Zum Inhalt springen

Mit Machine Learning neue, aussagekräftigere KPIs aufdecken

AISOMA - Machine Learning KPIs

Machine Learning kann Unternehmen dabei helfen völlig neue Kennzahlen, in einem sich schnell verändernden Markt, zu identifizieren.

Es ist weithin bekannt, dass maschinelles Lernen bereits heute Unternehmen dabei unterstützt ihre Leistungsziele durch die Optimierung bestehender Leistungskennzahlen zu erreichen. Durch die Nutzung der wachsenden Datenmengen zu Kundenverhalten, Preisen, Wettbewerbsmaßnahmen und Betriebsstatistiken kann es auf vielfältige Weise entscheidende Erkenntnisse liefern. Tatsächlich bietet maschinelles Lernen von der Optimierung des Marketings oder der Preisgestaltung bis hin zu verbessertem Kundenservice und betrieblicher Effizienz viele Vorteile. Ein aktueller Artikel in MIT Sloan Management Review zeigt jedoch, dass Unternehmen zunehmend maschinelles Lernen einsetzen, um völlig neue Kennzahlen (KPIs) zu identifizieren um diese mit der Gesamtleistung zu korrelieren.

Wie kann also maschinelles Lernen KPIs verändern?

Man braucht Machine Learning nicht, um zu dem Schluss zu kommen, dass die Messung z.B. des “Gesamteinkommens” besser ist als nur der “Basistarif”. Dies betrifft insbesondere Betriebe mit erheblichen „Nebeneinnahmen“ wie z.B. Fluggesellschaften. Fluggesellschaften verfolgen hauptsächlich den “Auslastungsfaktor” und die “Durchschnittsrendite”. Der Erfolg erfordert ein Gleichgewicht zwischen beiden. ML kann dabei verwendet werden, um weniger offensichtliche Kennzahlen zu finden, die mit dem Gesamterfolg korrelieren.

 

Machine Learning kann neue, aussagekräftigere KPIs aufdecken

AISOMA - KPIs Machine Learning

AISOMA – KPIs Machine Learning

 

Erfüllung der Bedürfnisse in einem sich ständig verändernden Markt:

Neue Kennzahlen die den Gesamterfolg besser beeinflussen können als alte Kennzahlen bei Veränderungen des Marktes oder des Wettbewerbsumfelds. Mit der wachsenden Bedeutung von Nebeneinnahmen sind beispielsweise neue, ergänzungsbezogene Kennzahlen nützlicher geworden.

Bleiben wir beim Beispiel Fluggesellschaften:

Lassen Sie uns genauer auf die Nebengebühren eingehen. Nehmen wir an das Fluggesellschaften deren Nebenausgaben fast 50% des Gesamteinkommens ausmachen, überproportional von den Gepäckgebühren abhängig sind. Möglicherweise ist für einige Fluggesellschaften die Gepäckeinnahme pro Passagier für die Gesamteinnahmeleistung sogar genauso wichtig wie der Basistarif. Bei einigen Gepäckgebühren, die z.B. über 30€ hinausgehen, wird der Unterschied zwischen einem Kunden, der für ein Gepäck bezahlt oder nicht, oft mehr sein als die Fahrpreisprämie für den nächsthöheren Tarif. Tatsächlich könnte das Fehlen von Gepäckgebühren für einen bestimmten Flug leicht 20% weniger Einnahmen bedeuten (möglicherweise der Unterschied zwischen einem hochprofitablen Flug und einer finanziellen Katastrophe). Daher können die Gepäckeinnahmen pro Passagier ein kritischer KPI für diese Fluggesellschaften sein; die Überwachung sowohl der Gebühren- als auch der Auslastung, um diese Einnahmequelle zu maximieren, ist von grundlegender Bedeutung für den finanziellen Erfolg der Fluggesellschaft.  Ebenso könnte Machine Learning andere kritische Einnahmequellen identifizieren, die letztendlich die Rentabilität von Flügen oder Sektoren steigern und die als kritische KPI für das Unternehmen betrachtet werden sollten.

Um noch einen Schritt weiter zu gehen, können die Gepäckeinnahmen bei bestimmten Tarifarten oder bestimmten Flügen oder Kundensegmenten maximiert werden. Die Isolierung der Faktoren – oder Kundenprofile -, die den größten Umsatz mit „Impact Bags“ ausmachen, kann dazu beitragen, dass sich ein Unternehmen auf die richtigen Hebel für den Erfolg konzentriert.

Ist der Gepäckumsatz für Geschäftsreisende oder junge Familien höher?

Wie unterscheiden sich die Gepäckeinnahmen je nach Kanal?

Machine Learning kann Fluggesellschaften dabei unterstützen, neue neue KPI’s zu identifizieren, die die Leistung auf Kundensegment-, Channel- oder Marktbasis weiter verbessern.

Fokussierung auf eine stärkere Personalisierung und Segmentierung:

Neue Merchandising-Tools, die auf einer stärkeren Personalisierung basieren, bedeuten, dass unterschiedliche Segmentierungssysteme relevant sind.  ML kann dabei helfen, festzustellen, welche Kundensegmente im Mittelpunkt zielgerichteterer Angebote stehen sollten – und neue segmentspezifische KPIs, die auf eine bessere Erfüllung individueller Kundenbedürfnisse ausgerichtet sind, können einen besseren Weg zum Gesamterfolg darstellen.

Machine Learning bietet enormes Potential um neue, wettbewerbsentscheidende Erkenntnisse zu gewinnen. Anstatt Machine Learning einfach „nur“ zur Optimierung der Leistung auf der Grundlage traditioneller KPIs zu verwenden, kann es auch zur Identifizierung neuer KPIs eingesetzt werden, die sich in einem ständig verändernden Markt als viel nützlicher erweisen können.

Haben Sie noch Fragen?

Sprechen Sie uns an.

Kontakt

Ihr AISOMA Team

Lesen Sie auch: KI-Beratung: Worauf es ankommt und was Sie beachten sollten

[bctt tweet=”Mit Machine Learning neue, aussagekräftigere KPIs aufdecken #KPIs #Kennzahlen #KI #AI #MachineLearning #ML #KünstlicheIntelligenz #ROI” username=”AISOMA_AG”]