Foto: Pixabay

Machine Learning-Projekte im Check

Zwei Experten erzählen von ihren Erfahrungen in Machine Learning-Projekten und geben Einblicke in ihre Arbeit

Machine Learning im Handel

Dr. Christina Sievers, Senior Data Scientist bei Alexander Thamm, erzählt von ihrem Lieblingsprojekt

Das Projekt Mein bisher spannendstes Projekt war bei einem Einzelhändler. Hier ging es darum, eine tagesgenaue Absatzprognose mithilfe von Machine Learning-Ansätzen zu erstellen. Wir haben die Vorhersagen der Machine Learning-Methoden auch mit anderen statistischen Modellen verglichen. Der Machine Learning-Ansatz hatte am Ende die Nase vorne.
 
i-Tüpfelchen Das Besondere an diesem Projekt war, dass wir in extrem kurzer Zeit ein Modell finden mussten, um eine möglichst genaue Prognose für viele verschiedene Artikel zu erstellen. Der kurze Zeitraum kombiniert mit der Vielzahl der Artikel ergab ein besonderes Projekt-Set-Up.
 
Stolpersteine Wie in den meisten Data Science-Projekten ist es sehr wichtig, ein durchdachtes Feature Engineering sowie eine umfangreiche Feature Selektion durchzuführen, um herauszufinden, welche die wichtigsten Treiber der Zielvariablen sind. Auch in diesem Projekt haben wir uns zunächst intensiv mit diesen Themen beschäftigt. Außerdem war es sehr wichtig, unter dem Zeitdruck und den hohen Anforderungen nicht das Ziel aus den Augen zu verlieren.
 
Helferlein Meine Kenntnisse in verschiedenen Technologien waren für die Lösung der Fragestellung sehr hilfreich. Zudem sind für ein erfolgreiches Projektmanagement ausgeprägte Kommunikations- und Organisationsfähigkeiten essenziell.

Machine Learning im Marketing

Prof. Dr. Marc Pouly, Algorithmic Business Research Group, stellt das Projekt ›Online Marketing mit Machine Learning und Natural Language Processing‹ der Hochschule Luzern vor

Das Projekt Die Spezifikation und Ausgestaltung von Marketingkampagnen gehört zu den Hauptkompetenzen von Marketingexperten. Die spätere Zuordnung eines Individuums zur richtigen Zielgruppe ist jedoch missionskritisch für den Erfolg solcher Kampagnen. In der gängigen Praxis erfolgt diese Zuordnung aus Mangel an Alternativen und Ressourcen oftmals durch einfachste Filterung, etwa nach Postleitzahl,  Umsatz in einem Online-Shop oder demographische Segmentierung wie Geschlecht und Alter. In unserem Projekt nutzen wir Textdaten von Kunden, beispielsweise Social Media-Kommentare oder Antworten auf Wettbewerbsfragen zur vollautomatisierten Berechnung solcher Zuordnungen mittels Verfahren der Künstlichen Intelligenz – Stichworte: Natural Language Processing, Machine Learning, Deep Learning.
 
i-Tüpfelchen Es ist ein wunderbares Beispiel, wie sich Künstliche Intelligenz und menschliche Expertise gegenseitig ergänzen können. Der menschliche Marketer nutzt seine Erfahrungen und Kenntnisse des Geschäftsfalls zur Definition geeigneter Zielgruppen sowie seine Kreativität und Innovation zur Ausgestaltung von Kampagnen. Die Künstliche Intelligenz vermag innerhalb weniger Minuten Tausende von Kunden ihrer optimalen Zielgruppe zuzuordnen.
 
Stolpersteine Zur Berechnung von Ähnlichkeiten zwischen Texten ist eine sehr große Anzahl an Referenzdokumenten nötig. Das deutschsprachige Wikipedia liefert uns über zwei Millionen solcher Artikel. Allerdings spiegeln diese beispielsweise nicht die Schweizer Sprachkultur und decken weder Dialekte noch Sprachmilieus wie Jugendslang ab. Die Erstellung eines geeigneten Korpus aus vielen unterschiedlichen Datenquellen stellt für uns eine große Herausforderung dar.
 
Helferlein Wir brauchen für das Projekt talentierte Mathematiker, Algorithmiker (Machine Learning-Experten) und Softwareingenieure.


Anzeige

Anzeige