Hightech-Lösungen
KI-gestützte Consumer Intelligence für einen US-amerikanischen Technologieführer
Erfolgsgeschichte
Scalefocus nutzte das eigene KI-Adoptionsframework, um schnell messbare Ergebnisse zu erzielen und die Consumer-Intelligence-Plattform des Kunden in die Lage zu versetzen, aufkommende Mikrotrends in Echtzeit zu identifizieren. Die KI-Lösung verfolgt das Ziel, den Kunden des Kunden – großen Weltmarken aus verschiedenen Branchen – einen Wettbewerbsvorteil zu verschaffen. Dazu werden umfangreiche Verbrauchersignale aus sozialen Medien sowie aus Online- und Offline-Quellen erfasst, verarbeitet und analysiert.
Um verwertbare Erkenntnisse zu gewinnen, musste die Plattform ein völlig neues Niveau an Agilität und Präzision erreichen und die KI-Modelle kontinuierlich an eine sich ständig verändernde Datenlandschaft anpassen.
Skalierbare und
effiziente MLOps
Kontinuierliche Verbesserung der KI-Modelle
Verbesserte Nutzererfahrung
Der Kunde
Ein führendes US-amerikanisches Technologieunternehmen, das Künstliche Intelligenz (KI) und Big Data einsetzt, um den weltgrößten Marken und öffentlichen Institutionen zu helfen, Trends und Narrative in großem Maßstab über beliebige Quellen, Märkte und Branchen hinweg zu verstehen. Die Intelligence-Amplification-Plattform des Unternehmens nutzt ML-Techniken und menschliche Metadaten, um Verbraucherverhalten zu analysieren und vorherzusagen.
Die Herausforderung
Erfassung und Verarbeitung umfangreicher Datenströme
Die KI-Lösungen des Kunden erfassen und verarbeiten effektiv große Mengen heterogener Datenströme aus verschiedenen Quellen – darunter soziale Medien wie X und Instagram sowie Online- und Offline-Interaktionen – um umfassende Verbrauchersignale zu gewinnen. Sie definieren, was gerade im Trend liegt, aus welchen Gründen und wie wahrscheinlich eine weitere Verbreitung ist. Diese Datenmassen mussten nach Standorten und Produkttypen segmentiert werden, um regionale Trends zu erkennen, effiziente Strategien zu entwickeln und maßgeschneiderte Marketingkampagnen zu ermöglichen.
Datenqualität und Rauschreduzierung
Qualitätskontrolle ist bei so vielen Datenströmen aus verschiedenen Quellen und Dutzenden Millionen von Verbrauchersignalen entscheidend. In einem Geschäftsfeld mit kaum Spielraum für Fehler barg die schiere Datenmenge zahlreiche Szenarien, in denen die Präzision gefährdet werden konnte. Deshalb mussten Scalefocus und der Kunde die Herausforderung der Datenqualitätssicherung und der Rauschreduzierung in den gesammelten Daten angehen, da schlechte Datenqualität zu falschen Erkenntnissen und Falschpositiven führt. Viele Aspekte der Analyse mussten daher früh im Prozess automatisiert werden – teilweise mithilfe von KI.
Signalerkennung und -interpretation
Ebenso kritisch war die Entwicklung von Algorithmen und Modellen, die relevante Verbrauchersignale aus dem Rauschen herausfiltern und interpretieren können. Da die ML-Modelle des Kunden nicht präzise genug waren, identifizierte das Scalefocus-Team die am besten geeigneten Large Language Models (LLM) und feinabstimmte sie für den konkreten Anwendungsfall. Die höhere Präzision sollte Fehlinterpretationen von Verbrauchersignalen verhindern und die Datenqualität sicherstellen.
Skalierbarkeit und Performance
Echte Skalierbarkeit funktioniert in beide Richtungen. Das Scalefocus-Team musste ein skalierbares, hochleistungsfähiges System entwerfen und betreiben, das die Verarbeitung und Analyse der Daten bewältigen kann. Da die enormen Datenmengen erheblich schwanken können, musste die Plattform nicht nur damit umgehen können, sondern auch Ressourcen optimieren, Effizienz steigern und Kosten senken.
Echtzeit-Analyse
Die Fähigkeit zur Echtzeit-Analyse von Verbrauchersignalen war ebenfalls unabdingbar, um schnell auf aufkommende Trends reagieren zu können. Je früher Mikrotrends erkannt werden, desto zeitgemäßer sind Entscheidungen – was Unternehmen stets einen Vorsprung verschafft, um Kampagnen zu optimieren, einen entscheidenden Vorteil in einem hochdynamischen Markt zu erlangen und den Return on Investment zu steigern.
Die Lösung
Interdisziplinäres Team
Scalefocus stellte ein funktionsübergreifendes Team aus Data Scientists, ML- und Data Engineers sowie Fachspezialisten zusammen. Dies war notwendig, um alle Möglichkeiten zu identifizieren und Verbrauchersignale effektiv zu interpretieren. Ergänzt wurde das Team durch Quality Engineers, Frontend-Entwickler und UI/UX-Designer. Nur ein Team dieser Größe und Vielfalt konnte die zahlreichen Herausforderungen lösen, denn die Datenmenge, die von KI/ML-Mechanismen vorverarbeitet und angepasst werden musste, war erheblich.
MLOps-Implementierung
Der kritischste Teil des Projekts war der Aufbau eines durchgehenden MLOps-Frameworks zur Optimierung des ML-Entwicklungs- und Bereitstellungsprozesses. Dazu gehörten die Einrichtung eines Testprozesses, die Sicherstellung der Modellgenauigkeit und -performance, Optimierungen, Parameteranpassungen und erneutes Testen nach der Bereitstellung. Der MLOps-Prozess war komplex und aufwändig, verbesserte jedoch die Wartbarkeit und Beobachtbarkeit des KI-Teilsystems erheblich. Das Ergebnis hing vollständig davon ab, dass das KI-Lernmodell alle Mikrotrends erfasst und in verwertbare Erkenntnisse umwandelt.
Cloud und Skalierbarkeit
Die Scalefocus-Experten nutzten Cloud-Computing-Dienste, um skalierbare und hochleistungsfähige Datenverarbeitung, -speicherung und -analyse sicherzustellen. Angesichts der Datenmenge war die Optimierung der Cloud-Nutzung zur Kosten- und Zeitersparnis entscheidend. Das Team bewältigte alle Herausforderungen, darunter auch erhebliche Probleme im Zusammenhang mit Migrationen zwischen Google und AWS.
A/B-Testing und Experimentieren
Das Team setzte A/B-Testing und Experimentier-Methoden ein, um Hypothesen zu validieren, Strategien zu optimieren und die Consumer Intelligence kontinuierlich zu verbessern. Auf diese Weise wurden die ML-Mechanismen trainiert, Schlussfolgerungen auf Basis der Datenströme zu ziehen und deren Gültigkeit durch alternative Streams zu bestätigen.
Durch den Einsatz des Scalefocus-KI-Adoptionsframeworks wurde dem Kunden geholfen, seine Optionen und Abwägungen zu bewerten, die besten verfügbaren KI-Fähigkeiten zu nutzen und die Systemkapazitäten kontinuierlich auszubauen. Als Ergebnis verbesserten sich Geschwindigkeit und Präzision der Consumer-Intelligence-Plattform bei der Identifizierung und Kommunikation von Mikrotrends erheblich. Die Plattform kann nun nicht nur enorme Datenmengen verarbeiten, sondern analysiert diese in Echtzeit und skaliert bedarfsgerecht – ohne Qualitätseinbußen – und liefert verwertbare Erkenntnisse.
Die Ergebnisse
- Skalierbare und effiziente MLOps: Kontinuierliches Monitoring und Optimierung machten MLOps deutlich skalierbarer und produktiver. KI/ML-Modelle werden mit wachsenden Datenmengen präziser. Das Team nutzte zudem hochwertige Daten aus Online-Enzyklopädien, um die Modelle zu trainieren und beeindruckende Präzisionsniveaus zu erreichen.
- Kontinuierliche Verbesserung der KI-Modelle: Eine der wichtigsten Leistungen von Scalefocus ist die Ermöglichung der kontinuierlichen Weiterentwicklung der Lösung, die sie im hart umkämpften KI-Markt stets aktuell hält.
- Verbesserte Nutzererfahrung: Die UI/UX-Experten von Scalefocus verbesserten das Frontend-Nutzererlebnis der Lösung durchgängig. KI/ML wurden eingesetzt, um die Datenströme und das Trend-Spotting zu verfeinern und den Kunden bei der Vermarktung ihrer Marken zu unterstützen – was Zeit spart, Kosten reduziert und die Markteinführungszeit verkürzt.