|
Vorwort: Die Macht der Daten und der Künstlichen Intelligenz |
5 |
|
|
Literatur |
9 |
|
|
Inhaltsverzeichnis |
10 |
|
|
Über den Autor |
12 |
|
|
Abbildungsverzeichnis |
13 |
|
|
Tabellenverzeichnis |
19 |
|
|
1: Einführung: Künstliche Intelligenz verändert unsere Kommunikation |
21 |
|
|
1.1 Unternehmen brauchen KI, um die Digitalisierung zu beherrschen |
22 |
|
|
1.2 Der Weg zur Künstlichen Intelligenz in Unternehmen |
29 |
|
|
1.3 Warum KI in die Kundenkommunikation gehört |
32 |
|
|
1.4 Wie Amazon, Zalando und McDonalds die Welt durch ihre KI verändern |
35 |
|
|
1.4.1 McDonald’s |
36 |
|
|
1.4.2 Netflix |
38 |
|
|
1.4.3 ABOUT YOU |
39 |
|
|
Literatur |
40 |
|
|
2: In digitaler Kommunikation mit dem Kunden |
43 |
|
|
2.1 Die moderne Customer Journey und die Daten |
44 |
|
|
2.2 Das Problem des klassischen Marketings und die Chance der Künstlichen Intelligenz |
57 |
|
|
2.3 So entsteht ein skalierbares Konzept für Personalisierung |
66 |
|
|
2.4 Das moderne Kontrollzentrum für Kundenkommunikation |
70 |
|
|
Literatur |
73 |
|
|
3: Künstliche Intelligenz verstehen und in der Organisation verankern |
75 |
|
|
3.1 Wie Maschinen lernen: Einordnung von Künstlicher Intelligenz, Machine Learning und Deep Learning |
75 |
|
|
3.1.1 Was ist Machine Learning? |
77 |
|
|
3.1.2 Was ist Deep Learning? |
79 |
|
|
3.1.3 Arten von Machine Learning |
80 |
|
|
3.1.4 Von der Idee zur Machine-Learning-Software |
90 |
|
|
3.1.5 Der Unterschied zwischen maschinellem Lernen und Softwareentwicklung |
97 |
|
|
3.1.6 Herausforderungen von maschinellem Lernen und Data Science |
100 |
|
|
3.2 KI-Plattformen und Architektur |
105 |
|
|
3.2.1 Was ist eine Data-Science-Plattform? |
105 |
|
|
3.2.2 Machine Learning Feature Store |
110 |
|
|
3.3 Das richtige Team – Jobprofile für KI-Projekte |
114 |
|
|
3.3.1 Data Engineer |
114 |
|
|
3.3.2 Data Scientist |
116 |
|
|
3.3.3 Machine Learning Engineer |
117 |
|
|
3.3.4 DevOps Engineer |
118 |
|
|
3.3.5 Domänenexperte |
120 |
|
|
3.3.6 Chief Analytics Officer |
120 |
|
|
3.4 KI in der Organisation verankern |
121 |
|
|
3.4.1 Die Kultur und Organisation für erfolgreiche KI-Projekte in Unternehmen |
121 |
|
|
3.4.2 KI in der Organisation konkret verankern |
123 |
|
|
3.4.3 Center of Excellence |
125 |
|
|
Literatur |
127 |
|
|
4: Anwendungsfälle und Praxisbeispiele von Künstlicher Intelligenz im Marketing und Vertrieb |
129 |
|
|
4.1 Der Kundenlebenszyklus |
129 |
|
|
4.2 Transaktionale vs. vertragsbasierte Geschäftsmodelle |
134 |
|
|
4.3 Kundensegmentierung – Kunden verstehen |
136 |
|
|
4.3.1 Vorgehen bei einer clusterbasierten Kundensegmentierung |
137 |
|
|
4.3.2 Datenaufbereitung für eine Kundensegmentierung |
139 |
|
|
4.3.3 Tipps für die Umsetzung von clusterbasierten Kundensegmentierungen |
141 |
|
|
4.3.4 Wann wird eine Kundensegmentierung eingesetzt? |
144 |
|
|
4.4 Customer Lifetime Value vorhersagen |
145 |
|
|
4.4.1 Moderne Customer-Lifetime-Value-Ansätze auf Basis von Künstlicher Intelligenz |
146 |
|
|
4.4.2 Mögliche Ansätze zur Vorhersage des Customer Lifetime Value |
149 |
|
|
4.4.3 Vorgehen und Prozess |
153 |
|
|
4.4.4 Anwendungsfälle für den Customer Lifetime Value |
156 |
|
|
4.5 Empfehlungssysteme |
163 |
|
|
4.5.1 Arten von Empfehlungssystemen |
165 |
|
|
4.5.2 Vorgehen und Prozess |
173 |
|
|
4.5.3 Einsatzmöglichkeiten von Empfehlungssystemen |
174 |
|
|
4.5.4 Herausforderungen bei der Entwicklung von Empfehlungssystemen |
179 |
|
|
4.6 Affinitätsmodelle und Next Best Action zur Steuerung der Kundenkommunikation |
181 |
|
|
4.6.1 Vorteile eines KI-basierten Kommunikationsansatzes |
184 |
|
|
4.6.2 Entwicklung von Affinitätsmodellen |
186 |
|
|
4.6.3 Anwendungsfälle für Affinitätsmodelle |
190 |
|
|
4.7 Churn Prediction zur Vorhersage von Kündigungswahrscheinlichkeiten |
196 |
|
|
4.7.1 Wie funktioniert Churn Modeling? |
198 |
|
|
4.7.2 Die benötigten Daten für ein Churn Modeling |
202 |
|
|
4.7.3 Herausforderungen beim Churn Modeling |
205 |
|
|
4.8 Uplift Modeling zur Optimierung von Marketingmaßnahmen |
206 |
|
|
4.8.1 Wie funktioniert Uplift Modeling? |
207 |
|
|
4.8.2 Einsatzmöglichkeiten von Uplift Modeling im Marketing |
209 |
|
|
4.8.3 Vorgehen und Kampagnendesign für Uplift Modeling |
211 |
|
|
4.8.4 Herausforderungen bei der Umsetzung von Uplift Modeling in der Praxis |
214 |
|
|
Literatur |
215 |
|
|
5: Vom Proof of Concept zum Regelbetrieb |
218 |
|
|
5.1 Strukturen und Kultur für den Erfolg von KI im Unternehmen |
219 |
|
|
5.2 Vom Experiment zum Regelprozess |
224 |
|
|
5.3 Make or Buy? Hilfestellung für KI-Projektverantwortliche im Marketing und Vertrieb |
230 |
|
|
5.4 Herausforderungen und Grenzen von KI im Marketing und Vertrieb |
234 |
|
|
6: Ausblick |
237 |
|
|
Erratum zu: Praxisleitfaden für Künstliche Intelligenz in Marketing und Vertrieb |
241 |
|
|
L. Wuttke, Praxisleitfaden für Künstliche Intelligenz in Marketing und Vertrieb, https://doi.org/10.1007/978-3-658-35626-2_7 |
241 |
|