Wie man mit Machine Learning ein Filialnetz besser steuert
von Alexander Reiss
Egal ob Automobilkonzern, Elektronikhändler oder Fast-Food-Kette – Unternehmen, die eine großes Filialnetz betreiben und noch dazu international aufgestellt sind, stehen alle vor der selben Herausforderung: Wie kann ihr Filialnetz möglichst effizient und objektiv gesteuert werden?
Filialnetze mit künstlicher Intelligenz steuern und dadurch deutlich Zeit sparen
Zeitfresser: KPI Aufbereitung und Interpretation
Oft gehen die Unternehmen bei dieser Frage so vor, dass sie eine sehr große Anzahl an Key Performance Indikatoren erheben, um die Leistung der einzelnen Filialen zu bewerten. Der Prozess des Auslesens, Aggregierens und der visuellen Aufbereitung der Daten verursacht einen enormen Zeitaufwand, ist aber nötig, um die Ergebnisse dem Management Board vorzulegen. Das Management soll dann auf Basis dieser Daten die Leistung der einzelnen Filialen beurteilen und mögliche Maßnahmen ableiten können.
Wie zeitintensiv dieses Vorgehen ist, soll folgendes Beispiel verdeutlichen:
Im finalen Management Board zur Steuerung des Filialnetzes eines internationalen Unternehmens entscheiden fünf Board Manager über die Ziele und mögliche Maßnahmen der Filialen. Um eine einzelne Filiale durchzusprechen, benötigen sie jeweils im Schnitt fünf Minuten. Das macht für alle fünf Beteiligten 25 Minuten reine Arbeitszeit pro Filiale aus. Wenn nun das Beispielunternehmen ein Netz aus 5.000 Filialen unterhält, benötigt das Board 125.000 Minuten Management-Arbeitszeit pro Steuerungszyklus. Und das entspricht wiederum 2083 Arbeitsstunden – mehr als die gesamte Jahresarbeitszeit eines Mitarbeiters bei einer 40-Stunden-Woche!
Durch eine intelligente (Teil-)automatisierung dieses Prozesses kann bei überschaubarem Projektaufwand nachhaltig wertvolle Management-Arbeitszeit freigespielt werden.
Den Steuerungsprozesses durch künstliche Intelligenz vereinfachen
Eine Prozessautomatisierung wäre bei dem oben genannten Beispiel mit verschiedenen Methodiken des maschinellen Lernens möglich und sinnvoll. Darunter fallen zum Beispiel Logistische Regression, K-Nearest Neighbours, Neuronale Netzwerke oder Support Vector Machines. Zu beachten ist hier, dass KPI-Daten und Daten zu den durchgeführten Maßnahmen in einem möglichst großen Zeitraum auf Filiallevel zur Verfügung stehen müssen. Diese Daten sollten am besten lückenlos und korrekt erhoben sein. Denn jedes Modell kann nur so gut „trainiert“ werden, wie die zugrunde liegenden Daten es zulassen.
Nachdem das Modell mit Daten antrainiert worden ist, sollte zuerst die Qualität der Ergebnisse mit einem Testdatensatz überprüft werden. Im nächsten Schritt wird das Modell mit aktuellen Daten gefüttert, um die daraus entstehenden Maßnahmenvorschläge dem Management zur Verfügung zu stellen. Die Entscheider sparen sich durch diese Prozessautomatisierung deutlich Zeit, da ihnen bereits einzelne Maßnahmen angezeigt werden, ohne dass sie Daten interpretieren müssen. Zusätzlich werden nach jedem Steuerungszyklus die tatsächlich getroffenen Entscheidungen genutzt, um das Modell weiter anzutrainieren. Somit lernt der Algorithmus laufend hinzu und verbessert seine Performance stetig.
Künstliche Intelligenz bietet echtes Potenzial auf dem Weg zu Smart Data
Theoretisch könnte der Algorithmus die gesamte Filialsteuerung übernehmen, sobald sich die Maßnahmenvorschlagsgenauigkeit des Algorithmus den 100 Prozent annähert. Das ist allerdings nur unter der Einschränkung möglich, wenn der Algorithmus keine neue Maßnahmen „selbstständig“ entwickelt. Sollte eine völlig neue Situation eintreten, wird man die Steuerung wieder menschlich ergänzen müssen. Abgesehen davon kann eine ausreichend antrainierte Maschine den Standardsteuerungsprozess tatsächlich vollautomatisch übernehmen
Maschinelles Lernen ist die Schlüsseltechnologie für intelligente Systeme und bietet ein hohes Potenzial für Unternehmen. Die Daten sind schon alle vorhanden, jetzt gilt es, sie in der gewünschten Korrelation zu verwenden. Unternehmen, die diese Chance erkennen, sind auf dem besten Weg ihre Daten „smart“ zu nutzen.
Dieser Artikel wurde auch auf LinkedIn veröffentlicht.
