12.10.2018
Von Peter Hecker, Inhaber von HECKER CONSULTINGWarum aus großen Datenmengen erst mit Methode Erkenntnisse werden und wie Unternehmen Zahlen, Texte, Videos und Social-Media-Beiträge auswerten.
Führende Unternehmen wissen, dass sie über den Tellerrand hinausschauen müssen, wenn es darum geht, in der digitalisierten Wirtschaft die Nase vorn zu haben und zu bleiben. Und sie setzen neue Tools ein, um die Stärke von Big Data zu erschließen und immer größere und ausgefeiltere Fähigkeiten im gesamten Unternehmen zu nutzen, die sie zu neuen Erfolgen führen können.
Die Datenmenge, die heutzutage durch ein durchschnittliches Unternehmen fließt, ist erschütternd.
Dazu gehört alles von strukturierten numerischen Daten über unstrukturierten Text und Video bis hin zu sozialen Postings. Um wertvoll zu sein, müssen diese Daten so gesammelt und gespeichert werden, dass sie zugänglich und analysierbar sind. Und dies hat zur Einführung ausgefeilter Datenverwaltungssysteme und Analysewerkzeuge geführt. In der Vergangenheit wurden Daten in privaten Systemen vor Ort erstellt, gespeichert und verwaltet, die sich häufig in Silos von Geschäftsfunktionen befanden. Infolgedessen waren die Daten und die potenziellen Erkenntnisse, die sie durch Zusammenarbeit freisetzen konnten, durch physische und organisatorische Mauern eingeschränkt. Aber die Dinge ändern sich. Viele Unternehmen haben sich für unternehmensweite Lösungen entschieden und gehen nun zu gemeinsam genutzten, Cloud-basierten Datenbanken über, die es ihnen ermöglichen, Informationen sowohl intern als auch extern auszutauschen und im Wesentlichen die richtigen Daten zur richtigen Zeit an die richtigen Personen am richtigen Ort zu bringen, um optimale Geschäftsentscheidungen und Ergebnisse zu erzielen. Moderne Lösungen wie SAP HANA, ein spaltenorientiertes, relationales Datenbankmanagementsystem mit In-Memory-Funktionalität, können beispielsweise Daten blitzschnell speichern und abrufen und unterstützen die Big-Data-Revolution.
Diese Geschwindigkeit ist entscheidend für die Nützlichkeit von Daten für Echtzeit-Geschäftsentscheidungen - die Art, die Unternehmen, die Wettbewerbsvorteile erlangen und erhalten wollen, treffen müssen.
Im Großen und Ganzen kann der Wert von Daten entlang von 4 Vs definiert werden:
Um aus diesen Daten Wert zu schöpfen, müssen Erkenntnisse mit Hilfe fortschrittlicher Analytik extrahiert werden, ein wachsendes Feld, das Business Intelligence, allgemeine Analytik, maschinelles Lernen und künstliche Intelligenz umfasst. Der potenzielle Wert der fortschrittlichen Analytik allein für die Beschaffungs- und Ausgabenanalyse wird auf 100 bis 200 Milliarden Dollar geschätzt. Dieser immense Wert ergibt sich aus dem Verständnis der tief in Big Data verborgenen Einsichten und Muster, die Unternehmen Klarheit darüber verschaffen können, was im Moment geschieht, Vorhersagen künftiger Ereignisse und Handlungsempfehlungen, um den Risiken immer einen Schritt voraus zu sein. Kurz gesagt, es automatisiert die mühsame Aufgabe, das Rauschen zu untersuchen, um Fachleuten die Art von Informationen und Optionen zu geben, die sie wirklich suchen: die Nützlichen.
Um den besten Nutzen aus Big Data zu ziehen, wird Business Analytics in drei verschiedene Bereiche unterteilt, die aufeinander aufbauen und Wert für bestimmte Aufgaben sowie für untergeordnete Ziele in den Bereichen kognitive Datenverarbeitung, maschinelles Lernen und künstliche Intelligenz generieren.
Die erste Funktion analysiert Daten vergangener Ereignisse, um die Frage "Was ist passiert" zu beantworten. Aus großen Daten können nun aussagekräftige Erkenntnisse gewonnen werden, wie z.B. Beziehungen zwischen einzelnen Ereignissen. Sie zeigt die Auswirkungen vergangener Aktionen auf, wie z.B. die Auswirkung von Preisänderungen auf die Nachfrage. Die deskriptive Analytik erfordert jedoch für die richtige Interpretation und Verwendung ein tiefes Fachwissen.
Die prädiktive Analytik geht einen Schritt weiter, indem sie historische Daten zur Vorhersage zukünftiger Ereignisse und Fallausgänge verwendet. Die Entscheidungsfindung wird vereinfacht, indem die Wahrscheinlichkeit von Ereignissen angegeben wird. Die Mitarbeiter sehen potenzielle Auswirkungen geplanter Maßnahmen oder vorhergesagter Risiken und beziehen diese Erkenntnisse in die proaktive Geschäftsabwicklung ein. Beispielsweise kann die Lieferantenauswahl durch die potenzielle Erfüllungsrate sowie durch externe Faktoren wie die Wahrscheinlichkeit von Naturkatastrophen und zukünftigen Marktschwankungen bereichert werden. Die prädiktive Analyse basiert auf Data Mining und Algorithmen des maschinellen Lernens. Diese erfordern eine beträchtliche Menge an Daten von hoher Qualität, um robuste Erkenntnisse zu gewinnen, was sie zur idealen Anwendung für große Daten macht.
Der letzte Schritt der Business Analytics ermöglicht die automatische Identifizierung der bestmöglichen Vorgehensweise in Bezug auf ein bestimmtes Ziel. Die Mitarbeiter werden durch verschiedene Optionen unterstützt, die die Entscheidungsfindung beschleunigen. Zum Beispiel wird das Vertragsmanagement durch die Bereitstellung der optimalen Vertragsbedingungen für einen bestimmten Geschäftsfall unterstützt. Um dieses Potenzial richtig zu nutzen, ist eine Überwachung der Mitarbeiter erforderlich, um die bereitgestellten Optionen zu überprüfen.
Und wenn Business Analytics mit kognitiver Datenverarbeitung und künstlicher Intelligenz kombiniert wird, wird das Geschäft intelligenter.
Nehmen Sie die Beschaffungsfunktion als Beispiel.
Das Lieferantenrisikomanagement bezieht sich auf die Identifizierung, Bewertung und Lösung potenzieller Risikofaktoren. Zu diesen Risikofaktoren gehören Bedrohungen für die Projekterfüllung, wie Fragen der Produktqualität, finanzielle Angelegenheiten der Partner oder externe Faktoren wie Wetter oder Verkehrsbedingungen. Die Vielfalt der potenziellen Risikosituationen muss überwacht, analysiert und gehandhabt werden. Deshalb werden interne und externe Daten gesammelt, aufbereitet und analysiert.
Ausgehend von einer deskriptiven Analytik werden Informationen über frühere Ereignisse untersucht, um die Auswirkungen einzelner Ereignisse zu verstehen. Im Lieferantenrisikomanagement wird die Leistung bestimmter Lieferanten analysiert. Verzögerungen, Produktqualität und die Erfüllung von Verträgen werden durch Scorecards bewertet. Die prädiktive Analytik verwendet diese Ergebnisse zur Berechnung zukünftiger Lieferantenleistungen. Externe Mängel können enorme Auswirkungen auf das Geschäft haben. So können beispielsweise Naturkatastrophen, wie Tsunamis oder Erdbeben im Produktionsbereich Ihres Lieferanten zu einem Totalausfall in der Lieferkette führen. Durch prädiktive Analysen erhalten Mitarbeiter außerhalb der Scorecards tiefere Informationen, um begründete und fundierte Entscheidungen treffen zu können.
Die präskriptive Analytik trägt diese Möglichkeiten weiter, indem sie automatisierte Vorschläge für erkannte Risiken generiert.
Es wird gezeigt, dass alternative Lieferanten mit der erforderlichen Kapazität und Leistung das aufkommende Risiko handhaben und die Versorgungssicherheit gewährleisten können, und die Einkäufer können das Lieferantenrisiko schnell und effektiv diversifizieren und lösen. Die kognitive Datenverarbeitung vervollständigt den Prozess des Lieferantenrisikomanagements durch eine vollständig automatisierte Risikobehandlung. Die vorgeschlagene Alternative der präskriptiven Analytik wird nun automatisch und nahezu ohne menschliches Zutun neu geplant.
Mit jedem Schritt im Prozess wird die Verwaltung der Erkenntnisse schneller und effizienter.
Anstatt dass die Mitarbeiter große Berichte durchforsten müssen, um sich einen Überblick über die aktuelle Geschäftssituation zu verschaffen, erhalten sie einen klaren Einblick und können Zeit damit verbringen, den besten Weg nach vorn zu formulieren. Technologie wird niemals den gesunden Menschenverstand und die Einsicht erfahrener Mitarbeiter ersetzen. Aber wenn große Daten und Technologien wie KI, maschinelles Lernen und kognitive Fähigkeiten sinnvoll genutzt werden, können Beschaffungsprofis intelligenter und schneller arbeiten und ihre Unternehmen in neue Welten der Exzellenz führen.
Wir erweitern ständig unser Beratungsportfolio. Über 600 Beratungsleistungen haben wir für Sie im Programm. Selbstverständlich lassen sich die einzelnen Themen kombinieren. So erhalten Sie genau die Beratung, die Sie wünschen und brauchen.
Mehr IT-, Online-, Digital-Beratungsleistungen anzeigen >>Ihr Einstieg in Apache Airflow 3: Sie automatisieren und orchestrieren Datenpipelines als DAGs in Python, verknüpfen Python- und SQL-Schritte, steuern sie zeit- oder datengetrieben über Assets und holen ausgefallene Tage per Backfill nach.
Sie legen Indizes mit passenden Mappings an, finden per Query DSL oder ES|QL genau die richtigen Dokumente, werten sie mit Aggregationen aus und visualisieren die Ergebnisse in Kibana.
Sie bauen Datenpipelines mit PostgreSQL: Dateien und Fremdsysteme mit COPY und Foreign Data Wrappers anbinden, in Staging-Schemas bereinigen, mit MERGE und Upserts übernehmen und Ladeläufe wiederholbar und inkrementell gestalten.
Sie bauen den Elastic Stack vom Cluster bis zur Lösung auf: Daten mit Elastic Agent, Beats und Logstash einsammeln, in Elasticsearch verwalten, in Kibana auswerten und für Observability und Security nutzen.
Sie ordnen Data Science, maschinelles Lernen und KI im Unternehmen richtig ein, stellen Ihrem Datenteam die entscheidenden Fragen und erkennen, welches Analyseergebnis eine Maßnahme trägt – ganz ohne selbst zu programmieren.
Sie betreiben einen Kafka-Cluster im KRaft-Modus, arbeiten sicher mit Topics, Partitionen und Consumer Groups auf der Kommandozeile und schreiben verlässliche Producer und Consumer in Java.
Sie verstehen, wie Daten aus Quellsystemen verlässlich in Auswertungen gelangen, und bauen selbst eine geplante ETL/ELT-Pipeline mit Python, SQL, Spark und Airflow – inklusive Datenqualitätsprüfungen.
Aktuelle und interessante Themen und Beiträge für Sie zusammengetragen und aufbereitet.
Algorithmen, die in der Lage sind, Bilder zu verstehen, sind eine wichtige technologische Grundlage für viele Innovationen. Zusammen mit der Sprachverarbeitung (Natural Language Processing, NLP) sind sie von grundlegender Bedeutung für unsere Bemühungen, Maschinen zu bauen, die in der Lage sind, die Welt um sie herum zu verstehen und zu lernen, so wie wir es tun. In der Regel handelt es sich dabei um Anwendungen, die auf Deep Learning basieren. Werfen wir also einen Blick auf einige der wichtigsten Trends, die wir im Zusammenhang mit dieser faszinierenden Technologie verfolgen werden.
Aus der Data Science ging die KI hervor, die Fähigkeit von Maschinen, zu "lernen" und auf der Grundlage der ihnen zur Verfügung stehenden Daten immer bessere Vorhersagen zu treffen. Die aufregendsten Trends im Bereich Daten drehen sich heute um diese kognitiven Entscheidungsfähigkeiten.
Da sich Unternehmen schnell an veränderte Umstände anpassen müssen, ist es wichtiger denn je, zur richtigen Zeit und am richtigen Ort Zugriff auf die richtigen Daten zu haben. Es ist keine Übertreibung zu sagen, dass viele Unternehmen in Daten ertrinken. Wir brauchen Struktur und Disziplin, um zu verstehen, was - im Moment - eine Erkenntnis ist und was einfach nur Rauschen ist.
