Alle Beiträge von Jens Siebertz

KI und Datenanalyse im Mittelstand – chancenlos oder vielversprechend?

Laut Beratungsunternehmen PwC soll das deutsche Bruttoinlandsprodukt mit Hilfe Künstlicher Intelligenz bis zum Jahr 2030 um 430 Milliarden Euro steigen. Weltweit wird ein Anstieg um 15,7 Billionen Dollar vorhergesagt. Eine Prognose, die gerade für Unternehmen eine starke Aussagekraft hat. Denn wer erfolgreich sein und bleiben möchte, sollte laut aktuell weit verbreiteter Meinung die Chancen der Anwendung nicht verpassen. Gerade kleine und mittlere Unternehme trauen sich aber häufig nicht zu, bei diesen datengetriebenen Technologie-Trends mit großen Konzernen mithalten zu können. Denn in einer Zeit, in der Daten als Gold bezeichnet werden, bleibt gerade für mittelständische Firmen häufig die Frage bestehen: Wie „Big“ müssen denn unsere Daten sein? Laut Wikipedia-Definition bezeichnet der Begriff Big Data „Datenmengen, welche beispielsweise zu groß, zu komplex zu schnelllebig oder zu schwach strukturiert sind, um sie mit manuellen und herkömmlichen Methoden der Datenverarbeitung auszuwerten.“ Diese Definition trifft eigentlich auf fast alle Unternehmen zu – unabhängig von der Größe. Und eine manuelle Auswertung der Datenmengen führt in den meisten Fällen schlichtweg zu veralteten Reportings und etlichen überflüssigen Stunden Arbeitsaufwand.

Gilt für eine erfolgreiche Datenanalyse „mehr ist mehr“?

Trotzdem glauben gerade kleine und mittelständische Unternehmen noch häufig, dass sie nicht ausreichend Daten generieren, um von einer automatischen Analyse wirklich zu profitieren. Oft mangelt es den Unternehmen aber nicht an Daten, sondern primär an einem schlüssigen Datenmodell. Die richtige Aufbereitung und sinnvolle Zusammenführung verschiedener Datenquellen ist wichtig, um Daten als Entscheidungsgrundlage nutzen zu können. So variieren die Datenmengen und deren Qualität je nach Unternehmen und Unternehmensgröße zwar stark, die aus den Daten gewonnenen Erkenntnisse können aber gleichermaßen aussagekräftig für den jeweiligen Unternehmenserfolg sein. Risiken und Chancen werden durch eine zielgerichtete Datenanalyse auch für kleine und mittelständische Unternehmen frühzeitig sichtbar und Potenziale können dementsprechend genutzt werden.

Der nächste Schritt in Richtung Digitalisierung

Den Unternehmen steht folglich eine qualitative Entscheidungsgrundlage zur Verfügung, die manuelle Auswertungsverfahren nicht liefern können.

Beispielsweise konnte die Firma Piller, Hersteller von kundenspezifischen Gebläsen und Kompressoren für die Prozessindustrie, durch die Analyse historischer Daten aus der Fertigung in kürzester Zeit Zukaufteile identifizieren, deren Liefer- und Wiederbeschaffungszeiten besonders lang sind.. Ein weiteres Ergebnis dieser Schwachstellenanalyse war, dass die Gehäuse-Montage mehrere Wochen beanspruchte. Als Gegenmaßnahme konnte der Maschinenbauer eine Taktstraße einführen und die Montagezeit auf eine Woche reduzieren.

Basierend auf einer intelligenten Datenanalyse können außerdem intelligente Anwendungen wie Machine Learning ansetzen. Das wird ebenfalls an einem Beispiel aus der Produktion deutlich: Eine gezielt eingesetzte Datenanalyse könnte hier aufzeigen, dass die eingeplanten Vorgabewerte wie Wiederbeschaffungs- oder Arbeitsgangzeiten nicht der Realität entsprechen. So kann es beispielsweise sein, dass für einen bestimmten Arbeitsgang auf einer Maschine seit vielen Jahren 300 Minuten eingeplant werden. In der Realität dauert der Arbeitsgang jedoch nur 100 Minuten. Solche Zeitpuffer führen zu hohen Inaktivitätszeiten der Maschinen und Ineffizienz. Viele Projekte mit dem eigentlichen Ziel, die Produktionsplanung und deren Termintreue zu verbessern, setzen daher oft eine detaillierte Datenanalyse voraus, bei der die Qualität der Daten bestimmt wird.

Durch Machine-Learning-Algorithmen können die Vorgabewerte sehr genau vorausgesagt und die darauf basierende Produktionsplanung zunehmend optimiert werden. Mit Hilfe Künstlicher Intelligenz kann die Maschine „lernen“, welche Werte realistisch sind. Die Prognosegenauigkeit kann sich hierdurch bis um bis zu 60 Prozent verbessern.

Fazit: Sie haben die Grundlage. Starten Sie die Digitalisierung!

Unternehmen können unabhängig von ihrer Größe Prozesse mit Hilfe neuer Technologien automatisieren und optimieren. Schon kleine Unternehmen besitzen ausreichend Daten für die effiziente Anwendung Künstlicher Intelligenz. Jedoch gehen die Erfolgschancen und Wettbewerbsvorteile ohne eine zielführende Datenaufbereitung und -strategie im Datendschungel unter. Das Ziel bei Data Analytics sollte sein, bessere Kenntnisse über Prozesse oder Kunden zu gewinnen und deren Entwicklung prognostizieren zu können, um so insgesamt effizienter zu handeln. Außerdem können auf diesen „sauberen“ Daten nicht nur strategisch richtige Entscheidungen getroffen werden, sondern auch Anwendungen der Künstlichen Intelligenz anschließen. Durch eine sichere und sinnvolle Anwendung von Data Analytics und Künstlicher Intelligenz sind kleine und mittelständische Unternehmen zum jetzigen Zeitpunkt ihrer Konkurrenz einen großen Schritt voraus.

 

 

Data Science: Warum Daten sammeln allein Unternehmen nicht weiterbringt

Es ist bereits ein paar Jahre her, seit der Harvard Business Review den Data Scientist 2012 zum „Sexiest Job of the 21st Century“ gekürt hat. Mittlerweile wissen wir, dass diese Prognose die heutige Realität trifft: Datenwissenschaftler werden in vielen Unternehmen händeringend gesucht, um die vorhandenen Datenberge für die Analyse zu organisieren. Gerade in Zeiten von Industrie 4.0 benötigen Unternehmen, die große Datenmengen produzieren, zunehmend sinnvolle Auswertungen darüber. Denn um Wettbewerbsvorteile gegenüber der Konkurrenz zu erzielen, müssen Unternehmen die richtigen Entscheidungen treffen. Um die richtigen Entscheidungen zu treffen, müssen Unternehmen die richtigen Daten zusammenführen und auswerten. Doch welche Rolle nehmen Datenwissenschaftler im Unternehmen genau ein, was unterscheidet Data Science von Business Intelligence (BI) und warum ist Data Science eigentlich so wichtig für Unternehmen?

Was ist die Aufgabe von Data Scientists im Unternehmen?

Fangen wir bei den Grundlagen an: Data Science – eine Wissenschaft, deren Ursprünge bis in die 60er Jahre zurückreichen – hat mit dem Hype um Schlagworte wie Big Data neuen Ruhm erlangt. Data Science ist ein Teilbereich von BI. Doch liegt der Fokus von Data Science nicht unbedingt auf den Daten selbst, sondern vielmehr auf der Art und Weise, diese Daten zu verarbeiten, aufzubereiten und zu analysieren. Für den Aufbau eines effizienten und modernen Data Warehouses ist Data Science eine strategisch unerlässliche Disziplin. Mit Techniken und Theorien aus Bereichen der Mathematik, Statistik, Machine Learning und Operations Research gewinnen Data Scientists Antworten auf analytische Fragestellungen. Ziel ist es, aus den Unternehmensdaten mathematische Modelle abzuleiten, die sowohl Umsatz- als auch Absatzsteigerungen ermöglichen.

Was unterscheidet Data Science von Business Intelligence?

BI-Systeme ermöglichen es Anwendern, Daten zu erforschen. BI ist also explorativ und führt nicht immer zu der Antwort auf eine bestimmte Frage. Beispielsweise kann man auf einem BI-Dashboard sehen, dass die Maschinenausfälle an einem bestimmten Tag in der Produktion gestiegen sind. Warum dieser Anstieg erfolgt ist, erfährt man im BI-Bericht noch nicht, hier wäre eine weitere Analyse nötig. Data Science hingegen könnte den Grund für die Maschinenausfälle aufzeigen und darüber hinaus noch die Frage beantworten: „Sollten wir X oder Y machen, um effizienter zu werden?“. Data Science geht also noch einen Schritt weiter. Es geht nicht allein darum, den kausalen Zusammenhang zu entdecken, sondern eine Lösung oder eine Gegenmaßnahme zu finden. Am Anfang jedes Data Science Prozesses steht jedoch die Formulierung der konkreten Fragen, die beantwortet werden sollen.

Ein weiterer Unterschied zwischen Data Science und Business Intelligence ist, dass Data Science mit Hilfe von Predictive Analytics bestimmte Unternehmenskennzahlen wie Absätze oder Maschinenwartungen anhand historischer Daten vorhersagt und so zukünftige Entwicklungen interpretiert. BI hingegen befasst sich mit vergangenen und aktuellen Daten. Insofern liefert BI durch detaillierte Berichte, KPIs und Trends eine gute Entscheidungsgrundlage für Unternehmen. BI sagt aber nicht durch beispielsweise Mustererkennung oder Experimente voraus, wie diese Daten in Zukunft aussehen könnten.

Wohin geht der Data Science Trend?

Datenwissenschaftler sind auf dem Jobmarkt gefragt. Laut dem Beratungsunternehmen Gartner werden bis zum Jahr 2020 jedoch mehr als 40 Prozent der datenwissenschaftlichen Aufgaben automatisiert sein. Diese Entwicklung soll zu einer höheren Produktivität und breiteren Nutzung von Daten und Analysen führen. Dabei geht es um monotone und manuelle Aufgaben, die kein tiefgründiges Wissen im Bereich Data Science verlangen, und daher automatisch ausgeführt werden können. Das bedeutet, dass weniger Datenwissenschaftler benötigt werden, um den gleichen Arbeitsaufwand zu bewältigen. Für fortgeschrittene Datenforschungsprojekte ist das Expertenwissen ausgebildeter Datenwissenschaftler jedoch zwingend nötig.

Fazit: Data Science schafft den Mehrwert von Big Data

In Zeiten von steigendem Kosten- und Wettbewerbsdruck ist es wichtig, die richtigen Entscheidungen im Unternehmen schnell und proaktiv zu treffen. Business Intelligence bildet die Basis für brauchbare Daten. Data Science in Verbindung mit Predictive Analytics ermöglicht es Unternehmen dann, detaillierte Einblicke in ihre Daten zu gewinnen und Zukunftsprognosen zu erstellen. In einer Welt mit steigenden Datenfluten gewinnt die Datenanalyse in vielen Unternehmen an Bedeutung. Der Data Scientist entwickelt sich dadurch zunehmend zum Helden der Gegenwart, da er diese Datenfluten zielgerichtet sowie strukturiert organisiert und auswertet – langjährige Geschäftsprobleme werden so gelöst, ineffiziente Prozesse identifiziert sowie Chancen und Risiken im Unternehmen frühzeitig erkannt. Indem er Mehrwert aus Daten schafft, treibt der Data Scientist auch die Digitalisierung in Unternehmen voran. Sein Job ist und bleibt also weiterhin sehr attraktiv.

Wie sehen Sie die Rolle des Data Scientists im Unternehmen? Welche Vorteile sehen Sie im Einsatz der Datenwissenschaftler?