Machine Learning im Kontext der Digitalisierung – Momentum und strategische Bedeutung

  • Machine Learning besitzt aktuell ein enormes Momentum und ist ein wichtiges Fundament für digitale Use Cases
  • Kunden gewöhnen sich immer schneller an die neue Bequemlichkeit durch die Unterstützung von Maschinen im Alltag. Unternehmen, die in Zukunft erfolgreich seinen wollen, müssen hier entsprechend investieren
  • Nicht jeder Use Case lässt sich mit den vorhandenen Daten im Unternehmen direkt und sofort umsetzen, daher sollte die Evaluierung umfänglich sein und verlässliche Ergebnisse liefern
  • Unternehmen sollten spätestens jetzt angreifen und erste Use Cases realisieren. Die vorhandenen Produkte und Frameworks für Machine Learning haben eine hohen Reifegrad und as-a-Service Produkte der Dienstleister helfen auch Entwicklern bei einem schnellen Einstieg

In der aktuellen Marktphase ist es für IT- als auch Digitalisierungsentscheider nicht leicht zwischen Hype und Realität zu unterscheiden. Während einerseits tollkühne Fantasien und Geschichten von vollautomatisierten Produktionsstraßen, autonomen Verkehrssystemen und intelligenten digitalen Assistenten verbreitet werden, steht andererseits das Wissen um die Probleme im Umgang mit dem Datenschutz und die vielfach noch mangelnde Reife vieler Technologien. Dennoch ist die Notwendigkeit für eine Auseinandersetzung - nein vielmehr sogar eine zwingende Bewertung von Machine Learning für die eigenen Produkte und Dienstleistungen unabdingbar. In unserer Studie “Machine Learning im Unternehmenseinsatz aus 2017 haben die befragten Entscheider dementsprechend auch mit der Mehrheit geantwortet, dass der Kurs für Machine Learning klar ist. Denn hauptsächlich setzen sich die Entscheider mit Machine Learning Verfahren im Kontext der unternehmensweiten digitalen Strategie auseinander. Doch auch der Nutzen für andere Vorhaben, wie der Optimierung der internen Prozesse zur Steigerung und Optimierung von Fertigungen beispielsweise steht nicht weit hinten an. Klar ist, dass Unternehmen global einem immer härteren Wettbewerb ausgesetzt sind und daher so effizient und kostenoptimiert wie eben möglich agieren müssen. Ebenso wichtig ist es die eigenen Kunden alle zu VIP-Kunden zu machen. Denn die führenden Anbieter aus dem Bereich e-Commerce machen es vor und gewöhnen den Kunden an dieses Niveau. Bestellungen per Sprachbefehle über smarte Produkte im eigenen Wohnzimmer ist hier nur ein Beispiel. Die klare und personalisierte Interaktion und die Integration des Kunden in die Fertigung neuer Produkte ist schon heute vielen sehr vertraut. Kunden leisten mit Ideen über Crowdsourcing Plattformen den Input für neue Produkt- und Dienstideen und stehen am Ende mit den Entwicklern im direkten Kontakt, um das Feedback über die Realisierung direkt zurückzuspielen und sich so das eigene Produkt möglichst nach den eigenen Wünschen zu formen. Das dies irgendwann über die Kapazitäten des eigenen Personals hinausgeht ist klar. Daher muss die Maschine hier unterstützend eingreifen. Auch bei der Analyse sämtlicher Interaktion mit dem Kunden sind Verfahren des maschinellen Lernens im Einsatz. Sei es heutzutage trivialer Weise bei der Auswertung von gescannten Briefen oder bei der Erkennung von Sprache aus Telefongesprächen. Mit all diesen Informationen lassen sich doch nicht nur für das Unternehmen Vorteile erschließen, denn auch der Kunde profitiert. Beispielsweise dadurch, dass man als Kunde nicht zehnmal an der Hotline erklären muss, wo das Problem liegt und welche Produkte man gekauft und welche Dienste abonniert hat.

Machine Learning ja, aber wie?

Vom Data Lake zum Machine Learning – Verfahren der künstlichen Intelligenz sind für viele Unternehmen der logische nächste Schritt, um die, im Rahmen ihrer Big Data-Initiativen zusammengetragenen, Datenberge sinnvoll und effizient zu analysieren und zu nutzen. Sind diese Daten nicht vorhanden, empfiehlt sich der Blick in den eigenen Datenkeller, um hier einmal ordentlich auszumisten und nachzuschauen, welche Daten überhaupt in welcher Qualität vorliegen. Sind beispielsweise:

  • alle Kundendaten im selben Format abgelegt
  • alle Maschinendaten lesbar
  • alte und neue Bestellungen immer noch im selben Format
  • klare Beschreibung der vorhandenen Daten verfügbar oder müssten diese neu interpretiert werden


All diese und viele weiteren Fragestellungen sind nicht zwangsläufig trivial zu beantworten für Unternehmen. Diejenigen mit einer Master Data Management Lösung sind hier sicherlich schon einen Schritt weiter, dennoch gibt es sicherlich auch hier noch Baustellen. Ist eine Datenbasis gefunden, welche sich für eine Analyse eignet, so folgt darauf das Prototyping und die Evaluierung des identifizierten Use Case für diese Daten. Dies kann positiv enden oder aber auch keine besonders guten oder korrekten Ergebnisse erzielen. Daher sollten Unternehmen auch immer genau prüfen, ob die Datenbasis und der Use Case entsprechend zu dem gewünschten Vorhaben passen. Mittlerweile gibt es eine Vielzahl von Frameworks und Produkten im Markt, welche den erfahrenen Data Scientist helfen. Doch auch für Entwickler ist die Einstiegshürde deutlich gesunken. Mit as-a-Service Angeboten von den Hyperscalern und spezialisierten Lösungsanbietern ist auch für den Entwickler die Erstellung von smarten Produkten wesentlich leichter geworden. Doch lassen Sie sich nicht das Blaue vom Himmel versprechen. Nicht alles ist Gold was glänzt und so manches Produkt mag nicht alles liefern können, was in dem schönen Hochglanzprospekt steht. Auch ist das Produkt oder Tool vielleicht sehr komplex und nur mittels eine guter Beratungsdienstleistung sinnvoll für den Einsatz zu gebrauchen.  

Legen Sie los!

Unternehmen sollten spätestens jetzt den Sprung in den Bereich des Machine Learning vollziehen, um den Anschluss nicht zu verpassen. Es lohnt sich jedoch nicht wahllos mit Daten zu experimentieren. Hier muss eine Anpassung der Strategie stattfinden und es sollten gezielte Use Cases identifiziert werden, um einen ersten Prototypen zu implementieren. Davon ausgehend können Unternehmen dann weiter in den Bereich investieren und mit den gewonnenen Erfahrungen weiter experimentieren. Das diesen Weg bereits viele Unternehmen beschritten haben, zeigt auch die in Kürze erscheinende Studie zum Thema “Machine Learning Projects & Operations - Künstliche Intelligenz im Unternehmensalltag”. Sie dürfen gespannt sein.

Mehr zu den Themen KI künstliche Intelligenz Machine Learning

Share on:


Über den Autor:

Senior Analyst | AI & Data Practice Lead

Cloud Computing Hadoop Container DIgital Lab Big Data Analytics Data Stack Datenanalyse Technologie-Stack Cloud Container Container-Technologie Machine Learning PaaS Programmiersprache SaaS Serverless Serverless Infrastructure Serverless Service

Björn BöttcherBjörn Böttcher ist Senior Analyst bei Crisp Research. Er leitet als “AI & Data Practice Lead” die Research- und Beratungsaktivitäten zu den Themen Analytics, BI, datenbasierte Geschäftsmodelle und Künstliche Intelligenz. Als Gründer der ersten deutschen User Groups für Amazon AWS und Microsoft Azure zählt Björn Böttcher zu den Pionieren des Cloud Computing in Deutschland. Als Veranstalter der ersten deutschen Cloud-Konferenzen und Lehrbeauftragter für Informatik und Computational Web in der Parallel Computing Group der TU Hamburg hat er wesentliche Beiträge zur Entwicklung der Cloud-Community geleistet. Björn Böttcher verfügt über 10 Jahre Berufserfahrung in der IT-Industrie in der Rolle des Software-Architekten und des IT-Strategieberaters. Zuletzt arbeitete er am Deloitte Analytics Institute und verantwortete dort die Entwicklung und Umsetzung datenbasierter Geschäftsmodelle für Unternehmen aus der Finanz-, Automotive- und Logistik-Branche. Björn Böttcher hat einen Abschluss als Dipl.-Informatikingenieur der Technischen Universität Hamburg-Harburg. Er hat als Autor eine Vielzahl von Fachbeiträgen publiziert und trägt als Key Note-Speaker und Experte aktiv zu den Debatten um neuen Markttrends, Standards und Technologien bei.