Künstliche Intelligenz im Vertrieb. Eine kritische Analyse von Anwendungsformen


Essay, 2020

11 Seiten, Note: 1,3


Leseprobe

Inhaltsverzeichnis

Einleitung

1 Künstliche Intelligenz (KI)
1.1 Big Data als Grundlage
1.2 Anwendung von Data Mining

2 Anwendungsformen im Vertrieb
2.1 Prädiktive Analyse als Instrument von Handlungsempfehlungen
2.2 Maschinelles Lernen als Entscheidungshilfe

3 Kritische Analyse der Anwendungsformen

4 Fazit

Einleitung

Die Anwendung von Künstlicher Intelligenz (KI) in der Unternehmenswelt hat für einen immensen Entwicklungssprung gesorgt. Analytik gepaart mit einer individuellen KI-Lösung ermöglicht die Automatisierung und Optimierung von Geschäftsprozessen, wel­ches nicht nur einen Wettbewerbsvorsprung erzielen kann sondern auch für die Senkung von Kosten im Unternehmen verantwortlich ist.1 Vertriebsorganisationen mit eigenen Außendienstmitarbeiter können von der neuen Technology profitieren. Diese Fort-schrittstechnologie klingt in erster Linie sehr interessant und ist gleichzeitig beängstigend für jene Personen, denen Wissen und Fähigkeiten fehlen diese neue Form zu kontrollie-ren. Das Wissen und die Fähigkeiten der Mitarbeiter sollten durch kontinuierliche Fort-bildung und regelmäßige „Best Practice“ Workshops erweitert werden.2 Hierzu kann es zu Konflikten bei älteren Mitarbeitern kommen da sich diese eher zurückhalten bei Ein-führung neuer Methoden und kritisch gegenüber neuen Technologien äußern. Die Her-ausforderung für Unternehmen liegt daran alle Mitarbeiter abzuholen und zukunftssicher zu machen. Das Thema Arbeitsplatzsicherheit bekommt hier eine neue Bedeutung. Jene die nicht bereit sind für Veränderungen werden oft den Anschluss verlieren. Der Einsatz von Künstlicher Intelligenz wird die Art und Weise wie wir leben, lernen und arbeiten verändern. Was noch vor ein paar Jahren nach Science-Fiction für Unternehmen klang, werden heute viele Arbeitsvorgänge durch KI-Systeme gesteuert und optimiert.3 Key Ac­counts und Außendienstmitarbeiter müssen sich vor der neuen Technology nicht fürchten, sie müssen sich aber vor den Vertriebskollegen in acht nehmen die diese Technik erfolg-reich als Hilfsmittel einsetzen.4

1 Künstliche Intelligenz (KI)

Die Künstliche Intelligenz (KI) ist die Fähigkeit einer Maschine zur Nachahmung intel-ligenten menschlichen Verhaltens. Der Mensch programmiert die Hardware an Hand von Software, um zukünftige Aktionen durchzuführen.5 Die KI-Forschung geht bis in das Jahr 1950 zurück, wo Alan Turing seinen berühmten Ansatz zu „Computing Machinery and Intelligence“ veröffentlichte. Turing schlägt vor erst dann von „KI“ zu sprechen, wenn ein Beobachter nicht mehr in der Lage ist zu unterscheiden, ob es mit einem Menschen oder einem Computer zu tun hat.6 Je nach Branche, Produkt und Dienstleitung, resultieren durch die „KI“ individuelle Lösungen die auf die jeweiligen Unternehmen abgestimmt sind.

1.1 Big Data als Grundlage

Big Data sind Informationsressourcen mit einem hohen Volumen, hoher Geschwindigkeit und großer Vielfalt. Diese Daten können dazu verwendet werden effizientere Entschei-dungen im Unternehmen zu treffen. Die reine Ansammlung Großer Daten in sogenannten Datensilos ist wertlos, wenn man diese nicht zur Entscheidungsfindung miteinbezieht.7 Die Notwendigkeit von Datenanalysen haben auch Unternehmen mobilisiert Investitio-nen in Infrastruktur zu tätigen und die Entwicklung von Algorithmen zu fördern. Seit Jahren werden Daten Spezialisten gesucht, die für das interne Datenmanagement und de-ren Verarbeitung zuständig sind.8 Innovative Start-Ups aus dem Bereich Datenwissen-schaft haben sich mit individuellen Lösungen am Markt etablieren können. Die Finanzie-rung solcher Unternehmen steigt von Jahr zu Jahr und lag 2017 bei 15 Milliarden US-Dollar. Viele Investitionen in Projekten der Künstlichen Intelligenz sind in Europa auf-grund der strengen Datenschutzgesetze gar nicht erst möglich. Das ist ein möglicher Grund, warum China und die USA auf dem Gebiet eine Vorreiterrolle in der Welt spie-len.9 Auch in Deutschland spielt das Thema Big-Data eine immer größer werdende Rolle. Vertriebsorganisationen entdecken mit der Technologie neue Möglichkeiten, um Kun-denbedürfnisse besser gerecht zu werden. Das Thema Kostenreduktion spielt hier auch eine entscheidende Rolle. Durch Optimierung von Geschäftsprozessen, werden Potenzi-ale freigesetzt die sonst nicht da gewesen wären. Diese Tatsache verschafft auch einen Wettbewerbsvorsprung. Die Analyse großer interner Datenmengen wird die kontinuier-liche Berichterstattung so wie verschiedenen Prozesse automatisieren.10

1.2 Anwendung von Data Mining

Data Mining (zu Deutsch: Daten Bergbau) ist ein Prozess der Entdeckung nützlicher Mus­ter und Trends in großen internen oder externen Datensätzen. Diese Informationen kön-nen dabei strategisch genutzt werden, um die Operationalisierung im Unternehmen zu optimieren.11 Um die Datenmenge bewältigen zu können engagieren Unternehmen im-mer mehr Datenanalysten ein. Diese sind wie die Datenwissenschaftler zu Beginn der Arbeit ein selten gesehenes Gut auf dem Arbeitsmarkt. Es ist nicht abzusehen, wann ein Marktgleichgewicht entstehen wird zwischen Unternehmen und Spezialisten aus der Da-tenwissenschaft. Die Erstellung von Modellen für das maschinelle Lernen ist ein wesent-licher Schritt im „Daten Bergbauprozess“.12 Obwohl größere Neuerungen bei den Ana-lysetechniken für große Datenbestände noch nicht stattgefunden haben, wird das Aufkommen neuartiger Analysemethoden in naher Zukunft erwartet. So dürfte sich die Echtzeitanalyse aufgrund des Wachstums ortsbezogener sozialer Medien und mobiler Anwendungen zu einem fruchtbaren Forschungsgebiet entwickeln. Big Data und Data Mining Prozesse gehen ineinander über so das neue statistische Verfahren entstehen wer-den, um aus den Datenmengen wichtige Erkenntnisse ableiten zu können.13 So könnte in Zukunft die interdisziplinären Zusammenarbeiten zwischen der Marketingabteilung und dem Vertrieb mit Hilfe von „Big Data“ und „Data Mining“ weiter intensiveiert werden. Neue Erkenntnisse werden daraus gewonnen, alte Verfahren werden weiter optimiert o­der ganz aufgelöst. Bei der ganzen Euphorie über die neu gewonnen Technik, sollten auch die negativen Aspekte nicht außer Acht gelassen werden: Die erfolgreiche Mitnahme von Mitarbeitern in das neue Betätigungsfeld erfordert einen großen Organisatorischen Auf-wand. Weiterbildungsmaßnahmen, spezielles Training in den Fachbereichen und Neu-ausrichtung von Arbeitsstellen sind nur einige Faktoren, die eine Rolle spielen dürften. Es ist nicht abzusehen ob dieser Aufwand sich am Ende für das Unternehmen ausbezahlt da der Faktor Mensch komplexer ist als eine Maschine.

2 Anwendungsformen im Vertrieb

Zu den Verantwortlichkeiten im Vertrieb zählen unter anderem die Jahresplanung und die Erreichung der Umsatzziele der zugeordneten Kunden. Hinzu kommen auch die un-terjährige Prüfung von Hochrechnungen in Zusammenarbeit mit benachbarten Abteilun-gen wie das Category Management oder dem Marketing. Eine Anwendungsform der Ver-triebssteuerung sind Kennzahlensysteme oder auch KPI’s (Key Performance Indicator) genannt die an die individuellen Anforderungen des Unternehmens angepasst sind.14 Die Analyse von Absatzmengen welche an dem Kunden hineingeflossen sind gepaart mit Echtzeitdaten vom Kunden über den tatsächlichen Verkauf an den Endkunden, geben wichtige Einblicke über neue Prognosen und Chancen am Markt.

2.1 Prädiktive Analyse als Instrument von Handlungsempfehlungen

Prädiktive Analytik ist ein Analyseprozess zwischen mehreren Variablen, welche auf Grundlage von Datensätzen, Muster und Trends erkennen kann, um eine Vorschau über noch nicht eingetretene Ereignisse zu ermöglichen. Die Basis dieser Disziplin bilden sta-tistisches wissen, Anwendung von Künstliche Intelligenz und Data Mining.15 In immer härter umkämpften Märkten müssen Unternehmen Methoden identifizieren, um sich dadurch einen Wettbewerbsvorteil zu verschaffen. Einige dieser Verfahren sind z.B. Ver-braucherverhalten vorherzusagen, Betrug zu verhindern, Risiken minimieren, neue Kun-den identifizieren.16 Auf die Vertriebsorganisation abgeleitet bedeutet dies, dass die ef-fektivsten Marketingkampagnen und Kommunikationskanäle dadurch identifiziert werden können. Offene Potenziale werden in der Distributionsarbeit sichtbar, neue Kun-dengruppen zu erschließen und Kundenbedürfnisse noch besser erfüllen zu können. Da-ten und Datenwissenschaftliche Fähigkeiten sind komplementäre strategische Vermö-genswerte. Diese Vermögenswerte gepaart mit strategischen Entscheidungen bilden die Basis von Wettbewerbsvorteilen.17 Wichtige anwendungsbezogene Lösungen für die Er-stellung Prädiktiver Analysen sind: IBM SPSS, KNIME Analyseplattform, Rapidminer Studio, SAS Enterprise Miner und Weka. Bei IBM SPSS und SAS handelt es sich um kommerzielle Lösungen, die anderen genannten Tools sind Open-Source basiert und ste-hen kostenlos in der Anwendung zur Verfügung. Eine interessante Alternative zur Ver-wendung einer anwendungsbasierten Lösung von Prädiktiven Analysen ist die Verwen-dung einer Programmiersprache wie Python oder R. Diese ermöglichen eine noch bessere Integration der Unternehmensspezifischen Daten und Bedürfnisse.18 Auch diese Daten-wissenschaft befindet sich noch am Anfang der Entwicklung. Es gibt keine Standardisie-rung der Verfahren. Jedes Unternehmen entwickelt in Eigenregie Lösungen für sich. Auch das Thema Datenschutz kommt hier vermutlich zu kurz. Es ist nicht immer ersicht-lich ob die Datensätze ihren eigentlichen nutzen am Ende freilegen. Möglicherweise ist das einer der Gründe, warum Unternehmen nicht transparent agieren. Die Zeit wird auf-zeigen in welcher Richtung sich dieser Trend bewegen wird.

2.2 Maschinelles Lernen als Entscheidungshilfe

Maschinelles lernen bezieht sich auf ein Computerprogramm, das selbstständig lernen kann, ein Verhalten zu erzeugen, das nicht explizit vom Autor des Programms program-miert wurde. Viel mehr ist das Computerprogramm in der Lage ein Verhalten an den Tag zu legen welches dem Autor des Programms davor völlig unbekannt sein könnte. Dieses Verhalten ist lernbasiert in drei Faktoren unterteilt. Daten, welches das Computerpro-gramm selbst verarbeitet, Quantitative Analysen der metrischen Daten um Leistungsver-besserungen durch Optimierung zu erzielen und ein Feedbacksystem woraus das Pro-gramm selbstständig lernen kann.19 AWS (Amazon Web Services) und SAP bieten hier geeignete Plattformen um die Datenintegration zu gewährleisten. Menschliche Qualitäten werden dadurch nicht nur unterstützt, sondern auch erweitert. Wiederkehrende Prozesse und Aufgaben werden automatisiert.20 Vorteilhaft ist auch wenn die Auftragsabwicklung zwischen Käufer und Verkäufer die gleiche Infrastruktur (SAP) nutzen. Bestell- und Zah-lungseingänge können so in Echtzeit automatisiert werden. Amazon SageMaker stellt eine Open-Source-Cloud Infrastruktur zur Verfügung, wo Unternehmen eigene maschi-nelle Programme simulieren und erstellen können.21

[...]


1 Vgl. Gentsch, P., Künstliche Intelligenz für Sales, Marketing und Service, 2018, S. 3..

2 Vgl. Girasa, R. J., Artificial intelligence as a disruptive technology, 2020, S. 3.

3 Vgl. Rodgers, W., Artificial intelligence in a throughput model, 2020, S. 1.

4 Vgl. https://www.springerprofessional.de/kuenstliche-intelligenz/praktische-informatik/kuenstliche-in-telligenz-im-vertrieb--hasta-la-vista--sales-rep--/16240788, Abgerufen am 21.05.2020

5 Vgl. Rose, D., Artificial intelligence for business, 2018, S. 26–28.

6 Vgl. Mainzer, K., Künstliche Intelligenz - Wann übernehmen die Maschinen?, 2019, S. 10.

7 Vgl. Gandomi, A./Haider, M., Beyond the hype: Big data concepts, methods, and analytics, 2015, S. 2.

8 Vgl. Gentsch, P., Künstliche Intelligenz für Sales, Marketing und Service, 2018, S. 11.

9 Vgl. Buxmann, P./Schmidt, H., Künstliche Intelligenz, 2019, S. 22–24.

10 Vgl. Smith, S., Blockchain, Artificial Intelligence and Financial Services, 2020, S. 27–29.

11 Vgl. Larose, D. T./Larose, C. D., Data mining and predictive analytics, 2015, S. 5.

12 Vgl. Flach, P., Machine learning, 2012, S. 12.

13 Vgl. Gandomi, A./Haider, M., Beyond the hype: Big data concepts, methods, and analytics, 2015, S. 8.

14 Vgl. Scheed, B./Scherer, P., Strategisches Vertriebsmanagement, 2019, S. 7.

15 Vgl. Abbott, D., Applied predictive analytics, 2014, S. 3–6.

16 Vgl. McCarthy, R. V./McCarthy, M. M./Ceccucci, W., Applying Predictive Analytics, 2019, S. 3.

17 Vgl. Provost, F./Fawcett, T., Data science for business, 2013, S. 315.

18 Vgl. Kelleher, J. D./MacNamee, B./D'Arcy, A., Fundamentals of machine learning for predictive data analytics, 2015, S. 51.

19 Vgl. Hudgeon, D./Nichol, R., Machine Learning for Business, 2020, S. 9–11.

20 Vgl. Buxmann, P./Schmidt, H., Künstliche Intelligenz, 2019, S. 44.

21 Vgl. Buxmann, P./Schmidt, H., Künstliche Intelligenz, 2019, S. 235.

Ende der Leseprobe aus 11 Seiten

Details

Titel
Künstliche Intelligenz im Vertrieb. Eine kritische Analyse von Anwendungsformen
Hochschule
FOM Essen, Hochschule für Oekonomie & Management gemeinnützige GmbH, Hochschulleitung Essen früher Fachhochschule
Note
1,3
Autor
Jahr
2020
Seiten
11
Katalognummer
V703492
ISBN (eBook)
9783346200754
ISBN (Buch)
9783346200761
Sprache
Deutsch
Schlagworte
KI, Vertrieb, Anwendung
Arbeit zitieren
Edwin Weis (Autor), 2020, Künstliche Intelligenz im Vertrieb. Eine kritische Analyse von Anwendungsformen, München, GRIN Verlag, https://www.grin.com/document/703492

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Künstliche Intelligenz im Vertrieb. Eine kritische Analyse von Anwendungsformen



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden