20.12.2017

Viele User äußern ihre Meinung über Unternehmen und Produkte auf sozialen Netzwerken. Es gibt gute Möglichkeiten, diese Daten mit offenen Systemen zu verarbeiten. Ein Beispiel ist Google Sentiment Analysis: Es analysiert Texte im Hinblick auf eine positive, neutrale oder negative Stimmungs- oder Meinungsbekundung. Entsprechend können dann Abteilungen der externen Kommunikation wie Kundenservice oder Öffentlichkeitsarbeit auf die Nutzer reagieren.

So können also öffentlich zugängliche Services auf Grundlage von Natural Language Processing genutzt werden, die auf Machine Learning basieren, ohne dass eigene Entwicklungen getätigt werden müssen. 

Automatisierung von Prozessen

Machine Learning und Automatisierung bringt vor allem dann schnelle Erfolge und hohe Akzeptanz im Unternehmen, wenn Mitarbeiter lästige Aufgaben abgeben können. Diese Prozesse haben oftmals einen hohen Standardisierungsgrad. Dazu gehören beispielsweise die Bearbeitung von Kundenanfragen unter Einbindung von Chatsbots oder die maschinelle Verarbeitung von Daten in Kommunikationsprozessen über Email oder Briefverkehr. 

Daten als Basis für Machine Learning

In beiden Beispielen wird deutlich, dass eine möglichst breite und präzise Datenbasis in Kombination mit Machine Learning die besten Ergebnisse erzielt. Insofern beginnt die Frage nach der Sinnhaftigkeit von Machine Learning im Unternehmen bei der Analyse und Bewertung der vorhandenen Datenbasis.