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.