100+ Beispiele für Big Data & Machine Learning Use Cases

Oft fehlt es an Beispielen wie Künstliche Intelligenz, Big Data, Data Science, Machine Learning als Anwendungsfälle umgesetzt werden können. Daher haben wir eine Liste an Use Cases für den Bereich KI und Big Data zusammengestellt, die wir kontinuierlich erweitern.

Allgemeine Big Data & Machine Learning Beispiele im Alltag

Big Data und Machine Learning Beispiele im Alltag
Big Data und Machine Learning Beispiele im Alltag
  1. Text prediction: Inzwischen fließt die Vorhersage von Satzbausteinen in vielen Bereichen ein. Speziell im Bereich E-Mail oder Mobiltelefone ist es inzwischen Standard.
  2. Virtual Assistants: Siri, Alexa & Co basieren auf Natürlicher Sprachverarbeitung und lernen durch ihre Benutzung. Die Datenmengen müssen schnell transferiert und mittels Machine Learning verarbeitet werden.
  3. Face Recogniton: Extraktion und Erkennung von Gesichtern mittels Bildverarbeiting und Klassifikation. Genutzt im staatlichen Kontext, aber auch als Sicherheitsmaßnahme.
  4. Avatar generation: Erstellung von lebensechten Avataren aufgrund von Bildmaterial, ohne dass diese Person existiert. Dieses Vorgehen ist bereits fortgeschritten im Bereich Bilder und in starker Entwicklung im Bereich Video.
  5. Crime prediction: Vorhersage von Verbrechen Anhand von vergangenen Taten, Bevölkerung, Saison und anderen Faktoren. Erlaubt verstärkte Präsenz im identifizierten Gebiet zur identifizierten Zeit.
  6. Deep fakes: Anhand von vorhandenem Video oder Audiomaterial wird ein Generatives, also produzierendes Neuronales Netz trainiert, das ähnliches Material produziert. Somit kann man lebensechte Videos erstellen, die jedoch Fake sind. Dieses Beispiel ist momentan eines der größten aktuellen ethischen Probleme im Bereich Machine Learning. 
  7. Automated devices: Staubsauger und Rasenmäher sind erst der Anfang. Immer mehr autonome Roboter werden unsere Häuser bevölkern und benötigen dafür eine Vielzahl an Machine Learning und Cognitive Computing Algorithmen.
  8. Recipe refinement: Automatische Erkennung von Vorschlägen zur Verbesserung / Veränderung von Rezepten (z.B. durch Kommentare) und entsprechende Anpassung. 
  9. Ähnliche Restaurants: Anhand von Lage, Preis und Speisekarte können automatisch ähnliche Restaurants gefunden und empfohlen werden. Einsatz von Assoziationsanalyse, Collaborative Filtering oder Classification.
  10. Erkennung von Pflanzen: Anhand eines Fotos von Blättern oder Blüten wird die Art einer Pflanze erkannt und Information ausgespielt. Optimalerweise in Kombination mit Pflegetipps und gängigen Schädlingsbekämpfungen.
  11. Verkehrssteuerung: Mittels Predictive Analytics und Machine Learning werden Verkehrsflüsse vorhergesagt und anhand realer Entwicklungen zum Beispiel durch Ampelanlagen oder zusätzliche Spuren gesteuert. Ziel ist ein höherer Durchfluss und Vermeidung von Staus und somit Vermeidung von Umweltbelastung.

Big Data & Machine Learning Beispiele für Unternehmen

Big Data und Machine Learning Beispiele in Unternehmen
Big Data und Machine Learning Beispiele in Unternehmen
  1. Sales Forecasting: Die Vorhersage von Umsatzzahlen ist einer der ersten Use Cases die in Unternehmen umgesetzt wird. Doch ist es auf der anderen Seite einer der schwierigsten: Saisonalität, geringe Datenlage, hoch volatile Faktoren – alles Aspekte, die die Qualität der Modelle negativ beeinflusst. Umsetzung meist mittels Time Series Analysis.
  2. Automatic E-Mail Classification: Klassifizierung und Vorsortierung von E-Mails durch zuweisen eines Empfängers oder einer Kategorie. Vor allem im Kundensupport ein großer Effizienzfaktor, indem es manuelle Arbeit auflöst, Fehler vermeidet und eine hohe Geschwindigkeit garantiert.
  3. Process Mining: Durch Timestamps bestimmter Prozessschritte kann ein konkretes Bild des realen Prozessablaufs gezeichnet werden. Diese Information kann dann im dem Plan-Prozess verglichen werden oder mittels AI auf Verbesserungspotentiale untersucht werden.
  4. Satellitenbildauswertung: Mittels Verarbeitung von Satellitenbildern können Veränderungen in der Landschaft, wie beispielsweise Waldrodungen, Verkehrsaufkommen oder der Fortschritt in Bauvorhaben beobachtet werden.
  5. Master Data Quality analysis: Nebst deskriptive Auswertung der Qualität von Stammdaten kann auch eine A.I. basierte Identifikation von Einträgen mit schlechter Qualität etabliert werden. Dies erlaubt bessere Datenhaltung und Korrektur von Fehlern.
  6. IT infrastructure usage: Ob zur Optimierung der Systemlandschaft oder in Vorbereitung zur Umstellung von Systemen, durch Logging und ML können Abhängigkeiten zwischen Systemen und deren Nutzung dargestellt werden.
  7. Data source combination: Meist sind Informationen zu einem Produkt oder Service auf viele Systeme verteilt und selten gibt es einen eindeutigen identifier über alle Quellen. Durch flexibles (fuzzy) matching können diese Datenquellen kombiniert werden und somit holistische Analysen zu einer Entität durchgeführt werden. 

Industrie 4.0 (Manufacturing)

Big Data und Machine Learning Beispiele in Industrie 4.0
Big Data und Machine Learning Beispiele in Industrie 4.0
  1. Predictive Maintenance für Industrie 4.0: Die Vorhersage einer notwendigen Wartung von Maschinen bevor sie stoppen. Ziel ist es, Schaden, Reparatur und somit Geld- und Zeitverlust zu vermeiden, gleichermaßen aber im Gegensatz zu geplanter Wartung unnötige Downtime zu vermeiden.
  2. Automated end of line testing / Quality assurance: Durch die Kombination von MES und ERP Daten können Classifier trainiert werden, die eine automatisierte Qualitätskontrolle nach Produktion durchführen. Diese kann Bild-, Sound-, Sensoren- oder rein datenbasiert erfolgen.
  3. Demand forecasting: ähnlich wie Sales forecasting,  jedoch mit stärkerem Fokus auf die Supply Chain. Orchestrierung von Warenflüssen um aufkommenden Bedarf abzudecken.
  4. Digital Twin: Das digitale Abbild eines realen Produkts oder eines Kunden ist eine große Herausforderung. Hat man diesen Schritt jedoch geschafft, erlaubt es für eine Vielzahl an Analysen von Produktsicherung über Nutzverhalten bis zur Effizienzoptimierung.
  5. Robotic Process Automatisation (RPA): Mittels RPAs kann man repetitive Aufgaben automatisieren und ablaufen lassen. Sowohl auf Software- als auch Hardwarebasis.
  6. “Lights out”-Factory: Ähnlich dem vollautomatisierten Warehouse sind vollautomatische Produktionen in der Lage, in vielen Bereichen Ressourcen und somit Kosten zu sparen.
  7. Employee hot spots: Mittels Bewegungstracking können Hotspots in einer Produktionsanlage identifiziert werden. Dies liefert Ansatzpunkte für die Optimierung von Laufwegen, Führung von Materialwägen oder einfach die innenarchitektonische Verbesserung.
Weitere Beiträge zum Thema Data Driven Company direkt per E-Mail bekommen:

Internet of Things (IoT) / vernetzte Geräte

Big Data und Machine Learning Beispiele in IoT
Big Data und Machine Learning Beispiele in IoT
  1. Predictive Maintenance for products: Die Erstellung einer “Abnutzung” von Produkten, um Wartungen, Reparaturen oder Ersatzteile zu empfehlen. Nutzt Daten über den Einsatz des Produkts und das Nutzerverhalten.
  2. Obstacle detection: Bewegt sich ein Produkt wie zum Beispiel ein Auto, ein Rasenmäher oder ein Staubsauger durch eine unbekannte Umgebung, gilt es, Hindernisse möglichst frühzeitig zu erkennen und zu beachten. 
  3. Vorhersage von Produkteinsatz: Viele Produkte haben verschiedene Modi, die für verschiedene Zwecke eingesetzt werden, wie zum Beispiel Sparmodus oder High Performance. Mittels Assoziationsanalyse oder ähnlicher Algorithmen kann der nächste Einsatzzweck vorhergesagt und somit eine Empfehlung für den passenden Modus gegeben werden.
  4. Product usage profile: Mittels Mustererkennung können Elektronikgeräte sich auf ihren Einsatz vorbereiten. Zum Beispiel ein Kühlschrank kann sich runterkühlen, ein Backofen vorheizen oder eine Heizung anlaufen.
  5. Environmental impact analysis: Ob Auto, Haushaltsgeräte oder andere Ressourcen belastende Maschinen – durch die Art, Dauer und Umgebung des Einsatzes kann deren Auswirkung auf die Umwelt bestimmt werden.
  6. UI-Optimierung: Mittels Verhaltensanalyse und Stammdaten kann ein optimales UI für verschiedene Segmente innerhalb einer Zielgruppe ausgespielt werden. 
  7. Product tracking: Mittels RFID oder QR Codes wird der Standort von Devices festgestellt, indem die Kunden dadurch einen Benefit (z.B. verlängerte Garantielaufzeit) erlangen. Hilft vor allem Unternehmen die sich im B2B2C-Markt befinden, die Kunden ihrer Kunden kennenzulernen.
  8. Wearables: Durch die erhöhte Etablierung von Wearables / Smart Accessories wird es zu einer Schwemme an Daten direkt vom Kunden kommen. Besonders interessant für die Analyse von Lebensgewohnheiten, Verhalten und persönlicher Befindlichkeit.

Banking, Insurance & Finance

Big Data und Machine Learning Beispiele in Banking und Finance
Big Data und Machine Learning Beispiele in Banking und Finance
  1. Fraud detection: Hohe Buchungen, ungewöhnliche Aktivitäten zum Monatsende oder das Ausbleiben von erwarteten Aktionen – es gibt viele Hinweise, Betrugsversuche zu detektieren und zu stoppen. Der Einsatz von Big Data ermöglicht hierzu eine effiziente Überprüfung.
  2. Kreditwürdigkeit / Loan Risk: Anstatt auf Regeln oder Scoringsysteme bei der Kreditvergabe zu vertrauen, werden immer mehr Banken zu Machine Learning Methoden übergehen, um eine Bandbreite an variablen Faktoren mit einzubeziehen. 
  3. Credit Card Churn: Wann erwarten wir, dass Kunden ihre Kreditkarte kündigen? Analyse und Vorhersage.
  4. Loan recommendation: Anhand des Konsum- und Sparverhaltens vorhersagen, wann und ob ein Kunde einen Kredit beabsichtigt. Möglich für Übergangskredite in kleinen Umfängen oder größeren Krediten zum Beispiel zum Hauskauf.
  5. Hauswertevaluation: A.I. basierte Bewertung eines Grundstücks oder Hauses. Gegenstandswert oder Lebensdauer auf dem markt.
  6. Versicherungsanspruchanomalien: Erkennung und Markierung von Anomalien beim Einreichen von Versicherungsansprüchen. Indikation der Wahrscheinlichkeit, dass der Versicherungsanspruch nicht korrekt ist.
  7. Banknotenvalidierung: Identifikation von gefälschten Banknoten, potentiell direkt am Schalter oder Geldautomat bei Ein- oder Ausgaben.
  8. Auto-Trader: Automatisiertes auf AI (oft Reinforcement Learning) basiertes Trading. Eine Art heiliger Gral ist selbstverständlich die Vorhersage von Marktbewegungen und entsprechendes Auslösen von Aktionen wie der Verkauf von Anteilen.
  9. Automatisiertes Rating: Unternehmen basierend auf einer Vielzahl an Faktoren in eine Ratingkategorie einordnen. Kann sowohl auf unsupervised Learning (z.B. Clustering) als auch Klassifikation (z.B. Neuronale Netze) basieren.
  10. Debt Collection: Kategorisierung von Schuldnern und entsprechende Wahrscheinlichkeit der Rückzahlung. Handlungsempfehlungen und entsprechende ROIs.

B2B, Einzelhandel (Retail) & E-Commerce

Big Data und Machine Learning Beispiele in Retail und E-Commerce
Big Data und Machine Learning Beispiele in Retail und E-Commerce
  1. Offer acceptance prediction: Wenn man ein Angebot erstellt, gibt es meist einige Parameter die man variieren kann (z.B. Preis, Lieferkonditionen) und fixe Parameter (z.B. Größe, Art des Unternehmens). Nutzt man beide Arten von Daten, kann man versuchen, eine Angebotsannahmewahrscheinlichkeit vorherzusagen.
  2. Customer Churn: Wiederkehrende Kunden haben meist einen immens hohen Lifetime Value, sind also sehr rentabel. Zu detektieren wann (bestimmte Segmente) der Kunden aufhören beim Unternehmen zu kaufen, erlaubt es, Gegenmaßnahmen zu ergreifen).
  3. Weather Prediction: Okay, Wettervorhersage ist eine schwierige Aufgabe, so man sich einige Wochen in der Zukunft befindet. Am gleichen Tag hingegen sind Vorhersagen gut möglich – und der Faktor Wetter hat vor allem bei diversifizierten Unternehmen einen hohen Einfluss auf den Absatz. Somit können Maßnahmen, wie beispielsweise das beworbene Produktsortiment im E-Commerce automatisiert angepasst werden.
  4. Product recognition & suggestion: E-Commerce Shops verlassen sich inzwischen nicht mehr nur auf ihre Textsuche, sondern bieten auch bildbasierte Suchen an. Dies geschieht durch Objekterkennung auf den übermittelten Bildern, um danach ein passendes Produkt aus dem eigenen Sortiment zu empfehlen. Besonders interessant ist dies im Fashion-Umfeld, bei dem Farbe, Muster oder Schnitt eine große Rolle spielen.
  5. Product Recommendation: Eines der größten Themen im E-Commerce sind (personalisierte) Produktempfehlungen, sowohl auf Frontseiten, Listerseiten als auch Produktdetailseiten. Hierzu kommen eine ganze Reihe an Vorhersage- und Empfehlungsalgorithmen zum Einsatz, die das Ziel haben, eine möglichst passende Empfehlung zu geben.
  6. Product Placement: Neben der personalisierten Empfehlung gibt es auch die Herausforderung im (Online-)Retail, passende Produkte gemeinsam zu platzieren. Assoziationsanalysen erlauben genau zu bestimmen, welche Produkte oft gemeinsam gekauft werden und somit eine prozessuale Nähe haben.
  7. Dynamic Pricing: Nicht nur diskrete Angebot- und Nachfrageinformationen bestimmen den Preis, sondern real-time dynamische, optimalerweise sogar personalisierte Metriken anhand des Verhaltens legen den Preiskorridor fest. Ein speziell spannender Anwendungsfall für Reinforcement Learning.
  8. Real time store behavior tracking: Wie bewegen sich Kunden durch ein Geschäft, was zieht sie an und wie sieht die customer journey aus? Alles mess- und analysierbar, um besser zu verstehen, was Kunden antreibt.
  9. Shopping Behavior Analysis: Ein klassisches Beispiel. Durch Kombination von verschiedenen Datenquellen und Analysemethoden kann das Kaufverhalten von Individueen oder Gruppen besser verstanden und folgend in Produktentwicklung, Einkaufsprozesse, Lmnenausstattung etc pp integriert werden. 

Healthcare, Sports & Fitness

Big Data und Machine Learning Beispiele in Sport und Gesundheit
Big Data und Machine Learning Beispiele in Sport und Gesundheit
  1. Individuelle Einstellung von Fitnessgeräten: Personalisierte Sitz- und Gewichtseinstellung mittels gespeicherter Daten, Kombination aus verschiedenen Datenquellen (Gewicht, Leistung, Essen..) und Vorhersage von Übungsart, -intensität und -dauer.
  2. Medikamenteneinnahme: Vorhersage von Wahrscheinlichkeiten, ob Patienten ihre Medikamente einnehmen anhand demografischen Faktoren, Medikationsdauer und -art und Krankheitsgeschichte.. Erlaubt die direkte Etablierung von Maßnahmen um eine Einnahme zu gewährleisten.
  3. (Brust-)Krebserkennung: Radiologen haben die Aufgabe, auf Röntgenbildern zu entscheiden, ob ein Krebs vorliegt oder nicht. Dies kann mittels Bilderkennung und Machine Learning unterstützt oder sogar ersetzt werden.
  4. Drug creation: Erstellung von Medikamenten basierend auf Artificial Intelligence. 
  5. Team composition: Vorhersage des besten Teams für den Gegner. Berücksichtigung von individuellen Stärken und Teamsynergien.
  6. Trading & Drafting Prediction: Vorhersage von Leistung von Sportlern im Teamsport um Entscheidungen beim Spielerhandel zu unterstützen.
  7. Verletzungsvorhersage & -prävention: Vorhersage von Verletzungen und entsprechende Gegenmaßnahmen. 
  8. Gesundheitsüberwachung: Durch Smart Devices, zum Beispiel Fitnessarmbänder, wird es immer einfacher sein, dass Patienten wieder schneller Zuhause und aktiv sind. Um Gefahren vorzubeugen, können diese IoT devices mit AI angereichert werden, um proaktiv bei Veränderung des Zustandes zu reagieren.
  9. Patient prioritisation: Mittels Patientendaten und historischer Krankheitsverläufe kann die Patientenversorgung priorisiert werden. Ziel ist eine Senkung der Mortalitätsrate und Verringerung der Auslastung.
Weitere Beiträge zum Thema Data Driven Company direkt per E-Mail bekommen:

Marketing & Sales

Big Data und Machine Learning Beispiele im Marketing
Big Data und Machine Learning Beispiele im Marketing
  1. Demand Forecasting: Mittels einer Kombination von Webscraping und Predictive Analytics kann man versuchen, seinen Demand vorherzusagen. Besonders hilfreich um Promotionen und Produktion zu steuern.
  2. Customer Clustering: Um Marketingmaßnahmen zu personalisieren, wird Unsupervised Learning eingesetzt, um Kunden auf Basis ihrer Stammdaten und ihrem Verhalten in ähnliche Gruppen zusammenzufassen. 
  3. Service Recommendation: Bietet man einen Service in verschiedenen Ausprägungen an, macht es Sinn, immer den passenden für einen neuen Kunden auszuwählen. Recommendation und Assoziationsanalysen ermöglichen dies.
  4. Sentiment Analysis: Das klassischste aller Beispiele im Bereich Natural Language Processing. Durch Sentimentanalyse kann Text auf die darunterliegende Emotion – positiv, neutral oder negativ – untersucht werden. Dies erlaubt es, zum Beispiel in Social Media Daten oder anderen Textquellen Einblicke in die Gefühle der Kunden zu bekommen.
  5. Automatisierte Kommentare: Um eine Interaktion zwischen Organisation und dessen Kunden zu gewährleisten, können Bots entwickelt werden, die versuchen auf Fragen oder Kommentare auf Drittplattformen adäquat mit Links oder Antworten zu reagieren.
  6. Social Alerting: Überwachung von sozialen Medien um bei Ausschlägen (positiv oder negativ) eine automatische Nachricht zu bekommen. Besonders effektiv für “viral” oder “shitposts”.
  7. Marketing campaign success: Messen, analysieren und Prediktion des Erfolgs von Marketingkampagnen wie Werbung, Promotion oder ähnlichem.
  8. Corporate Communication Analysis: Während obige NLP use cases vor allem auf Kundentext eingehen, kann man auch die unternehmenseigene Aussenkommunikation evaluieren. Vor allem schnell zu generierende Texte wie bei Twitter, Amazon oder YouTube, aber auch statische Texte wie Presseberichte lassen sich auf Sentiment, SEO und andere sprachliche Aspekte analysieren.
  9. Influencer Detection: Analyse von Stichwörtern im Themenbereich um Influencer zu identifizieren und ggf. eine Zusammenarbeit zu etablieren. Einsatz eines Crawlers und Natural Language Processing um die Datenmengen sauber erfassen zu können.
  10. Channel value: Messung des Werts aller Kanäle mittels Entwicklung von KPIs und entsprechender Datenakquise. Auswertung im Bezug auf verschiedene Kundengruppen, zukünftige Entwicklung und Potential.
  11. Channel consistency: Überprüfung der Konsistenz von Nachrichten und eingesetztem Bild- / Video- / Audiomaterial über alle Kanäle. Identifikation von Ausreißern oder veraltetem Material, um ein homogenes Bild der Außendarstellung zu erwirken – falls gewünscht.
  12. Data-driven Customer Journey: Identifikation von Datenquellen um eine Customer Journey zu quantifizieren, entsprechende Analyse und optimalerweise Vorhersage des nächsten Schritts für alle Leads. Dadurch werden Ansatzpunkte zur positiven Beeinflussung geschaffen.

Produkte, Forschung und Produktentwicklung 

Big Data und Machine Learning Beispiele in der Produktentwicklung
Big Data und Machine Learning Beispiele in der Produktentwicklung
  1. Backlog clustering: Welche Features sind als nächstes zu entwickeln? Mittels Messung und Analyse erlaubt es, den größten impact im Backlog zu identifizieren.
  2. Topic modeling: Analyse von Texten erlaubt es, bestimmte Themengebiete zu extrahieren, um die sich die Gespräche drehen. Dies kann als Basis genutzt werden, um produktspezifisches Feedback zu erhalten oder neue Richtungen für Entwicklung zu definieren.
  3. Customer review analysis: Eine weitere Variante von Text Mining. Indem man Reviews von Plattformen wie Amazon oder Google analysiert, kann man die generelle Meinung der Kunden, als auch Aspekt-basierte Verbesserungsvorschläge zu den eigenen Produkten extrahieren.
  4. Launch success: Vorhersage des Erfolgs (binär) eines Produkts und gegebenenfalls von initialen Verkaufszahlen. 
  5. Life Cycle Prediction: Prädiktion des Lebenszyklus eines Produkts. Von Launch über Reife bis zur Degeneration. Erlaubt entsprechende Planung von Kampagnen und Produktionsplanung.
  6. Generative Design: Mittels neuronaler Netze können Produktbilder generiert werden, ohne einen Designer hinzuzuziehen. Besonders spannend bei schnelllebigen Produkte oder als Inspiration für die Fachexpertise aus der Designabteilung.
  7. Trend Analysis: Monitoring von relevanten Kanälen (Nachrichten, Social Media, Reviews..) und Ableitung von Markttrends. Identifikation von aufsteigenden Begriffen in Zusammenhang mit dem eigenen Themenbereich und folgende Strategieanpassung.
  8. Competitor Monitoring: Konsolidierung einer Bandbreite an Datenquellen zur Überwachung der Aktivitäten von Mitbewerbern. Auswertung mittels NLP, Text Mining und Data Mining, um zu identifizieren wohin sich einerseits der Markt, andererseits spezifische Konkurrenten hin entwickeln.

HR, Employees & Education

Big Data und Machine Learning Beispiele in HR und Bildung
Big Data und Machine Learning Beispiele in HR und Bildung
  1. Employee Churn: Vorhersage des Austritts von Mitarbeitern mittels Klassifikation. Trainingsdaten sind meist Stammdaten (Alter, Geschlecht, Bildung, ..) und Verhaltensdaten (Zeiterfassung, Softwarenutzung, Fortbildung, ..). Erlaubt aktive Maßnahmen um Mitarbeiter zu halten und Aufwand durch Neubesetzung von Stellen zu vermeiden.
  2. Personalisierte (Fort-)Bildung: Durch Prädiktion oder Collaboratives Filtering können Programme und Kurse ausgewählt werden, die passend zum Mitarbeiter sind.
  3. Team selection: & composition Anhand von Erfolgsmetriken abhängig der Aufgabe, kann dasam besten passende Team für ein Projekt ausgewählt werden. 
  4. Workforce planning: Wie viele Mitarbeiter wann wie lange an welchem Ort benötigt werden, kann durch Kombination verschiedener Machine Learning Algorithmen bestimmt werden.
  5. Student performance: Prediktion des Erfolgs von Studenten. Wahrscheinlichkeit, Kurse zu bestehen oder Vorhersage der Endnote. Ggf. Selektion von passenden unterstützenden Maßnahmen.
  6. “Voice of the employee”: Textverarbeitung von Feedback und Kommentaren von Mitarbeitern erlaubt es, sowohl Sprachfärbung als auch Themen zu identifizieren, um diese eingehender kollektiv zu betrachten.

Logistik, Warehousing & Supply Chain

Big Data und Machine Learning Beispiele in Logistik und Supply Chain
Big Data und Machine Learning Beispiele in Logistik und Supply Chain
  1. Delivery routing: Ein klassisches Thema, mit Unterstützung von AI jedoch eine sehr effizientere Herangehensweise, da sie auch andere Faktoren wie Verkehrsaufkommen oder Priorität einfach mit einbeziehen kann.
  2. Logistics tracking: Ein sinnvolles Vorgehen für interne Effizienzanalysen einerseits, für das Kundenerlebnis andererseits. Generiert sehr große Datenmengen, die in real-time verarbeitet werden müssen.
  3. Stock level alerts: Vorhersage von durch veränderten Bedarf geänderte Anforderung auf die Lagerhaltung. Alarme und Benachrichtigung, so kritische Veränderungen detektiert werden.
  4. Retail replenishment: Durch den Einsatz von Verteilungsalgorithmen ist es möglich, vollautomatisiert auf Anforderungen des Einzelhandels mittels der Orchestrierung von Verteilzentren zu reagieren. Dies kann sich in rollenden Daten (Ramp-Up über den Tagesverlauf) oder Peaks (Ausverkauf) wiederspiegeln.
  5. Fully automated Warehouse: Mittels automatisierter Wegfindung und Bildverarbeitung / Machine Vision (z.B. Barcodes, Umgebung, Lauflinien) können autonom agierende Roboter sowohl Picking als auch Packaging übernehmen. 
  6. Peak hour prediction: Vorhersage von Arbeitsaufkommen und entsprechende Verteilung auf pre-Aufkommenszeit. Alternativ entsprechendes Workforce Management, um Peaks abzufangen.

Kundendienst, Service & Support

Big Data und Machine Learning Beispiele im Kundendienst und Service
Big Data und Machine Learning Beispiele im Kundendienst und Service
  1. Replacement part recognition: Bilderkennung und-klassifizierung erlaubt es, Kunden bei ihrer Suche nach Ersatzteilen direkt passende Produkte vorzuschlagen. Interessant für B2C und B2B gleichermaßen.
  2. Chatbots: Ob B2B oder B2C – Chatbots sind seit einigen Jahren eine der besten Methoden um den Kundensupport zu entlasten und seinen Kunden rund um die Uhr mit Lösungen und Informationen zur Verfügung zu stehen.
  3. Incoming call classification: Kategorisierung von Anrufern und deren Anliegen auf entsprechende Kundenserviceteams oder Support Level.
  4. Automated ticket answering: Aus Antworten von Service Mitarbeitern werden automatisiert Antworten vorformuliert und ggf. auf Standardokumentationen wie FAQs verwiesen.
  5. Reparaturkostenvorschlag: Basierend auf bisherigen Daten zur Annahme von Reparaturvorschlägen und deren Effizienz können automatisiert Reparaturkostenvorschläge entwickelt werden.
  6. Saisonale Vorhersagen für Servicebedarf: In vielen Unternehmen gibt es saisonale Schwankungen bei der Nutzung ihrer Produkte (Sport, Heimwerker, Garten). Diese Information kann man einfließen lassen, um entsprechende Kapazitäten in Supportfunktionen vorzubereiten.
  7. Serviceanfragen als Produktentwicklung: Durch Textanalyse von Serviceanfragen können wichtige Themen und negative Aspekte an Produkten und Services erkannt und somit verbessert werden. 
  8. Vorhersage von Servicetechnikerbedarf: Prädiktion von Bedarf um Technikereinsatz zu planen. Berücksichtigung von Absatz, Haltbarkeit, Saison, Wetter und vieles mehr. 
Weitere Beiträge zum Thema Data Driven Company direkt per E-Mail bekommen: