Machine Learning in der Praxis

Welche Chancen neue technologische Möglichkeiten für die Branchen bringen.

Maschinelles Lernen wird unweigerlich Veränderungen bringen. Unsere Branchenexperten geben ihre Einschätzung, wie unterschiedliche Sektoren und Business-Modelle davon profitieren können.

Insurance & Health

Machine Learning findet man in der (Kranken-)Versicherungsbranche schon für sehr viele Anwendungsfälle. Mehr oder weniger ausgereift. Im Anfangsstadium ist beispielsweise ein selbstlernender Algorithmus, der anhand von Schadensdatensätzen und eingereichten Fotos über Haftungsfragen entscheidet und Betrugsfälle aufdeckt. Und natürlich kommen selbstlernende Chatbots für die Angebotserstellung immer mehr zum Einsatz, auch wenn diese aktuell noch eher formularbasiert sind. Komplexe Beratungsgespräche sind bislang eher mässig – es fehlen die Daten, um die Bots richtig zu trainieren. Verbesserung ist aber in Sicht. Die Sentimentanalyse funktioniert gerade in der englischen Sprache schon recht gut und birgt grosses Potenzial, um Anliegen schnell zu klassifizieren.

Oliver Hechler, Insurance-Experte bei BSI
Adrian Bucher, Health-Experte bei BSI
Zeno Hug, Banking-Experte bei BSI

Banking

Bei Banken kann dank Machine Learning der Onboarding- Prozess vereinfacht werden. Eingesetzt wird es vor allem bei der Risikoerkennung und dem Scoring. Hilfreich ist aber auch die Validierung von Scans und Fotos, die Maschinen automatisch und treffsicher erledigen.

Philip Heck, Retail-Experte bei BSI

Retail

In der Retailbranche wird Machine Learning vor allem bei der automatischen Klassifizierung angewendet. Gerade Massenanfragen oder Social-Media-Posts können so schnell dem richtigen Thema und Agenten zugeteilt werden. Zudem dient es als Frühwarnsystem – Stichwort Lebensmittelskandale oder Kampagnen von Verbraucherschützern. Grosses Potenzial sehe ich auch für Next Best Action oder Next Best Offer.

Jan Nielsen, Pharma-Experte bei BSI

Pharma

In der Pharmabranche und speziell in klinischen Studien wird Machine Learning bereits punktuell verwendet, um Studienergebnisse vorauszusagen, basierend auf vorhandenen klinischen Daten. Zukünftig könnte es beispielsweise das risikobasierte Monitoring der Studienzentren unterstützen und optimieren.