Soccer team in a huddle

Unbegrenzte Einsatzmöglichkeiten beim maschinellen Lernen

Feature | 28. September 2017 von Michael Zipf 2

SAP will das sich selbst lenkende Unternehmen möglich machen. Wie Lösungen mit Machine Learning intelligent werden und welche Anwendungsmöglichkeiten es gibt, lesen Sie hier.

Nein, die Sorgen seien unbegründet, sagt Daniel Dahlmeier und lächelt. „Die Ideen für interessante Anwendungsfälle für maschinelles Lernen werden uns nicht ausgehen“, ist der Experte für Machine-Learning (ML) aus Singapur überzeugt.

Dahlmeier leitet am Standort des SAP Innovation Center Network (ICN) ein Team, das sich mit Machine-Learning-Lösungen für Vertrieb und Service befasst, darunter SAP Service Ticket Intelligence. Dabei werden Kundenmeldungen automatisch kategorisiert und an den entsprechenden Bearbeiter weitergeleitet. Das System empfiehlt Service-Mitarbeiter zudem, wie das Problem eines Kunden gelöst werden kann. Je mehr Tickets bearbeitet werden und je mehr Feedback der Kunden in die Lösung einfließt, desto besser wird sie – sie lernt. „Bei diesen unstrukturierten Daten in den Kundenmeldungen kommen die Stärken von Machine Learning zum Tragen“, erklärt Dahlmeier. „Das Modell versteht mithilfe der verwendeten Algorithmen die Bedeutung der Kundentickets, erkennt Gemeinsamkeiten und entwickelt sich immer weiter. Mit traditioneller Programmierung ließe sich das nicht machen.“

SAP Service Ticket Intelligence wird sowohl als eigenständiger Business- oder Web Service wie auch als Teil von SAP Hybris Cloud for Service angeboten. Das Produkt ist damit ein gutes Beispiel für die Strategie der SAP, „alle Lösungen intelligent zu machen“.

Alle Lösungen? „Alle, bei denen es sinnvoll ist“, sagt Dahlmeier. SAP beschäftige sich ja vornehmlich damit, Geschäftsprozesse zu automatisieren. Das tun die Entwickler, indem sie (einfache) Regeln programmieren – zum Beispiel um eine Gehaltsabrechnung oder eine Materialbedarfsplanung zu erstellen. Wenn aber ein Problem zu komplex ist, weil etwa die Daten – wie bei der Service-Ticket-Intelligence-Lösung – sehr unstrukturiert sind und gleichzeitig sehr umfangreich, „dann ist das der Sweet Spot für Machine Learning“, sagt Dahlmeier. Es seien diese beiden Kriterien, mit deren Hilfe das Team evaluiere, ob sich für ein Geschäftsproblem eine Lösung mit ML anbiete: hohes Datenaufkommen und komplexe Regeln. Ein umfangreicher Datensatz ist eine entscheidende Voraussetzung für selbstlernende Algorithmen. Denn nur so kann ein Modell erstellt werden, das in der Lage ist zu lernen und mit entsprechend hoher Wahrscheinlichkeit sinnvolle Lösungen vorschlagen oder zukünftige Entwicklungen voraussagen kann. Und komplex wird es, wenn zum Beispiel Sprache, Bilder oder Handschriften erkannt und analysiert werden sollen.

Anwendungsfälle in vielen Bereichen

ML lasse sich auf viele Gebiete anwenden, auf denen die SAP unterwegs ist. „Wenn wir uns das Digital Business Framework anschauen, dann zeigt sich, dass sich die Anwendungsfälle für Machine Learning über das gesamte Framework hinweg ziehen“, so Dahlmeier. Deshalb konzentriere sich das ML-Team derzeit auf viele Cross-Themen, die für eine große Zahl von Kunden interessant sind. Beispiel SAP Cash Application.

Die meisten Unternehmen verbuchen eingehende Zahlungen heute automatisch. Aber immer, wenn Kunden zum Beispiel den Verwendungszweck auf der Überweisung vergessen, wenn sie sich vertippen oder mehrere Rechnungen auf einmal begleichen und ihnen dabei Fehler unterlaufen, müssen Mitarbeiter im Rechnungswesen manuell eingreifen. „Darüber hinaus erzeugen länderspezifische Unterschiede im elektronischen Bankenwesen eine weitere Ebene der Komplexität für international aktive Unternehmen“ erläutert Sebastian Schroetel, der die ML-Lösungen rund um den digitalen Kern der SAP verantwortet. „Hier kommt die Stärke von ML zum Tragen, indem diese Unterschiede automatisch erlernt werden, was händische länderspezifische Anpassungen obsolet macht.“

Die bereits in SAP S/4HANA integrierte Lösung nutzt maschinelles Lernen, um diese arbeitsintensiven Prozesse zu beschleunigen. Entweder ordnet SAP Cash Application aufgrund historischer Daten die Überweisung automatisch der richtigen Rechnung zu. Oder die Lösung schlägt dem Mitarbeiter vor, welche Überweisung am wahrscheinlichsten zu welcher Rechnung passt. Dabei merkt sich die Lösung, welche Schritte der Bearbeiter nun unternimmt, um die Überweisung richtig zuzuordnen.

Auf diese Weise lernt SAP Cash Application ständig hinzu und reduziert mithilfe eines höheren Automatisierungsgrades die Kosten. So konnte beispielsweise der Schweizer Energiekonzern Alpiq, einer der SAP-Ko-Innovationskunden, die Mitarbeiter in seinem Shared Service Center von Routineaufgaben entlasten und einen Automatisierungsgrad von mehr als 92 Prozent erreichen. Die SAP Cash Application ist hierbei nur ein Baustein in End-to-End-Geschäftsprozessen, die durch SAP Leonardo Machine Learning nach und nach automatisiert werden. Schroetel: „Unser Ziel ist es, alle Geschäftsprozesse in S/4HANA zu automatisieren und somit ein ,Self-driving ERP powered by Machine Learning´ zu schaffen.“

Eine weitere ML-Lösung auf der SAP-Preisliste ist SAP Brand Impact. Sie hilft Unternehmen, den Einfluss ihrer Sponsoring-Maßnahmen zu ermitteln. Dazu misst die Lösung beispielsweise, wie oft und wie lange das Unternehmenslogo bei Live-Übertragungen einer Sportveranstaltung oder eines Musikfestivals auf dem Bildschirm zu sehen ist. Was bisher mühsam manuell ermittelt werden musste, übernehmen nun Algorithmen. Sie identifizieren quasi in Echtzeit die Größe der Logos, die Position im Bild und die Dauer der Darstellung. In Verbindung mit Vergleichsdaten anderer Marken und festgelegten Kennzahlen können die Unternehmen so herausfinden, ob sich ihr Sponsoring lohnt.

Vom Einzelhandel bis zum Personalwesen

Weitere Einsatzmöglichkeiten von Machine Learning bieten sich beispielsweise im Personalwesen: Die Lösung SAP Resume Matching unterstützt schon jetzt Personalvermittler dabei, eine Stelle schneller mit den passenden Kandidaten zu besetzen. Und die Entwickler arbeiten bereits an einer Anwendung, die Mitarbeitern bei der Karriereplanung behilflich ist. Sie würde ihnen die notwendigen Schritte in Sachen Weiterbildung und Aufbau von Expertise empfehlen, damit sie möglichst schnell in die gewünschte Rolle im Unternehmen hineinwachsen.

Ebenfalls im Blick haben die Entwicklungsteams den Einzelhandel: Hier können Systeme mithilfe von Machine Learning die Farbtrends des Sommers ermitteln und den Kund(inn)en entsprechende Angebote unterbreiten. Das hilft dann auch dem Modeproduzenten bei der Vorausschau und der entsprechenden Bestellung der Waren.

Machine Learning könnte auch ein Schmuckhersteller einsetzen, wenn Kunden Fotos von beschädigten Halsketten schicken. Das System würde dem Service-Mitarbeiter sofort zeigen, ob es die gleiche Kette noch gibt, oder ihm einen Vorschlag unterbreiten, was eine Reparatur kosten würde.

Noch mehr Möglichkeiten bieten sich im Kundenmanagement, wenn die Software einem Unternehmen hilft, Strategien zu entwickeln, bevor ihm ein unzufriedener Kunde den Rücken kehrt (SAP Customer Retention). Oder im Bankensektor oder in der Lieferkette oder, oder …

Wie sagte doch Dahlmeier: „Die Ideen werden uns nicht ausgehen.“

Tags:

Leave a Reply