Auf die Daten, fertig, los! Business Model Design mit Machine Learning

 

  • Zahlreiche Daten(quellen) geben den Startschuss zur Quantifizierung des digitalen Geschäfts mittels Sensorik, Datenbanken und Machine Learning.
  • Die Hälfte der deutschen Unternehmen (50 Prozent) beschäftigt sich aktiv mit Machine Learning, um von den Technologien zur intelligenten und automatisierten Datenanalyse und Verarbeitung zu profitieren.
  • Die Studie “Machine Learning in deutschen Unternehmen”  wurde von Crisp Research im Auftrag von The unbelievable Machine Company GmbH (*um) und DellEMC erstellt und liefert in einer zweiten Auflage fundierte Einblicke zu Betrieb und Anwendung von Künstlicher Intelligenz im Unternehmensalltag.

Machine Learning hat den Weg in deutsche Unternehmen gefunden und ist dank Cloud Computing, Big Data und immer besseren Tools und Frameworks eine wesentliche Stellschraube für die zukünftige Wettbewerbsstärke und Profitabilität geworden. Durch die Möglichkeiten des Machine Learnings entstehen eine Vielzahl an neuen Use Cases sowie die Notwendigkeit, die im Rahmen von Big Data anfallenden Datenmengen zu beherrschen und kosteneffizient zu verarbeiten und zu analysieren.

So sind Unternehmen auf ein ordentliches Quantum an Daten angewiesen, stehen aber gleichzeitig der Herausforderung gegenüber diese qualitativ und quantitativ kontinuierlich zu überwachen und die entsprechenden organisatorischen und technischen Kontrollen von Datenzugriffe und -verarbeitung zu initiieren.

Daten im Zeichen der Selbstvermessung

Getreu dem Motto “Was man nicht messen kann, kann man nicht lenken”(1) wird für Unternehmen die Quantifizierung der Daten immer wichtiger, um die Geschäftsprozesse zu messen, sodass sie ihren Wert genau widerspiegeln können. Dabei spielt zunächst die Qualität der Daten eine fundamentale Rolle, bevor Machine-Learning-Funktionalitäten zum Einsatz kommen. Schließlich sind sie entscheidend für weitreichende Entscheidungen, wie beispielsweise die Optimierung der Geschäftsprozesse. Doch das Sammeln (und Speichern) von Daten ist eine Sache – eine intelligente, zweckmäßige Verwendung, fortlaufende Verbesserungen und qualitativ hochwertige Entscheidungen zu treffen aber eine andere. Das ist gewissermaßen der Übergang von “Big Data” zu “Machine Learning”.

Big Data Machine Learning
Datennutzung Sammlung von verschiedenen Daten (Kennzahlen, Verkaufszahlen etc.) für Analysen und Prognosen Technologie, die auf Basis von Datenbeständen und Algorithmen z.B. selbstfahrende Autos ermöglicht
Lernbasis Nutzt vorhandene Infos, um nach neuen Mustern zu suchen, die zu qualitativ hochwertigen Entscheidungen führen Lernt aus den vorhandenen  Daten und bildet die für eine Maschine / ein Auto etc.  notwendige Grundlage, selbst zu lernen.
Datenvolumen große Datenmengen häufig Daten aus einem bestimmten Anwendungsbereich
Zweck Die Speicherung großer Datenmengen und Muster in den Daten herauszufinden Aus trainierten Daten zu lernen und auf zukünftige Ergebnisse vorherzusagen oder zu schätzen

Zeigt her eure Daten

Die bereits im Unternehmen vorhandenen Daten, die leicht zugreifbar und abrufbar sind, sind

daher die erste Wahl für die Optimierung bestehender Geschäfts- und Produktionsprozesse, die zunehmend im Fokus der Use Cases deutscher Unternehmen steht. So sind die meisten Unternehmen ihren existierenden Datenquellen treu und entnehmen die Daten bereits etablierten ERP-Systemen – allen voran die SAP-Systeme. Daraus können beispielsweise Finanzkennzahlen analysiert und Prognosen hergeleitet werden, die dabei helfen, ein Unternehmen auf Kurs zu halten.

Geradezu einladend sind auch die riesigen Mengen der Produktionsdaten, die in einem enormen Tempo erzeugt werden und für Konzepte der Supply Chain Automation oder Smart Manufacturing dienen. Beim Smart Manufacturing beispielsweise werden Daten über den gesamten Produktionsprozess gesammelt und zur Optimierung verwendet. Hierbei geht es zum einen darum, die Produktion aktueller Produkte effizienter zu gestalten, zum anderen aber auch darum, die gewonnenen Erkenntnisse dazu zu nutzen künftige Produkte so zu gestalten, dass sie effizient produziert werden können. Und dies gilt für nahezu alle Branchen und Unternehmen, die im Kontext der digitalen Transformation dabei sind, aktiv neue Geschäftsprozesse, Kundenbeziehungen und Business-Modelle aufzubauen.

Aber auch Maschinen sind eine beliebte Datenquelle und Grundlage für die Entwicklung entsprechender Modelle und Algorithmen. Im Rahmen von Predictive Maintenance können Unternehmen beispielsweise durch den Einsatz von Sensoren und vernetzten Anlagen in Echtzeit Informationen über diese sammeln und auswerten. So kann zum Beispiel der Verschleiß von Bauteilen überwacht und der Wartungsplan automatisiert optimiert werden. Predictive Maintenance kann dabei helfen die Lebensdauer von Maschinen zu verlängern und ungeplante Stillstände zu vermeiden.

Ein Großteil der Unternehmen bedient sich an Daten aus IoT-Projekten, wie beispielsweise an Sensordaten der industriespezifischen IoT PaaS-Plattform LIGHTELLIGENCE® von OSRAM oder an externen Datenquellen, die für Customer Behavior Analytics eingesetzt werden.

Die Unternehmen versuchen mittels der erzeugten Daten einen Mehrwert für das eigene Geschäft zu erzielen, die Produktion, Wartungsintervalle oder Maschinenlaufzeiten zu optimieren. In vielen Use Cases für Machine Learning steht daher also die Optimierung bestehender Geschäfts- und Produktionsprozesse im Fokus. Auch in der Landwirtschaft kommen immer häufiger Sensoren zum Einsatz, die neue Möglichkeiten eröffnen. Die Plattform von 30mhz beispielsweise ermöglicht die Überwachung von Pflanzen anhand verschiedener Messgrößen wie Lichtintensität oder Feuchtigkeitsdefizit  und liefert Analysen die eine genauere Bewässerung und Düngung erlaubt und schließlich die Erträge steigert und Ernteverluste reduziert.

So entstehen zahlreiche Quantifizierungsmöglichkeiten für Unternehmen und Bewertungsmethoden, die Aufschluss über bestimmte Prozesse oder aber Mitarbeiter geben können. Die Verwendung dieser Daten zur Messung wichtiger Geschäftsprozesse wird nicht nur Grundlage für eine nachhaltige Datenstrategie sondern kann zur neuen Produktivitätsquelle werden, die Unternehmen einen erheblichen Wettbewerbsvorteil liefern kann. Für einen effizienten und nachhaltigen Umgang im Zusammenhang mit Machine Learning und Sensoren ist es also umso wichtiger, die geballte Ladung an Daten hinsichtlich Quantität und Qualität kontinuierlich zu überwachen.

In der Studie “Machine Learning in deutschen Unternehmen” finden Sie weitere Informationen und empirisch fundierte Insights zum Thema. Mit der Studie liefern Crisp Research, The unbelievable Machine Company GmbH (*um) und DellEMC eine aggregierte Einschätzung und Planung von 154 IT- und Business-Entscheidern aus Unternehmen verschiedener Branchen sowie konkrete Handlungsempfehlungen, die CIOs bei der Aufgabe rund um den Betrieb von Machine Learning-Technologien im Unternehmen unterstützen.

(1) Peter F. Drucker (1909-2005), Ökonom & Management-Vordenker