KI Anwendungsfallerstellung für Nicht-Techniker

[latexpage] Data Science, maschinelles Lernen und KI sind Mittel zum Zweck und daher weder der Anfang noch das Ende. Um erfolgreich zu sein, bedarf es eines iterativen Prozesses, der Sie von einer anfänglichen Idee bis hin zu einer Lösung führt, die vom Unternehmen angenommen wird. Wo also beginnt diese Reise? Bei der Ideenfindung. Eine Aufgabe, die häufig von einem Analytics Translator oder Product Owner übernommen wird.

In diesem Blog erkläre ich Ihnen, was die Ideenfindungsphase beinhaltet und wie Sie selbst wertvolle Ideen für Anwendungsfälle finden können. Dazu stelle ich Ihnen das AI Solution Framework und zwei nützliche Tools vor: Opportunity Trees und die Experimentation Canvas

Das AI Solution Framework - Ihr Fahrplan für den Aufbau einer AI-Lösung von Anfang bis Ende

Bei GoDataDriven verwenden wir häufig das KI-Lösungsframework, um Data Science-Projekte zu strukturieren und durchzuführen. Eine Übersicht über das Framework finden Sie in der Abbildung unten. Als Nächstes werden wir etwas tiefer in die drei Hauptphasen eintauchen: Ideation, Experimentation und Industrialisierung.

In der Ideenfindungsphase beantworten wir die Frage: "Was ist die beste Idee für die Entwicklung einer KI-Lösung?". Diese Frage wird beantwortet, indem wir Ideen sammeln und sie zu validierten Anwendungsfällen verfeinern, für die die (potenziellen) Auswirkungen und die Machbarkeit bewertet wurden. Nur die vielversprechendsten schaffen es in die nächste Phase: das Experimentieren.

Während der Experimentierphase wenden wir uns der nächsten Frage zu: "Funktioniert die KI-Lösung tatsächlich in der Praxis?" Wir entwickeln unseren validierten Anwendungsfall zu einem "Minimum Viable Product" (MVP). Dies ermöglicht die Validierung der Idee in der Praxis, indem wir die ursprüngliche Lösung mit tatsächlichen Endbenutzern testen. Erst wenn das MVP als wertvoll erachtet wird, gehen wir in die letzte Phase über: die Industrialisierung.

Während der Industrialisierungsphase beantworten wir die letzte Frage: "Wie kann die KI-Lösung Teil des neuen Business-as-usual werden?". In dieser Phase wird die Lösung fertiggestellt und in die Produktion überführt, indem die Akzeptanz bei den Endbenutzern gefördert wird, während die Lösung im gesamten Unternehmen skaliert wird. Das KI-Lösungs-Framework hilft Ihnen, sich auf die Ziellinie zu konzentrieren: eine Lösung zu entwickeln, die dem Unternehmen und seinen Kunden einen echten Mehrwert bietet.

Die Ideenfindungsphase erforscht

Nun, da Sie einen Überblick über den Prozess erhalten haben, kehren wir zum Thema dieses Blogs zurück: die Ideenfindungsphase. Unser Ziel ist es, eine kurze Liste von gut definierten, hochwertigen und realisierbaren Anwendungsfällen für KI-Lösungen zu erstellen.

Es gibt viele Möglichkeiten, Ideen zu entwickeln. In diesem Blog werde ich einen Ansatz vorstellen, der sich für mich bewährt hat: das Finden von Gelegenheiten. Diese Methode ist eigentlich nichts Neues, lesen Sie zum Beispiel die folgenden Bücher: "Das Minto-Pyramiden-Prinzip" und "Der Mckinsey-Geist". Hier werde ich die Methode auf den Beruf des Datenwissenschaftlers zuschneiden. Sie werden den Ansatz selbst kennenlernen und ich werde Ihnen einige aufschlussreiche Beispiele geben.

Übersetzen Sie Unternehmensziele in Zielsetzungen

KI-Implementierungen sind am erfolgreichsten, wenn die Geschäftsziele mit der Strategie und den Zielen des Unternehmens übereinstimmen. Das bringt mich zu Ihrer ersten Herausforderung: die Umsetzung Ihrer Unternehmensziele in konkrete Ziele. Der beste Ausgangspunkt, um die wichtigen KPIs zu bestimmen, ist, sich mit den Personen zusammenzusetzen, die für eine Reihe von KPIs verantwortlich sind. Dies ist oft ein guter Ausgangspunkt, um mit der Suche nach Möglichkeiten zu beginnen.

Einige Beispiele für mögliche Ziele sind:

1. Steigerung der Einnahmen um 10% bis Ende 2025
2. Steigern Sie die Nutzerbasis von App A bis Ende 2025 um 10%.
3. Steigerung des Customer Lifetime Value um 10% bis Ende 2025

Achten Sie beim Erfassen und Definieren dieser Ziele darauf, dass sie es sind:

1. Im Einklang mit der Strategie
2. Quantifizierbar
3. Zeitgebunden
4. Teilbar in sich gegenseitig ausschließende (nicht überlappende) Komponenten

Um Ihnen ein Beispiel für die sich gegenseitig ausschließende Aufteilung des ersten Ziels zu geben: "Steigerung der - Einnahmen um 10% bis Ende 2025":

• Anzahl der Kunden erhöhen
• Steigern Sie den Umsatz pro Kunde
• Reduzieren Sie die Kundenabwanderung

Schauen wir uns nun an, wie wir die Opportunity-Bäume auf diese gesammelten Ziele anwenden und unsere Eroberung der Opportunity fortsetzen können.

Chancenbäume für die Ideenfindung

Die im vorigen Abschnitt erläuterten Unternehmensziele können als Wurzel eines Logikbaums dienen, sie bilden die Grundlage des Ansatzes zur Ermittlung von Geschäftschancen. Von dort aus können Sie beginnen, den Baum zu verzweigen, bis er sich gegenseitig vollständig ausschließt und vollständig erschöpft ist (MECE). Das bedeutet, dass Sie den Baum so weit aufgebrochen haben, dass Sie keine logischen Teilungen mehr vornehmen können und alle logischen Zweige erstellt wurden. In diesem Stadium haben Sie Ihren Opportunity-Baum erfolgreich erstellt. Unten finden Sie ein minimales Beispiel:

Lassen Sie mich das anhand eines Beispiels von Netflix erläutern, einem Unternehmen, das einen kostenpflichtigen Video-Streaming-Dienst anbietet, mit dem man hochwertige Inhalte ohne Werbung konsumieren kann.

Ein praktisches Beispiel - Steigerung des CLV bei Netflix

Da Netflix ein abonnementbasiertes Unternehmen ist, ist der Zeitraum, in dem ein Kunde Kunde ist, ein sehr wichtiger Faktor für den Wert des Unternehmens. Wir gehen daher davon aus, dass die wichtigsten KPIs der Customer Equity (CE) und der Customer Lifetime Value (CLV) sein werden. Der CE steht stellvertretend für den zukünftigen Wert Ihres gesamten Kundenstamms, der CLV steht stellvertretend für den zukünftigen Wert eines einzelnen Kunden. Wenn Sie mit diesen Konzepten nicht vertraut sind, schauen Sie sich bitte diese Wikipedia-Seite an, die Ihnen helfen wird, die folgenden Beispiele zu verstehen.

Nehmen wir an, dass wir diese KPIs durch Gespräche mit dem höheren Management erreicht haben. Ihre nächsten Schritte sollten dann wie folgt aussehen:

1. Erstellen Sie einen sich gegenseitig ausschließenden und vollständig erschöpfenden Logikbaum
2. Finden Sie heraus, welche unterschiedliche Gruppe von Menschen Ideen zur Verbesserung der KPIs entwickeln könnte.
3. Organisieren Sie einen 2-stündigen Workshop mit der identifizierten Gruppe von Personen. Während dieser Sitzung werden Sie:
   • Erklären Sie den Baum
   • Erklären Sie die Aufgabe, Ideen aufzuschreiben, die die KPI für jeden Zweig des Baums verbessern:
   • Diskutieren Sie das Endergebnis und versuchen Sie, eine Vorstellung von den vielversprechendsten Lösungswegen zu bekommen.

Ich möchte Ihnen auch einige Tipps für die Moderation des 2-stündigen Workshops geben:

• Die Ideen müssen auf ein Post-It passen;
• Die Ideen müssen auf dem Post-it verständlich sein;
• Ideen müssen mit den Initialen der Idee versehen sein, damit Sie später darauf zurückgreifen können;
• Vermeiden Sie Diskussionen um jeden Preis: Erleichtern Sie das Schweigen, das wird die Anzahl der niedergeschriebenen Ideen erheblich erhöhen;
• Während andere schreiben, sammeln und gruppieren Sie ähnliche Ideen an einer Wand, um gemeinsame Themen zu entdecken.

Insgesamt hat die Arbeit mit Opportunities zur Weiterentwicklung von Opportunities einige Vorteile:

• Beginnen Sie mit Zielen, die für Ihre Sponsoren relevant sind. Das garantiert die Zustimmung des Managements.
• Sie können ganz sicher sein, dass Sie alle Aspekte der Problemlösung berücksichtigt haben.
• Aufgrund der Struktur ist es einfacher, Ideen zu quantifizieren und zu vergleichen, was bei der Festlegung von Prioritäten hilft.
• Wenn Sie Ihre Kollegen von Anfang an mit einbeziehen, werden sie eher bereit sein, an der Entwicklung der Lösung mitzuwirken und sie schließlich zu übernehmen.

Die nachstehende Abbildung zeigt den Chancenbaum, der sich aus diesen Bemühungen hätte ergeben können (ich gebe zu, dass er nicht vollständig ist, aber er dient der Erklärung).

Großartig, wir haben jetzt eine große Anzahl von Lösungsansätzen gesammelt. Allerdings müssen wir noch eine Priorisierung all dieser möglichen Richtungen vornehmen. Ich gebe Ihnen ein Beispiel dafür, wie Sie das tun können, indem Sie eine der Ideen ausarbeiten: "Aufbau von Empfehlungssystemen für Inhalte".

Validierung des Business Case

Bei der Validierung des Business Case beginnen wir mit der Betrachtung der geschäftlichen Annahmen, auf denen die Ideenrichtung aufbaut:

• Je höher die Kundentreue, desto höher der Customer Lifetime Value
• Je mehr Inhalte ein Kunde konsumiert, desto höher ist die Loyalität
• Je besser unsere Inhaltsempfehlungen sind, desto mehr Inhalte konsumiert ein Kunde Wenn das also stimmt, welchen theoretischen Wert hätte diese Lösung?

Für dieses Beispiel werde ich sie wie folgt berechnen:

$ CLV = ( durchschnittliche,Einnahmen,-,durchschnittliche,Kosten ) mal Lebensdauer mal Rabatt,Wert $

$ discount,value = ( 1 + discount,rate )^{-lifetime} $ $ lifetime =frac{1}{churn} $

Eine ausführlichere Erklärung zu CLV finden Sie auf wikipedia

Ich werde eine Reihe von Annahmen über die Statistiken des Unternehmens treffen, um die Berechnungen durchzuführen:

• Anzahl der Kunden (Ist-Zustand) = 150 Millionen
• Durchschnittlicher Umsatz (Ist-Zustand) = 10∗12 Monate
• Durchschnittliche Kosten (Ist-Zustand) = 8∗12 Monate
• Abwanderung (wie bisher) = 4% pro Jahr
• Abwanderung (Empfehlungsgeber) = 3% pro Jahr
• Diskontsatz = 3% pro Jahr

Wenn wir diese Zahlen in die Formeln einsetzen, die wir zuvor gesehen haben, kommen wir auf eine Bewertung von 1,81 Milliarden!

$CLV_{as-is}=(10-8)mal 12 mal frac{1}{0.04} mal (1+0.04)^{-frac{1}{0.04}}=286.56$

$CLV_{recommender} = (10 -8) mal 12 mal frac{1}{0.03} mal (1+0.03)^{-frac{1}{0.03} }=298.66$

$Schätzwert = (298,66 - 286,56) mal 150 Millionen = 1,81 Milliarden$

Wenn die Zahlen also stimmen und unsere Lösung die Abwanderung tatsächlich von 4 % auf 3 % reduziert, wäre das ein riesiger Business Case. Unsere größten Annahmen sind jedoch die Beziehung zwischen den Empfehlungen und der Kundenabwanderung sowie die Beziehung zwischen der Kundenabwanderung und der durchschnittlichen Verweildauer einer Person als Kunde. Diese Annahmen müssten im Rahmen eines Experiments validiert werden, um den tatsächlichen Wert der Idee zu ermitteln.

Wenn Sie diese Übung für die Ideen wiederholen, von denen Sie glauben, dass sie den höchsten potenziellen Wert haben. Sie werden schnell eine quantifizierte Liste von Ideen und eine Liste von Hypothesen haben, die validiert werden müssen. Denken Sie jedoch daran, dass die Priorisierung auch eine kurze Machbarkeitsstudie beinhalten sollte, in der Sie die organisatorische, technische und datentechnische Machbarkeit bewerten.

Fazit

Sie müssen kein Techniker sein, um im Bereich der KI erfolgreich zu sein. Techies sind großartig darin, KI-Lösungen zu entwickeln, aber Sie brauchen Leute, die das Geschäft wirklich verstehen, um herauszufinden, wo sie ihre Zeit investieren sollen. Es ist an der Zeit, dass Sie den Analytics Translator-Hut aufsetzen. In diesem Blog habe ich Ihnen ein Tool zur Verfügung gestellt, mit dem Sie den Anfang machen können.

Sind Sie daran interessiert, mehr zu erfahren?

Möchten Sie mehr über KI-Strategien erfahren? Besuchen Sie diesen Blog! Oder über die Rolle des Analytik-Übersetzers? Sehen Sie sich unser Whitepaper an! Oder über die Lernreise "Data Science für Product Owner"? Sehen Sie sich die Lernreise an!