Big Data, künstliche Intelligenz und maschinelles Lernen revolutionieren Unternehmen in allen Branchen. Angesichts der offensichtlichen Möglichkeiten, die sich durch Datenanalysen ergeben, ist es daher verwunderlich, dass sich lediglich 31 % der Unternehmen als datengesteuert bezeichnen.
Die zunehmende Menge an digitalen Daten und Konsumenteninformationen ermöglicht es versierten Marketingteams, mit Hilfe von Big Data Tools tiefgehende Beziehungen zu ihren KundInnen aufzubauen, anstehende Marketingkampagnen zu perfektionieren und ihr Wettbewerbsumfeld besser einzuschätzen.
In diesem Sinne soll dieser Artikel Marketern die grundlegenden Informationen zum Einsatz von Big Data Analysen in ihren Strategien vermitteln. Im Interesse unserer LeserInnen fassen wir die Dinge so einfach wie möglich zusammen, d.h. du musst kein Data Scientist oder Computergenie sein, um diesen Blog zu verstehen 😉
Inhaltsverzeichnis
Big Data Definition: Was ist Big Data?
Warum sind Big Data Analysen wichtig?
Wie verändern Big Data Analysen die Marketingabteilung?
Welche Datenquellen sind für PR- und Marketingfachleute am wichtigsten?
Big Data Tools
Herausforderungen bei der Einführung von Big Data
Der wunde Punkt von Big Data
Big Data Management mit Meltwater
Big Data Definition: Was ist Big Data?
Bevor wir uns damit befassen, wie die Datenanalyse die Rolle eines Marketers verändert, wenden wir uns den wichtigsten Begriffen rund um dieses Thema zu.
Der Begriff "Big Data" stammt aus dem Englischen und bedeutet übersetzt so viel wie "große Datenmengen". Allerdings bedeutet Big Data heutzutage bereits mehr als das.
Zunächst einmal halten wir die folgende Big Data Definition von Gartner für sehr treffend:
Bei Big Data handelt es sich um hochvolumige, schnelle und/oder variantenreiche Informationsbestände, die kosteneffiziente, innovative Formen der Informationsverarbeitung erfordern, die verbesserte Einblicke, Entscheidungsfindung und Prozessautomatisierung ermöglichen.
Der allgemeine Konsens ist, dass Big Data durch bestimmte Merkmale definiert werden. Die obige Definition deckt bis auf eines – Wahrhaftigkeit - alle davon ab.
Das folgende Video enthält ebenfalls eine einfache, hilfreiche Erklärung:
Die vier Vs von Big Data
Volume (Volumen), Variety (Vielfalt), Velocity (Geschwindigkeit) und Veracity (Wahrhaftigkeit) (dies ist eine neuere Ergänzung, weshalb sie wahrscheinlich in der Definition von Gartner fehlt).
- Volumen: Die generierte Datenmenge, die gespeichert und verarbeitet wird
- Geschwindigkeit: Die Geschwindigkeit, mit der die Daten generiert und verarbeitet werden
- Vielfalt: Die Vielfalt der verschiedenen Datenstrukturen
- Wahrhaftigkeit: Der Umfang der erfassten Daten, die nicht die gewünschte Qualität aufweisen und eine zusätzliche Nachbearbeitung erfordern
Das führt uns zum nächsten Begriff, der oft im Zusammenhang mit diesem Thema verwendet wird: Data Science oder Datenwissenschaft. Die folgende Definition von Data Science von Data Robot fasst den Begriff unserer Meinung nach sehr gut zusammen:
Jetzt kennst du die wichtigsten Begriffe. Sehen wir uns nun an, wie Big Data Analysen und die aus der Datenverarbeitung gewonnenen Informationen das Marketing transformieren.
Warum sind Big Data Analysen wichtig?
Bei den Spitzenreitern der digitalen Wirtschaft wie Amazon, Google, eBay, Facebook, Uber und Airbnb spielt die Big Data Analytik eine entscheidende Rolle. Durch den Einsatz neuer datengestützter Geschäftsmodelle haben diese Unternehmen enorme Erfolge erzielt, die aufgrund ihrer Ausrichtung auf datengestützte Entscheidungsfindung zu einer Umwälzung der Branche geführt haben.
Big Data Analytics ermöglichen innovativen Unternehmen wie diesen Geschwindigkeit, Agilität, Experimente, Iteration und die Fähigkeit, Fehlentscheidungen rasch zu erkennen, aus Erfahrungen zu lernen und beim nächsten Mal klüger vorzugehen. Für andere Unternehmen wiederum bedeutet Big Data Analytics nichts anderes als Angst und Unbehagen.
Und dafür haben wir absolutes Verständnis. Die Branche bewegt sich in einem solch rasanten Tempo, dass es eine Herausforderung sein kann, mit ihr Schritt zu halten. Aus der Analyse von Datensätzen sinnvolle Erkenntnisse zu gewinnen, kann im ersten Moment etwas verwirrend sein. Wenn du aber erst einmal weißt, wie du aus dem ganzen Datenmeer die richtigen Schlüsse ziehen kannst, wirst du keinen Grund mehr sehen, den guten alten Zeiten nachzutrauern.
Wie verändern Big Data Analysen die Marketingabteilung?
Mit Hilfe von Big Data Tools lassen sich datengesteuerte Marketingstrategien entwickeln, die einen positiven Impact auf die folgenden drei Kernbereiche haben:
Big Data Analysen zur Verbesserung des Kundenerlebnisses
Big Data Analytics zur Marketing-Optimierung
Big Data Analysen für mehr Agilität
Big Data Analysen zur Verbesserung des Kundenerlebnisses
Durch Big Data Analysen lassen sich wertvolle Kundeneinblicke gewinnen. Sie decken auf, was die KonsumentInnen mögen, welche Kanäle sie nutzen, wodurch ihre Entscheidungen beeinflusst werden, wann sie angesprochen werden möchten usw.
Mit den Antworten auf diese Fragen kann ein Marketer das Targeting, die Personalisierung und das Kundenengagement optimieren – was sich wiederum positiv auf die Kundenbindung und -treue auswirkt.
Tipp: Nutze die Consumer Insights Lösung von Meltwater, um deine eigenen Big Data Analysen durchzuführen und mehr Informationen über deine Konsumenten zu erhalten.
Big Data Analytics zur Marketing-Optimierung
Big Data Tests, Messungen und Analysen spielen auch bei der Marketingoptimierung eine wichtige Rolle. So können Marketer beispielsweise herausfinden, wo ihr Budget am besten eingesetzt wird und welche Arten von Content und Botschaften bei ihrer Zielgruppe besonderen Anklang finden.
Datenanalysen helfen Marketern, den Sweet Spot schneller zu finden, um weniger Zeit mit Versuchen aus bloßem Bauchgefühl zu verschwenden und sich stattdessen auf die Aktivitäten mit dem höchsten Marketing ROI konzentrieren zu können.
Big Data Analysen für mehr Agilität
Beim Data Mining werden Datenanalysen eingesetzt, um Auffälligkeiten, Muster und Zusammenhänge in großen Datensätzen zu erkennen und daraus Prognosen abzuleiten. Der Zugriff auf diese Art von Informationen hilft Marketingteams, schneller zu agieren und durch die Fähigkeit, sich gegenüber ihren Mitbewerbern einen Vorsprung zu verschaffen, ihre Wettbewerbsposition zu stärken.
Welche Datenquellen sind für PR- und Marketingfachleute am wichtigsten?
Nun wissen wir, wie Big Data Analysen Marketing- und PR-Abteilungen bei der Erreichung ihrer Ziele unterstützen. Gehen wir nun der Frage nach, welche Datenquellen (Bestände mit großen Datenmengen) analysiert werden müssen, um dies zu erreichen.
Es gibt verschiedene Quellen, die Daten generieren, aber im Zusammenhang mit Big Data Marketing sind es vor allem die folgenden:
Mediendaten
Zu den ''Medien'' gehören Milliarden von Audio-, Text- und visuellen Inhalten, die hauptsächlich durch den Aufschwung und das Wachstum der sozialen Medien entstanden sind.
Mediendaten gehören zu den beliebtesten Big Data Quellen, weil sie wertvolle Echtzeit-Einblicke in die Vorlieben der Kunden und die sich wandelnden Trends liefern. Diese Daten befinden sich außerhalb der Firewall von Unternehmen und sind in der Regel unstrukturiert.
In der Vergangenheit war es schwierig, unstrukturierte Daten zu analysieren, doch dank der Fortschritte im Datenmanagement und in der Datenanalyse können Führungskräfte externe Informationen mittlerweile einfacher verarbeiten und auswerten - zum Beispiel anhand eines Social Media Listening Tools.
Hier einige Beispiele von Medien:
- Social Media (Posts, Likes, Kommentare, Re-Shares, Fotos und Video-Uploads)
- Redaktionelle Inhalte (Social Shares, Schlüsselbegriffe, Autorenname und Publikationstitel)
- Podcasts (Titel, Bilder, Beschreibung, Kategorie und Autorenname)
- Suchmaschinen (Suchvolumen, Trends und Traffic)
Tipp: Es gibt Technologien zur Bilderkennung (Image Recognition), sprich: Image Recognition Software, mit der man seine Markenerwähnungen in Bildern via visueller Suche einfach nachvollziehen kann. Mit der Meltwater Social Listening Suite erhältst du Zugriff auf all diese Daten in Echtzeit.
Customer Insights
Um einen effektiven 360-Grad-Blick auf ihre Zielgruppe zu erhalten, müssen Unternehmen ihre Kundendaten analysieren. Wie bereits erwähnt, bringt dies eine Reihe von Vorteilen mit sich, z. B. die Erkennung von unerfüllten oder neu entstandenen Bedürfnissen und die Personalisierung.
Beispiele von Kundendaten sind:
- Demografische Daten (Unternehmen, Standort, Geschlecht und Alter)
- Transaktionsdaten, die normalerweise in eurem CRM gespeichert sind (Kontaktinformationen des Kunden, gekaufte Produkte, Verlängerungsdatum und durchschnittliche Ausgaben pro Kunde)
- Daten zur User Experience und zum Verhalten (besuchte Seiten, in den Warenkorb gelegte Produkte und geografischer Standort)
Tipp: Lies dir unseren ausführlichen Kundenmanagement Guide durch & Schon gewusst? Mit dem Meltwater Consumer Insights Tool erhältst du Zugriff auf demografische Daten und Verhaltensanalysen deiner Zielgruppe.
Geschäftsprozesse
CMOs greifen oft auf über APIs bereitgestellte Big Data Analysen zurück, um die Performance ihrer Teams zu beobachten, insbesondere Großunternehmen mit Remote-Arbeitsstrukturen. Dabei geht es nicht um lästiges Mikromanagement, sondern darum, die Produktivität zu messen, Ziele auszuarbeiten und die Effizienz der Prozesse zu verbessern.
Aus der Marketing-Perspektive kann dies Informationen umfassen wie z. B.:
- Die Anzahl der beantworteten Beschwerden in den sozialen Medien
- Reaktionszeit für Antworten in den sozialen Medien
- Reaktionszeit für die Lösung von Problemen in den sozialen Medien
- Geplante Projektzeitpläne vs. aktueller Status von PR-Kampagnen
Datenbanken
Mit der zunehmenden Flut von Daten haben Unternehmen massiv in spezialisierte Datenspeicher, üblicherweise als Data Warehouse bezeichnet, investiert.
Einfach ausgedrückt, ist ein Data Warehouse eine Sammlung historischer Daten, die ein Unternehmen in einem Archiv aufbewahren will. Mit der zunehmenden Verlagerung auf Speicherplattformen wie Hadoop und NoSQL werden sich solche Technologien voraussichtlich früher oder später durchsetzen und die bestehenden Data Warehouses ersetzen.
Beispiele von Datenbanken, die in einem Data Warehouse gespeichert werden können, sind:
- Unternehmens-E-Mails
- Buchhaltungsdaten
- Datenbanken mit Marketingkontakten
- Datenbanken mit Vertriebskontakten
Tipp: So führst du Datenbanknormalisierung durch
Big Data Tools
Die Ableitung von Insights aus den oben beschriebenen Datentypen wäre ohne die Unterstützung von Big Data Lösungen - insbesondere Big Data Analysetools, die auf künstliche Intelligenz und maschinelles Lernen setzen - unmöglich. Unsere heutige Technologie ermöglicht es uns, Daten in einem erstaunlichen Tempo zu erfassen, sowohl in Bezug auf die Menge als auch auf die Vielfalt.
Die gute Nachricht ist, dass es zahlreiche Big Data Tools gibt, die dich dabei unterstützen können. Die Kehrseite der Medaille ist der Zeitaufwand, den du für die Wahl der passenden Lösung in Kauf nehmen musst. Die Präsentation aller Big-Data-Marketing- und PR-Tools, die sich für deine Analysen anbieten, würde den Rahmen dieses Artikels sprengen.
Stattdessen haben wir, inspiriert durch die fantastische Infografik von ChiefMartec, unsere Favoriten hervorgehoben:
Analysetools für Werbung und Verkaufsförderung
Content & Experience Tools
Social Media & Kundenbeziehungs-Tools
Commerce- und Vertriebs-Tools
Datenmanagement Tools
Analysetools für Werbung und Verkaufsförderung
- Google Ads
- Facebook und LinkedIn
- Adroll
Content & Experience Tools
- Instapage
- SEMrush
- Ahrefs
Social Media & Kundenbeziehungs-Tools
- Marketo
- Intercom
Commerce- und Vertriebs-Tools
- HubSpot
- Salesforce
- Oracle
Datenmanagement Tools
- Meltwater Display
- Tableau
- Microsoft Power BI
Angesichts des anhaltenden Trends, den wir in Bezug auf den zunehmenden Bedarf an Marketinganalysen und die Verwendung von Datenvisualisierungstools feststellen, wollten wir uns das Segment "Datenmanagement" etwas genauer ansehen.
Brand Command Center sind wichtige Business Intelligence (BI)-Tools für jede und jeden, die/der große Datenmengen aus unterschiedlichen Lösungen verarbeiten oder Daten visualisieren muss. Sie zeigen visuelle Dashboards in Echtzeit an und präsentieren Erkenntnisse aus Datensätzen in einem zusammenhängenden Format, was das Data Mining (das Erkennen von Trends/Anomalien) erheblich erleichtert.
Wenn die Informationen aus allen Richtungen auf uns einströmen, können das Datenmanagement und die Datenverarbeitung unübersichtlich werden. Meltwater Display (das Big Data-Visualisierungstool von Meltwater), Tableau oder Microsoft Power BI sind gute Ausgangspunkte für deine Suche.
Marketer können sogar noch einen Schritt weiter gehen und zur Anreicherung von bestehenden BI-Reports und Dashboards ihre Datenvisualisierungs-Tools mit einem Analysemodul wie Apache Spark verknüpfen. Weitere Informationen über Apache Spark findest du hier.
Herausforderungen bei der Einführung von Big Data
Kultureller Widerstand gegenüber Veränderungen
Veraltete Technologie-Lösungen
Abstimmung der Führungskräfte / Organisation
Denkweise / Mentalität
Niemand hat behauptet, dass die Einführung von Big Data Analysen ein Kinderspiel sei. Im Gegenteil: Viele Führungskräfte stehen diesbezüglich vor großen Herausforderungen.
Wenn du dich also gerade mit diesem Problem herumschlagen musst, stehst du nicht allein da. Bevor die Big Data Analytik ihr volles Potenzial entfalten kann, müssen eine Reihe von Hindernissen überwunden werden.
Wir bei Meltwater führen regelmäßig Gespräche mit Führungskräften, die sich mit Big Data Analytics vertraut machen wollen, und in den meisten Fällen treffen sie auf dem Weg zum Erfolg auf die gleichen Stolpersteine. Wir beraten dich gerne und unterstützen dich.
Um dir einen vollständigen Überblick zu verschaffen, haben wir im Folgenden die wichtigsten Herausforderungen bei der Einführung von Big Data Analytik zusammengestellt. So kannst du Pläne schmieden, bevor die Probleme auf dich zukommen.
Kultureller Widerstand gegenüber Veränderungen
Die größte Herausforderungen für die meisten Unternehmen stellen nicht die Big Data Tools an sich dar, sondern der Prozess des kulturellen Wandels im Unternehmen. Bei 22 % der Unternehmen ist dies das größte Hindernis bei der Einführung von Big Data.
Veränderungen im Unternehmen stoßen bei den MitarbeiterInnen oft auf Widerstand, denn wir sind Gewohnheitstiere und viele von uns leben nach dem Motto: "Lieber den Spatz in der Hand als die Taube auf dem Dach".
Diese Einstellung hat jedoch schwerwiegende Folgen für die Einführung von Digitalisierung und Big Data Analytik. Laut Gartner ist der Widerstand gegen Veränderungen einer der Hauptgründe für das Scheitern der meisten digitalen Projekte.
Der kulturelle Wandel ist ein unternehmerisches Problem und erfordert daher eine unternehmerische Lösung und einen unternehmerischen Ansatz.
Die erfolgreiche Einführung der Datennutzung beginnt damit, die Schmerzpunkte der internen Stakeholder zu verstehen und zu ermitteln, weshalb genau die Nutzung von Big Data Tools in ihrer täglichen Arbeit auf Ablehnung stößt.
Der Widerstand gegen die Datenanalyse kann verschiedene Ursachen und Gründe haben:
- Schwierigkeiten, den Bedarf zu begründen/rechtfertigen
- Konkurrierende Umsatzquellen
- Angst vor Arbeitsplatzverlust/Änderung der Funktion
- Zögerliche Kundenakzeptanz, die bei den Beschäftigten die Frage aufkommen lässt: "Ist es die Sache wert?"
Nur wenn die Gründe für die ablehnende Haltung gegenüber der Datenanalyse klar sind, kann das Problem wirklich angegangen werden. Dabei ist zu berücksichtigen, dass alle Beteiligten ihre eigenen Prioritäten haben und bei jedem Mitarbeiter und jeder Mitarbeiterin andere Gründe für den Vorbehalt vorliegen können.
Wenn du auf Widerstand stößt, empfiehlt es sich, den nötigen Aufwand für die Umstellung auf eine neue Arbeitsmethode möglichst gering zu halten. Betrachte diese Herausforderungen aus einer abteilungsübergreifenden Perspektive und überlege dir, wie der Einsatz von Big Data Tools und -Analysen den Teams bei der Bewältigung dieser Herausforderungen helfen kann, anstatt ihr Leben schwerer zu machen.
Veraltete Technologie-Lösungen
Täglich werden aufgrund des technischen Fortschritts veraltete Computersysteme ausgemustert. Wer mit diesen Entwicklungen nicht Schritt hält, riskiert gravierende Konsequenzen. Interessanterweise werden Legacy-Technologien für viele Misserfolge bei der Einführung von Big Data Analysen verantwortlich gemacht - laut Nimbus Ninety bei rund 50 % der Fälle.
Vor allem traditionelle Unternehmen werden durch veraltete Systeme und jahrzehntealte Data Warehouses eingeschränkt. Diese Unternehmen stehen für den Großteil der Investitionen in Datenlösungen und -dienste. Für die meisten dieser Unternehmen sind Big Data Analysen noch weitgehend unbekanntes Terrain und bieten eine Chance, die erst noch ausgeschöpft werden muss.
Während die meisten Mainstream-Unternehmen in Datenprojekte investiert haben, hinken diese alteingesessenen Unternehmen bei der Integration von Big Data-gestützten Maßnahmen in ihre Kernprozesse und Abläufe hinterher - weil sie eben durch veraltete Systeme ausgebremst werden.
Das Problem ist einerseits, dass die Ablösung dieser Systeme komplex ist. Darüber hinaus verfügen neue Implementierungen oft nicht über die gleichen Leistung oder Funktionalität wie die bisherigen Systeme. Zudem können sich die Unternehmen keine Blackout-Phasen erlauben, während die alten Systeme außer Betrieb genommen werden.
Wenn du dir die Zeit nimmst, eure aktuellen Workflows und den Impact von Technologien auf diese Arbeitsabläufe zu analysieren, gewinnst du wichtige Erkenntnisse über die Auswirkungen, die sich durch das Verschieben bestimmter Puzzleteile ergeben.
Wir empfehlen dir, vor der Ersetzung eurer bestehenden Systemen mit einem Technologiepartner zusammen die unterschiedlichen Betriebsabläufe zu analysieren, um die in der alten Technologie verborgene Geschäftslogik aufzudecken. Ziehe auch nicht voreilig den Stecker aus den alten Technologien. Baue stattdessen parallel neue Big Data-Analysen und -Lösungen auf, damit eure Geschäftsabläufe Schritt für Schritt umgestellt werden können. Eine durchdachte und solide Implementierungsphase ist der Schlüssel zum Erfolg.
Abstimmung der Führungskräfte / Organisation
Nicht selten scheitern Analytik-Projekte an mangelnder Kommunikation, fehlender Vision und vagen Unternehmenszielen. Die kontinuierliche Kommunikation ist das A und O. Eine Studie von McKinsey zeigt, dass Unternehmen mit guter Kommunikation eine 8- bis 12-mal höhere Erfolgswahrscheinlichkeit bei der digitalen Transformation haben.
Wenn du nicht offen und ehrlich über die Fortschritte, Ergebnisse und Konsequenzen deiner Strategie sprichst und so alle Beteiligten auf dem Laufenden hältst, werden sich die MitarbeiterInnen eher gegen dich stellen, anstatt dich zu unterstützen. Es ist wichtig, dass alle Beteiligten einbezogen werden und sich angehört fühlen.
Die Unternehmensleitung muss eine klare Richtung vorgeben. Erkläre sowohl die kleineren (wie sich die Analytik auf das tägliche Leben der Mitarbeitenden oder KundInnen auswirken wird) als auch die wesentlichen Aspekte (wie sie das Unternehmen gegenüber den Mitbewerbern voranbringen wird). Stelle bei der Präsentation deiner Vision das Geschäftsmodell oder das Kundenerlebnis und nicht interne Ziel wie die Digitalisierung von alten Betriebsabläufen in den Mittelpunkt.
Stelle sicher, dass die MitarbeiterInnen verstehen, was du tust, warum du es tust und was der aktuelle Stand der Dinge ist. Trau dich ruhig, den Mitarbeitenden eine Stimme zu geben. Sie sind schlussendlich diejenigen, die in der Praxis mit der neuen Lösung arbeiten und am meisten in die Prozesse involviert sind, die du verändern willst. Ihnen zuzuhören und ihre Meinungen in deine Entscheidungen einzubeziehen, kann dazu beitragen, starre Unternehmenshierarchien aufzubrechen und innovatives Denken zu fördern.
Denkweise / Mentalität
Die Big Data-Mentalität ist von Data Mining-Experimenten, Entdeckungen, Agilität und einem "Data First"-Ansatz geprägt und zeichnet sich durch analytische Sandboxes, Kompetenzzentren und Datenlabore aus. Diese Denkweise steht oft im Gegensatz oder als Ergänzung zu den traditionellen, auf Vermutungen basierenden Ansätzen im Datenmanagement. Während diese Denkweise manchen Unternehmen in die Wiege gelegt wurde, müssen andere hart an der Umstellung ihrer alten Denkmuster arbeiten.
Um diese Herausforderung zu meistern, empfehlen wir Führungskräften, sich zunächst einige entscheidende Fragen bezüglich der Steigerung des Geschäftsnutzens zu stellen, z. B:
- Wie können wir Datenverarbeitung, Data Mining und neue Datenquellen gewinnbringend für die Entwicklung neuer Produkte und Dienstleistungen nutzen?
- Können wir digitale Technologien - also mobile Technologien, die sozialen Medien, maschinelles Lernen und das Internet der Dinge (IOT) - nutzen, um eine engere Beziehung zu unseren Kunden aufzubauen?
- Können wir Daten für die Transformation unserer internen und externen Geschäftsstrategien und -prozesse nutzen?
- Können wir neue, kreative Nutzungsmöglichkeiten für unsere bestehenden Daten finden – also neue Möglichkeiten, Einblicke zu gewinnen, neue Märkte zu erschließen oder unsere Dienstleistungen zu erbringen?
- Können wir unsere vorhandenen Daten nutzen, um uns sinnvoller in unsere Gemeinschaft einzubringen und soziale Verantwortung zu übernehmen?
Der wunde Punkt von Big Data
Big Data kann zwar viel Gutes bewirken, aber die Verwaltung all dieser Informationen bringt auch eine Reihe von Herausforderungen mit sich. Mehr Daten bedeuten mehr Implikationen für den Datenschutz und die Sicherheit, was wiederum die Diskussionen über Ethik und Transparenz anheizt.
Nicht alle Daten sind gleich. Laut Rob High, dem CTO von IBM Watson, ist es wichtig, dass Einzelpersonen und Unternehmen verstehen, welche ihrer Daten von wem analysiert werden. Andererseits ist es für Unternehmen, die sich bei der Entscheidungsfindung auf künstliche Intelligenz verlassen, extrem wichtig, die zugrunde liegenden Daten und Annahmen der von KI generierten Ergebnisse zu verstehen. Nur so können sie sich ein fundiertes Urteil über die von den Algorithmen gelieferten Daten bilden und müssen der KI nicht vorbehaltslos vertrauen.
Das erklärte Rob High auf dem Mobile World Congress 2018.
Für High bedeutet das, dass wir Annahmen in Frage stellen und bei der Implementierung von KI Transparenz und Datenschutz im Mittelpunkt stehen.
Transparenz bedeutet: Können wir feststellen, welche Informationsquellen genutzt werden? Haben wir die richtigen Voraussetzungen und Prinzipien geschaffen, um diese Systeme darauf trainieren, Daten und Informationen zu nutzen, die uns als Unternehmen repräsentieren und die wir auch wirklich verwenden?
Gründer und Executive Chairman von Meltwater, Jorn Lyseggen, diskutierte bei der Vorstellung seines Buches "Outside Insight" mit globalen Branchenexperten über Ethik, Transparenz und Regulierungen bei der KI. "KI ist ein Mysterium", sagte Lyseggen.
Deshalb glaubt er, dass KI und Big Data unbeabsichtigte Folgen nach sich ziehen werden, die Richtlinien und Regulierungen erforderlich machen. "Ich gehe davon aus, dass früher oder später bestimmte Regulierungen eingeführt werden, weil ich nicht glaube, dass die Unternehmen sich selbst regulieren können."
Lyseggen betonte zudem, wie wichtig das menschliche Element bei der Bewertung von KI-Output ist und dass man die Annahmen, die den Algorithmen zugrunde liegen, genau verstehen muss, um Vertrauen in die Ergebnisse zu schaffen.
Big Data Management mit Meltwater
Nun hast du einen kurzen Einblick in eine unserer liebsten Teildisziplinen der Informatik bekommen: Data Science! Unsere Top-Tipps für das Big Data Management und die Nutzung von Informationen aus der Datenanalyse werden dir hoffentlich helfen, eure internen Prozesse effizienter zu gestalten, mit euren Kunden auf einer bedeutsameren Ebene zu kommunizieren und euch einen Wettbewerbsvorteil zu verschaffen.
Möchtest du mit uns über die Integration von Big Data Analytics in eure eigene Marketingstrategie sprechen? Kontaktiere uns über das folgende Formular und wir melden uns bei dir!
