Relevante Empfehlungen für bessere Entscheidungen, Erlebnisse und Ergebnisse
Recommender-Systeme nutzen fortschrittliche Algorithmen, um Verhalten, historische Daten, Präferenzen, Betriebsbedingungen und Kontextsignale zu analysieren und die relevanteste nächste Option zu ermitteln. Sie können eine Vielzahl wiederkehrender Entscheidungen unterstützen – von Produkten, Dienstleistungen und Inhalten bis hin zu Instandhaltungsmaßnahmen, Ersatzteilen, Prozesseinstellungen, Ressourcenentscheidungen oder den nächstbesten
Recommender-Systeme können in jedem Kontext eingesetzt werden, in dem Menschen oder Systeme wiederholt zwischen mehreren möglichen Optionen wählen müssen. In der Fertigung können sie Instandhaltungsmaßnahmen, Ersatzteile, Prozessparameter oder Korrekturmaßnahmen empfehlen. Bei Finanzdienstleistungen können sie Next-Best-Product- oder Next-Best-Action-Entscheidungen unterstützen. In Serviceumgebungen helfen sie Mitarbeitenden, je nach Situation die passende Reaktion, Ressource oder den nächsten Schritt zu ermitteln.
Wir gehen von der Entscheidung oder dem Ergebnis aus, das das System unterstützen soll, etwa die Steigerung der Konversion, die Erhöhung der Kundenbindung, die Wahl der richtigen Maßnahme, die Reduzierung von Stillstandszeiten oder die Unterstützung von Teams bei der Wahl des passendsten nächsten Schritts. Anschließend identifizieren wir die relevanten Daten, Restriktionen, Geschäftsregeln und den erforderlichen Modellansatz, damit die Empfehlung widerspiegelt, wie das Unternehmen tatsächlich arbeitet.
Die benötigten Daten hängen von der zu unterstützenden Entscheidung ab. Dazu können Transaktions- oder Interaktionshistorien, Produkt- oder Serviceinformationen, Anlagen- und Prozessdaten, Merkmale der Nutzenden, operative Leistungsdaten, Verfügbarkeit, Kapazität oder Kontextsignale gehören. In der Regel beginnen wir mit Daten, die in bestehenden Systemen bereits vorhanden sind, und ermitteln zusätzlichen Bedarf nur dort, wo er die Qualität der Empfehlungen wesentlich verbessert.
Die Wirkung sollte an dem Geschäftsergebnis gemessen werden, das die Empfehlung verbessern soll. Je nach Anwendungsfall kann dies Konversion, Kundenbindung, Akzeptanzrate, Reaktionszeit, Stillstandszeiten, Qualität, Produktivität, Kosten oder operative Leistung umfassen. Die Ergebnisse lassen sich mit der bisherigen Leistung, alternativen Entscheidungsansätzen oder, wo sinnvoll, mit Kontrollgruppen vergleichen.
Die Modelle werden auf Leistungsveränderungen überwacht und neu trainiert, sobald neue Daten verfügbar sind. Auch Geschäftsregeln und operative Restriktionen werden regelmäßig überprüft, damit die Empfehlungen mit aktuellen Prioritäten, verfügbaren Ressourcen, Richtlinien und Betriebsbedingungen übereinstimmen, statt sich nur auf historische Muster zu stützen.
Empfehlungen können in die Systeme und Arbeitsabläufe eingebettet werden, die Menschen bereits nutzen, etwa CRM, ERP, Instandhaltungssysteme, operative Anwendungen, digitale Kanäle oder interne Tools. Die Integration wird auf den Punkt ausgerichtet, an dem die Entscheidung tatsächlich getroffen wird, sodass die Empfehlungen den bestehenden Prozess unterstützen, statt eine separate, eigenständige Anwendung zu schaffen.
