Zum Reifegrad von künstlicher Intelligenz – haben wir die nötige Datenkompetenz?

Die Datenflut wächst unaufhaltsam und unsere Fähigkeit, damit umzugehen, ist von zentraler Bedeutung für den Erfolg in vielen Bereichen. Werfen wir einen Blick auf die Reifegrade künstlicher Intelligenz und den damit verbundenen Möglichkeiten zur Datenanalyse. Denn Künstliche Intelligenz hilft uns im Umgang mit Daten. Datenkompetenz wiederum hilft uns im Umgang mit Künstlicher Intelligenz. Werden Sie Teil der Debatte zu Status und Entwicklung der Datenkompetenz, um das Potenzial von KI auszuschöpfen.

Künstliche Intelligenz – von Analytics bis Adaption

Die Fähigkeit von Künstlicher Intelligenz (KI), Muster in Daten zu erkennen, die wir vielleicht niemals vermutet hätten, ist eine der aufregendsten Entwicklungen in der Welt der Datenanalyse. Um jedoch das volle Potenzial von KI auszuschöpfen, müssen wir uns mit ihren Grundlagen vertraut machen und eine fundierte Datenstrategie entwickeln. Nur so können wir sicherstellen, dass wir die richtigen Aussagen treffen und die notwendigen Daten erheben und analysieren, um unsere Ziele zu erreichen.

In der Tabelle stellen wir den Reifegrad von Künstlicher Intelligenz (Pardoe, 2016; Raisch & Krakowski, 2021) den Analysemethoden im Marketing gegenüber. Der Reifegrad von KI reicht von Analytics, der Auswertung von deskriptiven Daten über Automation, der Mustererkennung, über Augmentation mit Handlungsempfehlungen bis hin zu Adaption für Entscheidungen in Echtzeit (Beer, 2017; Roy et al., 2022). 

Marketing Analytics Methoden entlang des Reifegrades von Künstlicher Intelligenz

Descriptive Analytics kann auf einem niedrigeren KI Reifegrad eingeordnet werden. Predictive Analytics erfordern Algorithmen und Modelle, um Vorhersagen und Empfehlungen zu generieren. Diese Formen der Analytics können auf einem mittleren KI Reifegrad eingeordnet werden. Prescriptive Analytics kann auf einem höheren KI Reifegrad eingeordnet werden. Und wenn die Ergebnisse der Analytics-Modelle und -Algorithmen automatisch in die Geschäftsprozesse und -entscheidungen integriert werden, so ist dies eine sehr hohe Form der Künstlichen Intelligenz.

Dabei wird deutlich, wie KI zunehmend dazu in der Lage ist, nicht nur Muster zu erkennen, sondern auch Handlungsempfehlungen zu geben und Entscheidungen in Echtzeit zu treffen. So können Unternehmen noch schneller und präziser auf Veränderungen bei ihren Kund:innen reagieren.

Datenkompetenz als Grundlage für den Einsatz von KI

Livius Schönle erfasst in seiner Bachelorarbeit am IKM die wichtigsten Trends und Entwicklungen in Bezug auf die Nutzung von Marketing-Automatisierungstools und –Technologien. Er will feststellen, inwieweit Schweizer Unternehmen diese bereits einsetzen und welche Vorteile und Herausforderungen damit verbunden sind. Zudem wird untersucht, wie die Technologie zur Verbesserung der Effektivität und Effizienz von Marketingaktivitäten beitragen kann und welche Faktoren den Erfolg von Marketing-Automatisierungsprojekten beeinflussen.

Aktuell umfasst die Marketing-Automatisierung vor allem Aufgaben wie die Erstellung und Verwaltung von E-Mail-Kampagnen, Lead-Generierung, Segmentierung und Analyse von Marketingkampagnen. Mit dem Einsatz von Künstlicher Intelligenz (KI) wird die Marketing-Automatisierung immer komplexer. KI kann große Datenmengen analysieren und verarbeiten, um personalisierte Marketingkampagnen zu erstellen und zu optimieren. Zudem können Marketing-Automatisierungen immer mehr menschenähnliche Aufgaben übernehmen, wie zum Beispiel die Identifizierung von Mustern und Trends in Daten oder die Durchführung von natürlichsprachlichen Interaktionen mit Kunden. Die Studie soll Erkenntnisse zum Status solcher Projekte liefern.

Wo stehen Sie? Werden Sie Teil der Debatte

Werden Sie Teil der Umfrage, um den aktuellen Stand der Marketing-Automatisierung in Schweizer Unternehmen aufzuzeigen und um Eindrücke zu erhalten, wie maschinelles Lernen und Automation aktuell und zukünftig in das Marketing einfliessen werden. Die Ergebnisse erhalten Sie wiederum in diesem Blog. Das Ausfüllen der Umfrage dauert rund 10 Minuten. Bei Fragen oder Anregungen können Sie sich gerne an livius.schoenle@stud.hslu.ch wenden. Vielen Dank für Ihre Teilnahme.

Dr. Sarah Seyr

Autorin

Dozentin und Co-Leitung CAS Content Strategy and Marketing am Institut für Kommunikation und Marketing, Hochschule Luzern Wirtschaft und Partnerin/Chief Customer Officer bei Aivie

Livius Schönle

Autor

Student Bachelor of Science in Business Administration, Major Marketing, am Institut für Kommunikation und Marketing, Hochschule Luzern Wirtschaft

Referenzen

Beer, D. (2017). The data analytics industry and the promises of real-time knowing: Perpetuating and deploying a rationality of speed. Journal of Cultural Economy, 10(1), 21–33. https://doi.org/10.1080/17530350.2016.1230771
Pardoe, A. (2016, Juni 3). The Four A’s Pyramid Framework for Artificial Intelligence and Machine Learning. Analytics, Augmentation, Automation and Adaptation. Andy Pardoe. https://pardoe.ai/blog/the-four-as-pyramid-framework/
Raisch, S., & Krakowski, S. (2021). Artificial Intelligence and Management: The Automation–Augmentation Paradox. Academy of Management Review, 46(1), 192–210. https://doi.org/doi.org/10.5465/amr.2018.0072
Roy, D., Srivastava, R., Jat, M., & Karaca, M. S. (2022). A Complete Overview of Analytics Techniques: Descriptive, Predictive, and Prescriptive. In P. M. Jeyanthi, T. Choudhury, D. Hack-Polay, T. P. Singh, & S. Abujar (Hrsg.), Decision Intelligence Analytics and the Implementation of Strategic Business Management (S. 15–30). Springer International Publishing. https://doi.org/10.1007/978-3-030-82763-2_2