Kontaktieren Sie uns

Bevor Sie das Anmeldeformular ausfüllen, lesen Sie bitte die Datenschutzerklärung gemäß Artikel 13 der EU-Verordnung 2016/679.

Invalid Input
Invalid Input
Invalid Input
Invalid Input
Invalid Input
Invalid Input

Privacy


Ich erkläre, dass ich die Datenschutzerklärung gelesen und verstanden habe und erkläre mich mit der Verarbeitung meiner persönlichen Daten durch Reply SpA für Marketingzwecke einverstanden, insbesondere für den Erhalt von Werbe- und kommerziellen Mitteilungen oder Informationen über Antwortveranstaltungen oder Webinare unter Verwendung automatisierter Kontaktmittel (z.B. SMS, MMS, Fax, E-Mail und Webanwendungen) oder herkömmlicher Methoden (z.B. Telefonanrufe und Briefe).

SIND MACHINE LEARNING UND KÜNSTLICHE INTELLIGENZ DAS GLEICHE?

Die Konvergenz von Big Data mit künstlicher Intelligenz hat sich als die wichtigste Entwicklung herausgestellt, die beeinflusst wie Firmen in Zukunft Geschäftswerte aus ihren Daten und ihren analytischen Möglichkeiten erzielen.

Künstliche Intelligenz und Machine Learning sind momentan zwei sehr aktuelle Schlagworte und scheinen oft austauschbar verwendet zu werden. Beide Begriffe tauchen regelmäßig auf, wenn es um Big Data, Analytik und die breiteren Auswirkungen der technischen Veränderungen geht, die in unserer Welt zu spüren sind. Bei beiden besteht der wahre Wert für das Unternehmen in den Daten.

Dennoch sind künstliche Intelligenz und Machine Learning nicht ganz dasselbe und die gegenteilige Auffassung kann gelegentlich zu Verwirrungen führen.

Künstliche Intelligenz (AI) ist die Intelligenz von Maschinen. Der Begriff „Künstliche Intelligenz“ wird verwendet, wenn eine Maschine „kognitive“ Funktionen nachahmt, die Menschen mit menschlichem Verstand verbinden, wie etwa „Lernen“ und „Problemlösen“.

Bei Machine Learning (ML) handelt es sich um eine Klasse von Algorithmen, die das Erstellen von analytischen Modellen automatisieren und Computern die Möglichkeit geben, zu lernen ohne explizit programmiert worden zu sein. Durch die Verwendung von Algorithmen, die iterativ aus Daten lernen, ermöglicht das Machine Learning Computern, versteckte Erkenntnisse zu gewinnen ohne explizit programmiert worden zu sein.

AI & ML:
Anwendung

Künstliche Intelligenz und maschinelles Lernen sind von hoher strategischer Bedeutung für die Entwicklung von Geschäftsstrategien.

Jeden Tag entstehen neue Beispiele aus der Lösung neuer Probleme und dem Aufmischen alter Märkte durch das, was kollektiv „AI“ genannt wird. Allgemein formuliert, kann künstliche Intelligenz drei wichtige Geschäftsanforderungen unterstützen:

  • Geschäftsprozesse automatisieren
  • Einblicke durch Datenanalysen gewinnen
  • Mit Kunden und Mitarbeitern in Kontakt bleiben

Doch trotz der Fortschritte der Technologie haben einige Unternehmen immer noch Schwierigkeiten deren Vorteile zu nutzen. Größtenteils, weil diese nicht verstehen, wie das Machine Learning strategisch für das Erreichen von Geschäftszielen implementiert werden kann.

data
science

Das bezieht sich auf die Techniken, bei denen ein Mensch von einer Maschine unterstützt versucht, Informationen und Erkenntnisse aus Daten zu gewinnen. Dies beinhaltet Prognosemodelle von hohem Niveau.

machine
learning

Dies ist die Wissenschaft der Entwicklung von Algorithmen und eigenständig lernfähigen Programmen auf der Basis von heterogenen Datenquellen wie Systemen, Dingen und Menschen.

KÜNSTLICHE INTELLIGENZ

Ist die Erforschung der Entwicklung von intelligenten Agenten. Praktisch geht es darum, wie man einen Computer so programmiert, dass dieser sich so benimmt und eine Aufgabe so ausführt wie ein intelligenter Agent (etwa eine Person) das tun würde.

WELCHE LEKTIONEN WIR GELERNT HABEN

Nach einigen Jahren Erfahrung mit Machine Learning-Projekten haben wir einige Lektionen gelernt.

MEHR LESEN
  • AI UND ML…

    ... erzielen die Lösung zu Problemen, bei denen eine unendliche Menge an Zeit benötigt werden würde, um sämtliche möglichen Bedingungen und Regeln zu definieren, die dieses Problem beschreiben. Ein Algorithmus kann verstehen, wie all diese unendlichen Regeln aus den Daten definiert werden können.

    Bei AI geht es um intelligente Maschinen, die eigenständig das unendliche Regelwerk schreiben, um eine Aufgabe aus den Daten zu automatisieren.

  • DATEN SIND DAS ZU LÖSENDE PROBLEM UND ZUGLEICH DER AUSGANGSPUNKT FÜR EIN AI-PROJEKT.

    AI beginnt mit verschiedenen Datenquellen: historische Daten, nutzererzeugte Daten und Echtzeitdaten. Um ein tiefgehendes neuronales Netzwerk zu trainieren, wird eine große Menge Big Data benötigt.

    Ohne Big Data werden Sie mit AI keine Ergebnisse erzielen.

  • NUR MIT EINER GROSSEN MENGE BIG DATA KANN EIN TIEFGEHENDES NEURONALES NETZWERK ANGETRIEBEN UND TRAINIERT WERDEN.

    Wenn Sie für etwas nur 10 Beispiele haben, wird es sehr schwer, tiefgehendes Lernen zu ermöglichen. Ein Unternehmen, das auf zehn- oder hunderttausende Kundeninteraktionen zurückgreifen kann, hat einen ausreichenden Umfang, um über solche Unterfangen nachzudenken.

    «Deep Learning benötigt mindestens 100.000 Beispiele» – Google Brain Chief, Jeff Dean.

  • KONVERSATIONS-BOTS SIND LEICHT EINZURICHTEN.

    Unsere Leute können das leicht innerhalb von ein paar Tagen bei einem Hackathon durchführen. Aber da ein Bot viel Komplexität beinhaltet und die Fantasie der Kunden diesbezüglich vielfältig ist, ist es sehr schwer, die Erwartungen ohne Erfahrung und die erforderlichen Fähigkeiten zu erfüllen.

    Chatbots sind leicht einzurichten, aber die Bereitstellung auf dem Niveau der Erwartungen (und Fantasien) der Kunden ist komplex.

  • AI BENÖTIGT SEHR VIEL GEDULD, DA DAS TRAINIEREN EINES NEURONALEN NETZWERKS ZEIT BENÖTIGT.

    Wenn ein Kunde einen Bot oder eine Smart App ohne die benötigte Zeit für das Training möchte, wird ein enttäuschendes Ergebnis riskiert. Und da AI & ML Zeit benötigen, müssen die Kunden verstehen, dass sie besser möglichst früh damit anfangen.

    Die frühen Einsteiger in AI und Machine Learning im Bereich der Analytik werden einen immensen Vorreitervorteil haben.

REPLY BIETET AUF IHR UNTERNEHMEN ZUGESCHNITTENE LÖSUNGEN FÜR KÜNSTLICHE INTELLIGENZ & MACHINE LEARNING AN


DIE MACHT DER KONVERSATION

Wir haben eine vielversprechende neue Ära der Datenverarbeitung begonnen, in der Fortschritte in Machine Learning und künstlicher Intelligenz ein neu auflebendes Interesse an Dialogschnittstellen und der Verarbeitung natürlicher Sprache erzeugen.
Das fördert das Potential für Konversation als neuen Modus für technische Interaktion.

Dialogsysteme sind intelligente Maschinen, die Sprache verstehen und eine schriftliche oder mündliche Unterhaltung mit einem Nutzer führen können. Ihr Ziel ist die Bereitstellung von Informationen, Unterstützung und Hilfe in der direkten Interaktion, und dies nach Möglichkeit in Echtzeit.


Die Einbindung von Dialogsystemen zielt auf die Verbesserung der Kundenerfahrung durch das Steuern der Mensch-Maschine-Interaktion ab.

WAS SIND DIALOGSYSTEME?

Dialogsysteme sind dafür ausgelegt, eine Unterhaltung zu führen. Sie verwenden hierzu auditive oder textliche Methoden und simulieren auf überzeugende Weise das Verhalten eines Menschen und bedienen sich der anspruchsvollen Funktionen des Natural Language Processing und Understanding.

Das Robotics for Customers Framework von Reply führt das Human-Centered-Design für Dialogschnittstellen ein, das darauf abzielt, „Erfahrungssysteme“ durch Humanisierung von Prozessen und die Nutzung anspruchsvoller Technologien zu erschaffen. Darüber hinaus ist der Personality-by-Design-Ansatz die geeignete Methode zur Formung der Bot-Persönlichkeit und erweitert so das Design von Interaktionsstilen durch die Humanisierung von Kunden-Touchpoints und Benutzererfahrungen.

Laden Sie die Broschüre über Dialogsysteme und die Lösungen von Reply herunter

EIN NEUER, KUNDENORIENTIERTER KOMMUNIKATIONSKANAL, DER MACHINE LEARNING TOOLS VERWENDET

Auf sprachlicher Interaktion oder Chats basierende Dialogschnittstellensverbreiten sich momentan schnell als gängige Anwendungen. Plattformen für Nachrichtenaustausch erlauben eine Interaktion mit Chatbots während Smart Speaker (Amazon Echo, Google Home etc.) sich schnell ausgebreitet haben.

Reply entwickelt Agenten zur Konversation für Kundenbetreuung und persönliche Assistenz. In der Welt der Kundenbetreuung gibt es verschiedene Anwendungen für Chatbots, um die Effektivität der Help-Desk-Leistungen zu verbessern. Persönliche Assistenten bieten Unterstützung bei alltäglichen Aufgaben.

Lesen Sie mehr über Chatbots

CONVERSATIONAL COMMERCE

E-Commerce und der Einzelhandel entwickeln sich weiterhin. Früher war diese fortschreitende Entwicklung oft primär durch technischen Fortschritt angetrieben, aber dies ist heute nicht mehr der Fall. Der Fokus liegt heutzutage oft auf den Kunden und deren wechselndem Kaufverhalten.

Ein-/Ausgabe-Geräte für sprachgestütztes Shopping sind schon jetzt erhältlich und können ganz nach Bedarf ausgetauscht werden: Die Smart-Watch am Handgelenk, Stimmerkennung im Auto oder sogar spezialisierte Sprachassistenten wie Amazons Alexa oder Google Home. Wenn natürliche Sprache nicht genutzt werden kann, z.B. wegen der aktuellen Umgebungssituation, können formlose schriftliche Bestellungen auch über Messenger wie WhatsApp oder Telegram getätigt werden. Auf der Basis von SAP Hybris as a Service (YaaS) wird mit Reply Voice Commerce ein Paket zur Verfügung gestellt, in dem von den Ein-/Ausgabe-Geräten über eine generische Schnittstelle verschiedene Services angesprochen werden können.

Lesen Sie mehr über Reply Voice Commerce

DIALOGSYSTEME IN DER AUTOMOBILBRANCHE

Einer der ersten Fälle, in denen das System „Robotics for Customers“ mit Einsatz von Chatbots benutzt wurde, war die Automobilbranche, in der Online-Assistenten für Produktpräsentationen und Katalogkonfigurationen entwickelt wurden.

Die Art und Weise, wie Kunden Fahrzeuge kaufen, hat sich drastisch verändert

Für den Automobilsektor bietet Reply eine Chatbot-Lösung, die sofort und vollautomatisch Kundeninteraktionen mit einem breiten Themenspektrum abwickelt, wie zum Beispiel Fahrzeugkonfiguration, Kundenbefragung oder Kundendienst.

Chatbots haben das Potenzial, menschliche Akteure überzeugend nachzuahmen und sogar den Turing-Test zu bestehen

CUSTOMER CARE-AUTOMATISIERUNG IN DER VERSORGUNGSBRANCHE

Reply hat mit den Chatbot-Technologien eines führenden Multi-Utility-Unternehmens einen neuen Customer Care Service entwickelt. Zusätzlich zu seiner Fähigkeit, mit einem menschlichen Sprecher zu interagieren, implementiert der Chatbot einen End-To-End-Prozess, der die vom Nutzer benötigten Informationen aus Backend-Systemen identifiziert und extrahiert und dann in Echtzeit im Kontext einer in natürlicher Sprache geführten Konversation liefert. Die Interaktion zwischen Nutzer und Chatbot geschieht unmittelbar und benötigt keine Logins, was zu einer deutlichen Verbesserung der angebotenen Leistung für den Kunden führt.

Die neue Herausforderung für Contact-Center-Automatisierung

PERSONALITY BY DESIGN

In den letzten Jahrzehnten konnten wir den zunehmenden Einfluss der Robotik in unserem täglichen Leben und das Wachstum der komplexen künstlichen Intelligenz beobachten. Wir leben in einer Welt, in der das Gespräch die Schnittstelle ist und die Persönlichkeit zur neuen Benutzererfahrung wird.

Unterhaltungen mit Bots folgen denselben Regeln wie die Kommunikation zwischen Menschen

Data Driven Machine Learning Robots

Intelligent Process Automation

Data Robotics, definiert als die Reihe von Technologien, Techniken und Anwendungen, die benötigt werden, um neue, auf Technologien für eigenständiges Lernen und künstliche Intelligenz basierende Automatisierungsprozesse zu entwerfen und zu implementieren, vereinfachen die Integration von Automation in Organisationsprozesse. Dank der Anwendung von „Smart Technologies“ garantiert Intelligent Process Automation eine Verbesserung der Robotic Process Automation und erleichtert so die Weiterentwicklung von Lösungen für unkomplizierte und wiederkehrende Aufgaben hin zu neuen, auf Machine Learning-Techniken basierenden Paradigmen.

Intelligent Process Automation 0

PREDICTION & PRESCRIPTION

PREDICTION & PRESCRIPTION

Die heutige moderne Technologie ermöglicht es Unternehmen bereits, nicht nur auf historische Daten zu schauen, sondern auch Verhalten oder Ergebnisse für die Zukunft vorherzusagen – z.B. indem sie Mitarbeitern für die Kreditrisikobestimmung bei Banken hilft, festzustellen, welche Kunden am wahrscheinlichsten in Verzug geraten werden, oder indem sie Telefongesellschaften ermöglicht vorherzusagen, welche Kunden am wahrscheinlichsten in der nahen Zukunft „abwandern“ werden (Beispiel).

Empfehlungen sind die fortschrittlichste Stufe von Machine Learning, weil es letztlich nicht ausreicht vorherzusagen, was Kunden tun werden. Nur durch das Verstehen, warum sie es tun werden, können Unternehmen dieses Verhalten in der Zukunft fördern bzw. verhindern. Technisch gesehen, können die heutigen Algorithmen für Machine Learning dies bereits mit der Hilfe von menschlichen Übersetzern tun.

Einige Beispiel für die Erfahrung von Reply: Machine Learning für die Bekämpfung von Betrug und Erkennung von Versicherungsbetrug durch Methoden zum eigenständigen Lernen

RECOMMENDATION

RECOMMENDATION

Aus organisatorischer Sicht kann ein Empfehlungssystem auf einer kleinen Menge von Daten aufgebaut werden, die abhängig von den Geschäftsbereichen sehr unterschiedlich sein können.

Reply hat eine einheitliche Entwicklungsstrategie für Empfehlungssysteme eingeführt, die die unkomplizierte Entwicklung und Implementierung für verschiedene Arten von Dienstleistungen von Prototypen bis zu Produktionsumgebungen gestattet. Die Datenverarbeitungs-Engine wird von Advanced Analytics bereitgestellt, üblicherweise mittels AI gesteuert und mit Machine Learning-Fähigkeiten aufgebaut. Laden Sie die Broschüre über Empfehlungssysteme und die Lösungen von Reply herunter

Einige Beispiel für die Erfahrung von Reply: Das Einbringen von Empfehlungssystemen in Produktionsumgebungen und Der Anwendungsfall Banca Mediolanum

RECOGNITION

Bild und Videoerkennung

Reply wendet innovative Deep Learning-Techniken für die Erkennung von Bildern und Videos an. Diese auf neuronalen Netzwerken basierenden Techniken (z.B. Convolutional Neural Network) erlauben den Einsatz von Netzwerken, die an allgemeinen Datensätzen vortrainiert wurden, oder die Entwicklung von kundenspezifischen Netzwerken an spezifischen Datensätzen. So ist es möglich, Erkennungssysteme zu realisieren, die die Identifizierung von bestimmten Objekten und/oder Eigenschaften in Videos oder Bildern und auch eine Einschätzung der Stimmung von Gesichtsausdrücken zulassen.

Reply hat bereits Projekte in diesem Gebiet verwirklicht, inklusive Stimmungserkennung im Bereich Kundenbetreuung, Augmented Reality (Erkennung von bestimmten Objekten zur Führung der Anwendungslogik), visuelle Überprüfung auf Unregelmäßigkeiten, Zählen von Objekten auf Regalen etc.

Erkennung geschriebener und gesprochener Sprache

Spracherkennung ist eine Machine Learning-Technik, die nicht nur die Umwandlung zwischen Stimme und Text zulässt, sondern auch das Verständnis der Bedeutung des Inhalts. Deep Learning, und insbesondere Frameworks wie TensorFlow, werden heutzutage genutzt, um komplexe Lernmodelle zu entwickeln.

Reply kann Smart Speaker integrieren und hat das nötige Know-how für die Realisierung von Spracherkennungsmodellen mit den fortschrittlichsten Plattformen. Semantische Suchmaschinen unterstützen zusammen mit Machine Learning-Algorithmen die Identifizierung der relevantesten Ergebnisse für die Suchanfragen.

Vorgestelltes Geschäftsbeispiel: Natürliche Sprachverarbeitung in der automobilen Wertschöpfungskette



RPA – STARTEN SIE IHRE digitalE Transformation

Reply hat eine Studie durchgeführt, die das Feedback von erfahrenen Anwendern der Robotic Process Automation (RPA) sowie von RPA-Anfängern einbezieht. RPA befindet sich noch in einem frühen Stadium des Anpassungs- und Entwicklungsprozesses. Aber es wird erwartet, dass sie ein Türöffner für verschiedene andere digitale Game Changer sein wird. Erfahren Sie mehr über die Erkenntnisse, die wir über RPA gewonnen haben.

RPA – STARTEN SIE IHRE digitalE Transformation 0

Research

ARTIFICIAL INTELLIGENCE & COMMUNICATIONS

KI: Der Anfang vom Ende der Welt, wie wir sie kennen? Oder doch eine nicht zu unterschätzende Kraft des Guten?
Mehr zum Hype, den Ängsten und der Zukunft rund um künstliche Intelligenz in der Studie von Fleishman Hillard.

REPORT DOWNLOAD

ARTIFICIAL INTELLIGENCE &
COMMUNICATIONS 0

Das Erste Management-Programm für Intelligente Prozessautomatisierung

Reply und SDA Bocconi haben in den letzten Jahren das Data Robotics Lab gegründet, eine gemeinsame Initiative, die auf internationaler Ebene eine bedeutende Anzahl von Forschungsergebnissen und realen Unternehmensprojekten zu Data Robotics gesammelt und entwickelt hat. Basierend auf diesen Forschungen und entwickelt für Geschäftsführer, Innovatoren und zukünftige Denker mit Interesse an Data Robotics, vermittelt Ihnen dieses Führungskräfteprogramm ein grundlegendes Verständnis für die Auswirkungen der in einem personalisierten Fahrplan entwickelten Implementierung einer intelligenten Prozessautomatisierungslösung in Bezug auf Prozesse, Betrieb und Effizienz in Ihrem Unternehmen.

Das Erste Management-Programm für Intelligente Prozessautomatisierung 0

Data Robotics Accelerator

Automated Invoice

Unter „Automated Invoice“ versteht man eine Lösung, die als neues Service-Modul lieferbar ist und über die der gesamte Einkaufszyklus von der Registrierung bis hin zur Abstimmung zwischen Rechnung und Kaufauftrag, Transportdokument und Wareneingang automatisiert verwaltet werden kann, wobei sich mithilfe dieser Software auch etwaige Unstimmigkeiten und Abweichungen erkennen lassen.

Data Robotics Accelerator

Brick Machine Learning

Über Brick Machine Learning lassen sich für die Einrichtung automatischer Fertigungsanlagen verschiedene Konfigurationen simulieren, auf deren Grundlage eine optimale Geräte-Mischung vorgeschlagen wird, durch die sich die vom Endkunden gewünschten komplexen Leistungen erreichen lassen.

Data Robotics Accelerator

Customer Recovery

Customer Recovery: die herausforderung eines verhaltensorientierten ansatzes für kreditrisikomanagement. Die Lösung wurde auf Microsoft Azure Machine Learning entwickelt. Dieses Programm ermöglicht es, cloudbasierte Vorhersageanalysen zu erstellen und zu testen.

Data Robotics Accelerator

Employee Monthly Expenses

Employee Monthly Expenses ist eine Softwarelösung, mit deren Hilfe sich eine Spesenabrechnung anhand von Belegen schnell und ohne manuellen Eingriff automatisch generieren lässt.

Data Robotics Accelerator

Know Your Orders

Know your Orders ist die Lösung, mit deren Hilfe sich eine einfache Schnittstelle kreieren lässt, die Nutzer mit ihrer natürlichen Sprache abfragen können, die den Zugang zu Informationen erleichtert und Konsistenz und Präzision garantiert.

Data Robotics Accelerator

Match-up

Match-up ist ein fortschrittliches Tool für Analysen, Kontoabgleiche und Anpassung komplexer Daten (einfach und/oder multipel). Das Tool findet bei datenbezogenen Prozessen Anwendung.

Reply Framework

Hot Spot

Robotics for Customers es ist hier!

Reply hat seinen eigenen Lösungsansatz für Robotics for Customers im Kontext der datengetriebene Kundenbindung entwickelt. Robotics for Customers ist ein Framework, das auf zwei Grundpfeilern aufbaut: auf Empfehlungssystemen und Dialogsystemen.

Robotics for Customers es ist hier! 0

Machine Learning

Best Practice

Angewandtes maschinelles Lernen: Plattformen und Szenarien

Maschinelles Lernen entwickelt sich schnell zu einer zuverlässigen und skalierbaren Reihe von Technologien, die in vielen Geschäftsbereichen anwendbar sind. Es bietet die Möglichkeit, Prozesse zu automatisieren und Anwendungen intelligenter zu machen. Reply unterstützt Unternehmen dabei, die Vorteile von maschinellem Lernen und künstlicher Intelligenz in tragfähige Lösungen und neue Geschäftsmodelle zu übersetzen. Dazu zählen: Data Robotics, Chatbots, oder Predictive Engines.

Artificial Intelligence

Best Practice

Auf dem Weg zur Augmented Intelligence

Target Reply erklärt, wie künstliche und erweiterte Intelligenz für Kunden in verschiedenen Nutzungsbereichen Wert schaffen können, und schildert die Verfahren und die Technologien in konkreten Anwendungsfällen.

Conversational Systems

Best Practice

Dialogsysteme in der Automobilbranche

Einer der ersten Fälle, bei dem das Robotics for Customers unter Einsatz von Chatbots benutzt wurde, war die Automobilbranche, in der Online-Assistenten für Produktpräsentationen und Katalogkonfigurationen entwickelt wurden.

Human-Centered-Design Das größte Hindernis der Kundenzentrierung ist Ihre Unternehmenskultur 0

Conversational Systems

Best Practice

Human-Centered-Design: Das größte Hindernis der Kundenzentrierung ist Ihre Unternehmenskultur

Im Zuge des aktuellen Hypes um die Kundenzentrierung bitten viele Unternehmen uns um Unterstützung bei der Umwandlung ihrer Produkt- und Dienstleistungsentwicklung in ein verstärkt am Menschen orientiertes Konzept.

Recommendation Systems

Best Practice

Reply Konzept und Methode: Integration von Empfehlungen in Produktion umgebungen

Reply hat das Robotics for Customers Framework entwickelt, eine Synthese der verschiedenen Reply-Unternehmen, das Kunden den Kunden den Aufbau eines Time-to-Value-Empfehlungssystems ermöglicht und problemlos in jede vorhandene Plattform integriert werden kann.

Kundenbedürfnisse mit Deep Learning und Knowledge Graphs vorhersehen 0

Recommendation Systems

Best Practice

Kundenbedürfnisse mit Deep Learning und Knowledge Graphs vorhersehen

Noch weiter können wir jedoch mit Deep Learning und Knowledge Graphs gehen – diese Methoden nutzen kontextbezogene und unstrukturierte Daten.

Prediction & Prescription

Case Study

MACHINE LEARNING FÜR BETRUGSBEKÄMPFUNG

Reply hat eines der ersten Verbraucherkreditunternehmen in Italien bei Millionen von Darlehen pro Jahr unterstützt.

Die Lösung von Target Reply sagt Betrug voraus und automatisiert die Betrugserkennung. Serienbetrüger, die ihr Vorgehen verändern, um den Kontrollen zu entgehen, werden identifiziert und es werden fortschrittlichere Prognosemodelle erstellt, die sich an neue und unbekannte Kontexte anpassen.

Data Analytics Labor und die Implementierung eines Recommedation Engine im Bereich Financial Services der Fall der Banca Mediolanum 0

Financial Services

Case Study

Data Analytics Labor und die Implementierung eines Recommedation Engine im Bereich Financial Services: der Fall der Banca Mediolanum

Mit dem Ziel einen Advanced Analytics-Ansatz zu testen, umfasst die Laborinitiative Data Analytics der Banca Mediolanum die Partnerschaft zwischen den Teams Marketing Research und Reply zur Entwicklung fortschrittlicher Datenanalysemechanismen und zur Schaffung proaktiver und maßgeschneideter Dienstleistungen für den Kunden.

Prediction & Prescription

Case Study

ERKENNUNG VON VERSICHERUNGSBETRUG

Reply hat ein großes Versicherungsunternehmen bei der Identifizierung von potentiell betrügerischen Kunden unterstützt.

Data Reply hat ein eigenständiges Erkennungssystem für Unregelmäßigkeiten entwickelt, um betrügerische Kunden von ehrlichen zu trennen, sodass keine rechtschaffene Person in den Verdacht gerät, eines Vergehens schuldig zu sein.

Recognition

Case Study

NATÜRLICHE SPRACHVERARBEITUNG IN DER AUTOMOBILEN WERTSCHÖPFUNGSKETTE

Reply hat einen großen deutschen Automobilhersteller bei Millionen von Produktanfragen unterstützt.

Data Reply hat einen multi-threaded Textanalytik-Service entwickelt, der alle Texte aufnimmt, NLP-Methoden zur Extraktion relevanter Einheiten und Schlüsselwörter anwendet, die Dokumente hierarchisch bündelt und intuitive Label erzeugt.

Chatbot

Best Practice

Die neue Herausforderung für Contact-Center-Automatisierung

Syskoplan Reply hat zur Unterstützung der Kunden eines führenden Multi-Utility Unternehmens einen Chatbot entwickelt. Der Chatbot ist ein neuer Kommunikationskanal, der mit Hilfe künstlicher Intelligenz das Nutzerbedürfnis nach verlässlichen sowie schnellen Auskünften erfüllt.

Conversational Systems

Best Practice

Personality by Design

In den letzten Jahrzehnten konnten wir den zunehmenden Einfluss der Robotik in unserem täglichen Leben und das Wachstum der komplexen künstlichen Intelligenz beobachten. Aber wie haben sich diese Technologien eigentlich entwickelt?

Chatbots

Best Practice

Chatbot für die Automobilindustrie

Reply unterstützt Kunden aus der Automobilindustrie durch die Bereitstellung von ChatBot-Anwendungen für Fahrzeugkonfiguratoren, Kundendienst, Unterstützung von Customer Interaction Centers.

Chatbot für die Automobilindustrie 0

Reply Voice Commerce

Best Practice

Conversational Commerce Extension für SAP Hybris

Kunden möchten einerseits neue, interaktive Kauferlebnisse und auf ihre Bedürfnisse zugeschnittene Angebote, andererseits sind sie bestrebt, insbesondere bei Produkten des täglichen Bedarfs, den Nachschubprozess so effizient wie möglich zu gestalten. Syskoplan Reply liefert mit Reply Voice Commerce eine Erweiterung für SAP Hybris, die genau dieses Bedürfnis nach Vereinfachung adressiert, indem Sprache als natürliches Kommunikationsmedium verwendet werden kann.

Conversational Commerce Extension für SAP Hybris 0

Machine Learning Tools

Best Practice

Chatbot: ein neuer Kommunikationskanal im Kundenservice

Aber es geht hier nicht nur um Technologie: Ein Chatbot ist ein neuer Kommunikationskanal im Kundenservice, der mithilfe von Machine-Learning-Instrumenten die Kommunikation zwischen Unternehmen und deren Stakeholdern ermöglicht.

Chatbot ein neuer Kommunikationskanal im Kundenservice 0

Operational Risk & Data Robotics

White Paper

Betriebsrisiken & Daten Robotik

Daten Robotik-Lösungen stellen sich als hocheffizient heraus. Auch für Banken ein praktischer Ansatz, um Betriebsrisiken zu reduzieren, Kosten zu senken und Mehrwert zu generieren. Banken, die begonnen haben, Lösungen wie die Intelligente Prozessautomatisierung, ermöglicht durch Roboter-Prozessautomatisierung und Machine Learning, zu implementieren, ernten bereits die Früchte – in finanzieller Hinsicht ebenso wie unter Compliance Gesichtspunkten.

Betriebsrisiken & Daten Robotik 0