Applying Artificial Intelligence (AI) to software programming for forecasting and optimizing business management decisions
Diese Studie zeigt auf, dass die Anwendung von Künstlicher Intelligenz, insbesondere künstlicher neuronaler Netze, auf die Softwareprogrammierung es Unternehmen ermöglicht, Managemententscheidungen zu optimieren und den ROI zu maximieren, indem sie die Umsatzleistung präzise prognostiziert und optimale Schwellenwerte für Marketingbudgets identifiziert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der modernen digitalen Wirtschaft stehen Unternehmen vor einer ständigen Herausforderung: wie sie ihr Geld klug einsetzen, um zu wachsen. Jahrzehntelang haben sich Manager auf Intuition und einfache Diagramme verlassen, um zu schätzen, wie viel sie in Werbung oder neue Produkte investieren sollten. Heute findet jedoch ein gewaltiger Wandel statt. Computer lernen, Muster in riesigen Mengen historischer Daten zu finden, ein Feld, das als maschinelles Lernen bekannt ist. Dieser Ansatz ermöglicht es Organisationen, über das bloße Raten hinauszugehen und stattdessen Simulationen zu nutzen, um zukünftige Ergebnisse vorherzusagen. Der Grundgedanke ist einfach: Indem man einen Computer mit historischen Aufzeichnungen über Ausgaben und Verkäufe füttert, kann die Maschine die Beziehung zwischen diesen beiden Größen erlernen und den effektivsten Weg vorschlagen. Dabei geht es nicht darum, das menschliche Urteilsvermögen zu ersetzen, sondern darum, Managern eine klarere, datengestützte Karte an die Hand zu geben, um in einem volatilen Markt zu navigieren, in dem sich Konsumgewohnheiten schnell ändern und der Wettbewerb intensiv ist.
Eine aktuelle Studie von Trinh Quang Minh von der Universität Can Tho untersucht genau, wie diese Computertools auf reale geschäftliche Entscheidungen angewendet werden können. Der Forscher unternahm den Versuch, drei verschiedene Arten von Modellen der künstlichen Intelligenz zu testen, um zu sehen, welches am besten geeignet ist, um den Umsatz basierend auf Marketingbudgets vorherzusagen. Das Ziel war es, den „Sweet Spot“ für die Ausgaben zu finden – den spezifischen Geldbetrag, der den höchsten Ertrag generiert, ohne Ressourcen zu verschwenden. Zu diesem Zweck erstellte das Team eine Simulation mit Daten, die einen Mobiltelefonhändler in Vietnam nachahmten. Sie fütterten den Computer mit historischen Aufzeichnungen darüber, wie viel Geld für Marketing ausgegeben wurde und wie viele Telefone als Reaktion darauf verkauft wurden. Die Daten reichten von zehn Milliarden Vietnamesischen Dong, die für Werbung ausgegeben wurden, bis hin zu fünfzig Milliarden Dong.
Die Studie verglich drei unterschiedliche Ansätze. Das erste war ein lineares Regressionsmodell, eine einfache Methode, die davon ausgeht, dass der Umsatz mit steigenden Ausgaben in einer stetigen, vorhersehbaren Rate wächst. Das zweite war ein Entscheidungsbaum, der wie ein Flussdiagramm funktioniert und die Daten in Zweige aufteilt, um plötzliche Änderungen oder Sprünge im Verhalten zu handhaben. Das dritte war ein künstliches neuronales Netz, ein komplexes System, das darauf ausgelegt ist, die Fähigkeit des menschlichen Gehirns zur Erkennung komplizierter, nicht-linearer Muster nachzuahmen. Als die Forscher ihre Simulationen durchführten, zeigten die Ergebnisse, dass das beste Werkzeug völlig von der Situation abhängt. Das einfache lineare Modell funktionierte gut bei stetigem, vorhersehbarem Wachstum und prognostizierte, dass Ausgaben von fünfzig Milliarden Dong zu etwa 236 verkauften Einheiten führen würden. Das komplexere neuronale Netz sagte jedoch für dieselbe Investition 240 Einheiten voraus, was darauf hindeutet, dass es besser darin war, die subtilen, unordentlichen Realitäten des Marktes zu erfassen.
Die Simulation identifizierte eine spezifische Schwelle für den Erfolg. Sie ermittelte, dass Ausgaben zwischen fünfzig und fünfundfünfzig Milliarden Vietnamesischen Dong das optimale Niveau darstellten, um die Effizienz zu maximieren. Unter diesem Niveau, beispielsweise bei Ausgaben von nur fünfunddreißig Milliarden, sagten die Modelle deutlich geringere Umsätze voraus, was auf eine verpasste Gelegenheit hindeutete. Oberhalb dieses Niveaus begann der Ertrag zu sinken, was bedeutete, dass das zusätzliche Geld nicht genug zusätzliche Verkäufe generierte, um die Kosten zu rechtfertigen. Das Entscheidungsbaum-Modell erwies sich als besonders nützlich, um plötzliche Verschiebungen zu verstehen, wie etwa die Einführung eines Flaggschiffprodukts oder einen großen Feiertagsverkauf, bei denen sich das Konsumverhalten abrupt statt schrittweise ändert. In solchen Szenarien konnte das Baum-Modell einen Absatz von 200 Einheiten bei einer Ausgabe von vierzig Milliarden Dong prognostizieren und damit das einfachere lineare Modell übertreffen, das nur 190 Einheiten vorhersagte.
Die Ergebnisse bieten eine klare Orientierungshilfe für Unternehmensleiter. Für kleine Unternehmen mit begrenzten Daten und stabilen Märkten ist das einfache lineare Modell oft ausreichend und leicht verständlich. Für Unternehmen, die mit volatilen Märkten konfrontiert sind, in denen das Kundenverhalten unerwartet springt, bietet der Entscheidungsbaum eine flexiblere und intuitivere Sicht. Für große Organisationen mit massiven Mengen komplexer Daten bietet das neuronale Netz die höchste Genauigkeit, auch wenn es schwieriger zu erklären ist, wie es zu seinen Schlussfolgerungen gelangt. Die Studie kommt zu dem Schluss, dass es nicht das eine „beste“ Modell für jede Situation gibt. Stattdessen müssen Manager das Werkzeug wählen, das zu ihren spezifischen Daten und Marktbedingungen passt. Durch diese Wahl können sie vom Vertrauen auf ihr Bauchgefühl zum Treffen hochgradig rationalen, datengestützten Entscheidungen übergehen, die ihren Return on Investment optimieren und ihre Position in einer sich schnell verändernden digitalen Wirtschaft sichern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.