Heute zu Gast ist Michael Obermeier, Head of CX und Martech Solutions bei SAS. Hallo Michael, herzlich willkommen bei CX Talks.

Michael Obermaier (05:40.289)

Hallo Peter, danke für deine Einladung.

Peter (05:42.848)

Wir haben uns ja kennengelernt, da warst du bei Medallia, einem führenden globalen Voice -of -the -Customer -Plattform -Anbieter. Und dann bist du zu SAS gewechselt und hast die Verantwortung für CX und MarTech Produkte übernommen. Vielleicht ganz kurz, welche Art von Unternehmen ist SAS, dass die das alles hier so kombinieren?

Michael Obermaier (06:03.609)

SAS ist eigentlich ein extrem spannendes Unternehmen, weil die Wurzeln von SAS liegen eigentlich in der Analytik und in der Statistik. Das gibt auch so ein bisschen der Namepreis, wenn man genau weiß, SAS steht eigentlich für Statistical, Analytical Software und war eigentlich eine universitäre Ausgründung in den 70er Jahren. Die haben damals begonnen, sozusagen landwirtschaftliche Analysen zu machen, wie kann ich erträge.

in der Viehwirtschaft oder im Agrarumfeld optimieren und daraus ist sozusagen aus dieser Ausgründung die Firma entstanden. Was die Firma besonders macht, ist, dass sie mittlerweile nicht nur das führende Unternehmen im Bereich Analytics, Statistik und KI ist, sondern auch Erfinder dieser Softwarekategorie, Statistik und Analytics Software ist. Was mich sehr angesprochen hat, ist vielleicht so ein bisschen auch der

der Konnex zum ZX -Bereich ist. Die Mission des Unternehmens ist es im Endeffekt, create insights for moments or in moments that matter. Ich glaube, das passt dann ganz gut dann auch als Schluss zum ZX -Thema.

Peter (07:14.077)

Wenn du jetzt die Produkte von SAS genau im CX Bereich anschaust, was bietet ihr da an?

Michael Obermaier (07:30.519)

Hm.

Wenn man jetzt zahrsieht als Unternehmen, würde man jetzt erstmal denken, naja, die machen ja quasi nur analytische und statistische Verfahren. Ich würde sagen, wir sind sehr vielschichtig und vielseitig aufgestellt und ich glaube, das macht es so spannend für das Unternehmen zu arbeiten. Wir haben natürlich, quasi wir machen die Basisarbeit, wir können Daten aus unterschiedlichen Systemen zusammenführen, aufbereiten, können dann unterschiedliche statistische und analytische Verfahren sozusagen drüber laufen zu lassen, um den Daten quasi Sinn zu geben.

Das können jetzt Dinge sein wie ganz klassisch, keine Ahnung, lineare Versionen, daraus dann bestimmte Affinitäten abzuleiten. Das können Dinge sein wie Textanalysen beispielsweise, Kundenfeedback zu verarbeiten. Und dann sozusagen, wenn man diese Insights produziert hat, sind wir aber auch in der Lage, die entsprechend dann in Journeys einzusteuern. Das heißt, wir können segmentieren, können Journeys definieren und wir können dann auch hinten raus

sogenannte Aktivierung anstoßen, das heißt dann über unterschiedliche Kanäle in unterschiedlichen Stufen einer bestimmten Customer Journey, egal ob das eine Marketingvertriebs - oder Service Journey ist, dann auch wieder die Kunden in Echtzeit und überpersonalisiert, wie man das so schön sagt, auch ansprechen. Ich glaube, diese End -to -End Betrachtung macht das auch bis zum Alleinstellungsmerkmal, würde ich sagen.

Peter (08:41.21)

Mhm.

Peter (08:56.056)

dich jetzt ganz persönlich, wenn also ich habe selber die Erfahrung gemacht, wenn du aus einem Umfeld, das du gut beherrschst, rausgehst in ein neues, kommst du auf einmal feststellst, wir reden immer noch über dasselbe Phänomen, aber es gibt eine Vielzahl vieler weiterer Facetten, die ich gar nicht auf dem Schirm hatte. Inwiefern hat sich dein persönlicher Blickwinkel jetzt auf dieses Phänomen Kundenerfahrung geändert durch den Wechsel?

Michael Obermaier (09:25.017)

Also, wie ich das angekommen bin, muss ich sagen, war es ein Kulturschock, weil man merkt halt schon diese Wurzeln der Analytik und Statistik. Das ist eine völlig andere Welt natürlich. Ich bin jetzt auch von der Ausbildung her technischer und sozusagen wirtschaftlicher angehaucht. Das heißt, für mich war das natürlich so ein bisschen, ja, man hat das auf der Uni oder auf der Schule natürlich gehört, das Thema, aber man hat es dann auch ein bisschen wieder verdrängt. Das heißt, diesen Blick zu haben auf die Daten und was man alles mitmachen kann, war schon sehr...

sehr hellend und ich glaube, das ist ein holistischerer Blick auf das Thema geworden, weil mir das erstmal klar wurde, wo überall Daten liegen können und was kann man denn noch alles an Informationen aus Daten rausziehen, auf die wir vielleicht in Unternehmen wie vorher jetzt, Metalia ist ein Beispiel, aber ich glaube, das ist ja vieler der Voice -off -Customer -Anbieter, sind ja doch sehr reduziert immer noch auf das Thema Service. Mittlerweile gibt es vielleicht noch so Themen wie Website -Verhalten oder

oder vielleicht auch noch Telefonate an Contact Centers, das ist bisschen die fortgeschrittene sozusagen Anbieter. Aber da hört es meistens auf. Wir haben hier eine wesentlich breitere Palette, die wir betrachten. Und das hat für mich einfach noch mal passiert, dass die Handlungsmöglichkeiten, die mir auch zur Verfügung stehen, um dann mit unseren Kunden sozusagen Beratung zu machen, wesentlich weiter aufgemacht. Flexibilität ist sicher ein großes Thema gewesen. Und ich glaube, was auch anders war, ist,

Dadurch, dass wir die Analytik und die Modelle sozusagen auch mitentwickeln mit unseren Kunden, ist die Vorgehensweise eine viel explorativere als man es typischerweise hat, wo man dann oft zu einem Blackbox Modell oder zu vorgefertigten Analysen reinschaut. Ich glaube, das macht es einfach auch nochmal spannend von dem Startpunkt.

Peter (11:14.067)

Genau über dieses Thema Analytics wollen wir uns unterhalten und zwar mit einem ganz bestimmten Schwerpunkt. Und das überrascht ja weder dich noch mich noch die Hörer. Es geht um KI. Wir haben uns bewusst dafür entschieden, weil ich finde, das ist einfach ein extrem wichtiges Thema und da passiert auch so wahnsinnig viel. Jetzt gibt es aber ganz unterschiedliche Formen der KI, die im Umfeld von Analytics eingesetzt werden. Und eigentlich auch schon seit, zum Teil auch schon seit vielen, vielen Jahren.

Wohin unterscheiden sich denn diese unterschiedlichen KI -Modelle, zum Beispiel zwischen Analytical AI oder Generative AI?

Michael Obermaier (11:53.877)

Ne.

Ich würde jetzt einmal sagen, das kommt sehr stark auf die Fragestellung am Ende des Tages an. Oder auch die Aufgabenstellung. Bei der analytischen KI und diese doch auch noch mal sehr breit zu betrachten, geht es im Wesentlichen darum, aus den Daten, die vorhanden sind, unterschiedliche Insights abzuleiten. Das kann sein, dass man vielleicht bestimmte Informationen extrahieren möchte. Und zum Beispiel jetzt um das Beispiel der Textanalyse von vorhin auf...

Peter (12:03.345)

Mhm.

Michael Obermaier (12:26.841)

und den Weiterfall zu klassifizieren, um zum Beispiel Feedback insoweit zu beschlagworten, um zu sagen, okay, hier wurde uns Feedback gegeben. Das war nicht nur negativ von der Tunalität, sondern es ging auch noch um diese drei Themen. Vielleicht verwende ich analytische KI auch, um in weiterer Folge dann aus diesen inseltsicht produziert habe, dann Vorhersagen zu treffen, also zu sagen zukunftsbegerichtet Aussagen zu treffen, die es mir ermöglichen, beispielsweise abzuschätzen, wenn wieder solche ähnlichen Anfragen reinkommen.

Was mit diesen Kunden passiert, ist das ein potenzieller Anfrage, die eskalieren könnte, wenn die Tonalität an bestimmten Tons trifft oder wenn bestimmte Beschlagwörter stattfinden. Also da geht es sehr stark um das Thema Verstehen von Informationen, extrahieren, klassifizieren, Vorhersagen treffen auf der einen Seite. Und auf der anderen Seite haben wir generative KI, die ja deinen Namen sozusagen schon ein bisschen vorwegnimmt, die geht es darum, etwas zu erzeugen. Ein Bild, ein Ton, einen Text.

und generative KI nutzt aber dann auch, und ich glaube das ist wichtig, natürlich andere Funktionalitäten mit. Denn wenn ich jetzt zum Beispiel, um jetzt bei unserem Lieblingsbeispiel sozusagen zu bleiben, JGBT, oder BART, oder wie sie alle heißen, bleibe, dann werden im Hintergrund andere KI -Modelle ja mitgenutzt. Also in dem Moment, wo ich hier einen Text eintippe, einen Prompt sozusagen, um ein bestimmtes Ergebnis zu erzielen, müssen ja vorgelagert bestimmte Dinge...

getan werden. Das Prompt muss jetzt erstmal verstanden werden. Ich brauche natürlich auch analytische KI, die mir diesen Prompt übersetzt, um dahinter gelagerte Modelle aufzurufen. Denn der Intent im Prompt, also die Absicht, die dahintersteckt, muss ja auch erst verstanden werden, bevor das tatsächliche Ergebnis durch die generative KI zurückgespielt wird. Da geht es sehr stark um Wahrscheinlichkeiten, weil der generative KI am Ende des Tages nach dem System und dem Muster funktioniert.

vorherzusagen, mit welcher Wahrscheinlichkeit ich worte an einanderreihe, um daraus eine sinnvolle Aussage zu treffen. Deswegen gesagt, das sind die groben Untersteuerungen zwischen diesen beiden Welten, wenn man so will.

Peter (14:34.283)

Jetzt werden wir nochmal viel praktischer, weil nämlich auch die Anwendung von KI bei der Datenanalyse kann auf ganz unterschiedlichen Ebenen erfolgen. Und ich glaube, damit man das gut nachvollziehen kann, haben wir uns mal entschieden, dass wir es in so einer Abfolge machen, die startet mit dem Datensammeln. Das ist noch bevor ich eigentlich in die Analyse reingehe. In welchen Bereichen wird denn KI

vor allem eingesetzt, um Daten für die Analyse überhaupt nutzbar zu machen. Hast du da Erfahrungen von deinen Kunden?

Michael Obermaier (15:13.465)

Also natürlich, branchenabhängig gibt es leichte Unterschiede, aber generell haben ja mittlerweile alle Branchen natürlich digitale Touchpoints. Das ist eine wunderbare Möglichkeit hier gesetzt, im Falle, ich habe den Konsens der Kunden, hier online Verhalten zu tracken. Ob das jetzt auf einer Webseite ist, ob das ein App ist, gibt es unterschiedliche Möglichkeiten, die mir zum einen verstehen, helfen, welche Produktpräferenzen haben Kunden oder

Peter (15:28.65)

Mhm.

Michael Obermaier (15:41.145)

An welchen Stellen funktionieren Seiten vielleicht besser oder schlechter? Gibt es vielleicht bestimmter Content, der besser oder schlechter funktioniert? Beziehungsweise, oftmals ist es ja auch so, wenn man jetzt ein bisschen weiterdenkt, im Sinne einer Journey Analytics, wo beginnen denn bestimmte Kundenreisen? Das heißt, ich habe in der digitalen Welt sozusagen schon bestimmte Themen. Das geht natürlich weiter in Klassiker wie, welche Artikel werden in den Warenkorb gelegt, welche Warenkörperwerken abgebrochen?

Peter (15:42.951)

Mhm.

Peter (15:58.184)

Mhm.

Michael Obermaier (16:09.021)

oder welche Coupons funktionieren besonders gut. Das ist die digitale Welt im Großen und Ganzen. Das andere Thema ist ein klassischer Service. Die werden von unseren Kunden natürlich genauso eingesetzt, beziehungsweise auch Feedback, das auf diversen Bewertungsplattformen sozusagen auch hinterlassen wird, um Insights zu produzieren, die ich dann im Unternehmen sozusagen wieder nutzen kann für Produktverbesserungen, Prozessoptimierungen, was auch immer.

Peter (16:11.494)

Hm.

Mhm.

Peter (16:35.848)

Mhm. Mhm.

Michael Obermaier (16:38.305)

Was natürlich gerade im Retail -Bereich noch ein großes Thema ist, ist natürlich klassisch die Warenkorbanalyse an sich, auch im klassischen niedergelassenen Handel. Kennen wir alle, ob das jetzt Rewe ist oder ob das jetzt Edeka ist und wie sie alle heißen. Jeder versucht natürlich bestmöglich zu verstehen, was sind deine Einkaufsgewohnheiten, wie oft gehst du da einkaufen, wie oft machst du Deinen Wochen -Einkauf, wie oft gehst du quasi zu bestimmten Outlets.

Peter (16:45.48)

Mhm.

Michael Obermaier (17:05.771)

Und auf der anderen Seite ist es auch sehr spannend, wenn ich einen Leuteprogramm dahinter sitze, wie nutze ich zum Beispiel meine Punkte? Für welche Artikel? Wofür bin ich besonders empfänglich? Die typischen Dinge im Versicherungsbereich vielleicht noch ist sicher auch spannend. Wie oft kommt es zu Schadenmeldungen? Wie oft ziehen Leute um? Wie wandern Leute durch die unterschiedlichen Lebenszyklen in ihrem eigenen Lifecycle von ich studiere,

Ich habe meine erste eigene Wohnung, ich gründe eine Familie. Das sind so die Themen, die im Versicherungsumfeld sehr transparent sind, einfach die Produkte, die zur Verfügung stehen. Die Bankenumfeld kommt ein bisschen auf die Rechtslage an. In Österreich ist es ein bisschen leichter als in Deutschland. Aber natürlich ganz klassisch ist, Kontobewegungen sich anzugucken. Wo kommt Geld her? Wo geht es hin? In welche Kategorien wird Geld investiert? Und daraus dann wieder um Ableitungen zu treffen. Das sind so die...

Peter (17:35.842)

Mhm.

Peter (17:43.138)

Mhm.

Michael Obermaier (18:05.113)

die typischen Anwendungswelle, die wir sehen.

Peter (18:05.604)

Gibt es Datenquellen, wo du sagst, da würde so viel drinstecken und durch KI könnte ich eigentlich ganz viel rausholen, aber es wird, jeder ist sich, vielleicht ist man sich sogar einig, dass man es machen sollte, aber man kann sich noch nicht so richtig durchringen, es tatsächlich zu tun. Gibt es so was?

Michael Obermaier (18:23.381)

Ja, gibt es tatsächlich einige mutige Kunden, die da schon in diese Richtung was tun. Also eine ist die Ergoversicherung. Die nutzen zum Beispiel im Contact Center die Möglichkeit, dass die eingehenden Telefonate nach Freigabe durch die Kundinnen und Kunden sozusagen aufgezeichnet werden. Und diese aufgezeichneten Telefonate werden dann aktuell noch zeitversetzt transkribiert.

Peter (18:31.364)

Mhm.

Michael Obermaier (18:49.177)

Und in weiterer Folge ist dann die Textanalyse darüber gemacht. Das heißt, man schaut sich an, was war eigentlich der Anlass des Anrufs, was waren die Themen, die besprochen worden sind, wie war der allgemeine Gesprächsverlauf und wie es daraus noch andre Dinge nicht ableiten kann. Am Ende ist es so, dass die Ergo mehrere Use Cases dahinter liegen, warum sie das tun. Also einerseits ganz klassisch das Thema Qualitätssicherung, das heißt, wie kann ich das Erlebnis Touchpoint optimieren, indem ich sozusagen auch meine Agents schule.

Auf der anderen Seite schaut man sich aber auch zu Themen an, wie gibt es Möglichkeiten, Produkte zu verbessern, vielleicht auch rechtliche Texte zu vereinfachen, also gerade wenn Kunden sich zu bestimmten Fällen beschweren, dass etwas nicht in der Fragsprache klar war beispielsweise. Oder auch, und ich glaube, das ist ein spannendes Thema, auch im Sinne des Business Cases ist, kann ich aus diesen Telefonaten Leads generieren. Klassischer Anwendungsfall ist Grunderruf der Analyse zu ändern. Jetzt kann man diesen Fall abschließend am Telefon.

Peter (19:37.44)

Mhm.

Michael Obermaier (19:43.827)

vielleicht durchführen und sagen, okay, Michael Obermeier ist jetzt quasi von seiner kleinen Single -Wohnung in den Speckgürtel südlich von Wien gezogen und damit ist das Thema abgehakt. Jetzt kann man aber drei Schritte weiter denken und sagen, okay, Kunden typischerweise in unserem Portfolio, die so einen Umzug vornehmen von diesem Bezirk in einen anderen ziehen, möglicherweise in einen Bereich, wo Jungfamilien Häuser bauen, ist die Wahrscheinlichkeit sehr groß, dass dieser Kunde möglicherweise eine größere

eine Haushaltsversicherung benötigt. Einerseits auf der anderen Seite vielleicht eine Ablebensversicherung, weil jetzt Familiengründung ist und möglicherweise auch zukünftig eine Kfz -Versicherung, eine erweiterte, weil eben vielleicht vorher gar kein Auto da war oder halt ein kleines und jetzt möglicherweise ein größeres. Und da ist die Ergo sehr erfolgreich mit diesem Konzept, weil sie diese Leads, die dann sozusagen daraus produziert werden,

Peter (20:23.328)

Mhm.

Peter (20:28.832)

Mhm.

Michael Obermaier (20:35.683)

weiterer Folge natürlich in die Vertriebskanäle zurückpushen, wenn wir ins Contact Center oder direkt zu den Versicherungsagentinnen und Agenten durchaus beachtliche Conversion -Raten sozusagen dahinter liegen, die bestätigen, dass das Sinn macht.

Peter (20:51.36)

Wenn ich mir das jetzt aber anhöre, dann ist die Analyse der Sprachdaten oder der transkribierten Sprachdaten oder die Aufbereitung dieser Daten, geht ja deutlich weiter als das, was man im klassischen Voice -over -Customer -System zum Beispiel mit Sentiment -Analyse gemacht hat. Da ist ja schon ein großer Gewinn, wenn du sagen könntest, war positiv oder negativ überrascht, ist positiv gestimmt oder negativ gestimmt. Seit wann kann man so weit tatsächlich jetzt auch Praxis

Michael Obermaier (21:07.135)

Vielen Dank.

Michael Obermaier (21:11.713)

Das ist ein

Peter (21:21.472)

in der Praxis vorgehen, dass man solche Analysen anwendet? Ist das immer noch Pionierarbeit oder ist das eigentlich von der Technologie und von den Möglichkeiten, Daten aufzubereiten, also bevor ich dann eigentlich die Analyse schon mache, allein diese Daten anders zu klassifizieren? Wie weit ist man da heute?

Michael Obermaier (21:34.601)

Technologisch sind die Möglichkeiten heute alle da. Das, was ich gerade vorhin so ganz kurz angerissen habe, Transkription von Sprache in Schrift, ist heute ja auch mit Mundart, da gibt es viele gute Anbieter, die das heute schon tun, das ist auch Leistung, die wir zukaufen. Und die dann nachgelagerte Textanalyse ist ja eine Fähigkeit, die

Peter (21:44.128)

Mhm. Mhm.

Peter (22:01.856)

Mhm.

Michael Obermaier (22:03.065)

die schon sehr stark und sehr umfangreich ausgeträgt ist. Da gibt es vielleicht unterschiedliche Anbieter, die vielleicht mehr Richtung regelbasierte Textanalyse gehen versus Machine Learning. Also sprich, das System entwickelt sich selbst weiter und versteht sozusagen Zusammenhänge auch und kann einfache Themen und sozusagen übergeordnete Begrifflichkeiten selbst entdecken. Aber im Wesentlichen ist jetzt Technologie vorhanden. Ich glaube, was es spannend macht, ist, dass mit der fortschreitenden Verbesserung an Hardware

Peter (22:15.364)

Mhm.

Michael Obermaier (22:32.193)

Egal ob jetzt in der Cloud oder auch in Primis, einfach die Möglichkeit da ist, viel, viel mehr Informationen viel schneller zu verarbeiten, was natürlich auch das Thema Real -Time viel mehr in den Fokus rückt. Also wir haben jetzt quasi zeitlich versetzt, aber eigentlich sollte ja im Idealfall, das nennt man im Contact Center der Zukunft, es ja möglich sein, während des Gesprächs, das Gespräch in der Sekunde zu transkribieren und unmittelbar auch Gesprächsvorschläge sozusagen zu machen für den Agenten oder für die Agentin.

Das wäre ein mögliches Produkt, das du empfehlen kannst. Hier wäre eine sinnvolle Frage, die du noch ausspielen könntest. Hier gibt es einen Knowledge Base Artikel, den du aufrufen kannst, genau zu dieser Thematik, inklusive, wenn man das dann noch drei Schritte weiter denkt, einer Zusammenfassung des Gesprächs mit To -Do's. Also, da gibt es viele Möglichkeiten, die heute sozusagen als Lego -Bausteine, wenn ich sie immer zur Verfügung stehen, die man halt dann zu einer Lösung zusammenbauen kann.

Peter (23:03.36)

Next Pist Offer.

Peter (23:23.168)

Mhm.

Peter (23:26.932)

Jetzt sind wir an dem Punkt, wir haben die Daten sauber gesammelt und jetzt geht es rein in die Analytics. Im klassischen Vorgehen, also wie man es als braver Statistiker gelernt hat, würde jetzt ein Analyst erstmals so eine Art Hypothesengenerierungsphase haben, dann ein geeignetes Modell auf Basis der Daten, die er hat, auswählen und dann rechnen lassen und dann schauen, welche seiner Hypothesen er zu verwerfen hat.

Michael Obermaier (23:38.289)

Vielen Dank für's Zuschauen.

Peter (23:56.448)

Bei KI geht man grundsätzlich, glaube ich, anders vor. Kannst du das mal vielleicht an einem Beispiel beschreiben?

Michael Obermaier (24:07.553)

Bei kU -gestützten Verfahren ist es hier so, dass man in typischen Weise maschinelles Lernen sozusagen heranzieht, um einfach aus idealerweise großen Datenmengen Muster zu erkennen und Prognosen am Ende des Tages zu erstellen. Und das ist, glaube der große Unterschied, ohne dass eine spezifische Hypothese sozusagen oder schon ein konkretes Modell vorab definiert werden muss. Das ist ein sehr exploratives Verfahren.

Peter (24:15.2)

Mhm.

Peter (24:20.864)

Mhm.

Peter (24:32.126)

Mhm.

Michael Obermaier (24:35.865)

wo man der Maschine sozusagen freien Lauf lässt, sozusagen bitte finde für mich konkrete Muster heraus, mach für mich konkrete Prognosen. Und es müssen im Idealfall auch noch keine Annahmen über Verteilungen von Daten vorgenommen werden. Das heißt, das ist quasi Wide Space, wenn man so möchte. Das kommt mit bestimmten Vor - und Nachteilen, da kann man nachher noch so ein bisschen reinschauen, aber so ein ganz klassisches Machine Learning Modell wäre sozusagen ein Produktempfehlungs...

Peter (24:44.832)

Mhm.

Peter (24:49.47)

Mhm.

Michael Obermaier (25:04.853)

Algorithmus im E -Commerce. Also wir kennen das ja alle, wir sind jetzt auf dem Großhändler unserer Wahl auf der Online -Seite, legen einen Artikel in den Warenkorb und unten werden dann durch magische Hand sozusagen andere Artikel empfohlen, die entweder von anderen Personen gekauft wurden oder die sich gut zu diesem Produkt sozusagen wieder zu passen oder die meinem sozusagen vergangenen Verkaufsverhalten entsprechen. Und das ist ein ganz einfaches Beispiel.

Peter (25:23.84)

Mhm.

Peter (25:27.616)

Mhm.

Peter (25:33.248)

Mhm.

Michael Obermaier (25:34.841)

Der Unterschied ist, glaube ich, auch noch der Wesentliche, die Attribute, die ich typischerweise habe, im klassischen statistischen Verfahren sind ja meistens einigermaßen überschaubar. Ich kann halt mit KI auch mit Modellen und mit Attributen arbeiten, die in die hunderte gehen. Also wir haben ein Beispiel, Kunde von uns hat Modelle mit über 400 Attributen, um entsprechende Aussagen zu treffen. Und die sind halt in der klassischen Statistik in der Form schwer bis gar nicht mehr hängelbar.

Peter (26:03.616)

Das heißt also ich entdecke eigentlich Muster, entweder füge ich sie dann in so einen Martech Prozess, dass es automatisch weiter bearbeitet wird. Da geht es auch gerade darum die Welt möglichst perfekt zu beschreiben, sondern einfach nur mit einer höheren Wahrscheinlichkeit noch einen Zweitverkauf hinzuzufügen. Aber es gibt ja immer noch diesen klassischen Analysten, der

dem du ja im Prinzip seine komplette Vorgehensweise durch solche Verfahren mehr oder weniger in Frage stellst. Und er selbst kann ja auch die Plausibilität dessen, was da rausgekommen ist, gar nicht mehr überprüfen, weil er hat ja das Modell gar nicht gebaut. Es wird ihm ja nur ausgeworfen, dass es ein Muster, das ich jetzt gefunden habe. Wie ...

gehen denn Analysten mit dieser Situation um, bzw. behelfen die sich mit irgendwelchen Plausibilitätschecks? Oder wie kommt man darauf, dass es jetzt genauso sein muss, wie es jetzt da dargestellt wird?

Michael Obermaier (27:03.161)

Einerseits gibt es verschiedene Positivitätschecks, Möglichkeiten, verschiedene validierungstechtigen, Quatschvalidierung beispielsweise, die es möglich machen, KI -Ergebnisse zu überprüfen. Idealerweise ist so, dass du für KI -Modelle immer auch Trainingsdatensätze brauchst und Testdatensätze. Das heißt, wenn du so möchtest, einen klassischen AB -Test hinein, dann schaust du dir an,

Peter (27:25.568)

Mhm.

Michael Obermaier (27:31.737)

Wie verhält sich das Modell mit den Trainingsdaten setzen versus den Testdaten setzen und hast dadurch schon die Möglichkeit, eine Plausibilitätsüberprüfung durchzuführen.

Peter (27:42.912)

machen aber die modelle ja zum teil schon automatisiert im hintergrund also da brauche ich noch nicht mal den analisten dazu der der designt ja nichts mehr das wird ja schon ist es praktisch ja bestandteil des selbstlernprozesses dieses ab testing also dass das modell sich selber verbessert das heißt ich habe ja wieder ein ergebnis muss ich glauben ich habe im hintergrund übrigens 150 ab tests gemacht das passt believe me

Michael Obermaier (28:08.909)

Also ja, ja, ist richtig und es wird auch weiterhin Expertenwissen brauchen, um die Modelle auch sozusagen zu validieren, weil, und ich glaube, das warst du vorhin glaube ich schon ganz kurz erwähnt, diese Muster, die erkannt werden von den Modellen, haben wir die klassische Fragestellung, die uns natürlich immer rumtreibt zwischen Korrelation und Kausalität. Weil nur weil jetzt ein Muster da ist, heißt das ja noch nicht zwangsläufig, dass das Muster auch

Peter (28:36.524)

Hm?

Michael Obermaier (28:38.581)

valide ist. Das heißt, es wird nach wie vor sozusagen den Human in the Loop brauchen, auch in dem Fall, um hier sozusagen gewisse Sense Making zu tun und zu verstehen, ob das richtig sein kann. Und auf der anderen Seite gibt es auch noch die Möglichkeit der sogenannten interpretierbaren KI. Das heißt, es sind dann bestimmte Werkzeuge und Methoden, die dann auch sozusagen ein Warum hinter Beispielsein an Vorhersage hinterlegen, um

ein gewisses Vertrauen sozusagen auch in das Modell zu schüren. Das heißt, es wird idealerweise menschenverständlich konkret erklärt, warum bestimmte Attribute hier einen Einfluss haben oder auch nicht oder warum das Modell eben dieses oder jenes Modell gewählt wurde. Es gibt ja dann auch die Möglichkeit, weil das auf ein schon gesagt ist, dass bei umfangreicheren Projekten noch mehrere Modelle, die gegeneinander sozusagen in eine Art Rettbewerb geschickt werden, um zu schauen, welches Modell denn besser funktioniert. Auch das ist Teil...

sozusagen das interpretierbare KI zu erklären, warum wir uns jetzt wieder das eine und nicht das andere Modell wünschen.

Peter (29:41.451)

SAS hat ja die Traditionalisten genauso bedient wie jetzt die Early Adapters mit den KI Modellen. Aus deiner Erfahrung, was müssen denn klassische traditionelle Analysten, die eher noch aus der Statistik Ecke kommen, welche Fähigkeiten müssen die sich aneignen, damit die gut mit den neuen KI gestützten Modellen umgehen können?

Michael Obermaier (30:08.089)

Die Basics sind immer noch dieselben, Datenkompetenz. Ich muss nach wie vor in der Lage sein, zu verstehen, wie funktioniert Datenaufbereitung, Datenreinigung, Exploration. Das fällt nicht weg, auch wenn natürlich KI hier die Möglichkeit bietet, zu unterstützen. Das andere Thema hat die Frau schon ganz kurz angesprochen, kritisches Bewerten. Also diese Fähigkeit, auch die Ergebnisse der Modelle kritisch zu hinterfragen, wird nicht wegfallen. Das heißt,

Peter (30:24.099)

Mhm.

Michael Obermaier (30:37.433)

auch nach wie vor das Expertenwissen als notwendige, damit das für mich auch valide erscheint, was ich da sehe. Und wenn ich es nicht habe, dann muss ich es mir halt hinzuziehen. Und das dritte ist natürlich auch Verständnis von den KI -Grundlagen, also zu verstehen, wie funktioniert man schnelles Lernen, welche Algorithmen fallen da hinein und welche könnten denn für bestimmte Fragestellungen dann besser als andere geeignet sein. Wie gesagt, man kann sich das heute sehr, sehr leicht machen, wenn man so will.

indem man durch so genannte Champion Challenger Modelle schaut, welches der Modelle am besten funktioniert. Nichtsdestotrotz ist es wichtig und richtig zu verstehen, was man da eigentlich tut, weil sonst kommt kein vernünftiges Ergebnis raus.

Peter (31:21.936)

Jetzt kommen wir mal zum eigentlich wichtigsten Teil, nämlich die Nutzung und die Akzeptanz von KI -basierten Ergebnissen durch die Menschen, die eben keine Analysten sind. Weil früher hat der Fachverantwortliche gesagt, Statistik hatte ich an der Uni, bin ich froh, dass ich es nicht mehr machen muss. Dazu haben wir den Analysten und der soll mir jetzt sagen, was jetzt da rauskommt. Der Analyst ist aber mehr oder weniger entmündigt, weil das Modell ja vorgibt, dass das jetzt mehr oder weniger die zu bearbeitende Struktur ist und mit den entsprechenden Konsequenzen da draus.

Michael Obermaier (31:30.277)

Hmm.

Peter (31:52.103)

Der Filter eines Datenanalysten, wenn der sich hinstellt und sagt, kann ich auch nicht beurteilen, das hat das Ding selber gerechnet, ist ja so mittelüberzeugend. Ähm, wie gut geht man denn in der Praxis? Oder kennst du Beispiele, wo das zu einem Riesenproblem bereits geführt hat? Und wie kann man solche Probleme dann eigentlich beherrschen? Dass so diese persönliche Autorität von jemandem die Kompetenz wegfällt.

Michael Obermaier (32:17.405)

Ja.

Peter (32:21.863)

Maschine übernommen hat.

Michael Obermaier (32:25.553)

Das ist eine großartige und auch sehr berechtigte Frage, weil ich habe letztens auch kurz eine Studie gelesen, wo es waren vier von sechs Personen in den USA, muss man es vielleicht noch vorausschicken, nach wie vor der Meinung sind, dass die Ergebnisse von KI nicht vertrauenswürdig sind. Das unterstreicht sozusagen die These, dass wir hier noch viel zu tun haben. Ich möchte vielleicht ein konkretes Beispiel bringen von der rnv -Versicherung, die genau vor dieser

Peter (32:28.358)

Gien auch?

Michael Obermaier (32:54.617)

Aufgabenstellung oder Herausforderung möchte man fast schon sagen, gestanden sind. Die haben natürlich sogar den Next Best Offers berechnet für ihre Kunden und Kundinnen. Das ist ja im Versicherungsumfeld ganz normal. Und diese Next Best Offers wurden dann entsprechend ins Feld ausgespielt, um dort dann natürlich von den entsprechenden Agentinnen und Agenten, Versicherungsberaterinnen und Beratern bei den Kunden zu positionieren. Ursprünglich war

Peter (32:57.574)

Hm?

Peter (33:04.914)

Standard.

Michael Obermaier (33:21.719)

Die Erfolgsquote relativ überschaubar, weil es gefühlt relativ wenig Leute, dass diese diese Erfehlung angenommen haben. Jetzt hat man sich überlegt, wie können wir das besser machen? Wie können wir sozusagen die Leute motivieren, hier mehr mit diesen Empfehlungen zu arbeiten? Und weil man gewusst hat, dass die Leute von sich gesagt haben, naja, das ist ja mein Gebiet, das sind meine Kunden. Ich weiß ja, wenn ich was einbiete, wenn ich was verkaufe, ich brauche das nicht, sozusagen. Jetzt hat man begonnen.

Peter (33:21.807)

Mhm.

Peter (33:47.204)

Mhm.

Michael Obermaier (33:49.465)

zu machen und hat sozusagen dann einer Gruppe der Agentinnen und Agenten nach wie vor diese Next Best Offers ausgespielt und hat dazu aber immer auch mit einem kurzen Zweizeiler erklärt, warum dieses Angebot jetzt ausgewählt wurde für diesen speziellen Kunden, für diese spezielle Kundin. Also auch im Sinne der Sales Argumentation, wie würdest du das sozusagen das Produkt positionieren, um es für den Kunden personalisiert sozusagen zu machen.

In einer zweiten Gruppe hat man eben keine Angebote mehr ausgespielt und hat einfach mal geschaut, welche performt den Inhalt eines definierten Zeitraums besser, wer sozusagen hat den höheren Lift oder macht einfach mehr Abschlüsse. Jetzt betrat mal wie hoch das der Lift sozusagen war von den Kolleginnen und Kollegen, die die Next Best Offers genutzt haben.

Michael Obermaier (34:44.309)

Nicht schlecht, es waren tatsächlich 25%. Also schon eine beachtliche, höhere Abschlussquote. Und deshalb natürlich...

Peter (34:49.09)

Was?

Es ist auf jeden Fall so deutlich, dass man sagt, es weist nach, dass das ein wesentlich besserer Ergebnis ist.

Michael Obermaier (34:58.329)

Genau, und das hat auf jeden Fall geholfen in der Akzeptanz sozusagen in der Organisation zu sagen, wenn die Kolleginnen und Kollegen da 25 Prozent mehr Erfolg haben, wer will das nicht? Und ich glaube, das sind so diese Masern, die man treffen kann, indem man diese vielleicht noch abstrakten vorgegebenen Empfehlungen ein bisschen nahbarer macht, indem man es einfach erklärt. Und den Leuten sagt, das waren die Gründe, warum wir zu diesem Schluss gehen.

Peter (35:26.689)

sehr schönes Beispiel und im Prinzip ja übertragbar auf viele andere Branchen auch. Zumindest in dem Fall, wo ich noch einen persönlichen Außendienst habe oder persönliche Vertriebsmannschaften habe. Weil im rein technischen Bereich läuft es ja sowieso automatisiert.

Abschließend würde mich jetzt deine persönliche Einschätzung noch interessieren, wenn du dir KI im Data Analytics Bereich heute anschaust und dir vorstellst, wo wohl in fünf Jahren sind. Ist die ganze Dynamik bei den Methoden eigentlich schon passiert und wir sind jetzt mehr in der Adaption? Also es wäre

oder erwartest du auch noch eine gewisse

Michael Obermaier (36:07.333)

Also was tatsächlich massiv angeschoben hat, war einfach mal das Verständnis für das Thema. Ich glaube, das Generative AI und jetzt JetGPT und all diese Derivate haben im Sinne der was möglich ist und vielleicht auch ein bisschen das Thema Akzeptanz massiv angeschoben auf der einen Seite. Das hat man

hat man gesehen, dass jetzt viel mehr Unternehmen sich mit diesem Thema auseinandersetzen. Und da passiert sehr viel sozusagen in den Organisationen, Projekte zur Optimierung heranzuziehen. Was ich glaube, was mehr passieren wird, ist sozusagen, das habe ich kurz schon erwähnt, im Sinne des Ausschöpfens der Möglichkeiten, die da sind. Also wir haben ja eine Welt, in der

jeden Tag exponentiell sozusagen die Menge an Daten steigt. Das heißt, das Bewerkstelligen und sozusagen das Verarbeiten und die Insights produzieren dieser Daten, das wird die größte Herausforderung werden, sinnvolle Insights sozusagen rauszuziehen. Und das geht am Ende des Tages und wenn man entsprechende Rechenleistung, die darunter steckt. Ich glaube, da wird sicher der größte Treiber sein, dass eben diese Optimierung der Hardware und die Optimierung sozusagen dieser Datenverarbeitung den größten Wert.

Peter (37:11.894)

Das war's für heute. Bis zum nächsten Mal.

Peter (37:26.045)

Das war's

Michael Obermaier (37:30.713)

produzieren wird. Ich bin jetzt kein Data Scientist, das wäre schon vorausgeschickt. Das heißt, vielleicht gibt es noch die eine oder andere spannende Methode, die wir zukünftig rausentwickeln werden. Ich glaube, momentan ist der größte Hebel und der größte Treiber sozusagen die Möglichkeit, mehr Daten in kürzerer Zeit zu verarbeiten und dadurch sozusagen auch die Insights schneller zu produzieren und im Sinne der Custom Experience sozusagen dann auch wesentlich schneller entscheidungsfähig zu sein.

und schneller am Ort des Geschehens in dem Kontext, wo es relevant ist, fliegt, sozusagen.

Peter (38:08.891)

Jetzt haben wir in einem ganz dicken Brett beide rumgebohrt und ich hoffe, wir haben ganz vielen Menschen die Augen geöffnet, was da geht, was nicht geht, wie sich es entwickelt. Und da danke ich dir ganz herzlich dafür, dass du da so offen auch die Praxisbeispiele gezeigt hast, weil das sind die, an denen man am besten erkennen kann, was eben heute schon funktioniert und was nicht funktioniert. Ganz herzlichen Dank, Michael. Ich freue mich schon auf eine nächste Sendung, spätestens in zwei Jahren, wo wir dann schauen, in welche Richtung sich das alles entwickelt.

Michael Obermaier (38:37.689)

Sehr sehr gerne Peter, danke für die Einladung.

Peter (38:41.435)

Guuuut.