X

Neuste Trends, Tipps, Strategien &
Events rund um das Thema Cloud

Analysetools mit Machine Learning machen Unternehmen zu Vorreitern

Die Kosten und die Komplexität von Datenerfassung und -analyse sind ein ernsthafter Gegner, wenn es um befriedigende Betriebsergebnisse in Unternehmen geht, weil immer größere Datenmengen im Spiel sind. Für Performance, Schnelligkeit und profundere Erkenntnisse wird deshalb zunehmend Machine Learning in Anwendungen und Plattformen integriert. So ausgestattet, automatisieren moderne Plattformen im Bereich Business Analytics die Datenaufbereitung, vereinfachen Visualisierung sowie intelligente Datenerkennung und verbessern die Vorhersagefähigkeit.

Auf einen Blick: Business Analytics - Analysetools mit Machine Learning machen Unternehmen zu Vorreitern

 
Business Analytics mit Machine-Learning-Features im Unternehmen mit Erfolg einsetzen heißt, IT und Führung in ein paar Schritten neu zu definieren.

 

Die Gelegenheit beim Schopf ergreifen

Der Begriff des Embedded Machine Learnings steht für das Potenzial, das Level „Best Practice“ im Bereich Analytik zu erreichen. Selbstverbessernde Modelle lassen sich auf der gesamten Wertschöpfungskette der Analytik anwenden; das Ergebnis ist mehr Effizienz und tiefgreifendere Erkenntnisse. Zum Beispiel hilft maschinelles Lernen (ML) durch Empfehlungen zur Datenanreicherung und -transformation, Daten für den effektiven Einsatz vorzubereiten. ML kann auch Empfehlungen für die Datenvisualisierung und Diagrammerstellung automatisieren. Die Verarbeitung und Generierung natürlicher Sprache ermöglicht zunehmend so etwas wie tatsächliche „Gespräche“ mit Daten. Und ML-Modelle lernen kontinuierlich aus Rückmeldungen und Ergebnissen und liefern so Empfehlungen für Folgemaßnahmen wie Konsumgüterangebote oder vorbeugende Instandhaltung. All das unterstützt Entscheidungsprozesse.

Allerdings: Entscheider müssen schon ernsthaft darüber nachdenken, wie sie die organisatorischen Herausforderungen bei der Einführung dieser neuen Technologie anpacken. Best Practice entsteht nämlich nicht von selbst. „Best Practices umfassen organisatorische und technische Fragen“, bei denen es darum geht, dass Unternehmen die mit Menschen, Prozessen und Governance verbundenen Probleme und Auswirkungen berücksichtigen.

 

Die Leute sollen besser arbeiten können – nicht im Weg stehen

Grundsätzlich kann ML-orientierte Analysesoftware, die sich selbst optimiert und anpasst, dafür sorgen, dass Mitarbeiter und Manager über ihre Jobs besser Bescheid wissen. Aber das setzt auch voraus, dass sich die Benutzer an neue Methoden und Techniken anpassen. Denn: ML produziert durchaus einiges an Bedenken und Frustrationen innerhalb der traditionellen Analysten- und IT-Rollen. Zum Beispiel haben „Entwickler geäußert, dass ihre Fähigkeiten durch maschinelles Lernen disqualifiziert würden".

Die gute Nachricht geht aber so: Maschinelles Lernens lässt sich nutzen, um gerade die Kompetenz bei Analysten und Alltagsnutzern zu erhöhen, nämlich Fähigkeiten zu entwickeln, die das Verständnis für den Wert der erweiterten Analytik verbessern – einer Analytik, die die grundlegenden Konzepte der Datenbeschaffung, -integration und -verwaltung umfasst, außerdem Techniken zur Untersuchung und Interpretation der Ergebnisse. Eine sozusagen eigenhändige Analytik kann ja unmöglich alle potenziellen Muster und Zusammenhänge aufdecken, die in unübersehbar großen Datenbeständen vorhanden sind. Machine Learning hingegen kann diese Prozesse unterstützen; die Benutzer müssen bloß den Kontext und den Wert der maschinellen lerngesteuerten Datenexploration richtig verstehen.

Die Rolle der IT verschiebt sich natürlich in einem Umfeld, wo sich die Software selbst um ihre Wartung kümmert. IT-Führungskräften ist der Trend zu mehr Selbstbedienung seitens der Benutzer klar, aber eine hemmungslose Benutzerautonomie kann auch fatal sein, wenn die Benutzer im Blindflug auf Basis ineffektiver Modelle, die mit schlechten Daten versorgt werden, Entscheidungen treffen. Hier ist die IT als Enabler für erweiterte Analytik gefordert, z. B. durch die Koordination des Erwerbs und der Nutzung von Analyselösungen, durch die Zusammenarbeit mit Datenwissenschaftlern zur Validierung von Modellen des maschinellen Lernens oder durch die Gewährleistung der richtigen Dosis an Unternehmensführung als Rahmen für diese ganze Autonomie.

Die Rollen ändern sich aber nicht bloß, sondern es entstehen auch neue Funktionen – so wie der Chief Data Officer (CDO). „Der CDO verwaltet Daten als Unternehmenskapital. Seine Hauptaufgaben sind es, die Datenvision des Unternehmens zu formulieren, als Verfechter eines globalen Datenmanagements zu fungieren und die Datenverwaltung, -qualität und -sicherheit zu überwachen.  Richtlinien für die Zusammenarbeit zwischen CDO und CIO werden in diesem Zusammenhang an Bedeutung gewinnen.

 

Damit autonome Prozesse gelingen…

Verständlicherweise ist im täglichen Geschäft mehr Flexibilität und weniger Abhängigkeit von der IT gewünscht. Mitunter leidvolle langjährige Erfahrung zeigt aber, dass eine gewisse Balance zwischen Flexibilität und Governance ratsam ist. Damit mehr Benutzerautonomie zu einer überzeugenden Option wird, braucht es einen Unternehmensprozess zur Überprüfung der Effektivität von ML-Systemen, um zu vermeiden, dass sich der Benutzer auf ein System verlässt, das ungültige oder fehlgeleitete Ergebnisse ausspuckt.

Ein Ansatz dafür sind Pilotprojekte, die die Ergebnisse herkömmlicher Analysen mit denen von ML-getriebenen Analysen vergleichen. Im Mittelpunkt könnten "Use Cases mit hohem Return on Investment (ROI) stehen, die die Unternehmensziele widerspiegeln und helfen, erste Indizien und Vorteile aufzuzeigen". Die Überprüfung kann von IT, CDO und betrieblichen Usern durchgeführt werden – wobei die Ergebnisse vor der Einführung des Systems analysiert werden sollten.

 

„Garbage in, Garbage out“ bleibt ein Thema

Die Validität von Daten aus mehreren verschiedenen Quellen sicherzustellen ist in diesem Zusammenhang eine der Herausforderungen. Die Aufsicht über die Datenaufbereitung ist schon dann zu gewährleisten, wenn bloß ein Teil des Prozesses automatisiert wird. Denn maschinelles Lernen in einen Prozess mit schlechter Datenqualität zu integrieren macht die Sache alles andere als besser.

Um Garbage-In, Garbage-Out zu vermeiden, sind Investitionen in Tools und Prozesse zur Datenwartung, Sicherheit und kontinuierliche Aktualisierung erforderlich. Mit unstrukturierten Daten kann zwar maschinelles Lernen neue Erkenntnisse gewinnen, die bisher nicht zugänglich waren; aber unstrukturierte Daten erfordern einen anderen Managementansatz als strukturierte Daten. Dazu gehören Richtlinien für Dateneigentum, Bereinigung, Katalogisierung, Aktualisierung und Sicherung (z. B. Protokollierung nur von Änderungen gegenüber einem Snapshot des gesamten Dateisystems). Es gilt also, eine effektive Architektur- und Technologieinfrastruktur zu entwickeln, die alle Arten von Daten unterstützt, um Eingaben für einen erweiterten Analyseprozess zu validieren.

 

Neue Anforderungen an die Unternehmensführung

Machine Learning kann durchaus Best Practices in der Analytik vorantreiben. Zugleich wird jedoch die Unternehmensführung mit ein paar ungewohnten Jobs konfrontiert: Wie steuern wir ein selbstlernendes System? Welche Richtlinien für den Einsatz von Augmented Analytic Software brauchen wir? Wer sollte Zugang zum neuen System haben und welche Schulungen muss er bekommen? Müssen wir die Ergebnisse von Entscheidungen jetzt bzw. im Vergleich zu früheren Methoden kontrollieren, um die Effizienz feststellen zu können?

Solche Technologieinitiativen müssen von Anfang an bis hinauf auf Vorstandsebene befürwortet werden, um vor dem vollständigen Rollout eine angemessene Finanzierung und im Pilotmodus aussagekräftige Tests sicherzustellen. Ängste vor einer mysteriösen „Black Box“ müssen aufgefangen und ausgeräumt werden. Die Zielnutzer müssen darauf vorbereitet sein, mit einem System zu arbeiten, das ihnen tiefere Erkenntnisse und normativere Empfehlungen liefert – ohne befürchten zu müssen, dass ihre persönlichen Erfahrungen und ihr Urteilsvermögen obsolet werden. Diese ganzen Veränderungen setzen voraus, dass der zu erwartende Nutzen des strategischen Werts von Augmented Analytics mehrfach und nachhaltig von der Führungsebene kommuniziert wird.

Wenn das neue System dann in Betrieb ist, müssen die Richtlinien für Umgang und Wartung bekannt sein und beachtet werden. Die Frage ist nicht trivial, ob das Unternehmen (oder zumindest eine bestimmte Gruppe von Business-Analysten) wirklich einsatzbereit für das neue System ist, bevor ein Programm startet, das auf Zweifel und Widerstände stoßen kann! Vor allem müssen die Benutzer „datenkompetent“ werden und in der Lage sein, datengetriebene Erkenntnisse und Empfehlungen adäquat mit eigenen Einschätzungen zu kombinieren. Um Entscheidungen zu treffen, müssen sie ebenso der Versuchung widerstehen, sich ausschließlich auf ML-generierte Ergebnisse zu verlassen, wie sie verzerrte Wahrnehmungen beseitigen müssen, die ausschließlich auf Intuition und Erfahrungen basieren.

 

Fazit

Führungsqualität bedeutet unter diesen Umständen, die Effektivität von Geschäftsentscheidungen zu überwachen, die auf erweiterte Analysen zurückzuführen sind, und die Frage beurteilen zu können, wie gut sich das Unternehmen an eine neue Denkweise anpasst. Dazu gehören die Messung der Auswirkungen auf die Unternehmensziele, der Aufbau von Vertrauen in die selbstverbessernde Analytik und die Überwachung der Fortschritte in Richtung einer datengesteuerten Kultur. Das Ziel lautet, die Geschwindigkeit und Effektivität von Entscheidungsprozessen zu verbessern – wenn das gelingt, erreicht das Unternehmen ein wettbewerbsfähiges Niveau und repräsentiert Best Practice.

 

 

Oracle Analytic Cloud kostenlos ausprobieren

 

Kontakt:

Ein spannendes Thema, über das ich gerne mit Ihnen spreche, per E-MailLinkedInXing oder Twitter. Cesar Ortiz, Principal Solution Consultant.

Kommentieren

Kommentare ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.