und Risiken eine Rolle. Oftmals findet dafür ein vordefinierter Unternehmensprozess statt, um eine objektive Entscheidung zu garantieren.

Ki Software

Kriterium Zielsetzung – KI Software als Kerngeschäft oder Unterstützung?

Für Unternehmen, die KI benötigen, um ihr Kerngeschäft zu stärken oder den strategischen Erfolg sicherzustellen, ist selbst entwickeln der richtige Weg, wie beispielsweise bei Uber mit autonomen Fahrzeugen oder Netflix und deren Empfehlungs-Engin.

Für Bereiche, die nicht zum Kerngeschäft gehören, wie Personalwesen, Finanz- und Rechnungswesen oder Kundendienst, reicht hingegen oftmals der Kauf eines der vielen bewährten AI-Produkte von der Stange aus.

„Es kommt darauf an, wie strategisch und einzigartig Ihre KI-Anwendungen für Ihr Unternehmen sind.“, so Thomas Malone, Gründungsdirektor des MIT-Zentrums für kollektive Intelligenz.

So einfach wie diese Aussage nun erscheinen mag ist es dann aber leider doch nicht.

Sich die richtigen Fragen stellen

Als Erstes definiert man das Hauptziel, welches durch die KI Software erreicht werden soll. Möchte man transformative, große Schritte durch die KI erzielen oder reicht einem eine einfach zu realisierende Anwendung, welche schnell Erfolge erzielt?

Do it yourself für innovative Geschäftsmodellneuerungen

Möchte man große Veränderungen an seinem aktuellen Geschäftsmodell vornehmen oder gar ein neues, innovatives Unternehmen starten, so steht es außer Frage, dass die dafür benötigte KI Software im eigenen Haus produziert werden muss. Dies garantiert einem als Unternehmen das geistige Eigentum an der Entwicklung und bedeutet daher einen großen Wettbewerbsvorteil gegenüber anderen Marktteilnehmern. Man kann exakt die Features entwickeln, welche den eigenen Vorstellungen und Bedürfnissen entsprechen. Zudem bietet es mehr Flexibilität und Kreativität bei der Entwicklung. So kann man Änderungen und neue Funktionen bei Bedarf unabhängig umsetzten. Gelingt das Produkt wie erwartet, so spart man auf Dauer fortlaufende Lizenzkosten und Wartungsgebühren, welche bei eingekaufter KI Software häufig anfallen.

Bei einer Eigenentwicklung muss das Produkt eine bessere Performance als alle am Markt bereits vorhandenen Lösungen aufweisen, ansonsten ist es wertlos.

Auf der anderen Seite sind natürlich auch die Risiken höher und man darf nicht vergessen, dass die Möglichkeit des Scheiterns des Projektes besteht. Die Entwicklung eigener Software beansprucht viel Zeit und vor allem qualifizierte Mitarbeiter, welche in der Zeit nicht für andere Projekte verfügbar sind – Stichwort Opportunitätskosten. Es besteht also das Risiko, dass das Kerngeschäft leidet. Zudem muss die Schulung für den Umgang mit neuer Software durch die eigenen Mitarbeiter durchgeführt werden, was einen zusätzlichen Zeitfaktor darstellt. Desweiteren sind gerade im IT-Bereiche hohe Fluktuationen der Mitarbeiter üblich. Verlässt einer der entwickelnden oder bereits geschulten Mitarbeiter das Unternehmen, so fallen zusätzliche Kosten für die Einarbeitung neuer Fachkräfte an.

6 Gründe für die Eigenentwicklung von KI Software

  • alle Rechte am Produkt
  • USP, Wettbewerbsvorteil
  • Wachstumchancen
  • hohe Flexibilität
  • Unabhängigkeit von Anbietern
  • keine überflüssigen Funktionen

KI Software für Routinetätigkeiten

Ist das Ziel eines KI-Projektes hingegen, dass Routinetätigkeiten abgewickelt und sofortige Mehrwerte geliefert werden, so ist es selten eine gute Idee, eine eigene KI Software aufzubauen. Selbst mit Open-Source-Tools kann die Erstellung von Anwendungen mit künstlicher Intelligenz Millionen kosten. Zudem dauert es meist Monate, bis ein Algorithmus für maschinelles Lernen trainiert ist, um Aufgaben zu erfüllen, die die meisten Anbieter bereits lösen.

Maschinelles Lernen funktioniert hervorragend bei sich wiederholende Back-Office-Verwaltungsaufgaben aus. Anwendungen, die diese Aufgaben ausführen und perfekt darauf trainiert sind, gibt es bereits auf dem Markt.

Kaufen bietet weitere Vorteile: die Integration der Anwendung in die eigene IT-Umgebung wird oftmals durch die Anbieter übernommen, ebenso wie die Schulung der Mitarbeiter.

Zudem kauft man selten die Katze im Sack. Ein wichtiger Punkt bei bereits vorhandener KI Software ist, dass man häufig testen kann, ob das Produkt die eigenen Anforderungen erfüllt und einen Performance-Uplift generiert.

Standardsoftwareunternehmen oder spezialisierte Anbieter – wo liegen die Unterschiede?

Sobald man sich für den Kauf entschieden hat, ist die nächste Frage, ob man einen spezialisierten KI-Anbieter wählt oder auf bereits implementierte Unternehmenssoftware mit möglichen KI-Elementen zurückgreift.

Viele Unternehmen wenden sich an ihre bestehenden Softwareanbieter, welche bereits genutzte Systeme um KI Features erweitern. Solche Systeme haben nicht nur Zugriff auf umfangreiche Datenmengen – häufig auf die eigenen Daten des Käufers -, sondern können auch oftmals ohne spezielles Know-how oder zusätzliche Schulungen verwendet werden.

6 Gründe für Standardanbieter von KI Software

  • IT-Infrastruktur für Implementierung bereits vorhanden
  • keine Sicherheitslücken
  • Schnittstellen zu anderen Systemen bereits vorhanden
  • Vorhandene Dokumentation
  • Erfahrungsaustausch von Nutzern möglich
  • Berater und Support wird gestellt

KI von der Stange ist oft der sicherste Weg, aber die Aussicht auf Erfolge hält sich in Grenzen, da kein großer Wettbewerbsvorteil dadurch entsteht.

Bei spezialisierten Anbietern hingegen steigt der Wettbewerbsvorteil. Viele der Anbieter sind kleine, innovative Unternehmen. Diese arbeiten agiler und bringen daher eine höhere Flexibilität und teils auch Personalisierungsmöglichkeiten mit sich. Generell können spezialisierte Anbieter mit Kosten- und Zeitersparnis punkten. Hier sind Data Scientists und Softwareentwickler bereits eingestellt und mit der arbeitsintensiven Aufgabe beauftragt, Modelle für maschinelles Lernen zu trainieren. Zudem beschäftigen sich diese ausschließlich mit deren Produkt und sind daher spezialisiert auf dessen Entwicklung und Implementierung. Auch die permanente Weiterentwicklung und Optimierung des Produktes spricht für spezialisierte Anbieter bei KI Software.

6 Gründe für einen spezialisierten Anbieter von KI Software

  • hohe Agilität bei innovativen Unternehmen
  • Kosten- und Zeitersparnis gegenüber Standardsoftware
  • spezialisierte, ausgereifte Softwarelösungen für explizite Probleme
  • permanente Optimierung des Produktes durch den Anbieter
  • sofortige Implementation und Inbetriebnahme möglich
  • Schulungen und Betreuung durch Anbieter

Kosten vs. Performance

Vergleicht man die Aspekte der Kosten und des generierten Mehrwertes durch Nutzung von KI Software bei Make or Buy-Entscheidungen, so lassen sich zwei unterschiedliche Verläufe dieser feststellen.

ki software 1

Entwickelt man selbst KI Software, so steht am Anfang ein großer Kostenblock sowie keinerlei Einnahmen. Nach Fertigstellung des Produktes ist es allerdings nicht so, dass man gar keine Kosten mehr hat. Permanente Optimierungen, Schulungen der Mitarbeiter und Wartungen verursachen fortlaufend Kosten. Mit Einführung des Produktes wird nun langsam der Umsatz des Unternehmens erhöht. Dieser kann sich, sollte sich die Performance wie gewünscht einstellen, rasch entwickeln. Das Risiko, dass man die angestrebten Ziele nicht erreicht, besteht allerdings.

Dem gegenüber bietet eingekaufte KI Software einen großen Vorteil: durch die Möglichkeit, die Performance vorab testen zu können, besteht kein Risiko. Die sich gesetzte Ziele können erreicht werden – und zwar direkt ab Einsatz der Software.

Fazit Make or Buy bei KI Software

Zusammengefasst lässt sich also sagen, dass man als Unternehmen bei Entscheidungen bezüglich KI Software zunächst überlegen sollte, wo genau man sie einsetzten möchte. Betrifft das Einsatzgebiet das Kerngeschäft eines Unternehmens, so sollte man das entsprechende Produkt selbst entwickeln. Dabei hat man nämlich mehr Flexibilität und später auch alle Rechte am geistigen Eigentum.

Möchte man aber KI Software einsetzten, um einzelne Bereiche des Geschäftsmodells zu verbessern, so eignet sich KI Software von Fremdanbietern. Dadurch spart man Ressourcen in Form von Zeit und Kosten und verringert das Risiko, durch einen Test der Performance.

Sie möchten KI Software im Bereich des Marketing und CRM einsetzten um die Kundenbindung zu stärken und den Kundenwert erhöhen? Testen Sie jetzt, welchen inkrementellen Umsatz-Uplift Sie durch den Einsatz von KI Software erreichen können!

AB

Individueller KI Kampagnen-Test 

Sie können die Performance unsere KI-Lösung Parapipe in einer ersten, von Ihnen ausgewählten Marketing-Kampagne nach dem A/B-Prinzip testen. 
Mehr Informationen 
07145 / 9250255

oder
Test anfragen

Um den Absatz, die Kundenbindung oder die Bekanntheit zu erhöhen, investieren Unternehmen oft hohe Summen in Marketingkampagnen. Doch erzielen diese überhaupt die gewünschte Wirkung? Und wenn ja, in welchem Maße können sie zum Unternehmenserfolg beitragen? Häufig lässt sich das an monetären Ergebnissen ablesen. Doch worauf muss dabei geachtet werden? Was sind die ausschlaggebenden Kennzahlen, auf welche man bei der Kampagnenauswertung achten muss?

Dieser Artikel gibt einen Einblick in verschiedene Test- und Auswertungsmethoden, welche Dir helfen werden, zukünftige Kampagnen erfolgreicher zu gestalten. Indem Du jede Kampagne als wissenschaftliches Experiment angehst, erhälst Du tiefere Einblicke. Und durch tieferes Verständnis maximierst Du Deinen Erfolg!

Beispielsweise gehört zur Auswertung eines Newsletter nicht nur die Opening-Raten. Haben die aktiven Kunden denn auch einen höheren Umsatz generiert? Der Erfolg einer Kampagne setzt sich aus verschiedenen Faktoren zusammen.

Testmethoden

Um tiefere Einblicke in eine Kampagne zu bekommen, gibt es verschiedene Ansätze. Je nach Art passen jeweils verschiedene Kampagnenauswertungen besser.

Generell empfiehlt es sich beim Testaufbau von Kampagnen mit Kontrollgruppen zu arbeiten. Damit schafft man eine Vergleichsgrundlage für die Ergebnisse. Bei dieser handelt es sich um eine kleine Gruppe der Kunden, an die sich die Kampagne richtet. Sie ähnelt in ihrer Struktur der Zielgruppe und repräsentiert diese in ihrer Zusammensetzung an demographischen Merkmalen, Kaufverhalten, Geschlecht, etc… Diese sollte in etwa 5-10% Ihrer Zielgruppe umfassen. Bei kleineren Zielgruppen mit wenigen Tausenden Personen ein wenig mehr, ca. 10-20%.

A/B Test – unterschiedliches Angebot, gleiche Kunden

Der A/B-Test ist eine der gängigsten Testmethoden, um der Wirkung von Kampagnen auf den Zahn zu fühlen. Dazu gibt es zwei Ansätze: entweder wird mit einer Nullgruppe oder mit zwei verschiedenen Kampagnen gearbeitet. Bei der ersten Methode kommt der eine Teil der Kunden mit einer Marketingkampagne in Berührung, beispielsweise mit einem Zusatzkatalog oder einem Sonderangebot. Die andere Gruppe erhält hingegen nichts. Vergleicht man nun die Perfomance der beiden Gruppen, so lässt sich daraus der Erfolg der Kampagne ablesen.

A/B Test

Möchte man nun aber Kampagnen optimieren und herausfinden, was diese erfolgreich macht, so arbeitet man ebenfalls mit zwei Kundengruppen der gleichen Struktur. Dieses Mal bekommen beide Gruppen eine Kampagnen – allerdings zwei unterschiedliche. Um beim Beispiel des Zusatzkataloges zu bleiben, ändern wir an diesem für die zweite Kundengruppe nun ein Merkmal ab – etwa das Titelbild. Nun lässt sich wieder die Perfomance der beiden Gruppen untereinander vergleichen. Dadurch kann ermittelt werden, welche Kampagne erfolgreicher verlief. Wichtig ist hierbei, dass sich die Kampagnen nur in einer Variablen unterscheiden, um so gezielte Schlussfolgerungen ziehen zu können.
Diese Tests können auch als A/B/n-Tests durchgeführt werden, „n“ steht dabei für eine weitere Variante, also eine weitere Gestaltungsmöglichkeit eines Titelbildes zum Beispiel. Das Testen mehrerer Varianten parallel erfordert allerdings einen größeren Pool an Kunden, um valide Ergebnisse erzielen zu können.

Diese Tests finden vor allem Anwendung, um verschiedene Werbemaßnahmen zu vergleichen. Anschließend kann das beste Ergebnis ausgewählt und dadurch die Kampagne optimiert werden.

Die Ergebnisse eines solchen Tests können beispielsweise wie folgt aussehen:

KundenanzahlResponse-QuoteØ Umsatz
Angebot A5003%110 Euro
Angebot B5004%114 Euro

Der Test lässt sich aber auch umkehren. Du stellst Dir die Frage, welche Kundengruppen am besten auf Dein Angebot reagieren, um besseres Targeting dafür einsetzten zu können? Dazu muss man zunächst mit heterogenen Kundengruppen arbeiten und deren Resonanz auf das Angebot messen. Quasi in Form eines umgekehrten A/B-Testes. Wie das funktioniert, erklären wir im nächsten Absatz anhand einer speziellen Form des A/B-Testes, nämlich dem Champion-Challenger Ansatz.

Champion Challenger – unterschiedliche Kunden, gleiches Angebot

Dieser Testaufbau lässt sich am besten an einem Beispiel beschreiben. Gehen wir einmal davon aus, dass wir unseren besten Kunden ein Sonderangebot zukommen lassen wollen. Doch wer sind eigentlich die besten Kunden? Um diese zu ermitteln wenden wir unser übliches, schon oft erprobtes Vorgehen an – das ist der aktuelle Champion. Dem gegenüber steht nun aber eine neue Methode, welche den Champion herausfordert – der sogenannte Challenger.

Bei dem jeweils ausgewählten Kundenkreis stellt man fest, dass sich ein Großteil überschneidet, also von beiden Modellen ausgewählt wurde. Daher betrachtet man für die Auswertung der Ergebnisse nur jene Kunden und deren Umsätze, welche sich nicht in der Schnittmenge befunden haben.

Die Ergebnisse diesen Tests könnten so aussehen.

KundenanzahlResponse-Quote Ø Umsatz
Kundengruppe Champion5005%100 Euro
Kundengruppe Challenger5007%130 Euro

Diese Methode ist ein guter Ansatz um neue Ideen und Entwicklungen im kleinen, kostensparenden Rahmen zu erproben. Dadurch wird das Risiko gesenkt, dass eine Innovation nicht den gewünschten Erfolg erzielt. Im Grunde funktioniert der Ansatz auf dieselbe Weise wie der A/B-Test, wird aber eher für Strategien angewandt, um diese auszutesten.

Nach dem nun beschriebenen Tests von Marketingkampagnen liegen uns nun einige Ergebnisse vor. Doch was nun? Zunächst sollte man die Ergebnisse nicht vorschnell als bare Münze nehmen. Um tatsächlich valide Schlussfolgerungen ziehen zu können, ist es wichtig, ein wenig tiefer in die Materie einzutauchen und sich intensiver mit den Auswertungsergebnissen zu befassen.

Auswertungsmethoden

Meist erkennt man relativ schnell mit einfachen Auswertungstool erste Ergebnisse einer Marketingkampagne. Wie viele Kunden haben einen Newsletter geöffnet, wie viele sind dadurch auf die Webseite gelangt und wie viel Umsatz wurde dadurch generiert. Doch blickt man ein wenig tiefer in die Datensätze, so erkennt man, dass die Durchschnittswerte, welche man zunächst grob ausgerechnet hat, durch einzelne Daten verzogen und somit verfälscht werden können. Ausreißer beeinflussen Ergebnisse oft. Vor allem im Business-to-Business-Sektor ist die Wahrscheinlichkeit nicht gering, dass mehrere Tausend Euro Umsatz durch einen einzigen Kunden generiert worden sind, welcher das Ergebnis zunächst sehr positiv erscheinen lässt, die Durchschnittswerte aber in eine unrealistische Richtung verzerrt.
Um mit diesen Daten richtig umzugehen, können sie isoliert betrachtet werden oder es erfolgt eine Deckelung der Umsatzhöhe.

t-Tests

Der t-Test ist die gebräuchlichste Methode in der Statistik, um Mittelwerte zweier Gruppen zu vergleichen.
Mit dem t-Test lässt sich ermitteln, ob zwei verschiedene Stichproben signifikant unterschiedlich sind. Hierzu werden also zwei Stichproben benötigt – perfekt für die Ergebnisse der bereits beschrieben A/B-Tests. Gehen wir beispielsweise davon aus, dass Gruppe A, welche einen Katalog mit einem roten Titelbild erhalten hat, höhere Umsätze erzielt, als Gruppe B, welche ein blaues Titelbild zugesendet bekam. Doch ist dieser Effekt wirklich statistisch signifikant? Dies kann durch den Test überprüft werden.

Schauen wir uns als Beispiel nochmal unseren ersten A/B-Test an, so ist das Ergebnis nicht signifikant, da Gruppe B zwar im Schnitt einen höheren Umsatz generiert, die Abweichungen innerhalb dieser Ergebnisse aber sehr schwanken. Hier kann man also schlussfolgern, dass Angebot B keine besseren Ergebnisse liefert als Angebot A.

Auswertung A/B Test

Bei unserem zweiten Test hingegen unterscheiden sich die Mittelwerte des Umsatzes deutlicher, zudem sind die Abweichungen innerhalb der Umsätze nicht so groß. Das Ergebnis ist daher signifikant, was bedeutet, dass das Angebot in Kundengruppe B (Challenger) relevant bessere Ergebnisse erzielt.

Auswertung Champion/Challenger
Signifikanz Champion/Challenger

Generell muss man darauf achten, dass bei einer großen Datenmenge, also bei vielen Kundendaten, bereits kleine Abweichungen ausreichen, damit der Test signifikant ist. Bei wenigen Kunden sind dafür größere Abweichungen nötig.

Aber keine Sorge, Du musst kein Mathefreak sein und auch keinen Taschenrechner zücken, um einen t-Test anzuwenden. Mit Excel und Online-Rechnern lässt sich das ganz einfach lösen. Auch wir haben für unser Beispiel einen Online-Rechner benutzt. Diesen findest Du hier:

https://www.graphpad.com/quickcalcs/ttest1.cfm

Voraussetzung für die Anwendung des t-Testes ist, dass die Grundgesamtheiten normalverteilt vorliegen. Ist dies nicht der Fall, so muss auf andere statistische Verfahren zurückgegriffen werden – beispielsweise  Bootstrapping.

Bootstrapping

Wie funktioniert das? Grob gesagt werden dabei immer wieder kleinere Stichproben aus der Gesamtdatenmenge gezogen, es wird ein Resampling durchgeführt. Es werden also durch die Annahme, dass die Verteilungsfunktion ihrer empirischen Verteilungsfunktion entspricht, weitere Datensätze generiert.

Üblicherweise werden zwischen 1000 und 10.000 weitere Stichproben aus der vorhandenen Datenmenge gezogen. Logischerweise mit zurücklegen, anderenfalls hätte man das exakt selbe Ergebnis der ursprünglichen Datenmenge vorliegen. Durch die Ziehungen liegen also manche Datenpunkte mehrfach vor, andere dafür möglicherweise gar nicht.

Der Name Bootstrapping leitet sich übrigens von einem englischen Sprichwort ab: „Sich an den eigenen Füßen aus dem Sumpf ziehen.“ Der Bedarf an weiteren Stichproben wird nämlich aus der eigenen, bereits vorhandenen Stichprobe gedeckt. Dadurch wird die Zuverlässigkeit von Signifikanztests und die Konfidenzintervalle verbessert.

Um Bootstrapping anwenden zu können muss man in Statistik nicht mit einer 1,0 abgeschnitten haben. Kontaktiere uns gerne für einen Auszug eines Codes von Paraboost, durch welchen sich Bootstrapping ganz leicht umsetzten lässt.