Zwischen Big Data und Big Decisions
Intelligente Datenanalyse als Treiber für gute Managemententscheidungen
August-Wilhelm Scheer, Scheer Holding
Kurz & Bündig
Durch anwendungsorientierte Szenarien hat das Thema KI ganz neue Beachtung gefunden. Viele Unternehmen haben erkannt, wie wichtig es ist, Entscheidungen auf der Basis aktueller Analysen aus ihren wertvollen Datenbeständen zu treffen. Aus der Ausführung von digitalen Prozessen entstehen große Datenmengen. Mit der richtigen Vorgehensweise können Entscheider aus diesen Daten wichtige Erkenntnisse für Unternehmensentscheidungen generieren.
Eine Managemententscheidung ist nur so gut wie ihre Datengrundlage. Die zunehmende Komplexität des globalisierten Wirtschaftssystems erfordert daher eine Vielzahl von unterschiedlichen Datenquellen und Auswertungsmethoden, um nachhaltige und gute Entscheidungen innerhalb des operativen Tagesgeschäftes zu tätigen.
Die Hälfte der weltweit verfügbaren Daten ist in den letzten zwei Jahren entstanden. Die darin enthaltenen Informationen können bei der richtigen Auswertung Wettbewerbsvorteile sichern. Daten entstehen heutzutage aus den verschiedensten Quellen. Auf Plattformen wie Social Media, Videostreaming oder Messagingdiensten wachsen Datenberge weltweit an. Aber auch für Entscheider wichtige Daten entstehen gerade in den täglichen, digital unterstützten Unternehmensabläufen.
Aus der Ausführung von digitalen Prozessen entstehen große Datenmengen über Abweichungen von Plan und Ist bei Zeitdauern und organisatorischen Vorgaben. Mit der richtigen Vorgehensweise können Entscheider aus diesen Daten wichtige Erkenntnisse für Unternehmensentscheidungen generieren. Damit dies gelingt, müssen allerdings zwei wesentliche Faktoren beachtet werden. Zum einen muss ein vorab definiertes und fachlich sinnvolles Ziel der Analyse definiert sein. Diese, in der Theorie einfache, doch praktisch oft schwer umsetzbare, Prämisse ist entscheidend für datengetriebene Analysen. Zum anderen müssen Fehlerquellen wie Scheinkorrelationen bei der Analyse vermieden werden.
Für Datenauswertungen im Big Data Bereich haben Data Scientists Methoden und Analysen in ihrem Software-Werkzeugkasten. Doch die Erfahrung zeigt, dass eine routinemäßige statistische Analyse der Daten mit entsprechenden Werkzeugen zu sogenannten Scheinkorrelationen innerhalb der analysierten Datenmenge führen kann. Praktisch heißt dies, dass Zusammenhänge innerhalb der Daten gefunden werden, die aus einer fachlichen Sicht keinerlei Relevanz für eine Ursachenanalyse haben. Dies ist eine Gefahr, die in Projekten oft eine Sackgasse für Data Scientists darstellt. In erfolgreichen Projekten zeigt sich, dass der Aus- weg darin besteht, dass schon früh die Fachabteilung, die den Nutzen aus den Analysen ziehen soll, hinzugezogen wird. Nur so kann sichergestellt werden, dass die aufbereiteten Analysen und Ergebnisse inhaltlich richtig interpretiert werden und einen echten Mehrwert darstellen. Dabei gilt es jedoch, Hürden in Form von Zielkonflikten zu umgehen: Die beauftragten Data Scientists wollen ihrer Aufgabe gerecht werden, innerhalb der Daten überraschende Erkenntnisse zu finden. Diese können aber auf den erwähnten Scheinkorrelationen beruhen. Entscheidet andererseits die Fachabteilung allein über die Aufgabenstellung eines Analytics Projekts, werden oft nur Erklärungen innerhalb der Daten gesucht, die aus der bereits vorhandenen Hypothese der Fachabteilung resultieren. Dieses Dilemma lässt sich nur dahingehend lösen, dass möglichst viele Analysen durchgeführt werden, wenn auch mit der Gefahr, dass einige Scheinkorrelationen am Ende eines Projektes verworfen werden müssen. Diese Vorgehensweise führt dazu, dass die Fachabteilung auch wichtige neue Erkenntnisse innerhalb ihres Datenschatzes findet.
Werden diese Analysen rein manuell durchgeführt, nehmen sie sehr viel Zeit in Anspruch und verursachen somit hohe Kosten. Dieser zeitliche Aufwand birgt aber auch eine weitere, vielleicht sogar größere, Gefahr: Bei Datenanalysen spielt die Zeit eine entscheidende Rolle – je älter eine Information ist, desto weniger wertvoll ist diese für das aktuelle Tagesgeschäft. Dies wurde gerade in der Corona-Krise besonders deutlich. Unternehmen stehen also vor der Herausforderung, neue Daten schnell und treffsicher zu verarbeiten und mit den Fachabteilungen auf Basis aktueller Erkenntnis- se relevante Entscheidungen zu treffen.
Der Herausforderung, wirklich aktuelle Datenanalysen verfügbar zu machen, stellt sich z.B. die inspirient GmbH als ein Unternehmen der Scheer Gruppe. Deren aktuelle Analysemöglichkeiten haben den Vorteil, dass Künstliche Intelligenz zur Einschätzung, Auswertung und Präsentation aktueller Datensätze eingesetzt wird. Somit kann der sogenannte Data Science Prozess weitestgehend automatisiert werden. Neue, bisher nicht da gewesene Effizienzpotenziale können maßgeblich ausgeschöpft werden. Über 3000 Analysen werden vollkommen automatisiert auf einen beliebigen Datensatz angewendet und ermöglichen einer Fachabteilung, relevante und neue Erkenntnisse für ihre Managemententscheidungen zu gewinnen, die sonst nur in einem sehr aufwändigen und umfangreichen Projekt hätten gewonnen wer- den können. Sichergestellt wird dies durch die Integration des KI Tools in bestehende Abläufe der Datenaufbereitung eines Unternehmens.
Positive Erfahrungen der jüngeren Vergangenheit, in der das Thema KI durch anwendungsorientierte Szenarien wieder neue Beachtung gefunden hat, haben vielen Unternehmen aufgezeigt, wie wichtig es ist, Entscheidungen auf der Basis aktueller Analysen aus ihren wertvollen Datenbeständen zu treffen. Wichtig ist es, auch die Chance zu nutzen, die Daten und prädiktiven Analysen einzusetzen, um Entscheidungen langfristig proaktiv zu gestalten. Hierbei können neue, sogenannte Patterns innerhalb der Daten dazu beitragen, Fehlergründe zu identifizieren und künftig innerhalb des Entscheidungsprozesses als wichtige Faktoren zu berücksichtigen.
Entscheider tun gut daran, in eine Infrastruktur zu investieren, die Big Data Analysen ermöglicht, von denen sie unmittelbar profitieren. Der Aufbau eines „Datensees“ ohne klar definierte Zielstellungen für mögliche Analyse, der anschließend von Data Scientists auf gut Glück analysiert wird, ist wenig hilfreich. Wichtig ist dagegen, die Fachabteilungen früh in kritische Fragestellungen einzubeziehen, die ein Unternehmen dazu befähigen, proaktive Entscheidungen zu treffen.
