Noch ist das „Internet of Things“ (IoT) bei weitem nicht in jedem Unternehmen ein Thema auf der Agenda. Doch branchenübergreifend betrachtet setzen sich immerhin rund 45 Prozent bereits „aktiv“ damit auseinander. Dies zeigte kürzlich die Anwenderbefragung „Wettbewerbsfaktor Analytics im Internet der Dinge“ vom Lehrstuhl für Wirtschaftsinformatik Prozesse und Systeme an der Universität Potsdam. An ihr nahmen laut der Autoren rund 5700, vorwiegend kleine bis mittelständige Unternehmen aller Branchen teil.
Aktuell erhoffen sich die Befragten in erster Linie von IoT die Entwicklung neuer Produkte und Dienstleistungen (50 Prozent) sowie generell eine Effizienzerhöhung (40 Prozent). Nur fünf Prozent denken dabei bereits an neue Geschäftsmodelle. Angesichts des frühen Stadiums treibt die Mehrheit der bereits aktiven Unternehmen (87%) die Implementierung von IoT nur auf Projektbasis oder Abteilungsebene voran. Lediglich rund 13 Prozent der Befragten verfügen bereits über eine unternehmensweite Strategie.
Einiges tut sich bereits bei Vorhaben zur Effizienzerhöhung. Hier haben 15 Prozent der befragten Unternehmen IoT bereits in bestehende Prozesse integriert. Dies trifft insbesondere auf die Fertigungsbranche zu. Der größte Anteil der Befragten (45 Prozent) zögert bislang und sondiert derzeit noch die Möglichkeiten von IoT. Das Gesundheitswesen und die Fertigung sind hier laut Umfrage besonders zurückhaltend. Die Zurückhaltung äußert sich auch in einem großen Anteil (30 Prozent), der keine konkreten Projekte zur Effizienzerhöhung plant. In dieser Gruppe finden sich besonders häufig Handelsunternehmen.
Mehr konkrete Projekte finden sich beim Thema Prozessüberwachung. Rund 40 Prozent der Unternehmen haben hier schon nach eigenen Aussagen begonnen. Etwa elf Prozent der Anwender dieser Gruppe (alle aus der Fertigungsbranche) sprechen bereits von integrierten Anwendungen. Branchenübergreifend ist das Interesse an Prozessüberwachung durch IoT aber geringer als bei der Effizienzerhöhung. Nur die Hälfte der Befragten beschäftigt sich mit konkreten Einsatzszenarien. Der Handel zeigt sich auch hier abermals eher zurückhaltend.
Mit IoT nimmt insbesondere die automatisierte Erhebung von Daten durch neuartige Sensorik an unterschiedlichen Punkten im Geschäftsprozess und im Unternehmen massiv zu. Diese Daten sollen beispielsweise zur Entscheidungsfindung und Prozesssteuerung verwendet werden können. Dies gelingt aktuell sieben Prozent der Unternehmen. Ein Grund hierfür ist die fehlende technische Infrastruktur, um Daten aus ihrer Sensorik zu sammeln und entsprechende Auswertungsroutinen organisatorisch zu verankern. Es sind zum einen Regeln und Verfahren notwendig, welche den Geschäftsprozess antreiben. „Smarte Produkte“ wie sie die Autoren nennen, benötigen beispielswiese komplexe Regeln, um autonom zu agieren. Solche verwendet aktuell etwa jedes fünfte Unternehmen.
Für Big-Data-Analysen sollten die Sensordaten mit anderen unternehmensinternen Datenquellen (insbesondere ERP- und CRM-Systemen) sowie mit Daten externer Anbieter (Marktanalysen, Entwicklungsprognosen, Preisinformationen) kombiniert werden können, um bessere Vorhersagen treffen zu können, Einsparpotenziale zu identifizieren und erfolgreiche Produkte und Dienstleistungen am Markt anzubieten. Aktuell werden laut Umfragen Daten aus dem ERP-System am stärksten zur Auswertung der Sensorik herangezogen (43 Prozent), da hier die Kernprozesse des Unternehmens abgebildet und alle darin anfallenden Daten horizontal integriert werden. CRM-Daten werden von 30 Prozent der Unternehmen genutzt. Andere, beispielsweise kundennahe Daten (Standortdaten, Mobile-App-Daten) finden hingegen bislang kaum Verwendung. Ebenso kommen explorative Verfahren wie sie Advanced Analytics ermöglichen bislang kaum zum Zug. So wären beispielsweise Verfahren wie Event Stream Processing mit IoT-Daten sinnvoll.
Was erste Erfahrungen mit IoT-Projekten betrifft, so nennen Unternehmen die Interoperabilität zwischen Sensoren, Analyseplattformen und anderen Datenquellen als eine der größten Herausforderungen. Ebenso werfen die Datensicherheit und Datenschutz Fragen auf. Zudem ist auch hier, wie in vielen Big-Data-Projekten, die Suche nach dem passenden Use Case und damit verbunden eine Bewertung des Nutzens und des Kostenrisikos für viele Anwender ein Hindernis, um sich stärker mit IoT zu beschäftigen. QUNIS kann hier mit seiner Big-Data-Methodik, seiner Lösungsbibliothek und vor allem dank erfahrener Berater helfen, die Weichen zu Beginn von Big-Data/IoT-Initiativen richtig und nachhaltig zu stellen.
Ein Verzeichnis weitere Datenquellen bietet beispielsweise die Website quora.com
Längst sind Big Data, Advanced Analytics und Machine Learning keine schwer greifbaren, futuristisch-visionären Begriffe mehr. Allein privat profitieren wir mittlerweile seit längerem von den vielfältigen Möglichkeiten des Machine Learning auf verschiedenste Weise – sei es bei der täglichen Recherche mit Google, bei den auf die persönlichen Vorlieben zugeschnittenen Empfehlungen unserer liebgewonnen Online-Händler, die immer besser ins Schwarze treffen, sei es bei der passgenauen Musikberieselung durch Services wie Spotify oder auch bei der Nutzung innovativer Smart-Home-Technologien, beispielsweise zum Aktivieren meiner Heizung schon vom Heimweg aus. Schon diese Beispiele zeigen, welches enorme Potenzial Advanced Analytics bieten und dass ganz konkreter wirtschaftlicher Erfolg damit für die Unternehmen verbunden sein kann. Dennoch haben viele Firmen noch immer keine konkreten Strategien oder Pläne, wie sie die neuen Möglichkeiten nutzen könnten, die sich durch die Advanced Analytics, die dem Bereich der künstlichen Intelligenz, auch Artificial Intelligence genannt, zugeordnet werden, ergeben, auch für sich zu reklamieren oder gar mit der Umsetzung sofort zu beginnen.
Obwohl seit Beginn des Informationszeitalters Ende des vorigen Jahrhunderts die wirtschaftliche Bedeutung von Unternehmensdaten hinlänglich bekannt sein sollte, sie Rohstoff und Ware gleichermaßen sind, beschränken sich viele Unternehmen nach wie vor auf rudimentäre Auswertungen mittels Standardreports und -statisiken. Selbst seit Jahren etablierte Techniken wie die Business Intelligence sind längst nicht in allen Unternehmen tägliche Praxis. Dabei sind nur geringe oder gar keiner Investitionen notwendig, um mit den heute zur Verfügung stehenden Werkzeugen und Plattformen direkt in die Advanced Analytics einzusteigen und an der Zukunft profitabel teilzuhaben.
Verfügen Unternehmen bereits über eine Datenbank, im Idealfall auch ein Data Warehouse auf Basis von Microsofts SQL Server, so genügt ein Upgrade auf Version 2016, um Advanced Analytics direkt – beispielsweise in Form eines Datamarts zu realisieren. Durch die jetzt integrierten „R Services“ ist es möglich, Machine-Learning-Modelle mittels R – der Programmiersprache erster Wahl des Data Scientist – direkt auf die Unternehmensdaten anzuwenden und die rückgelieferten Prognosen im Data Warehouse zu speichern und zur Visualisierung bereitzustellen.
Durch die jetzt verfügbaren Möglichkeiten, die Cloud-Anbieter bereitstellen, ist nun auch kleinsten mittelständischen Betrieben der Weg zur Advanced Analytics geebnet. So ist beispielsweise Microsoft Azure mit seiner umfangreichen Sammlung integrierter vollständig verwalteter Cloud-Dienste für Netzwerke, Speicher, Computing, Datenbanken, Analysen und vielem mehr eine echte Option. Damit kann jedes Unternehmen ohne eigene Investitionen in Hard- und Software perfekt von den neuesten Hochleistungstechnologien profitieren. Zur Realisierung von Advanced Analytics-Szenarien können beispielsweise mittels Azure ML entwickelte oder bereitgestellte Modelle nicht nur direkt ausgeführt werden, vielmehr lassen sich komplette Daten- und Prozessflüsse oder auch IoT-Szenarien abbilden, um diese sodann durch Azure vollständig verwalten zu lassen.
Die genannten Möglichkeiten sind nur ein Bruchteil dessen, was heute bereits möglich ist. Für die Realisierung perfekt passender Szenarien sind der Phantasie praktisch keine Grenzen gesetzt. Die Experten von QUNIS stehen Ihnen dabei mit Rat und Tat zur Seite! Sei es durch kostenfreie Advanced-Analytics-Webinare oder im Rahmen eines Big-Data-Workshops. Wir können Ihnen in jedem Fall dabei helfen, unternehmensspezifische Business Cases zu identifizieren, ein passendes Szenario mit Ihnen abzustimmen und dieses nachfolgend im Rahmen eines Proof of Concept auch gleich zu verproben.
Machine Learning (deutsch: maschinelles Lernen) wird als Oberbegriff für die künstliche Generierung von Wissen aus Erfahrung gebraucht und ist dem Gebiet der Artificial Intelligence (deutsch: künstliche Intelligenz) zugeordnet. Ein künstliches System – der Computer – lernt anhand vorgegebener Beispiele wie etwa historische Geschäftsergebnisse und Kundendetailinformationen und kann die daraus gewonnenen Erkenntnisse nach der Lernphase verallgemeinern. Der trainierte Algorithmus, das Modell, lässt sich auf neue, unbekannte Daten anwenden, um die zukünftige Entwicklung vorhersagen zu können.
Machine Learning ist marktreif
Die Techniken und Algorithmen wie das „Neuronale Netzwerk“ im Machine Learning sind teilweise seit vielen Jahrzehnten verfügbar und wurden seitdem kontinuierlich weiterentwickelt. Allerdings blieben die Ergebnisse und Prognosen lange Zeit hinter den menschlichen Fähigkeiten zurück. In den letzten Jahren hat sich die Situation jedoch fundamental verändert, sodass man mittlerweile behaupten kann, dass computerbasierte Prognosen immer öfter und in einer wachsenden Zahl von Anwendungsfeldern exaktere Ergebnisse liefern, als wenn sie ein Mensch erstellt hätte.
Der Data Scientist als Experte für Machine Learning
Machine Learning ist eine Kernkompetenz des „Data Scientist“, einem relativ neuen wie anspruchsvollen Berufsbild, welches die „Harvard Business Review“ schon zum „sexiest job of the 21. Century“ ernannt hat. Solche Experten müssen idealerweise Kenntnisse aus den Bereichen Mathematik/Statistik, Datenbank- und Programmierkenntnisse, fachspezifisches Knowhow, gute Kommunikations-Skills sowie ein gewisses Talent für die überzeugende Datenvisualisierung mitbringen.
Reife Techniken für Advanced Analytics
Für ihre Analysen und Modelle können sie heute auf eine gut gefüllte und leistungsfähige Werkzeug- und Programmierkiste für Advanced Analytics zugreifen. So wird beispielsweise die Programmiersprache „R“ vielerorts genutzt. Marktentwicklungen wie die jetzt mögliche direkte Integration in den MICROSOFT SQL Server in Kombination mit Parallelisierbarkeit werden die Nutzung von „R“ weiter fördern. Gleiches gilt für die bezüglich Funktionalität in nichts nachstehende Programmiersprache „Python“, die In-Memory-Technik „Spark“, die meist im Zusammenhang mit dem HADOOP Framework betrieben wird, sowie vollständig verwaltete Cloud Services wie „MICROSOFT Azure Machine Learing“ (Azure ML). Zudem sind Advanced Analytics heute nicht nur im Zusammenhang mit Big Data, sondern durchaus für die Analyse bisher typischer Datenbestände im Unternehmen geeignet, was ihre Bedeutung und Verbreitung weiter fördern wird.
Business Intelligence bleibt wichtig
Bisherige Anwendungen für Business Intelligence und zur Visualisierung der Geschäftsergebnisse mit Standardreports oder Dashboards werden trotz dieser rasanten Entwicklung aber nicht überflüssig. Die auf vergangene Ereignisse gerichtete Analyse mit Techniken wie „Drill up“, „Drill down“ und „Drill through“, Toplisten-Betrachtungen, Key Performance Indikatoren und dergleichen bleiben wichtige Methoden und Messgrößen der Unternehmenssteuerung (Mehr zu Verhältnis von Business Intelligence und Big Data finden Sie hier).
Allerdings müssen Unternehmen angesichts dynamischer Märkte und immer neuen Chancen und Herausforderungen durch die Digitalisierung künftige Entwicklungen schneller und noch genauer prognostizieren sowie möglichst konkrete Maßnahmen aus den Ergebnissen ableiten können, um wirtschaftlich erfolgreich zu bleiben. Hierfür waren die bisherigen BI- und Analysewerkzeuge nie konzipiert worden und auch allein auf das berühmte Bauchgefühl sollte man sich heute nicht mehr allein verlassen, wenn es um die Einschätzung künftiger Ereignisse und Risikominimierung geht. Machine Learning als Teil der Advanced Analytics kann hier echte Vorteile und Chancen eröffnen und der menschlichen Intuition ein wenig unter die Arme greifen.
Ob Cloud-basierend oder „On Premise“ – es gibt heute zahlreiche Möglichkeiten, wie Sie Advanced Analytics in Ihrem Unternehmen in Ihre bestehende BI Landschaft integrieren und auf Ihre Daten gewinnbringend anwenden können. Die Experten von QUNIS stehen Ihnen mit Rat und Tat zur Seite! Im Rahmen eines Big-Data-Workshops mit uns, können wir Ihnen helfen, unternehmensspezifische Business Cases zu identifizieren und diese nachfolgend im Rahmen eines Proof of Concept zu verproben.