MARKETING & MEDIA
„AI ist kein Modell, sondern ein Prozess” © Panthermedia.net/Everythingposs
© Panthermedia.net/Everythingposs

Redaktion 02.07.2021

„AI ist kein Modell, sondern ein Prozess”

Michael Kollegger, Head of Advanced Analytics bei Emakina CEE, über die Nutzung von Artificial Intelligence im Marketing.

••• Interview: Chris Radda, Text: Anna Putz

WIEN. Michael Kollegger ist Universitätslektor für Finanzmathematik, Statistik und promovierter Betriebswirt. Und er ist auch Head of Advanced Analytics bei Emakina CEE. Aber wie kommt ein Mathematiker in eine Digital­agentur? „Ich beschäftige mich seit über 20 Jahren mit dem Thema Künstliche Intelligenz”, sagt Kollegger; mit der Zeit sei er aber zu dem Schluss gekommen, dass „der reine analytische Ansatz, wo man nur über Algorithmen spricht, eigentlich zu wenig ist”. Über private Kontakte sei er zu Emakina gelangt und ihm habe von Anbeginn gefallen, wie „man dort an Projekte herangeht” und welche Vision die Agentur von der Zukunft habe.

Im medianet-Interview sprach der Data Scientist darüber, warum AI im Marketing zu 80% aus einem Daten-Sammel-und-Bereinigungs-Prozess besteht und für wen sich der Einsatz von AI eignet.

Das Um und Auf sind Daten

Artificial Intelligence und Data Analytics gewinnen im Marketingbereich immer mehr an Bedeutung. Doch trotz steigender Beliebtheit stellt sich die Frage, was AI ist und was es kann. Michael Kollegger sagt, es sei schwer zu greifen, was unter dem Terminus zu verstehen ist, da das „Anwendungsfeld so breit und das Spektrum der Algorithmen und Daten so weit” sei.

Grundsätzlich aber geht es darum, Probleme eines Unternehmens anhand von Daten zu lösen. Es drehe sich ums „Sammeln, Aufbereiten und Finden” von Daten, die wiederum in Algorithmen und Modelle einfließen. Übrigens sagt der Data Scientist, dass für ihn das Konzept AI „kein Modell, sondern ein Prozess zur Lösung von spezifischen Problemen” ist. Am Ende sollen die Ergebnisse ins operative Geschäft einfließen.

Daten, Daten, Daten

Was auf den ersten Blick komplex und innovativ klingt, ist in Wirklichkeit aber ein altbekanntes mathematisches Konzept. Ausschlaggebend für den aktuellen Boom „war im End­effekt die Entwicklung auf technischer Seite”, klärt Kollegger auf. Seit den letzten 15 Jahren gäbe es Computer, die „in vernünftiger Zeit Modelle berechnen”. Aber die Technik sei dennoch nicht das Erfolgsrezept von AI. Um und Auf sind nämlich Daten. Oft sei davon die Rede, dass Daten das wertvollste und wichtigste seien, das Unternehmen zur Verfügung stehe. „Das stimmt auch”, bestätigt Kollegger. Aber: Oft wisse man nicht, wo welche Daten in welcher Vollständigkeit vorliegen. Daher verbringt der Data Scientist bei einem klassischen AI-Projekt „80 Prozent der Zeit mit dem Finden, Sichten und dem Aufbereiten von Daten”. Datensätze werden einzeln begutachtet und Fehler behoben. Das ist insofern von Relevanz, da, je „reiner die Daten sind und das Problem des Unternehmens definiert wird”, desto besser arbeitet der Algorithmus, erklärt Kollegger. Ein weiterer wichtiger Aspekt im Umfeld von AI ist das Domänenwissen. Ohne dieses würde es laut Kollegger sehr schwierig sein, Präzision und Genauigkeit zu erreichen. Wenn beispielsweise eine Produktionsmaschine mittels Künstlicher Intelligenz gesteuert werden soll, sei es absolut notwendig, zu verstehen, wie die Maschine funktioniere.

Für wen sich AI lohnt

Obwohl der Data Scientist von sich selbst behaupten würde, im Retail-Sektor das Kundenverhalten vorhersagen zu können, sei es zu Beginn eines Projekts schwierig, konkrete Fragen hinsichtlich Funktionsweise und Output zu beantworten. Zu diesem Zeitpunkt hätte man „keine Ahnung”, welche konkreten Probleme der Kunde habe oder auch von Datenstrukturen, IT-Systemen oder etwa der Expertise im Unternehmen – Dinge, die für die erfolgreiche Etablierung von AI im Marketing wichtig sind.

Daher habe man sich bei Emakina CEE dazu entschieden, einen „Proof of Concept” anzubieten – einen Termin, bei dem in einem Gespräch geklärt werden soll, welche Pains und Gains ein Unternehmen hat. Anschließend wird, ausgehend von den Anforderungen, ein einziger Demo-Fall kreiert. Man setze sich dann mit Datenverantwortlichen aus dem Unternehmen zusammen und führe einen Data-Audit durch, bevor dann ein Modell gebaut wird, das eine Antwort auf eine spezifische Fragestellung geben soll. Wichtig ist zudem, die Findings des Modells von Experten im Unternehmen validieren zu lassen, abzuklären, ob es einen „kausalen Zusammenhang mit der Wirklichkeit” gibt. Überlegt werde dann auch, wie die Ergebnisse im Unternehmen operationalisiert werden können. Gegen Ende des Pilotprojekts wird dann ein Report vorgelegt, bevor ein Workshop stattfindet und schlussendlich eine Stop-or-Go-Entscheidung getroffen wird. Innerhalb von zwei Wochen soll der „Proof of Concept” abgewickelt werden. Die Kosten belaufen sich je nach Größe des Unternehmens oder dem Umfang der Fragestellung auf 7.000 bis 10.000 €.
Trotz des Hypes um das Thema Artificial Intelligence eignet sich die Nutzung dessen nicht für jeden. „Einem Trafikanten”, sagt Kollegger, würde man vermutlich sagen, dass sich Artificial Intelligence für ihn nicht auszahle. Bei Klein- und Mittelbetrieben gelte es jedoch genau abzuwägen. Pauschal lässt sich für den Retail-Bereich sagen, dass, je mehr Daten einem Unternehmen vorliegen, desto eher Artificial Intelligence im Unternehmen sinnvoll angewandt werden kann.

AI per se ist wertfrei

Übrigens: Angst, dass AI bzw. Algorithmen uns „in den Rücken fallen”, hat Michael Kollegger nicht. Per se seien Algorithmen wertfrei; „böse” seien aber jene, die „mit den Algorithmen Böses anstellen” wollen.

In Deutschland setze sich bereits eine Ethikkommission mit dem Thema Künstliche Intelligenz auseinander; das sei zwar „wirklich interessant und wichtig”, aber es würde auch „sehr viel Zeit” mit dem Streit um Kaisers Bart vergeudet werden.
Fest steht aber, dass in Zukunft am Thema AI kein Weg mehr vorbeiführt.

BEWERTEN SIE DIESEN ARTIKEL

TEILEN SIE DIESEN ARTIKEL