Künstliche Intelligenz und Machine Learning sind Trendbegriffe. Leider verkommen sie, vom Hype geprägt, schnell zu einem Selbstzweck. Dabei ist es gerade im E-Commerce vergleichsweise einfach, eine ganzheitliche Perspektive einzunehmen und Machine Learning gewinnbringend für das eigene Unternehmen einzusetzen.

Was in unseren Projekten bislang zum Erfolg geführt hat und warum sich ein schrittweises Vorgehen eignet, möchte ich in diesem Artikel kurz beschreiben.

Schritt 1: Klare Ziele und KPIs definieren

Um nicht einfach nur “etwas mit KI” zu machen, sondern eine wertstiftende Lösung umzusetzen, muss weit vor der eigentlichen Implementierung angefangen werden. Das gelingt, indem eine Zielsetzung erarbeitet wird, die von passenden KPIs zur Erfolgsmessung flankiert wird. Das können einerseits klassische Wachstumsziele sein, wie zum Beispiel die Umsatzsteigerung via Cross-Selling, Produktempfehlungen oder höhere Kundenzufriedenheit, andererseits Kostenziele durch Lageroptimierung oder Betrugserkennung.

Hinter einem solchen Ziel sollte ein monetär ausgedrückter Nutzen stehen, um eine Schätzung des Return of Investments vornehmen zu können und die mögliche Lösung in den verschiedenen Projektschritten auf das Erreichen dieses Nutzens hin zu überprüfen.

Schritt 2: Das Problem in ein Machine-Learning-Problem überführen

Nehmen wir einmal folgendes Beispielproblem an: Ein Betreiber eines Online-Stores für Sportartikel ärgert sich monatlich über absurd hohe 40% an betrügerischen Transaktionen. Dadurch entstehen Kosten in einer bestimmten Höhe und das Ziel ist es, 90% dieser Kosten zu eliminieren. Eine manuelle Prüfung aller eingehenden Bestellungen anhand von IP-Adressen, Nutzer- und Bestellinformationen kommt nicht in Frage: Die benötigte Zeit wäre einfach zu lang. Spätestens hier könnte die Idee aufkommen, das Problem mit einer Machine-Learning-Lösung anzugehen, die mit einer bestimmten Wahrscheinlichkeit vorhersagt, ob eine Transaktion betrügerisch ist, oder nicht.

Aber ist Machine Learning wirklich geeignet, um Betrug in diesem Szenario zu erkennen? Dafür eignet sich folgende Frage: Handelt es sich bei dem Problem um ein Klassifzierungs-, Zuordnungs-, Rangfolge- oder Vorhersageproblem?

In diesem Fall würde es sich um ein Klassifizierungsproblem handeln mit den beiden Klassen betrügerisch und nicht-betrügerisch.

Schritt 3: Anforderungen an die Lösung definieren

An diesem Punkt sind die Ziele des Projekts und das Problem bereits klar. Der nächste Schritt ist, den Nutzen zu quantifizieren und so die Mindestanforderungen auszuarbeiten, die nötig sind, um diesen Nutzen auch tatsächlich zu erreichen. Dazu folgendes Beispiel:

Angenommen, dem Shop entstehen insgesamt 3 Mio. € an Kosten durch Betrug im Jahr, dann sollen nach der Zieldefinition 90% dieser Kosten, 2,7 Mio. €, eingespart werden. Bei bspw. 16.000 eingehenden Bestellungen pro Monat und gegebenem AOV (Average Order Value) von 41,50€ wären das 664.000€ monatlicher Umsatz. Für 6.400 betrügerische Bestellungen (40%) entstehen Rückbuchungskosten von insgesamt 265.600€.

Eine Betrugserkennung mit 95% Genauigkeit würde die Fälle auf 5% und damit auf 800 senken, was Rückbuchungskosten von 33.200€ entspricht. Der finanzielle Nutzen wäre die Differenz zwischen vorher und nachher, also 232.400€ pro Monat bzw. 2,789 Mio. € pro Jahr.

Eine Lösung, die also knapp 95 von 100 Transaktionen richtig klassifiziert, würde das gesetzte Ziel erfüllen. Jede Lösung, die diese Anforderung erfüllt, kommt in Betracht.

Dieses Beispiel ist im Vergleich zu realen Szenarien deutlich vereinfacht und lässt einige wichtige Aspekte (z.B. eine Betrachtung von false negatives oder false positives) außer Betracht. Das Vorgehen jedoch bleibt gleich. Anforderungen an die Genauigkeit einer Lösung zu stellen, mit der das Ziel erreicht wird, ist die einzige Möglichkeit für eine gute RoI-Vorhersage.

Schritt 4: Make-or-Buy-Entscheidung

Machine-Learning-Projekte gehen einher mit einer Vielzahl von Unbekannten – mehr, als bei anderen IT- oder Softwareentwicklungsprojekten. Das erschwert eine akkurate Kosteneinschätzung vor der Umsetzung. Aus diesem Grund lohnt es sich, Lösungsalternativen in Betracht zu ziehen, insbesondere in der Form von fertigen Software-Komponenten am Markt, API-Lösungen oder einem regelbasierten System ohne künstliche Intelligenz.

Wenn eine erwerbbare Lösung die Genauigkeitsanforderungen erfüllt, ist es im Vergleich zur Eigenentwicklung oft kosteneffizienter, diese in die eigenen Systeme zu einzubinden. Aus dem Projekt wird dann ein eher klassisches IT-Integrationsprojekt. 

Alternativ könnte auch eine traditionell programmierte, regelbasierte Lösung die Anforderungen erfüllen; vor allem dann, wenn sich durch Experten- und Domänenwissen anhand von festen Regeln gute Einschätzungen zu einer Transaktion treffen lassen. Die Kosten solcher Projekte lassen sich deutlich besser schätzen. 

Je mehr Regeln und je größer deren Komplexität, desto eher eignet sich jedoch ein Machine-Learning-Ansatz. In diesem Schritt muss also letztlich eine Entscheidung gefällt werden, ob die Lösung des Problems nicht doch effizienter ohne Machine Learning gelöst werden kann.

Schritt 5: Deep Dive

Bleiben wir beim Beispiel der Betrugserkennung für unseren Online-Shop, so benötigen wir Daten, anhand derer unser Algorithmus die Regeln für die Klassifizierung von Bestellungen lernen kann.Diese Daten müssen sowohl bereits in verwendbarer Form vorliegen als auch kontinuierlich mit jeder Bestellung erhoben werden. Je nach Anwendungsfall können auch externe Daten hinzugenommen werden. Das zu prüfen ist Teil dieses Projektschritts und sollten beide Voraussetzungen erfüllt sein, kann mit der eigentlichen Umsetzung begonnen werden.

If in doubt, abort

Eine solche oder ähnliche Schrittfolge hat gleich mehrere Vorteile. 

Erstens werden keine unnötigen Schritte gemacht, die Kosten erzeugen, aber aufgrund von schlechten Voraussetzungen gar keine brauchbaren Ergebnisse produzieren können. Werden beispielsweise keine oder unzureichende Anforderungen definiert, wird Geld in die Entwicklung einer Lösung investiert, die vielleicht gar nicht den benötigten Nutzen erzielen kann. Wenn nicht in Form eines Deep Dives die Datenlage überprüft wird, wird das in der Umsetzung zum Scheitern des Projekts führen.

Zweitens entsteht in jeder Phase ein vorzeigbares Zwischenergebnis in Form eines Artefakts, anhand dessen sich das Projekt re-evaluieren lässt: Sind die identifizierten Ziele wirklich die richtigen Ziele? Sind die Anforderungen realisierbar?

Drittens sind die einzelnen Projektschritte dadurch unabhängiger voneinander. Wenn sich Prioritäten im Unternehmen kurzfristig verschieben, kann zu einem späteren Zeitpunkt an das Ergebnis des letzten Schrittes angeknüpft werden.

Insgesamt ergibt sich so eine ganzheitliche Betrachtung eines Machine-Learning-Projekts mit klarem Fokus auf die Einordnung in die geschäftlichen Zielsetzungen. Statt einfach “etwas mit KI” zu machen, resultiert so mit viel höherer Wahrscheinlichkeit ein messbarer und vor allem antizipierbarer finanzieller Mehrwert für das eigene Unternehmen.

Sie haben schon eine klare Vorstellung von Ihren Zielen und sind sich sicher, dass Sie mit einer Machine-Learning-Lösung durchstarten wollen?

Im Rahmen unseres KI Deep Dive bekommen Sie Ihre eigene Datenanalyse.

Oder sind sie gerade erst am Anfang Ihrer Digitalstrategie?

Starten Sie in Sachen Digitalisierung direkt durch mit unserem Digital Kickoff.

Wenn Sie im produzierenden Gewerbe oder in der Industrie tätig sind, schauen Sie sich doch auch unsere Offerings zu Smart Factory und IoT an.