Wie Datenanalysen den Automatisierungsprozess unterstützen kann

Im Bereich der Digitalisierung wächst die Zahl der Computersysteme und Geräte so rasant, dass Prozesse und Dienste immer stärker auf digitale Ressourcen angewiesen sind. Schneller als je zuvor entstehen auf diese Weise völlig neue Technologien, die die Entwicklung neuer und moderner Dienste vorantreiben; entsprechend steigen auch die Erwartungen der Kunden an den jeweiligen Service. Um erfolgreich zu sein, müssen viele Unternehmen deshalb neue Technologien einsetzen; nicht nur um diese gestiegenen Kundenerwartungen zu erfüllen, sondern auch um effizientere operative Abläufe sicherzustellen.

Das Thema Datenanalyse umfasst eine Reihe von Technologien, die interessante neue Möglichkeiten für Unternehmen bieten, die am Puls der Zeit bleiben möchten.

Es lassen sich hierbei zwei wesentliche Vorteile festhalten. Zum einen ermöglicht die Datenanalytik Unternehmen erstmals ihr Geschäftsmodell und somit ihre gesamte Existenz auf Daten zu basieren. Das Kerngeschäft besteht dabei darin, Daten  zu sammeln, Inhalte aussagekräftig zu analysieren und kundenorientiert mit externen Dienstleistern zu verknüpfen. Der zweite große Vorteil der Verbindung von Daten und Analysen liegt in der Automatisierung bestehender Prozesse, d.h. in der Minimierung  monotoner  von Menschen durchgeführten Arbeiten, durch die Nutzung von  bereits verfügbaren Informationen in Form von digitalen Daten.

Die Transformation eines traditionell organisierten Unternehmens, in ein innovatives und dynamisches Unternehmen, das seinen Kunden neueste Technologien zur Verfügung stellt, kann eine große Herausforderung darstellen. Eine solche Aufgabe erfordert in der Regel eine gemeinsame Digitalisierungs-Roadmap oder eine Strategie, die von den wichtigsten Interessengruppen im Unternehmen nicht nur verstanden, sondern auch unterstützt wird. Die Zahl der verfügbaren Technologien wächst jedoch so schnell, dass es fast unmöglich ist auf fachlicher Ebene ausreichend Informationen über alle verfügbaren Technologien zu sammeln. In der Beratung unserer Kunden zum Thema Einsatz der neuesten analytischen Technologien, haben wir festgestellt, dass man bei den Grundlagen anfangen muss. Wir coachen unsere Kunden und erklären ihnen, was die potentiell besten Technologien sind und wofür sie eingesetzt werden können. Auf diese Art werden Kunden in die Lage versetzt mit den neuesten Technologien zu experimentieren und mögliche zukünftige Arbeitsmethoden zu identifizieren.

 

Der Begriff der Analytik beschreibt in der Regel einen systematischen Prozess zur Nutzung von Daten und zwar mit dem Ziel einen bestimmten Nutzen zu generieren. Wenn bei der Gestaltung von Diensten relevante Daten verwendet werden, können diese Dienste individueller, kundenorientierter und effizienter gestaltet werden.

Die entsprechenden Analyselösungen sind hierbei häufig in vier Teilprozesse gegliedert:

  1. Descriptive Analytics – Dieser Prozess beinhaltet Lösungen, bei denen der Fokus auf dem Datensatz liegt. Die Daten können abgefragt werden, um herauszufinden, um „welche Art von Daten“ es sich handelt oder „was passiert ist“.
  2. Im Bereich Diagnostic Analytics wird versucht den Grund für ein bestimmtes Ereignis oder Datenphänomen zu ermitteln.
  3. Im Rahmen der Predictive Analytics wird versucht zu klären, was als nächstes passiert;
    in der Regel wird hierbei eine Reihe von wahrscheinlichen Szenarien generiert.
  4. Prescriptive Analytics – Dieser Prozess liefert zusätzlich Handlungsempfehlungen, wie man einen bestimmten Trend in eine gewünschte Richtung beeinflussen, ein vorhergesagtes Ereignis verhindern oder auf ein zukünftiges Ereignis reagieren kann.

Die drei letzten oben beschriebenen Bereiche der Analytik befassen sich mit der komplexen Analytik, auch bekannt als Advanced Analytics. Hier wird mit Hilfe von Daten ein Modell erstellt, aus dem dann entsprechende Erkenntnisse gewonnen werden können. Theoretisch werden die genutzten Daten danach nicht mehr benötigt; es sei denn, es werden neue Daten zur Verfeinerung oder Verbesserung des Modells eingesetzt Meiner Meinung nach kann der größte Nutzen mit komplexen Analyseverfahren erzielt werden; hierbei werden entweder nützliche Modelle erstellt oder „Lerneffekte“ aus den Daten abgeleitet.

Die häufigsten Probleme, die durch Advanced Analytics gelöst werden können, liegen in den Bereichen Klassifikation, statistische Regression und Clustering. Unternehmen, die Advanced Analytics einsetzen, müssen jedoch auch in der Lage sein, mit allen Problemkategorien umgehen zu können.

Die Fragestellung im Bereich Klassifizierung besteht in der Zuordnung von Eingabedaten, wie einem Bild, einem Textdokument, Spracheingabeinformationen, oder Messdaten aus einer Prozessstufe zu der Klasse, die dem jeweiligen Format zugeordnet ist. So muss bei einer Tiererkennungssoftware bekannt sein, ob auf dem Eingabebild ein Hund, eine Katze oder ein anderes Tier zu sehen ist. Anhand von Beispieldaten und eventuell mittels maschineller Lernmethoden kann so ein mathematisches Klassifikationsmodell entwickelt werden, mit dessen Hilfe das Auftreten des abgebildeten Tiers sich auch in neuen, noch nicht geprüften Bildern vorhersagen lässt.

Bei der statistischen Regression wird erwartet, dass das Modell aus mehreren unabhängigen Eingabevariablen einen kontinuierlichen Trend, wie Temperatur, Höhe, Länge, Dauer, usw. prognostiziert. Die Entwicklung solcher Modelle aus Daten ist vergleichbar mit der Entwicklung von Klassifikationsmodellen aus Beispieldaten.

Klassifikations- und Regressionsmethoden sind Beispiele aus dem Bereich des überwachten Lernens, in dem ein Datensatz sowohl Eingabedaten als auch korrekte Ausgabewerte enthalten muss, bevor überhaupt eine Modellierung und Schätzung erfolgen kann. Mit dem Begriff Clustering wird hingegen eine nicht menschen-überwachte Modellierungsaufgabe beschrieben, bei der die Ausgabewerte gar nicht relevant sind. Clustering-Probleme lassen sich unter der folgenden Frage subsummieren: „Wie viele natürlich entstehende Gruppen habe ich in meinen Daten“. Die Erstellung eines Clustering-Modells führt zur Identifizierung von Daten-Clustern, weist aber auch Daten zu, z.B. den am besten geeigneten Cluster.

 

 

Wie verhält es sich nun mit dem Thema Künstliche Intelligenz (auch bekannt als Artificial Intelligence – AI)? Und wo liegen die Unterschiede zwischen Advanced Analytics, KI und Machine Learning?

Wie bereits erwähnt, beschreibt der Analytik-Begriff einen sehr weit gefassten Prozess, in dessen Rahmen Daten genutzt werden, um einen bestimmten Nutzen zu erzielen. Die Methoden der Advanced Analytics repräsentieren ein Teilbereich der Analytik, in dem Daten ein Schätzmodell formen, welches den entsprechenden Nutzen abbildet. Meiner Meinung nach sind die im Rahmen heutiger KI-Lösungen auftretenden Themen und die Schätzproblematik der fortgeschrittenen Analytik ähnlich gelagert, vor allem, wenn eines der folgenden drei Merkmale gegeben ist. Erstens, das Modell kann dann als KI-Lösung bezeichnet werden, wenn Daten verwendet werden, um ein Schätzmodell zu erstellen, zum Beispiel für Entscheidungen, die zuvor von einem Menschen gefällt wurden. Zweitens, das Modell kann den menschlichen Entscheidungsfindungsprozess ersetzen. Die Schätzmodelle der Advanced Analytics können jedoch z.B. in der Fertigungsindustrie eingesetzt werden, wo ein Regressionsmodell als Teil eines komplexen Prozesses dienen kann. Die Modellarchitektur kann die Anatomie des menschlichen Gehirns imitieren, das heißt, die Modellstruktur kann ein neuronales Netzwerk mit Tausenden von einfachen Recheneinheiten, die Neuronen genannt werden, abbilden. In einer solchen Situation kann das Modell als KI-Lösung bezeichnet werden.

Die komplexe Analytik beschäftigt sich also mit den Schätzwerten des aus den Daten erstellten Modells. Oft ist dieser Prozess iterativ und der gleiche Datensatz wird tausende Male in das Modell eingespielt. Zwischen den Iterationen wird das Modell feinabgestimmt. Dieser iterative Prozess wird oft als maschinelles Lernen bezeichnet. Lernen ist eine kognitive Fähigkeit, die normalerweise dem Menschen zugeordnet wird. Wenn Systeme dies imitieren können, wenn also menschliche Intelligenz involviert ist, kann die Lösung als KI-Lösung bezeichnet werden.

Es gibt eine ganze Reihe wichtiger neuer Technologien, die eng mit den Themen Analytik und KI verbunden sind. Eines davon ist die sogenannte Robotic Process Automation (RPA). RPA-Software ermöglicht es Prozesse, die von menschlichen Anwendern durchgeführt werden, zu automatisieren. Solche Programme können grafische Benutzeroberflächen der meisten Anwendungen öffnen, Schaltflächen anklicken, Textinformationen extrahieren, Datenprüfungen durchführen, Daten in andere Lösungen kopieren und vieles mehr. RPA greift über eine grafische Benutzeroberfläche auf die Systeme zu. Der von einer RPA-Lösung ausgeführte Prozess läuft in einer fest definierten Reihenfolge ab. Nachdem sie Prozesse ausführt, die zuvor von menschlichen Anwendern angestoßen wurden, könnte argumentieren, dass RPA-Software etwas mit KI zu tun hat. Es existiert jedoch kein aus Daten abgeleitetes Modell, und der RPA-Prozess befasst sich nicht mit Maßnahmen in neuen, unbekannten Situationen. Man kann sich jedoch vorstellen, dass eine RPA-Prozessautomatisierung, insbesondere wenn sie durch KI-basierte Entscheidungsfindung in bestimmten Schlüsselpunkten eines Prozessablaufs unterstützt wird, eine sehr hohe Effizienzsteigerung mit sich bringen könnte.

Chatbots sind eine weitere neue Technologieform, die eng mit der Analytik und KI verbunden ist. Chatbots können Teil eines hochgradig automatisierten Kundenservice sein, insbesondere wenn es sich um einfache Diensten handelt. Chatbots sind enger mit KI verwandt als RPAs. In der Regel ermöglichen Chatbots eine natürliche, sprachbasierte Kommunikation zwischen dem Kunden und der Chatbot-Engine. Chatbots sind, mit anderen Worten, in der Lage, natürlich geschriebenen (gesprochenen) Text zu erkennen, so dass der Chatbot die Nachricht schließlich in die vom Kunden gewünschte Aktion umgewandelt werden kann. Diese Umwandlung basiert auf einem Klassifikationsmodell, das geschriebenen Text in alternative Anwendereingaben verwandelt. Der Klassifikator basiert hierbei auf komplexer Analytik, wobei die Umwandlung normalerweise auf Datenbeispielen beruht. Der Gesamtdialog zwischen der Customer Service Engine (der Chatbot Engine) und dem Kunden ist vorgegeben, was dem zuvor beschriebenen RPA-Prozessablauf entspricht.

 

 

Virtuelle persönliche Assistenten, wie Apples Siri, Amazons Alexa oder Googles Virtual Assistant sind hochinteressante Technologien, die eng mit Daten und Analysen verbunden und auch als Virtual Personal Assistants bekannt sind. Diese Technologien zeichnen sich durch ihre Anwendernähe aus und werden über persönliche Geräte wie Smartphones bedient. Ihre durch natürliche Sprachausgabe gekennzeichnete Oberfläche, erlaubt es Konsumenten, Befehle zu formulieren, die den virtuellen Assistenten eine bestimmte Aufgabe ausführen lassen. Die natürliche Sprachverarbeitung basiert häufig auf maschinellen Lernverfahren und neuronalen Netzen. Ohne große Datenmengen und maschinelles Lernen wäre eine solche natürliche Sprachfähigkeit nicht ausreichend für eine qualitativ hochwertige Dienstentwicklung.

 

 

Die VPA-Technologie bietet somit eine Art der Service-Entwicklung, die viel näher am Kunden ist als viele andere. VPAs können Daten und Präferenzen eines Anwenders erlernen und bei der Implementierung neuer Dienste nutzen. So können Bankdienstleistungen heute beispielsweise anstelle eines Webseitenportals oder einer mobilen Anwendung in Form eines Dialogs zwischen einem VPA und dem Kunden implementiert werden.

Wie bereits erwähnt, liegt einer der Hauptvorteile der Analytik in der Effizienzsteigerung bei arbeitsintensiven Prozessen, die menschlicher Überwachung bedürfen. KI kann dabei helfen, automatisierte Entscheidungen oder Prognosen zu treffen. RPA kann ferner lange und langweilige Klicksequenzen über mehrere Softwaresysteme hinweg automatisieren. Chatbots ermöglichen eine Automatisierung des Kundenservice und VPAs schaffen die Möglichkeit noch mehr kundenorientierte Dienstleistungen in natürlicher Sprache anzubieten.

Das Thema Datenanalyse ist jedoch noch wichtiger, wenn das Geschäftsmodell des Unternehmens oder der Organisation auf Daten beruht. Es hilft zu verstehen, wie sich Kundensegmente identifizieren lassen, wer die Kunden sind und welche Bedürfnisse sie haben, sowie welche Dienstleistungen am besten zu den verschiedenen Kundengruppen passen. Datenanalyse bietet darüber hinaus auch die Möglichkeit, Dienste in optimaler Kombination und auf prädiktive Weise anzubieten. So können Unternehmen Kundenbedürfnissen noch besser gerecht werden.

Der ganze Bereich entwickelt sich ständig weiter; mit zunehmender Rechenleistung werden immer größere Datenmengen verfügbar. Dies wiederum ermöglicht ein besseres und präziseres maschinelles Lernen und steigert so den Wert der Datenanalyse.