Was ist Machine Learning?
Machine Learning (ML) ist ein Werkzeugkasten, mit dem sich aus Daten Vorhersagen und Entscheidungen ableiten lassen. Den größten Anteil nimmt Supervised Learning ein: Es verallgemeinert Muster aus historischen Daten auf neue Daten. Anders gesagt: Es nutzt bekannte Werte aus der Vergangenheit, um Vorhersagen zu treffen, wenn der Zielwert unbekannt ist. In der Anwendung auf Business-Fragen spricht man auch von Predictive Analytics. Typische Use Cases sind Kundenabwanderung, Kreditkartenbetrug und E-Mail-Spam.
ML-Modelle lernen aus verfügbaren Daten, die aus Erfahrungen oder Anweisungen stammen, und verbessern sich dadurch kontinuierlich. Das Ziel ist, das Lernen so zu automatisieren, dass es ohne menschliches Eingreifen funktioniert.
“Machine Learning ist die Wissenschaft und Kunst, Computern beizubringen, aus Daten Entscheidungen zu treffen – ohne sie explizit zu programmieren.”—Dr. Hugo Bowne-Anderson, Data Scientist und Dozent bei DataCamp
Warum Machine Learning für Unternehmen wichtig ist
Eine O’Reilly-Studie von 2018 ergab, dass 51% der Unternehmen bereits ML nutzen, 36% sich als frühe ML-Anwender sehen und 15% als fortgeschrittene Nutzer. Eine knappe Minderheit von 49% gab an, ML zu prüfen oder sich “nur umzusehen”.
Lerne aus deinen Daten, um besser zu wirtschaften
Der wachsende Bedarf, Erkenntnisse aus Daten zu gewinnen
Nahezu jedes Unternehmen verfügt über eine Fülle an Daten – von Zahlungstransaktionen über Kundendaten bis hin zu Mitarbeiterinformationen –, die strategisch genutzt werden sollten. Führende Unternehmen integrieren ML in ihre täglichen Prozesse: für Wachstum, Effizienzsteigerungen, zur Identifikation von Einsparpotenzialen und zur Reduzierung von Investitionskosten.
Machine Learning führt zu schnelleren Entscheidungen
Entscheidungsträger brauchen heute schneller denn je Zugriff auf kritische Informationen. ML unterstützt schnelle, fundierte und präzise Entscheidungen. Ein zentraler Vorteil ist, qualifizierte Entscheidungen schneller treffen zu können – 50% der Unternehmen mit ML-Einsatz berichten, dieses Ziel erreicht zu haben.
Warum Führungskräfte grundlegende ML-Kompetenz brauchen
Führungskräfte sollten die wichtigsten Begriffe und Konzepte rund um Machine Learning verstehen. Um produktiv mit Data Scientists zu arbeiten, müssen sie wissen, was ML ist, was es leisten kann und worauf man bei der Anwendung achtet.
ML-Kompetenz befähigt Führungskräfte, die richtigen Fragen zu stellen und einzuschätzen, welche Probleme sich mit ML lösen lassen – und welche nicht. Außerdem müssen sie mit Anbietern von Datendiensten und -produkten auf Augenhöhe sprechen können, um ein erfolgreiches Datenökosystem aufzubauen.
Wie Machine Learning Business-Probleme löst
Hier sind einige praxisnahe Beispiele, wie Machine Learning Business-Herausforderungen adressiert – inklusive Links zu DataCamp-Kursen, mit denen du diese ML-Kompetenzen aufbaust.
Kundenabwanderung vorhersagen
Machine Learning hilft Unternehmen zu verstehen, wie sich die Kosten für Neukundengewinnung und Bestandskundenbindung unterscheiden und wie sich der Customer Lifetime Value berechnen lässt – also der durchschnittliche Umsatz, den ein Kunde generiert, bevor er abwandert.
Produkte für Kunden personalisieren
Unternehmen, die die Gewohnheiten und Bedürfnisse ihrer Kundschaft besser verstehen und bedienen möchten, können ML für Kundensegmentierung und Personalisierung einsetzen.
Große Datenmengen verarbeiten und analysieren
Machine Learning für Natural Language Processing hat weitreichende Auswirkungen und verleiht Mensch-Maschine-Interaktionen eine persönliche Note. Es treibt KI-gestützte Chatbots an. Unternehmen können außerdem aus unstrukturierten Daten mit Text Mining sowie Bildverarbeitung und -erkennung handlungsrelevante Insights gewinnen. Anwendungen reichen von Spam-Erkennung bis hin zu Empfehlungssystemen – und mehr.
Finanzanalysen durchführen
Die Finanzbranche nutzt Deep Learning für alles von der Klassifizierung betrügerischer Aktivitäten über algorithmischen Handel und Portfoliomanagement bis zur Kreditprüfung – und vieles mehr.
Machine Learning wird in der Finanzindustrie breit eingeführt. Two Sigma, ein Hedgefonds, nutzt es zur Entwicklung von Handelsstrategien. Und ein Versicherungskunde von uns treibt Machine-Learning-Kurse auf DataCamp voran, um seine Data-Modernization-Initiativen zu beschleunigen.
Bessere Tech-Produkte und -Services entwickeln
Die Tech-Branche setzt ML zum Bau von Produkten und Services ein. Sie berät Kundinnen und Kunden zu Marketing-Personalisierung, Empfehlungssystemen, Textübersetzung, Chatbots und mehr.
KI und ML im Gesundheitswesen anwenden
Das Gesundheitswesen integriert ML zunehmend in medizinische Bildgebung und Diagnostik, Datenerfassung, Wirkstoffforschung und vieles mehr.
Die wachsende Nachfrage nach Machine-Learning-Scientists
Wie stark ist das ML-Feld gewachsen? Die International Data Corporation prognostiziert, dass die Ausgaben für KI und ML von $12 Mrd. im Jahr 2017 auf $57,6 Mrd. bis 2021 steigen. Deloitte Global erwartet, dass sich die Zahl der ML-Piloten und Implementierungen 2018 gegenüber 2017 verdoppelt – und bis 2020 erneut verdoppelt.
Da so viele Organisationen in Predictive Analytics investieren, ist die starke Nachfrage nach ML-Scientists nur logisch. Und je reifer ein Unternehmen im Einsatz von ML und KI ist, desto mehr Rollen entstehen. Die Nachfrage steigt und dürfte auf absehbare Zeit hoch bleiben.
Bilde dein Team mit unseren Machine-Learning-Lernpfaden weiter
Wenn du tiefer einsteigen willst, sieh dir unsere Machine-Learning-Tutorials in Python und R an.
