Machine Learning Verfahren: Passender Ansatz für KMU

Machine Learning ist in vielen Unternehmen angekommen. Die Begriffe sind bekannt, erste Ideen sind oft vorhanden, und nicht selten gibt es bereits Druck, «etwas mit KI» zu tun. Schwieriger wird es bei der Frage, welches Machine-Learning-Verfahren überhaupt zur eigenen Problemstellung passt.

Genau hier entstehen in KMU häufig Fehlentscheide. Ein Team möchte Verkaufszahlen prognostizieren, spricht aber über Kundensegmente. Ein anderer Bereich will Ausreisser in Produktionsdaten erkennen, denkt aber zuerst an Vorhersagemodelle. Wieder andere prüfen Reinforcement Learning, obwohl es eigentlich nur um eine einfache Klassifikation geht.

Der zentrale Punkt ist einfach: Nicht jedes geschäftliche Problem braucht denselben ML-Ansatz. Ob Supervised Learning, Unsupervised Learning oder Reinforcement Learning sinnvoll ist, hängt nicht von Trends ab, sondern von Ziel, Datenlage und Prozesslogik.

Dieser Beitrag ordnet die drei Grundarten von Machine Learning praxisnah ein und zeigt, welche Verfahren zu typischen Business-Fragen in Schweizer KMU passen.

Warum die Wahl des ML-Verfahrens über den Projekterfolg entscheidet

Viele Machine-Learning-Projekte scheitern nicht an der Technik, sondern bereits an einer unklaren Ausgangsfrage. Wenn das eigentliche Geschäftsproblem nicht sauber beschrieben ist, wird oft ein falscher Ansatz gewählt.

Ein typisches Beispiel: Ein Unternehmen möchte den künftigen Bedarf an Ersatzteilen besser planen. Das ist grundsätzlich ein Prognoseproblem. Gesucht ist also eine Schätzung für einen zukünftigen Wert, etwa Nachfrage pro Woche oder Monat. Wenn in dieser Situation stattdessen zuerst Kundengruppen oder Produktgruppen geclustert werden, kann das zwar interessante Muster liefern, löst aber die Kernfrage noch nicht. Das Verfahren passt dann nicht zur Entscheidung, die im Alltag getroffen werden muss.

Für Geschäftsführung, IT und Operations ist deshalb weniger wichtig, welcher Fachbegriff modern klingt. Entscheidend ist, welche Art von Entscheidung oder Erkenntnis gebraucht wird:

• Soll ein bekannter Zielwert vorhergesagt werden?

• Sollen Daten in sinnvolle Gruppen strukturiert werden?

• Sollen Auffälligkeiten erkannt werden?

• Oder geht es darum, eine Abfolge von Entscheidungen laufend zu verbessern?

Diese Unterscheidung ist nicht akademisch. Sie beeinflusst direkt, welche Daten nötig sind, wie aufwendig ein Projekt wird und ob ein Modell im Betrieb überhaupt einen Nutzen bringt.

Gerade in KMU ist dieser Punkt zentral. Ressourcen sind begrenzt, Fachbereiche erwarten zurecht einen konkreten Mehrwert, und IT-seitig muss eine Lösung in bestehende Prozesse passen. Ein sauber gewählter Ansatz spart deshalb nicht nur Entwicklungsaufwand, sondern erhöht die Chance, dass aus einer Idee ein tragfähiger Anwendungsfall wird.

Supervised Learning: Wenn es bereits Beispiele mit richtigen Ergebnissen gibt

Supervised Learning, also überwachtes Lernen, ist dann passend, wenn es Vergangenheitsdaten mit bekannten Ergebnissen gibt. Das Modell lernt also aus Beispielen, bei denen bereits klar ist, was das richtige Resultat war.

Vereinfacht gesagt: Es gibt Eingabedaten und dazu einen bekannten Zielwert. Das Modell sucht den Zusammenhang zwischen beidem, um künftige Fälle besser einschätzen zu können.

Typische Business-Fragen für Supervised Learning

Supervised Learning ist besonders geeignet für zwei Problemarten:

• Klassifikation: Eine Zuordnung zu einer Kategorie

• Regression: Die Vorhersage eines numerischen Werts

Bei der Klassifikation geht es um Fragen wie:

• Ist diese E-Mail Spam oder nicht?

• Ist eine Buchung wahrscheinlich fehlerhaft oder unauffällig?

• Ist ein Lead eher vielversprechend oder eher nicht?

• Ist ein Kunde kündigungsgefährdet?

Hier ist das Ziel nicht eine Zahl, sondern eine Klasse oder Kategorie.

Bei der Regression geht es um Fragen wie:

• Wie hoch wird die Nachfrage im nächsten Monat sein?

• Wie wahrscheinlich ist ein Ausfall einer Maschine innerhalb eines bestimmten Zeitraums?

• Wie lange dauert ein Prozessschritt voraussichtlich?

• Welchen Umsatzbeitrag kann ein Kunde oder Auftrag bringen?

Hier ist das Ziel ein Wert, eine Menge oder eine Wahrscheinlichkeit.

Was dafür vorhanden sein muss

Der entscheidende Punkt bei Supervised Learning ist die Verfügbarkeit von gelabelten Daten. Es braucht historische Beispiele, bei denen das gewünschte Ergebnis bereits bekannt ist.

Für eine Nachfrageprognose sind das zum Beispiel frühere Verkaufszahlen inklusive Einflussfaktoren wie Saison, Aktionen, Lieferengpässe oder Kundengruppen. Für Betrugserkennung braucht es Fälle, die als betrügerisch oder unauffällig eingeordnet wurden. Für Lead-Priorisierung braucht es Rückmeldungen dazu, welche Leads tatsächlich zu Aufträgen geführt haben.

Ohne solche Beispiele wird Supervised Learning schwierig oder nur sehr eingeschränkt sinnvoll. Viele Unternehmen stellen hier fest: Die Datenmenge ist zwar gross, aber die Zielgrössen wurden bisher nicht sauber erfasst.

Wo Supervised Learning in KMU oft sinnvoll ist

In KMU ist überwachtes Lernen häufig dort nützlich, wo bereits ein strukturierter Prozess mit wiederkehrenden Entscheidungen besteht. Beispiele sind:

• Absatz- und Bedarfsprognosen

• Priorisierung von Vertriebschancen

• Einschätzung von Ausfall- oder Qualitätsrisiken

• Vorhersage von Lieferverzögerungen

• Bewertung von Supportanfragen nach Dringlichkeit

Supervised Learning ist oft der naheliegende Ansatz, wenn ein Unternehmen sagt: «Es gibt diese Entscheidung schon heute, aber sie soll datenbasierter, schneller oder konsistenter werden.»

Wichtig bleibt aber: Ein Modell ersetzt keinen unklaren Prozess. Wenn intern nicht definiert ist, was überhaupt als guter Lead, als Risiko oder als kritischer Fall gilt, wird auch das ML-Verfahren keine verlässliche Grundlage schaffen.

Unsupervised Learning: Muster, Gruppen und Auffälligkeiten in Daten finden

Unsupervised Learning, also unüberwachtes Lernen, arbeitet ohne vorab definierte Zielwerte. Das Verfahren sucht in Daten nach Strukturen, Ähnlichkeiten und Auffälligkeiten, ohne dass für jeden Fall bereits die «richtige Antwort» bekannt ist.

Das ist besonders hilfreich, wenn ein Unternehmen zwar viele Daten hat, aber noch nicht genau weiss, welche Muster darin stecken oder wie sich Fälle sinnvoll unterscheiden lassen.

Clustering: Ähnliche Fälle zusammenfassen

Ein klassischer Anwendungsfall ist das Clustering. Dabei werden Datenpunkte so gruppiert, dass ähnliche Fälle zusammenliegen.

Für KMU kann das in verschiedenen Kontexten nützlich sein:

• Kundensegmente mit ähnlichem Kaufverhalten erkennen

• Produktgruppen mit ähnlichen Nachfragemustern identifizieren

• Prozessfälle nach Bearbeitungsart oder Durchlaufverhalten strukturieren

• Lieferanten nach Risiko- oder Leistungsprofil einteilen

Der Nutzen entsteht aber nicht automatisch aus dem Clustering selbst. Die Gruppen müssen fachlich interpretiert werden. Ein Algorithmus kann zeigen, dass es drei oder fünf unterschiedliche Muster gibt. Ob diese Muster geschäftlich relevant sind und wie daraus Massnahmen abgeleitet werden, muss der Fachbereich beurteilen.

Anomalieerkennung: Ungewöhnliche Fälle sichtbar machen

Ein weiterer zentraler Bereich ist die Anomalieerkennung. Hier geht es darum, ungewöhnliche Werte oder Verläufe zu finden, die vom normalen Muster abweichen.

Beispiele aus dem KMU-Alltag:

• Ungewöhnliche Buchungen im Finanzbereich

• Auffällige Maschinenwerte in der Produktion

• Prozessfälle mit deutlich längerer Durchlaufzeit

• Bestellungen, die vom üblichen Verhalten eines Kunden abweichen

• Unplausible Stammdatenänderungen

Gerade wenn es nur wenige eindeutig bekannte Fehlfälle gibt, kann Unsupervised Learning hilfreich sein, um Auffälligkeiten zuerst sichtbar zu machen. Es ersetzt allerdings nicht die fachliche Prüfung. Nicht jede statistische Abweichung ist automatisch ein relevantes Problem.

Wann Unsupervised Learning besonders sinnvoll ist

Unsupervised Learning ist vor allem dann nützlich, wenn ein Unternehmen zunächst verstehen will, wie die Datenlandschaft überhaupt aussieht. Das kann ein guter erster Schritt vor einer eigentlichen Automatisierung sein.

Im Umfeld von Automatisierung und KI spielt dieser Ansatz oft eine wichtige Rolle, weil er hilft, Prozesse und Datenmuster zuerst zu strukturieren, bevor konkrete Vorhersagen oder Entscheidungen automatisiert werden.

Das ist auch der Grund, warum unüberwachtes Lernen in frühen Projektphasen oft wertvoll ist: Es schafft Orientierung. Es ist aber nicht automatisch die beste Wahl für operative Entscheide, bei denen ein klarer Zielwert vorhergesagt werden soll.

Reinforcement Learning: Wenn Entscheidungen in einer Abfolge optimiert werden sollen

Reinforcement Learning, also bestärkendes Lernen, ist im Unternehmenskontext ein speziellerer Ansatz. Er passt dann, wenn ein System Schritt für Schritt Entscheidungen trifft und aus Rückmeldungen lernt, welche Handlungen langfristig zu besseren Ergebnissen führen.

Der Unterschied zu den anderen Verfahren ist wichtig: Es geht hier nicht primär um einmalige Vorhersagen oder das Finden von Gruppen. Es geht um wiederholte Entscheidungen in einer Abfolge, bei denen jede Handlung spätere Möglichkeiten beeinflusst.

Wie Reinforcement Learning vereinfacht funktioniert

Ein System probiert Handlungen aus, erhält dafür eine Rückmeldung und passt sein Verhalten schrittweise an. Gute Entscheidungen werden verstärkt, schlechte abgeschwächt.

Im Business-Umfeld braucht es dafür eine klare Zielfunktion. Es muss also definiert sein, was «besser» bedeutet. Zum Beispiel:

• tiefere Lagerkosten bei gleichbleibender Lieferfähigkeit

• bessere Ressourcenauslastung

• kürzere Durchlaufzeiten

• höhere Reaktionsqualität bei mehreren Handlungsmöglichkeiten

Ohne eine saubere Zieldefinition ist Reinforcement Learning kaum sinnvoll einsetzbar.

Mögliche Einsatzfelder in Unternehmen

Reinforcement Learning kann für bestimmte Geschäftsprobleme interessant sein, etwa bei:

• Bestandssteuerung mit laufenden Nachbestellentscheidungen

• Einsatzplanung von Personal oder Maschinen

• dynamischen Empfehlungen in digitalen Kanälen

• Optimierung mehrstufiger Prozesse

• Steuerung von Abläufen mit wiederkehrenden Rückmeldungen

Ein Beispiel: In der Bestandsplanung beeinflusst jede Nachbestellung die Lagerkosten, die Verfügbarkeit und spätere Entscheidungen. Wenn das Ziel nicht nur eine Prognose, sondern eine laufende Optimierung der Bestellentscheide ist, kann Reinforcement Learning theoretisch passen.

Warum RL nicht der Standardfall im KMU ist

Für viele KMU ist Reinforcement Learning nicht der erste sinnvolle Einstieg in Machine Learning. Der Aufwand ist meist höher, die Zieldefinition anspruchsvoller, und die Anforderungen an Prozessverständnis und Daten sind grösser.

Oft reicht für den Anfang bereits ein gut gemachtes Prognose- oder Klassifikationsmodell. Erst wenn Entscheidungen tatsächlich dynamisch und sequenziell optimiert werden sollen, wird Reinforcement Learning relevant.

Deshalb sollte RL nicht als Standardlösung für allgemeine Vorhersagen verstanden werden. Es ist eher ein Spezialfall für Situationen, in denen wiederholte Entscheidungen mit klar messbarem Feedback im Zentrum stehen.

Welches ML-Verfahren passt zu welcher Business-Frage?

Für die Praxis hilft weniger eine theoretische Definition als eine klare Zuordnung typischer Problemklassen.

Wenn ein bekannter Zielwert vorhergesagt werden soll

Sobald die Frage lautet «Was wird passieren?» oder «Zu welcher Kategorie gehört dieser Fall?», ist meist Supervised Learning die richtige Richtung.

Typische Fragen:

• Welche Kunden werden voraussichtlich abspringen?

• Wie hoch wird die Nachfrage nächste Woche sein?

• Welche Anfragen sind besonders dringend?

• Welche Aufträge bergen ein erhöhtes Verzögerungsrisiko?

Dahinter stehen Klassifikation und Regression. Voraussetzung ist immer, dass historische Beispiele mit bekannten Ergebnissen vorhanden sind.

Wenn Daten strukturiert oder verstanden werden sollen

Wenn die Frage eher lautet «Welche Muster gibt es in den Daten?» oder «Welche Fälle verhalten sich ähnlich?», spricht vieles für Unsupervised Learning.

Typische Fragen:

• Welche Kundengruppen zeigen ein ähnliches Bestellverhalten?

• Welche Prozessverläufe kommen in der Praxis tatsächlich vor?

• Welche Maschinenwerte weichen deutlich vom Normalzustand ab?

• Wo gibt es ungewöhnliche Buchungen oder Transaktionen?

Hier geht es um Clustering oder Anomalieerkennung. Das Ziel ist oft, Transparenz zu schaffen, Hypothesen zu bilden oder Auffälligkeiten systematisch sichtbar zu machen.

Wenn eine Folge von Entscheidungen verbessert werden soll

Wenn die Kernfrage lautet «Welche Handlung führt über mehrere Schritte hinweg zum besten Ergebnis?», kann Reinforcement Learning passend sein.

Typische Fragen:

• Wie soll ein Bestand laufend gesteuert werden?

• Wie können Ressourcen unter wechselnden Bedingungen besser zugeteilt werden?

• Wie lässt sich ein Prozess so steuern, dass ein Gesamtziel optimiert wird?

Hier braucht es nicht nur Daten, sondern auch eine messbare Rückmeldung und einen ausreichend stabilen Prozessrahmen.

Die wichtigste Erkenntnis für Unternehmen lautet daher: Nicht das Verfahren steht am Anfang, sondern die Business-Frage. Erst wenn klar ist, welche Art von Problem vorliegt, lässt sich ein passender ML-Ansatz seriös einordnen.

Welche Kriterien KMU vor der Wahl des Ansatzes prüfen sollten

Bevor ein Unternehmen sich für ein bestimmtes Machine-Learning-Verfahren entscheidet, sollte es einige grundlegende Kriterien prüfen. Diese Vorarbeit ist oft entscheidender als die spätere Modellwahl.

Datenverfügbarkeit und Datenqualität

Die erste Frage lautet nicht, ob KI grundsätzlich interessant ist, sondern ob die nötigen Daten überhaupt vorhanden und brauchbar sind.

Dabei geht es um Punkte wie:

• Gibt es ausreichend historische Daten?

• Sind die Daten konsistent erfasst?

• Fehlen wichtige Informationen?

• Gibt es eine nutzbare Zielgrösse?

• Sind die Daten für den konkreten Prozess aktuell genug?

Mehr Daten helfen nur dann, wenn sie auch relevant und sauber sind. Ein grosser Datenbestand mit Lücken, Inkonsistenzen oder unscharfen Definitionen bringt wenig.

Gibt es ein klares Ziel?

Ohne saubere Zielklärung ist keine seriöse Empfehlung möglich. Ein Unternehmen muss benennen können, was verbessert werden soll:

• bessere Prognosen

• weniger Fehler

• frühere Erkennung von Risiken

• gezieltere Priorisierung

• effizientere Steuerung eines Ablaufs

Ebenso wichtig ist die Frage, woran Erfolg gemessen wird. Wer keine klare Zielgrösse definieren kann, sollte noch nicht über das Verfahren diskutieren, sondern zuerst die Problemdefinition schärfen.

Prozessreife und Umsetzbarkeit

Machine Learning funktioniert am besten dort, wo bereits ein halbwegs stabiler Prozess vorhanden ist. Wenn Abläufe permanent wechseln, Zuständigkeiten unklar sind oder Daten nur informell gepflegt werden, wird die Einführung schwierig.

Gerade an der Schnittstelle von Fachbereich, IT und Digitalisierung zeigt sich, ob ein Vorhaben realistisch ist. Fachbereiche kennen die Entscheidungslogik, IT kennt die Datenquellen, Systemgrenzen und Integrationsfragen. Ohne dieses Zusammenspiel bleibt ein ML-Projekt oft theoretisch.

Nutzenpotenzial vor Technikbegeisterung

Nicht jede interessante Analyse ist auch wirtschaftlich relevant. KMU sollten deshalb früh prüfen:

• Wie häufig tritt das Problem auf?

• Wie hoch ist der Schaden oder Aufwand heute?

• Wie stark könnte eine bessere Entscheidung den Prozess verbessern?

• Lässt sich die Lösung später im Alltag wirklich nutzen?

Manche Vorhaben sind technisch möglich, aber wirtschaftlich wenig sinnvoll. Andere bringen schon mit einfachen Methoden einen klaren Mehrwert. Deshalb ist die Auswahl des Ansatzes immer auch eine Priorisierungsfrage.

Typische Fehlannahmen bei Machine-Learning-Projekten im KMU

Rund um Machine Learning kursieren viele vereinfachte Vorstellungen. Einige davon erschweren in Unternehmen eine nüchterne Bewertung.

Mehr Daten bedeuten nicht automatisch bessere Resultate

Eine grosse Datenmenge klingt gut, ist aber kein Garant für Qualität. Wenn die Zielgrösse unklar ist, Felder inkonsistent gepflegt wurden oder relevante Einflussfaktoren fehlen, verbessert auch mehr Datenvolumen das Ergebnis nicht wesentlich.

Oft ist ein kleinerer, gut strukturierter Datensatz wertvoller als ein grosser, aber unsauberer Bestand.

Nicht jedes Problem ist ein Vorhersageproblem

Viele ML-Initiativen starten mit der Idee, etwas prognostizieren zu wollen. In der Praxis geht es aber oft eher um Segmentierung, Transparenz, Priorisierung oder das Erkennen von Auffälligkeiten.

Wer jedes Problem als Forecasting-Frage formuliert, übersieht andere sinnvolle Ansätze. Genau deshalb ist die Unterscheidung zwischen Supervised Learning, Unsupervised Learning und Reinforcement Learning so wichtig.

Einfache Analysen können sehr wertvoll sein

Nicht jeder nützliche KI-Anwendungsfall braucht komplexe Modelle. In vielen KMU entsteht der grösste Nutzen zunächst durch bessere Datentransparenz, einfache Mustererkennung oder klar definierte Entscheidungsregeln.

Machine Learning sollte dort eingesetzt werden, wo es einen zusätzlichen Mehrwert bringt, nicht dort, wo klassische Analysen bereits ausreichen.

Breite KI-Versprechen sind schlechter als ein klarer Pilot

Ein enger Pilot mit sauber definiertem Geschäftsziel ist meist sinnvoller als ein breit formuliertes Vorhaben ohne klaren Nutzen. Das gilt besonders in KMU, wo Zeit, Budget und personelle Ressourcen gezielt eingesetzt werden müssen.

Besser ist ein überschaubarer Start mit einer konkreten Frage, etwa zur Bedarfsprognose, zur Priorisierung von Fällen oder zur Erkennung von Auffälligkeiten. So lässt sich prüfen, ob Daten, Prozess und Nutzen tatsächlich zusammenpassen.

Häufig gestellte Fragen

Woran erkennt man, ob ein Problem mit Supervised Learning lösbar ist?

Ein Problem eignet sich meist für Supervised Learning, wenn historische Beispiele mit bekanntem Ergebnis vorhanden sind. Das ist etwa der Fall, wenn frühere Verkäufe, Ausfälle, Kündigungen oder klassifizierte Anfragen dokumentiert wurden. Wenn ein Unternehmen also sagen kann, welche Eingaben vorlagen und was am Ende herauskam, ist überwachtes Lernen oft ein sinnvoller Ansatz.

Wann ist Unsupervised Learning für ein KMU sinnvoller als eine klassische Vorhersage?

Unsupervised Learning ist dann sinnvoller, wenn noch kein klarer Zielwert vorliegt oder zuerst Muster in den Daten verstanden werden sollen. Das betrifft etwa Kundensegmente, Prozessvarianten oder ungewöhnliche Verläufe. Wenn die eigentliche Frage lautet, wie sich Daten strukturieren oder wo Auffälligkeiten liegen, ist unüberwachtes Lernen oft passender als eine klassische Vorhersage.

Für welche Geschäftsprobleme eignet sich Reinforcement Learning überhaupt?

Reinforcement Learning eignet sich für Probleme mit wiederholten Entscheidungen, bei denen Handlungen laufend angepasst und anhand von Rückmeldungen verbessert werden können. Typische Beispiele sind Bestandssteuerung, Einsatzplanung oder bestimmte Formen der Prozessoptimierung. Für einfache Prognosen oder einmalige Klassifikationen ist RL in der Regel nicht der richtige Standardansatz.

Braucht man für Machine-Learning-Projekte immer viele Daten?

Nein. Wichtiger als die reine Menge sind Relevanz, Qualität und Struktur der Daten. Für manche Anwendungsfälle reichen bereits überschaubare, aber gut gepflegte Datensätze. Umgekehrt bringen grosse Datenmengen wenig, wenn wichtige Felder fehlen oder Zielgrössen nicht sauber definiert wurden. Ein realistisches Projekt beginnt deshalb mit einer Prüfung der Datenbasis, nicht mit einer pauschalen Mengenfrage.

Ist Anomalieerkennung eher ein Fall für überwachtes oder unüberwachtes Lernen?

Beides ist möglich, in KMU ist Anomalieerkennung aber oft zunächst ein Fall für Unsupervised Learning. Das gilt vor allem dann, wenn es nur wenige oder gar keine gelabelten Fehlfälle gibt. Dann lassen sich ungewöhnliche Muster zuerst ohne bekannte Zielwerte erkennen. Wenn später genügend bestätigte Beispiele für problematische Fälle vorliegen, kann auch ein überwachter Ansatz sinnvoll werden.

Wie prüft ein KMU, ob ein ML-Projekt realistisch und wirtschaftlich ist?

Ein KMU sollte die Fragestellung, die Datenlage, die Prozessreife und den erwarteten Nutzen gemeinsam betrachten. Entscheidend sind unter anderem: Gibt es ein klares Ziel? Sind brauchbare Daten vorhanden? Ist der Prozess stabil genug? Und ist der mögliche Mehrwert gross genug, um Aufwand und Einführung zu rechtfertigen? Eine strukturierte Vorprüfung ist meist sinnvoller als ein direkter Start mit einer technischen Lösung.

Nächster Schritt: die eigene Ausgangslage strukturiert prüfen

Die Wahl zwischen Supervised Learning, Unsupervised Learning und Reinforcement Learning sollte nicht aus Begriffen oder Trends heraus erfolgen. Entscheidend ist, welche Business-Frage gelöst werden soll, welche Daten vorhanden sind und wie reif der zugrunde liegende Prozess bereits ist.

Gerade für KMU lohnt sich deshalb eine nüchterne Standortbestimmung. Nicht jede Fragestellung braucht ein komplexes Modell. Und nicht jedes datengetriebene Vorhaben ist ohne Vorarbeit umsetzbar. Umgekehrt gibt es oft konkrete Machine-Learning-Anwendungsfälle, die mit klarer Zielsetzung und realistischer Datenbasis gut erschlossen werden können.

Ein sinnvoller nächster Schritt ist eine strukturierte Potenzialanalyse. Sie hilft dabei, die eigene Ausgangslage einzuordnen, geeignete Anwendungsfälle zu erkennen und zu priorisieren sowie realistisch zu prüfen, ob im konkreten Prozess eher Supervised Learning, Unsupervised Learning oder Reinforcement Learning echten Nutzen stiften kann.

Weitere Informationen zur Potenzialanalyse zeigen, wie diese erste Standortbestimmung aufgebaut ist und worauf es bei der Auswahl passender KI- und ML-Ansätze im Unternehmen ankommt.