Archiv für die Kategorie Business Intelligence

Was Data & Analytics Verantwortliche bewegt – vier Themen, die Sie dieses Jahr beachten sollten.

Erstellt am: Dienstag, 18. Februar 2020 von Monika Düsterhöft

I. Voraussetzungen für den Business Value schaffen

Der Hype um BI ist abgeflacht, keiner stellt ihre Bedeutung mehr in Frage. Man weiß, die Technologien funktionieren. Die Unternehmen sind gerüstet, Budgets sind eingestellt. Genügend Erfahrungswerte und Best Practices sind vorhanden. Die große Herausforderung liegt jetzt darin, die vorhandenen Konzepte in Projekte zu gießen, die tatsächlich den größten und nachhaltigsten Nutzen stiften. Doch wo investiert man? Wie geht man vor? Was muss man beachten? Ein Patentrezept gibt es nicht. Was jedoch für alle Unternehmen gilt, es müssen die drei folgenden Fragen, und zwar besser gestern als heute, bearbeitet und geklärt werden:

Wer managt das Asset Daten? Als ersten und zentralsten Punkt gilt es zu defiinieren: Wer hat den Hut für die Daten und die analytischen Ergebnisse auf? Diese ist grundlegend und entscheidend, denn auswertungsrelevante Daten folgen häufig weder einem etablierten Unternehmensprozess noch der organisatorischen Linie. Vielmehr werden Daten cross-funktional erzeugt und an verschiedensten Stellen angereichert. Analytische Szenarien haben sehr häufig die Eigenschaft, diese Daten kombiniert auszuwerten.

Zudem gibt es im Gegensatz zu vielen traditionellen Bereichen wie der HR, die ein Talent- und Personal-Management kennt, oder dem Anlagenmanagement mit seinen Investitionsspiegeln und -plänen für die Datenwelt bis dato so gut wie keine, allenfalls rudimentäre Managementstrategien. Die Strukturen für unternehmensweites Datenmanagement und Analytics müssen daher in nahezu allen Unternehmen erst geschaffen werden. Und je nach Data-Driven-Business-Modell werden dabei Daten aus völlig verschiedenen Quellen, Bereichen und von unterschiedlichster Art benötigt.

Das alles unter eine Managementstrategie zu bringen, fordert also vor allem den Mut, vorhandene Organisationsstrukturen aufzubrechen. Denn, so hat sich gezeigt: Aus dem Boden gestampfte Sonderabteilungen sind nicht die Lösung! Vielmehr geht es darum, eine unternehmensübergreifende Datamanagementkultur zu schaffen und eine Organisationsform, die nicht aneckt und keine Flaschenhälse schafft. Immer mehr Unternehmen erkennen dies und setzen sich damit proaktiv auseinander.

Welchen Business Value bedient ein Use-Case? Der zweite wesentliche Aspekt auf dem Weg zum Business-Value liegt in der Betrachtung seiner selbst. Dabei geht es nicht um eine reine ROI-Berechnung, sondern um die Beantwortung der Frage, auf welchen betrieblichen Mehrwert die BI-, Big-Data- oder Analytics-Initiative einzahlen soll. Geht es beispielsweise darum, Prozesse besser zu analysieren, um damit Kosten zu sparen? Ist man auf mehr Umsatz oder bessere Qualität aus? Zielt die Initiative auf das Erreichen höherer Effizienz ab oder steht Risikominimierung im Vordergrund?

Wie werden Daten nachhaltig zugänglich gemacht? Der dritte nicht zu unterschätzende Punkt, den es bei BI und Analytics im Hinblick auf Nutzen und Value zu beachten gilt, ist das Thema Dokumentation. Gerade der Data Catalog erhält hier aufgrund der zunehmenden Komplexität und Heterogenität der Datenlandschaften als verlässlicher Wegweiser durch die Datenwelt eine wachsende Bedeutung. Um den Zugang zu Daten nachhaltig zu gewährleisten, müssen relevante Daten quellenübergreifend dokumentiert sein. Geeignete Data-Catalog-Tools sind am Markt gefragt und werden gesucht. Aber auch methodische Aspekte sind zu klären: Was soll drinstehen, wo findet man die relevanten Daten im Unternehmen und wer ist zuständig für die Datenqualität?

Auch wenn klassische Data-Warehousing-Konzepte im Sinne von Daten zusammenführen und harmonisieren weiterhin ihre Berechtigung behalten werden, ist ein Trend weg vom physischen Vorhalten aller Daten an einer zentralen Stelle bereits Realität. Der Weg geht hin zum Entwurf von Datenlandkarten, über die die Zugriffe realisiert werden. Das spart Zeit und Geld. Vor dem Hintergrund ständig wachsender Datenmengen entstehen so Datenarchitekturen, die den Geschwindigkeiten und Flexibilitätsanforderungen heutiger Geschäftsmodelle entsprechen. Es entstehen Data Landscapes und Data Oceans. Den Begriffsneuschöpfungen scheinen hier keine Grenzen und kein Ende gesetzt.

II. Cloud-Frontends setzen sich durch

Was in der Analytics-Welt am Backend schon eine Zeit lang gang und gäbe ist, gilt verstärkt nun auch für die Frontend-Welt: Moderne Cloud-basierte Frontends sind verfügbar und werden zunehmend diskussionsloser genutzt. Die Unternehmen scheinen ihre Skepsis und Furcht vor Cloud-Computing immer weiter abzulegen, gerade in unkritischeren Bereichen wie Vertrieb und Finance; allenfalls in sensibleren IP-nahen Bereichen mag das noch anders sein, etwa bei Rezepturen und Bauplänen. Die Öffnung hin zur Cloud ist dabei auf den generellen technologischen Fortschritt zurückzuführen, aber auch auf die naturgemäße „Ver-Rentung“ von Bedenkenträgern mit ihrer „alten Denke“ im Gepäck. So oder so ist der Trend hin zur Cloud nicht mehr zu stoppen: On-Premise-Systeme werden immer mehr zu Insellösungen.

III. Query-Engines verbinden Welten

War es im letzten Jahr an gleicher Stelle noch reine Prognose, wird es jetzt zur Realität: Es gibt immer mehr Query- Engines am Markt, die strukturierte und unstrukturierte Datenwelten miteinander verbinden, ohne dass man hierfür Technologiewechsel in den Architekturen benötigt. Insofern wird es eine Orientierung auf nur eine Seite nicht mehr geben. Denn egal, was man an Quellen darunterpackt: Jegliche Formate lassen sich künftig über ein und denselben Dienst kombinieren und das unbegrenzt in beliebigem Ausmaß. Anbieter wie Azure Synapse Analytics verbinden Data Warehousing und Big Data. Dadurch wachsen die Welten im Sinne einer „Single Source of Truth for Enterprise Analytics” konzeptionell zusammen. Data Engineers, Data Scientisten und Analysten können so kollaborativ den gesamten Daten-Fundus abfragen, ohne dafür irgendwelche Daten bewegen zu müssen.

IV. Zusammenspiel von Data Science, Data Engineering und Data Governance bewusst fördern

Apropos Data Scientist: Der bleibt auch weiterhin wichtig, muss aber zunehmend zu den Business Values beitragen, um seine Bedeutung und Daseinsberechtigung im Unternehmen zu bewahren. Zu oft nämlich konnte er in der Vergangenheit das Delivery-Versprechen mangels verfügbarer Daten nicht einlösen und die damit verbundenen Erwartungshaltungen nicht erfüllen. An der Schnittstelle von Architektur und Datenmanagement wird gleichzeitig die Stellung des Data Engineers mit entsprechend großem Potenzial massiv nach oben gehen. Zu seiner strategischen Schlüsselposition als Garant für das zuverlässige Funktionieren der Analytics Infrastruktur gehört dabei auch das Thema Data Governance. Dieses ist 2020 ein absolutes Top-Thema und schließt nicht zuletzt wieder den Kreis zur Schaffung einer Data-Management-Organisation, Quelldokumentation und letztendlich damit der Grundlage zur Erzielung von Business Value.

Mein Tipp: QUNIS hat ein Klassifizierungsschema entwickelt, das Ihnen hilft, Analytics-Use-Cases einzuordnen und zu identifizieren, an welcher Stelle Sie mit Ihrem B-I und Analytics-Projekt welchen Business-Value erzielen können und womit gegebenenfalls nicht.  Mehr zum QUNIS BUSINESS CLASSIFICATION FRAMEWORK erfahren.

AI funktioniert anders als BI. Oder: Empfehlungen für die Verankerung von AI in Ihrem Unternehmen.

Erstellt am: Freitag, 20. September 2019 von Monika Düsterhöft

Obwohl sich AI und BI auf den ersten Blick mit demselben Thema, also mit Daten, deren Analyse und der Erkenntnisgewinnung daraus beschäftigen, ist es wichtig zu verstehen, dass AI anders funktioniert als BI.

Bei BI fußt das methodische Vorgehen auf einem Gegenstromverfahren, dessen Ziel es ist, eine strukturierte Datenhaltung, in der Regel ein Datawarehouse, mit all den notwendigen Daten aufzubauen, um definierte KPIs möglichst akkurat ausspielen zu können.

Die AI hingegen stellt Werkzeuge, um einen explorativen Prozess zu begleiten, der sich mit Target Scoping, Data Understanding, Data Preparation und Modelling, Evaluation und Deployment beschäftigt – und zwar ergebnisoffen, inklusive „Lizenz zum Scheitern“, wenn Analyseideen in manchen Fällen in einer Sackgasse landen.

AI hat die Lizenz zum Scheitern

Im Zweifel heißt es zurück auf Start und checken, ob das gesetzte Ziel mit den vorhandenen Daten überhaupt zu erreichen ist. Oder ob man eventuell andere Erkenntnisse gewonnen hat, die nichts mit der ursprünglichen Zielsetzung zu tun haben oder diese sogar auf den Kopf stellen.

So kann sich beispielsweise nach der AI-basierten Analyse der Kundendatenbasis herausstellen, dass ein Angebot immer an eine völlig falsch segmentierte Zielgruppe ausgespielt worden ist. Es könnte sich erweisen, dass ein Testzyklus keinerlei Einfluss auf das am Ende tatsächlich erzielte Ergebnis hatte, oder eine Mustererkennung könnte Next-Best-Action oder Next-Best-Offer-Empfehlungen nahelegen, die erst durch das Einbeziehen von Social-Media-Aktivitäten sichtbar geworden sind.

Um nun die in Ihrem Unternehmen schlummernden Potenziale und Einsatzfelder für AI zu finden, sollten Sie nicht einfach nur versuchen bekannte AI Use Cases zu kopieren. Ebenso wenig zielführend ist es, sich ohne passende Methodik auf Ideenjagd für denkbare AI-Projekte, AI-Angebote oder AI-Lösungen zu begeben.

Unsere klare Empfehlung lautet stattdessen: Schauen Sie sich Ihre vorhandenen Prozesse, Produkte und Services an. Identifizieren Sie Brüche und formulieren Sie Wünsche und Ziele, was Sie gerne effizienter, zielgerichteter, transparenter, smarter, on top erreichen wollen.

AI als Werkzeug verstehen

Denken Sie AI als Werkzeug, das Ihnen helfen kann, Muster und Auffälligkeiten zu entdecken und damit den Maßnahmen, die zum gesetzten Ziel führen, näher zu kommen. Oder schauen Sie sich Prozesse unter dem Aspekt der Wiederholbarkeit oder Effizienzsteigerung an und arbeiten Sie die Abschnitte heraus, die von einem Algorithmus gelernt und übernommen werden können.

AI kann nicht nur neue Business Modelle ermöglichen, AI verfügt über ausgereifte Tools, die Ihnen schon heute dabei helfen, etablierte Prozesse zu optimieren und vorhandene Produkte oder Angebote weiter auszubauen. Identifizieren Sie die dafür vorhandenen Daten und Datenquellen, bewerten Sie deren Umfang und Qualität und definieren Sie, wo die Daten zusammengeführt und gespeichert werden sollen, um für das Arbeiten mit AI zur Verfügung zu stehen.

Als geeignetes Konzept hierfür hat sich ein Data Lake erwiesen, in dem sowohl strukturierte als auch polystrukturierte Daten verwaltet werden. Denn im Data Lake kommt die BI-Welt mit Big Data als Grundlage für AI-Anwendungen zusammen.

Egal ob sie in einer Prozessoptimierung oder in einer Produkt- oder Service-Diversifizierung mündet, soll der Einsatz von AI nachhaltig erfolgreich sein, ist ein weiterer Punkt zu berücksichtigen: setzen Sie AI-Vorhaben immer unter Einbeziehung der Organisation auf.

Ein quasi im Reagenzglas entstandenes AI-Ergebnis zurück in die Linienorganisation zu führen, ist eine riesige Herausforderung, denn die Akzeptanz spielt auch bei AI, wie bei allen Innovations- und Change-Prozessen, eine wesentliche Rolle.

AI erlebbar machen

Machen Sie also Beobachter zu Beteiligten, um typische Aversion gegen aufoktroyierte Themen, an denen man nicht selbst mitgewirkt hat, zu vermeiden und bauen Sie parallel zur Entwicklung des AI-Projektes das Verständnis der Mitarbeiter für die Art und Weise, wie AI funktioniert auf.

Dabei führt der Weg zu AI über den Zugang zu den Methoden. Mag es auch noch so verlockend sein, Ansätze und Use Cases einfach zu übernehmen, so empfiehlt sich doch auf jeden Fall zusätzlich der funktionsgetriebene Zugang. Denn dieser baut schneller das wichtige Verständnis auf und schärft darüber hinaus den Blick für die eigenen, ganz individuellen Potenziale. Ganz nach dem Motto: Verstehe was eine Anomalie ist und wie man sie aufdeckt, dann wirst Du auch schneller darauf kommen, wo sie in Deinem Unternehmen vorkommen könnte.

Und noch ein Tipp in Richtung der organisatorischen Verankerung: Bringen Sie nicht nur Daten in einen Zusammenhang, lösen Sie sich auch intern von künstlichen Grenzen und führen Sie BI- und Big-Data-Initiativen zusammen. Denn obwohl die Methodiken unterschiedlich sind, arbeiten beide oft mit denselben Daten und mit einer großen Schnittmenge an gleichen Werkzeugen.

AI integrieren

Datensilos und organisatorische Grenzen für die Datenarbeit machen in Zeiten von Digitalisierung und datengetriebener Unternehmen wenig Sinn; nur unternehmensweite Konzepte für das Datenmanagement inklusive BI, Big Data und Data Governance können künftig erfolgreich sein. Fördern Sie daher die Zusammenarbeit und schaffen Sie das Bewusstsein für die kollaborative Datenarbeit – je früher desto besser.

Sie wollen mehr zu den AI-Methoden erfahren?

Mein Tipp: Holen Sie sich die kostenfreien QUNIS AI FACTHSHEETS. Unser Data Science Experten geben einen Überblick zu neun erfolgreichen AI-Methoden. Sie erklären kompakt, welche AI-Methode sich wann am besten eignet, welche Fragestellungen damit konkret beantwortet werden und welche Daten erforderlich sind. QUNIS AI FACTSHEETS

Hilfe im Dschungel der Analytics Tools. Wir haben den Markt für Sie sondiert.

Erstellt am: Dienstag, 16. Juli 2019 von Monika Düsterhöft

Kaum ein Segment im Softwaremarkt unterliegt derzeit so vielen Veränderungen wie das der analytischen Werkzeuge.

Jedes Jahr sprudeln neue Produkte auf den Markt: branchenspezifische Nischenprodukte, Produkte für spezielle Aufgabenstellungen wie Textanalysen, Produkte für spezielle Fachabteilungen wie das Marketing, und, und, und…. Hinzu kommen noch umfangreiche Analytics-Plattformen, die versuchen, viele Anwendungsbereiche abzudecken oder Nutzer verschiedenster Kompetenzstufen anzusprechen.

Manche Tools setzen zudem auf einfache Zusammenarbeit in Teams, andere auf automatisiertes Reporting oder auf gute Visualisierungsmöglichkeiten. Jedes Produkt hat seine Vor- und Nachteile und ist beim heutigen Entwicklungs- und Innovationsdruck sicher noch nicht am Ende seiner Fähigkeiten angekommen. Nicht alle Produkte werden sich auf Dauer am Markt durchsetzen können – alle Produkte werden sich aber mit Sicherheit weiterentwickeln.

Man muss nicht zwingend Data-Science-Profi sein.

Der derzeitige Markttrend geht in Richtung Augmented Analytics. Dies bedeutet, mit den entsprechenden Werkzeugen können auch mathematisch und statistisch versierte Fachanwender und Citizen Data Scientisten Künstliche Intelligenz für Ihre Datenauswertung nutzen. Denn mittels Artificial Intelligence (AI) und Machine Learning werden Analyseschritte wie die Auswahl des richtigen Algorithmus von den Tools automatisiert, so dass der Nutzer kein Data-Science-Profi sein muss, um bestimmte Data-Science-Analysen durchführen zu können.

Es werden zum Beispiel Daten mit einer Clusteranalyse gruppiert, ohne dass der Nutzer verstehen muss, was im Hintergrund passiert. Ebenso können mit einem Klick Umsätze oder ähnliche geschäftsrelevante Daten mittels Zeitreihenanalysen vorhergesagt werden. In manchen Tools kann zudem durch die Einbettung von AI die Suche nach relevanten Daten mittels Sprachsteuerung oder Google-ähnlicher Suchfunktionen erleichtert werden. All das rangiert unter Augmented Analytics und gibt einen Eindruck davon, wie sich der Markt an Analytics-Werkzeugen weiter wandeln wird.

Welches Tool passt zu mir?

Bei der Vielzahl an Produkten und dem stetigen Wandel ist es schwer, den Überblick zu behalten. Wir haben den Markt gescannt und die Tools anhand typischer Nutzeranforderungen segmentiert.

  • Marktsegment 1: Reportingwerkzeuge
  • Marktsegment 2: BI & Analytics Suiten
  • Marktsegment 3:  Machine Learning (ML) & Data Science (DS) Plattformen
  • Marktsegment 4: Integrierte Entwicklungsumgebungen (IDEs) und Notebooks

Diese Segmentierung soll Ihnen helfen, das für Sie passende Tool zu finden. Um nun die für Sie passende Zuordnung zu identifizieren machen Sie sich bewusst, was Sie von dem Analysewerkzeug erwarten. Folgende Fragen unterstützen Sie dabei:

  • Reichen starre und einfache Visualisierungen von Daten, die sich als Bilddatei oder Tabelle abspeichern können?
  • Sollen mehrere Nutzer in einer explorativen Analyse zusammenarbeiten können?
  • Wenn ja, inwiefern soll die Zusammenarbeit unterstützt werden?
  • Nutzer welcher Fähigkeitsstufen sollen kollaborieren?
  • Wie ist deren Aufgabenverteilung?
  • Welche Anforderungen bestehen bezüglich Visualisierungen, statistischen und Machine-Learning-Funktionalitäten?
  • Inwiefern soll das Tool Data-Science-Prozesse wie das Trainieren von ML-Modellen unterstützen?

Mit Antworten auf diese Fragen sehen Sie schnell, in welchem Marktsegment sich das zu Ihren Anforderungen passende Tool befindet. Reicht Ihnen ein Reportingwerkzeug (Marktsegment 1) oder suchen Sie eher ein Tool für einen Power User (Marktsegment 2)? Oder gehen die Nutzer schon einen Schritt weiter in Richtung Data Science (Marktsegment 3)? Oder wollen Ihre Nutzer vollste Flexibilität und scheuen sich nicht vor anspruchsvoller Programmierung in Entwicklungsumgebungen (Marktsegment 4).

Marktsegmentierung von Analyse-Werkzeugen 

Sie fallen in mehrere Segmente? Kein Problem.

Die Anforderungen und Fähigkeiten der Nutzer in Ihrem Unternehmen gehen weit auseinander, so dass Sie nicht nur EIN relevantes Marktsegment für sich identifizieren? Keine Angst, das ist normal. Mit der richtigen Strategie und einem durchdachten Datenmanagementkonzept können diverse Tools auch problemlos miteinander kombiniert werden. Gerne unterstützen wir Sie hier bei der Auswahl und Implementierung, so dass Sie in Ihrem Unternehmen die datenbasierte Entscheidungsfindung mit Technologie der neuesten Generation schnellstens vorantreiben können.

Mein Tipp: Denken Sie zudem daran, dass die Nutzer mit dem Werkzeug gerne arbeiten und beziehen Sie diese in die Auswahl mit ein. Ich als Data Scientistin kann Ihnen sagen: „Nichts erschwert die Kreativität bei der explorativen Analyse mehr als eine Software, mit der man sich nicht wohl fühlt.“

In diesem Sinne, nutzen Sie unsere Segmentierung zur Orientierung und sprechen Sie uns gerne an. Ich freue  mich auf den Austausch mit Ihnen!

Übrigens – unsere beliebtesten Data Science Algorithmen haben wir ebenfalls übersichtlich für Sie zusammengestellt. Sie finden diese direkt hier auf unserem kostenfreien QUNIS MACHINE LEARNING CHEAT SHEET

AI, Advanced Analytics, Big Data und ihre Bedeutung für die BI

Erstellt am: Mittwoch, 1. Mai 2019 von Monika Düsterhöft

Artificial Intelligence (AI) nutzt Machine Learning

Artificial Intelligence ist ein Begriff, der sofort sehr stark mit Innovation assoziiert wird und gleichermaßen eine große Faszination wie diffuse Ängste auslösen kann, obwohl oder vielleicht auch gerade weil es bis dato keine generell akzeptierte oder allgemeingültige Definition dessen gibt.

Sprach Richard Bellman 1978 beispielsweise von „der Automatisierung von Aktivitäten, die wir mit menschlichem Denken assoziieren, also dem Fällen von Entscheidungen, Problemlösung, Lernen …“, definierte Patrick Henry Winston 1992 die AI als „das Studium von Berechnungen, die es möglich machen, wahrzunehmen, schlusszufolgern und zu agieren“. Eine weitere Definition aus dem Jahre 1990 von Ray Kurzweil trifft es ebenso im Kern: „Die Kunst, Maschinen zu entwickeln, die Funktionen ausüben, welche Intelligenz erfordern, wenn sie vom Menschen ausgeführt werden.“

Ein Großteil der Methoden, mit denen Artificial Intelligence (AI) realisiert wird, fasst man unter dem Oberbegriff des Machine Learning (ML) zusammen. Maschinelles Lernen ist sehr stark der Art nachempfunden, wie wir Menschen lernen – so werden der Maschine in immer wiederkehrenden Schleifen Beispiele vorgelegt, anhand derer ein Sachverhalt gelernt wird, nur um das Gelernte anschließend verallgemeinern zu können.

Beispielsweise zeigt man der Maschine zahlreiche verschiedene Bilder von Katzen, auf dass sie danach das Prinzip „Katze“ verinnerlicht hat und solche auch auf Bildern erkennen kann, die sie vorher noch nicht zu sehen bekommen hat. Wie auch beim Menschen wird beim maschinellen Lernen nach der Lernmethode unterschieden – so unterscheiden wir zwischen dem überwachten Lernen (Supervised Learning), also dem Lernen anhand vordefinierter Beispiele, dem unüberwachten Lernen (Unsupervised Learning), was das automatische Erkennen von Mustern oder Merkmalen zum Inhalt hat, sowie dem bestärkenden Lernen (Reinforcement Learning), das auf dem Prinzip des Belohnens und Bestrafens basiert.

Advanced Analytics nutzt AI

Bei der Advanced Analytics kommen maschinelles Lernen sowie andere mathematisch-statistische Verfahren und Modelle zur Anwendung. Hierunter verstehen wir das methodische Analysieren und Interpretieren von Daten beliebiger Strukturen mit Ziel einer möglichst automatischen Erkennung von Bedeutungen, Mustern und Zusammenhängen und/oder der Prognose bestimmter Eigenschaften oder Kennzahlen.

Die Advanced Analytics kann somit auch als nächste Evolutionsstufe der Business Intelligence gelten. Während die traditionelle Business Intelligence den Blick vorrangig in die Vergangenheit richtet, um den Manager zu ermächtigen, die richtigen Rückschlüsse und bestmöglichen Entscheidungen für die künftige Ausrichtung des Unternehmens zu treffen, versucht die Advanced Analytics, diesen Prozess weitestgehend der Maschine zu überlassen, also zu automatisieren und selbst in die Zukunft zu schauen. Dies erfolgt in zwei aufeinanderfolgenden Schritten – im ersten werden durch die Predictive Analytics Vorhersagen über zu erwartende Entwicklungen gemacht, im zweiten zeigt die Prescriptive Analytics potenzielle Maßnahmen auf, gezielt wünschenswerte Ergebnisse zu erreichen.

Big Data erweitert BI

Wie auch in des Managers Entscheidungsprozess weitere relevante Zusatzinformationen neben den reinen Geschäftsergebnissen einfließen, beispielsweise Wetterdaten, geolokale Informationen oder Markttrends, so ist dies analog gültig für die Advanced Analytics. So beschafft man sich neben den strukturierten Daten aus ERP-, CRM- oder anderen Systemen wie beispielsweise dem zentralen Data Warehouse weitere Informationsquellen, die in die Analytics mit eingebunden werden. Dies können nicht selten Datenbestände sein, die man im Allgemeinen dem Begriff Big Data zuordnet.

Konkret bezeichnet Big Data eine bestimmte Art und Beschaffenheit von Daten plus dazu passende Methoden und Technologien für die hochskalierbare Erfassung, Speicherung und Analyse. Gerne wird in dem Zusammenhang auch von den drei Vs gesprochen:

  • Variety oder die Datenvielfalt: Immer mehr Daten liegen in unstrukturierter und semistrukturierter Form vor, beispielsweise aus den sozialen Netzwerken oder auch Geräten und Sensoren.
  • Volume oder die Datenmenge: Immer größere Datenvolumina werden angesammelt – Größenordnungen von mehreren Petabytes sind keine Seltenheit mehr.
  • Velocity oder die Geschwindigkeit: Riesige Datenmengen müssen immer schneller ausgewertet werden, bis hin zur Echtzeit. Die Verarbeitungsgeschwindigkeit muss mit dem wachsenden Datenvolumen Schritt halten.

Bezieht man also neben strukturierten Daten auch unstrukturierte, polystrukturierte und Massendaten, idealerweise realtime in die Analyse mit ein und bedient sich dafür unter anderem der Methoden des Machine Learnings, erweitert man die BI durch Big Data und den Einsatz von AI hin zur Advanced Analytics.

Viele spannende Informationen warten darauf, auf diese Art von Ihnen entdeckt zu werden!

Mein Tipp: Sie wollen den Machine Learning Algorithmen auf den Grund gehen? Holen Sie sich das kostenfreie QUNIS Machine Learning Cheat Sheet als PDF, im Pocket-Format oder als Poster für die Wand. Hier direkt QUNIS MACHINE LEARNING CHEAT SHEET holen.

CDS – der Citizen Data Scientist als Weg aus dem Analytics-Ressourcen-Engpass

Erstellt am: Montag, 18. März 2019 von Monika Düsterhöft

Für die Umsetzung von Advanced-Analytics-Vorhaben ist eine durchdachte Datenstrategie unverzichtbar. Sie regelt alle Fragen rund um die technische Systemintegration, die Data Governance und das unternehmensweite Data Quality Management (DQM).

Darüber hinaus gibt es neue fachliche Anforderungen und Aufgabenfelder wie die Definition komplexer Algorithmen für das Heben wirtschaftlicher Potenziale oder das Deployment der entstandenen Data-Science-Services. Der Data Scientist nimmt bei diesen Aufgaben eine der zentralen Schlüsselrollen ein. 

Neue Advanced-Analytics-Aufgaben benötigen Data Scientisten mit vielfältigen mathematischen, technischen und prozessualen Skills.

Mit seinem tiefen Einblick in die Fachbereiche formuliert der Data Scientist die Projektanforderungen, kümmert sich um die Themen Datenmanagement und Data Quality Management unter Beachtung der Data Governance und übernimmt die Definition von Datenmodellen und Algorithmen. Er hat tiefe mathematisch-statistische Kenntnisse, kann programmieren, kennt sich mit Datenschutz und sonstigen Compliance-Regeln aus und verfügt über umfangreiches Business-Know-how.

Kurzum, der Data Scientist ist ein Allrounder mit viel Spezialwissen und umfassender Erfahrung. Kein Wunder daher, dass diese Fachkräfte äußerst gefragt und ziemlich rar sind und dass viele Digitalisierungsvorhaben schlichtweg wegen dieser fehlenden Skills und Ressourcen stagnieren.

Arbeitsteilung, Tools und das Konzept des Citizen Data Scientist (CDS) können Abhilfe aus dem Ressourcen-Dilemma schaffen.

Ein Ansatzpunkt ist die Entlastung des Data Scientists von Routinen im Datenmanagement. Speziell bei der Datenakquisition können technisch versierte Experten, die sogenannten Data Engineers, den Data Scientist gut unterstützen. Ein zweiter Ansatzpunkt, der sich derzeit am Markt für analytische Applikationen abzeichnet, ist die zunehmende Verlagerung von analytischem Know-how in die Systemwelt.

Etablierte BI-Anbieter beispielsweise erweitern ihr Portfolio um Datenvisualisierungstools, die Visual Analytics ohne Programmieraufwand unterstützen. Per Drag-and-drop können hier Datenströme hinzugefügt, verbunden und analysiert werden, und im Hintergrund laufen die neuesten Algorithmen für die fortgeschrittene Datenanalyse. Auch die Branche der AI-Spezialisten liefert unter der Bezeichnung „Augmented Analytics“ anwenderorientierte Werkzeuge, die Funktionen zur Automatisierung der Datenaufbereitung, Erkenntnisfindung und Datenanalyse enthalten.

Mithilfe solcher anwenderorientierten Frontends können geübte BI Power User, die ein mathematisch-statistisches Grundverständnis sowie Interesse an Analytics mitbringen, bestimmte Aufgabenfelder der Data Science übernehmen und so neben den Data Engineers ebenfalls ihren Teil dazu beitragen, das begehrte Skillset des Data Scientists zu erfüllen. Es kristallisiert sich ein neues Rollenbild heraus. Wir sprechen vom Citizen Data Scientist (CDS), der mit den richtigen Tools in der Lage ist, analytische Aufgaben auszuführen und auch selbst Modelle zu erstellen, die fortgeschrittene Analysen, Vorhersagen und präskriptive Funktionen enthalten.

Die Ausbildung von CDS ist ein aussichtsreicher Ansatzpunkt, um analytische Kompetenzen im Unternehmen aufzubauen.

Im Grunde kann jeder Fachanwender oder IT-Spezialist, der ein Grundverständnis für Datenarbeit sowie statistisches und mathematisches Know-how mitbringt, den Umgang mit Self-Service-Data-Science-Werkzeugen erlernen. Besonders geeignet sind BI Power User, die lernbereit und neugierig darauf sind, Data Science und vorhersagende Algorithmen für ihre Geschäftsprozesse zu erkunden.

Im Gegensatz zum klassischen BI-Anwender, der auf der Basis vorgefertigter Daten-Cubes arbeitet, bewegt sich der CDS dabei jedoch auch auf der Ebene der Rohdaten, um explorativ neue Erkenntnisse zu generieren. Weitere aussichtsreiche Kandidaten für Citizen Data Science sind Ingenieure mit Hintergrundwissen aus Mathematik, Statistik und Modellierung.

Die neuen Data-Science-Experten benötigen Rückendeckung und Unterstützung für ihr Tätigkeitsfeld.

Für ihre Aufgabenfelder bringen unternehmensintern ausgebildete CDS neben ihren analytischen Fähigkeiten auch ihr bereits vorhandenes Markt- und Branchen-Know-how sowie das Wissen um interne Prozessen in die Datenanalysen mit ein. Ein wesentlicher und nicht zu unterschätzender Vorteil. Sie brauchen aber auch Rückendeckung durch das Management sowie Unterstützung durch die interne IT.

CDS benötigen mehr Daten, zum Teil auch mehr ungefilterte Daten und sie brauchen IT-Umgebungen, in denen sie mithilfe aktueller Tools und Technologien experimentieren und Prototypen von Modellen und Applikationen bauen können. Zudem müssen sie den zeitlichen Freiraum für ihre Datenrecherchen erhalten.

Ein versierter Partner an der Seite, der neben der expliziten Data-Science-Expertise auch Erfahrung aus anderen Projekten mit einbringt und die neuen CDS auf ihrem Weg begleitet, ist eine weitere äußerst wertvolle Hilfe und ein wichtiger Baustein für den Erfolg einer Advanced-Analytics-Initiative.

Wenn die Rahmenbedingungen stimmen, können sich Unternehmen auf diese Weise pragmatisch wertvolle Personalressourcen aus den eigenen Reihen erschließen und richtig Schubkraft in ihre Digitalisierungsprojekte bringen.

Mein Tipp: Besuchen Sie das CA-Seminar – Deep Dive Advanced Analytics – Machine Learning in der Praxis mit „R“ – und lernen Sie das Tagesgeschäft eines Data Scientist besser kennen. Das Seminar wird von und mit QUNIS Experten durchgeführt und findet im Rahmen der Kooperation mit der CA Controller Akademie und des Ausbildungsprogramms zum Information Manager statt. Mehr zu allen CA-Seminaren finden Sie hier.

Data-Science-Services einfach und stabil bereitstellen mit dem AHUB Deployment Framework.

Die Blockchain – ist das was oder kann das weg?

Erstellt am: Montag, 18. Februar 2019 von Monika Düsterhöft

Kryptowährungen sind nichts für mich, also warum sollte ich mich mit der Blockchain auseinandersetzen? So oder so ähnlich könnte man denken, wenn das Gespräch auf den mittlerweile nicht mehr gar so neuen Hype-Begriff kommt. Dass sich diese hochinteressante Technologie jedoch nicht nur für das Abbilden von Zahlungstransaktionen eignet, sondern auch anderen Anwendungsfällen eine solide und sehr sichere Plattform bieten kann, versteht man, wenn man sich mit dem Verfahren näher auseinandersetzt.

Wie funktioniert die Blockchain?

Rein technisch ist die Blockchain zunächst einmal eine Datenbank. Allerdings handelt es sich hier nicht um eine relationale Datenbank, wie wir sie vom SQL Server, Oracle, DB2 oder den vielen anderen namhaften Systemen kennen. Die Datenbank besteht vielmehr aus einer verketteten Liste von in Blöcken zusammengefassten Daten.


Verkettungen und Kopien machen die Blockchain einzigartig sicher

Die Verkettung definiert den Kern des Verfahrens

Diese Verkettung ist auch gleichzeitig das Spannende. Jeder der Blöcke „zeigt“ auf den jeweils vorigen Datenblock mittels eines sogenannten „Hashwertes“, der durch kryptografische Verschlüsselung jenes Vorgängerblocks mitsamt dessen Zeiger auf wiederum seinen Vorgängerblock entstanden ist.

Dieses Verfahren macht einen guten Teil dessen aus, was die Blockchain einzigartig und sicher macht: Würde man einzelne Daten innerhalb eines Blockes manipulieren, würde der Hashwert des Blockes damit verändert, was zur Folge hätte, dass man den nachfolgenden Block ebenfalls modifizieren müsste, sodann den nächstfolgenden, da auch dieser in Mitleidenschaft gezogen wäre, und so weiter und so fort.

Das Prinzip der Kopie sichert das Verfahren

Anders als in üblichen Systemen befindet sich die Blockchain-Datenbank nicht auf einem einzelnen zentralen Server, auf den die Teilnehmer des Netzwerkes zugreifen. Vielmehr verfügt jeder einzelne der teilnehmenden Rechner über eine vollständige Kopie der Blockchain. Durch vereinbarte Konsensregeln wird permanent überprüft, dass der Löwenanteil aller Teilnehmer das Gleiche gespeichert hat.

Ein betrügender Teilnehmer müsste also nicht nur seine eigene Kopie der Blockchain verändern, sondern dies insgesamt bei mehr als der Hälfte der Rechner tun, um seine Manipulation der Datenbank als die neue gültige Version durchbringen zu können. Dies jedoch ist wiederum durch das Verfahren selbst weitgehend ausgeschlossen.

Das Verfahren organisiert sich selbst

Jedes Mal, wenn ein Blockchain-Teilnehmer eine neue Transaktion, also einen neuen Datensatz meldet, schreiben alle beteiligten Rechner ihre Version der Blockchain eigenständig fort. Eine gewisse aufgelaufene Anzahl dieser neuen Datensätze wird sodann durch einen der teilnehmenden Rechner in einem neuen Block gebündelt, der dann wiederum mittels des Hashwert-Zeigers an die Kette angehängt wird.

Wer dieser Teilnehmer, der den neuen Block vorgibt, jeweils ist, wird durch einen vereinbarten Algorithmus, auch das Protokoll der Blockchain genannt, entschieden. Hierzu gibt es eine Vielzahl gängiger Methoden. Eine der bekanntesten nennt sich „Proof of Work“. Daneben gibt es aber auch den „Proof of Stake“ Algorithmus, „Proof of Authority“ und einige mehr.

Durch dieses Verfahren, das ein Beispiel der sogenannten Distributed Ledger Technologie darstellt, ist eine zentrale Instanz im Netzwerk überflüssig. Dies macht die Blockchain so spannend, denn damit ist es nunmehr erstmalig denkbar, dass es möglich sein könnte, auf zentralisierte Services wie zum Beispiel Banken zu verzichten, deren Servertechnologie und Programmen wir ja Stand heute quasi bedingungslos vertrauen müssen.

Kryptowährung, Smart Contracts, IoT – wo kommt die Blockchain zum Einsatz?

Am weitesten verbreitet und bekannt sind die sogenannten Kryptowährungen, also digitale Zahlungsmittel, deren Transaktionen auf einer Blockchain gespeichert werden. Bitcoin ist hierbei die älteste Währung, quasi die Mutter aller Blockchain-basierten Geldmittel.

Daneben ist Ethereum eine weitere sehr verbreitete Blockchain Technologie. Besonders bekannt geworden ist diese durch die Möglichkeit der Integration vollautomatischer dynamischer Verträge, sogenannter Smart Contracts.

Diese Programme, die ebenso unveränderlich und fälschungssicher wie alle übrigen Daten auf der Blockchain gespeichert sind und dort zur Ausführung kommen, eröffnen neue Möglichkeiten, die Blockchain im Unternehmensumfeld zu nutzen.

DAPPs für Versicherungen, Logistik, Hotellerie und mehr

Mit Smart Contracts ist es beispielsweise möglich, vertragliche Abkommen beliebiger Art vollautomatisch und unbestechlich zur Ausführung zu bringen, was ein enormes Potenzial an Möglichkeiten eröffnet, auch komplexe Prozesse auf sehr verlässliche Weise zu automatisieren. Man spricht hierbei auch von dezentralisierten Applikationen, sogenannten DAPPs.

So ist großes Automatisierungspotenzial beispielsweise bei Versicherungen denkbar – die Blockchain ermöglicht die verlässliche Sammlung aller Kundenzahlungen mit automatischer Auszahlung bei Eintritt eines im Smart Contract definierten Versicherungsfalls.
Ein weiteres großes Anwendungsfeld ist in der Logistik angesiedelt, lassen sich doch durch die Blockchain ganze Lieferketten mit allen Zwischenstationen zuverlässig dokumentieren.

Auch in IoT (Internet of Things)-Szenarien bieten Smart Contracts, neben der sich unter dem Namen IOTA etablierenden Blockchain, die sich durch eine ganz besonders hohe Transaktionsrate auszeichnet, hervorragende Optionen. So könnte beispielsweise ein Hotel enorme Einsparungen durch vollautomatische Services erzielen. Ein denkbares Szenario wäre: Bei Zahlung einer 24-Stunden-Gebühr werden für den Hotelgast Licht, Wasser sowie Strom aktiviert und das Türschloss automatisch geöffnet – was Schlüsselkarten oder ähnliches überflüssig macht.

Es ist noch nicht alles gedacht!

Bei all diesen vielen Möglichkeiten besteht zum aktuellen Zeitpunkt neben dem großen Hype um das Thema Blockchain noch einige Unsicherheit, was die Zukunft dieser Technologie betrifft. In einigen Aspekten gibt es auch noch Entwicklungsbedarf, um bestehende Schwachstellen zu beseitigen.

Dennoch lassen die Vielzahl der bereits umgesetzten Anwendungsfälle und die Möglichkeiten, die die Technologie in sich birgt, erahnen, dass das System Blockchain von dauerhaftem Bestand sein wird. Auch in der BI und Analytics tun sich spannende Einsatzfelder wie Echtzeitanalyse zur Anomalie- oder Betrugserkennung, eine Überwachung von Lieferketten oder einer Rückverfolgung von Produkten auf, die wir weiterverfolgen werden.

In Summe lässt sich also festhalten: Blockchain ist zwar nicht von Beuys, man sollte sie aber trotzdem nicht entsorgen. Vielmehr sollte man wachsam sein und bei Szenarien und Initiativen, bei denen es um sichere, nachvollziehbare Datenströme geht, immer auch mal ein Auge auf die Technologien und Plattformen der Blockchain werfen und untersuchen, wo sich ein Einsatz ausprobieren ließe oder gar lohnen könnte.

Vielleicht wollen Sie ja ein Vorreiter sein?

Sprechen Sie mit uns, wir bringen gerne unsere Erfahrung und Know-how mit ein KONTAKT

Datenqualität in BI und Big Data – wo liegt der Unterschied und wie funktioniert es zusammen?

Erstellt am: Freitag, 4. Januar 2019 von Monika Düsterhöft

In einer klassischen BI-Umgebung lagern typischerweise strukturierte Daten aus internen Vorsystemen wie Enterprise Resource Planning (ERP), Customer Relationship Management (CRM) oder der Buchhaltung. Für die Qualitätssicherung gibt es Best Practices und erprobte Technologien – man weiß genau, wie und wo man bei der Optimierung ansetzen kann, wenn der Bedarf da ist.

Unklar ist hingegen die Qualitätssicherung bei den für Predictive Analytics nötigen Big-Data-Quellen. Nutzen und Wertschöpfung der anvisierten Vorhersagemodelle hängt auch hier maßgeblich von der Qualität der zugrundeliegenden Daten ab. Systemarchitekten diskutieren nun, wie sie die Qualität von riesigen semi- und polystrukturierten Daten bewerten und sichern, welche Systemarchitekturen dabei ins Spiel kommen und wie das Datenmanagement funktioniert.

Das Data Warehouse bleibt der Single Point of Truth

Das klassische Data Warehouse hat als Kern einer typischen BI-Umgebung auch in der Welt der fortgeschrittenen Analysen seine Daseinsberechtigung. Es ist die beste Grundlage für standardisierte Berichts- und Analyseprozesse mit den unverzichtbaren Finanz- und Steuerungskennzahlen. Geht es um vorausschauende Unternehmenssteuerung, so sind diese Berichtsstandards um Trendanalysen und Prognosen aus der Big-Data-Welt zu ergänzen. In der Praxis erweist sich der sogenannte Data Lake als pragmatischer Implementierungsansatz, um hochstrukturierte Daten aus Transaktionssystemen und wenig strukturierte Big Data zusammenzuführen.

Ausgehend von der bewährten BI-Architektur mit offenen Schnittstellen lassen sich damit Big-Data-Komponenten in eine vorhandene Informationsplattform integrieren. Wichtig dabei ist, dass das zentrale Data Warehouse seinen Anspruch als Single Point of Truth im Unternehmen behält. Will man das Datenmanagement und die Qualität der Datenbasis für Advanced Analytics optimieren, ist es daher eine gute Idee, mit dem meist vorhandenen Data Warehouse zu starten.

Wie die Projektpraxis zeigt, besteht hier nämlich oft noch Handlungsbedarf. Abgesehen von Qualitätsmängeln und inkonsistenten Datenstrukturen wird mit dem Trend zu Self-Service-BI auch das bekannte Problem von Insellösungen und Datensilos wieder akut, das früher durch diverse Excel-Lösungen der Fachabteilungen verursacht wurde. Self-Service im Fachbereich ist praktisch und hat seine Berechtigung, aber das zentrale Business Intelligence Competence Center oder der BI-Verantwortliche müssen die Datenströme unter Kontrolle halten und darauf achten, dass der Single Point of Truth nicht ausgehebelt wird.

Data Warehouse Automation sichert die Datenqualität

Sind die Datenströme gut modelliert, bestehen große Chancen für eine dauerhaft hohe Datenqualität im BI-System. Durchweg strukturierte Daten von der operativen bis zur dispositiven Ebene, standardisierte Auswertungsverfahren und mächtige ETL-Werkzeuge (Extraktion, Transformation, Laden) mit integrierten Prüffunktionen ermöglichen eine hohe Automatisierung der Datenauswertung.

Für den effizienten Aufbau, die Anpassung und die Optimierung von Data Warehouses gibt es inzwischen ausgereifte Verfahren, die Standardisierung und Automatisierung erhöhen und damit die Fehlerrisiken auf ein Minimum senken. Diese Data Warehouse Automation beruht auf Frameworks, die bereits Best Practices für ETL nach etablierten Verfahren sowie Prüflogiken zur Sicherung der Datenqualität enthalten beziehungsweise deren Modellierung auf Meta-Ebene unterstützen. Neben einer effizienten Entwicklung und Administration vermeidet dieser lösungsorientierte Ansatz Konstruktionsfehler und sorgt dafür, dass für eine saubere Datenverarbeitung Best Practices zum Einsatz kommen.

Da Business Intelligence die Business-Realität möglichst genau abbilden will, ist ein hohe Datenqualität unverzichtbar. Klassische Kriterien wie Exaktheit und Vollständigkeit sind dabei zentrale Anforderungen. Schon ein Datenfehler oder eine Lücke im operativen Bestand kann das Ergebnis einer aggregierten Kennzahl verfälschen. Im Rahmen des internen und externen Berichtswesens stehen damit schnell falsche Entscheidungen oder Compliance-Verstöße im Raum.

Bei Big Data steuert der Business Case die Governance

In der Big-Data-Welt gestaltet sich die Datenqualität anders. Hier geht es zunächst darum, die relevanten Datenquellen zu bestimmen, die Daten abzuholen und zu speichern. Das ist nicht immer trivial angesichts einer Bandbreite von Daten aus dem Internet of Things, unstrukturierten Informationen aus Blogs und Social Networks, Sensordaten aus Kassensystemen und Produktionsanlagen, Messdaten aus Leitungsnetzen bis zu Datensätzen aus Navigationssystemen.

Im Gegensatz zur BI-Welt bestehen hier für die interne Datenarbeit keine allgemeingültigen Geschäftsregeln und Standards. Da es um die statistische Auswertung von Massendaten geht, sind die BI-typischen Qualitätskriterien Vollständigkeit und Exaktheit weniger wichtig. Im Rahmen der statistischen Verfahren fallen einzelne Fehler und Lücken nicht ins Gewicht, und Ausreißer lassen sich regelbasiert eliminieren. Wie groß die kritische Masse für belastbare Ergebnisse ist, wie genau, vollständig oder aktuell die Datenbasis sein muss und in welcher Form Informationen nutzbar gemacht werden, das ist für Big-Data-Analysen fallbezogen zu klären.

Die Vielfalt der Einsatzbereiche und damit die Rahmenbedingungen für die Bewertung und Bearbeitung von Daten sind nahezu unbegrenzt. Geht es etwa beim Internet of Things um die grobe Ressourcenplanung von Wartungsarbeiten für angebundene Geräte, sind Ausfälle einzelner Geräte-Meldesysteme irrelevant, da die Ermittlung von Peaks ausreicht. Im Rahmen von Predictive Maintenance ist dagegen jede konkrete Ausfallmeldung eines Gerätes wichtig. Für Kundenzufriedenheitsindizes auf Basis von Weblog-Analysen kommt es nicht auf jeden Beitrag an. Vielmehr geht es darum, Trends abzuleiten und diese in sinnvoll definierte Kennzahlen zu überführen.

Bei Big-Data-Anwendungen fallen also Datenqualitätsmanagement und Governance ebenso individuell aus wie das Analyseszenario des jeweiligen Business Case. In hoch automatisierten Anwendungen wie Autonomes Fahren oder Predictive Maintanance, in denen ausschließlich Maschinen über die Ergebnisse und Auswirkungen von Datenanalyen entscheiden, ist die Data Governance besonders wichtig. Die Quellen von Big Data liegen häufig außerhalb des Einflussbereichs der internen Prozesse: Maschinen-Output, Nutzereingaben oder Internet-Datenströme lassen sich nicht über interne organisatorische Maßnahmen kontrollieren. Bei permanent fließenden, unstrukturierten Datenquellen wie Chatforen greifen auch die klassischen ETL-Methoden nicht, und Störungen wie etwa eine Leitungsunterbrechung können nicht durch Wiederholung oder das Wiederherstellen des Datenbestands ausgeglichen werden.

Eine profunde Konzeption sichert den Projekterfolg

Das Potenzial von Predictive Analytics ist riesig, und viele Unternehmen erschließen sich gerade neue Dimensionen der Informationsgewinnung. Durch Cloud-Betriebsmodelle lassen sich neue Anwendungen schnell und kosteneffizient umsetzen. Voraussetzung dafür ist eine profunde Konzeption, die den kompletten Wertschöpfungsprozess der Daten mit Blick auf ein präzise formuliertes Projektziel abdeckt. Für ein erfolgreiches Projekt müssen anspruchsvolle Fragen der Fachlichkeit, Technik und Organisation geklärt werden. Hier empfiehlt es sich, die Erfahrung eines ganzheitlich orientierten Beratungsunternehmens hinzuzuziehen, um sich zeitraubende Umwege und schmerzhafte Lernzyklen zu ersparen.

Mehr zum QUNIS Data Lake Konzept erfahren.

Softbots als nächste Evolutionsstufe in der Anwendungsentwicklung

Erstellt am: Freitag, 24. August 2018 von Malte Hoffmann

Ein Chat- oder noch besser Softbot – je nachdem, wie leistungsfähig sein Kernprogramm ist – sehe ich als beste Idee einer möglichen Weiterentwicklung des klassischen Anwendungsprogramms, die mir seit langem begegnet ist. Nennen wir diese Konstruktion im Nachfolgenden einfach Bot, um die Sache nicht unnötig zu verkomplizieren.

Digitaler bester Freund, Kollege und Ratgeber

Ein Bot kann so vieles sein – schlichte Frage-/Antwortmaschine, leicht und effizient bedienbarer FAQ-Service, umfassendes und weltumspannendes Auskunftsbüro, unbürokratisches, sympathisches Helferlein bei der Datenerfassung oder effizientes Hilfsinstrument bei Recherchearbeiten. Der Einsatz geht bis hin zum digitalen intelligenten Assistenten, der on Demand entweder BI-Analysen interaktiv durchführt oder hochkomplexe KI-Algorithmen zur Ausführung bringt oder mir ganz schlicht über einen Internetservice eine Pizza bestellt, wenn mich der kleine Hunger packt.

Die möglichen Anwendungsfälle sind von unbegrenzter Mannigfaltigkeit. Vor allem aber ist ein Bot ein treuer, intelligenter – und wenn der Entwickler sich ein wenig Mühe mit dem Charakter gibt auch recht liebenswürdiger – vor allem aber nimmermüder hilfreicher Geselle, der mich, sei es privat oder auch und ganz explizit geschäftlich, angenehm und effizient unterstützend durch meinen Tag begleiten kann.

Funktion und Technik kurz erklärt

Um zu verstehen, wie so ein Bot technisch funktioniert, befassen wir uns am besten mit den Komponenten, aus denen er besteht.

Da haben wir zum einen die Schnittstellen zu seiner Umwelt – in der Grafik links und rechts außen dargestellt. Hier sitzt der Mensch, der mit dem Bot in Interaktion tritt und zwar üblicherweise mittels Text – also Tippen – oder Sprache – also verbal.

Kommt die Sprachsteuerung zum Einsatz, braucht es dafür auf beiden Seiten jedenfalls die dafür vorgesehenen Künstliche-Intelligenz (KI)-Bausteine – zum einen für die automatische Spracherkennung, also die Umwandlung des gesprochenen Wortes in maschinenlesbaren Text – und  zum anderen für die Sprachsynthese, also die Umwandlung des textbasierten Maschinenoutputs in eine künstliche Sprechstimme.

Beide Verfahren basieren heutzutage immer mehr auf Deep Learning Methoden, die einen sehr positiven Einfluss auf die Qualität des Ergebnisses haben – auf der einen Seite die Minimierung der Fehlerrate bei der Spracherkennung, auf der anderen Seite die Verbesserung der Natürlichkeit der Sprachmelodie.

Die Interpretation des Gesagten

Nachdem nun also die Benutzereingabe in maschinenlesbarer Form vorliegt, folgt oftmals als optionale Komponente ein weiterer KI-Baustein, der auf den ersten Blick eventuell gar nicht weiter als solcher auffällt, aber dennoch eine sehr essentielle Funktionalität darstellt. Ich spreche hier von der Notwendigkeit der Interpretation des Gesagten, also der Feststellung des besonderen Wunsches, der Intention des Anwenders.

Wie Sie vielleicht schon selbst beim Chatten mit einem Bot bemerkt haben, können Sie in mehr oder weniger ganzen, auch umgangssprachlichen Sätzen mit ihm kommunizieren. Weder ist es nötig, sich bestimmte Sprachbefehle zu merken oder aber verabredete Wortlaute zu verwenden; selbst kleine Tippfehler werden großzügig toleriert.

Wie funktioniert das? Nun, hier kommt eine weitere Disziplin der KI zum Einsatz, das Natural Language Processing (NLP). Es übernimmt die Interpretation des Anwenderwunsches.

Zu guter Letzt, sozusagen im Zentrum des Geschehens befindet sich dann das Kernprogramm. Hier passiert quasi die Fleißarbeit, alle Programmschritte, die für die Erfüllung des Anwenderwunsches vollzogen werden müssen. Und da befinden wir uns in der traditionellen, wenngleich auch sehr stark dialogorientierten Anwendungsentwicklung, die aber auch hier ganz stark über den Einbezug von weiteren, individuellen KI-Komponenten intelligent gemacht werden kann.

Ein Wort noch zur Sprachsteuerung

Diejenigen Bots, die Stand heute vorrangig durch direkte Ansprache funktionieren, sind beispielsweise Alexa von Amazon, Google Home, Siri von Apple oder Cortana von Microsoft, um jetzt nur ein paar bekannte Vertreter zu nennen. Wir haben uns mittlerweile mit dem permanenten Lauschangriff seitens dieser treuen Gefährten arrangiert, ist es doch zu bequem, auf diese Weise mit den gewünschten Funktionen zu korrespondieren.

Was jedoch im privaten Umfeld so angenehm anmutet, gilt – noch? – nicht gleichermaßen für das professionelle Umfeld. Zumindest wird es heutzutage bisher eher nicht toleriert, wenn im Großraumbüro der Kollege nebenan permanent mit seinem Computer spricht, um seine Anweisungen durchzugeben – dies stößt noch zu sehr auf Irritationen, vergleichbar mit einem Sitznachbarn im Bus, der mit seinem Bekannten lautstark mobil telefoniert.

Weder schöner Traum noch ferne Zukunftsvision

Wenn Sie jetzt anhand dieser Detail-Informationen den Eindruck gewonnen haben sollten, die Entwicklung eines Bots sei sehr aufwändig und kompliziert, so stimmt das nur bedingt, denn mittlerweile gibt es dafür umfassende Hilfestellung. So hat beispielsweise Microsoft mit seinem Bot Framework eine für die sofortige Nutzbarkeit bereitstehende Rahmenhandlung geschaffen, mittels derer man einen einfachen Bot binnen weniger Minuten zum Laufen bringen kann.

Für die notwendigen KI-Funktionalitäten stehen fertig nutzbare sogenannte kognitive Services zur Verfügung, so beispielsweise die Applikation LUIS – Language Understanding Intelligent System – eine Applikation für die Interpretation der Anwenderwünsche anhand der eingegebenen Anweisungen, die ich ganz nach den umzusetzenden Funktionalitäten gestalten kann. Hier definiere ich die zu realisierenden Intentionen und hinterlege diese mit dazu passenden Redewendungen, auf die ich anschließend einen Machine Learning Algorithmus trainiere, so dass auch sinnverwandte Formulierungen verstanden werden.

So kann sich der Entwickler voll und ganz auf die Umsetzung der Kernfunktionalität konzentrieren, für die er aus einem reichhaltigen Fundus an kognitiven KI- und anderen Services schöpfen kann, während der Bot Connector Service als universelle Schnittstelle dafür Sorge trägt, dass der Bot ohne Änderung des Programms über zahlreiche bekannte Kanäle angesprochen werden kann – sei es via Facebook Messenger, Microsoft Teams, Skype und viele mehr;  selbst Cortana steht für eine Anbindung zur Verfügung.

Denn schlussendlich ist der Bot ja ein Anwendungsprogramm ohne eigene grafische Benutzeroberfläche, benötigt also immer noch ein weiteres Medium für den Dialog mit dem Anwender.

Flexible Anwendungen mit großem Potential

Sicherlich haben all die großen ERP-, CRM- und übrigen Datenbankanwendungen mit unternehmensweitem Charakter unverändert und auch künftig ihre Daseinsberechtigung. Die flexiblen und wendigen Chat- und Softbots jedoch bergen ein enormes Potential, all die Aufgaben zu lösen, für die es bis dato kein spezielles oder aber viele kleine Programme brauchte.

War es bislang nur höhergestellten Personen im Unternehmen oder im Privaten vergönnt, einen persönlichen Assistenten zur Hand zu haben, der all die kleinen lästigen Aufgaben erfüllte, so rückt die enorme Vielfalt jetzt schon verfügbarer kleiner und großer KI-basierter Funktionalitäten den intelligenten digitalen Assistenten in greifbare Nähe. Es sollte kein Wunschtraum in ferner Zukunft mehr sein, sondern mit den zur Verfügung gestellten Mitteln und cloudbasierten Betreiberservices direkt in die Tat umgesetzt werden können.

Best-Practice zum Anfassen

Mit MrQ bietet QUNIS eine Best-Practice-Lösung und macht damit die Funktionsweise eines Softbots bestehend aus dialogorientierter klassischer Anwendungsentwicklung, Artifical Intelligence (AI), Cloud und Machine Learning direkt erlebbar. Darüber hinaus bildet MrQ den Grundstock für die Entwicklung kundenspezifischer Prototypen und Softbots. MrQ nutzt das Microsoft Bot Framework und die Azure Cognitive Services, betrieben wird MrQ als Azure Managed Service.

Sie wollen mehr zu MrQ erfahren – fragen Sie uns KONTAKT.

Bereit für Künstliche Intelligenz?

Erstellt am: Donnerstag, 14. Juni 2018 von Monika Düsterhöft

Wir alle kennen den Begriff Künstliche Intelligenz und haben über das Science-Fiction-Genre Bekanntschaft mit An droiden oder dem Supercomputer Deep Thought gemacht. Wir nutzen Internet-Suchmaschinen oder Sprachassistenten, und in den Medien wird täglich über Innovationen wie selbstfahrende Autos, intelligente meinungsbildende Algorithmen oder menschlich anmutende, sogar mit Gefühlen ausgestattete Pflege- und Service-Roboter berichtet. Veränderungen, die KI für unsere Lebens-, Geschäfts- und Arbeitswelt mit sich bringt, werden in der kompletten Bandbreite von Panik über Skepsis und Besorgnis bis hin zur totalen Faszination diskutiert. Und dass Daten sowie der intelligente Umgang damit die Basis dafür bilden, ist kein Geheimnis mehr.

In diesem Zusammenhang den Umsetzungstand von KI in den Unternehmen zu erfragen und dabei den Fokus auf die Gruppe der Controller zu legen, erschien uns als logisch und interessant. Denn gerade die Controller sind es, die sich schon lange mit dem Thema Datenauswertung beschäftigen und auf dem Weg der digitalen Transformation zum datengetriebenen Unternehmen viele entscheidende Stationen mitgestaltet haben. Sie sind es, die innovativen Schlüsseltechnologien und Verfahren der Datenanalyse aufgegriffen, weiterentwickelt und bis hin zur Etablierung als Standardtechnologie vorangetrieben haben. Waren BI, OLAP, Big Data und Advanced Analytics namentlich bis dato zwar eher im Umfeld der Unternehmenssteuerung anzutreffen, so sind sie nun Teil von Digitalisierungsinitiativen und Innovationsprojekten.

Gemeinsam mit der Controller Akademie haben wir von QUNIS eine Anwenderbefragung zur Organisation von Projekten mit Big Data und Advanced Analytics durchgeführt und sind zu folgenden Ergebnissen gelangt: Eine große Mehrheit der Unternehmen gaben an, dass Advanced Analytics bzw. KI-Methoden hoch strategische Themen sind und eine wichtige Rolle bei der digitalen Transformation spielen. Dabei setzen 44 Prozent mit Advanced Analytics noch primär auf interne Prozessverbesserungen. Genauso viele Unternehmen sehen diese Methoden jedoch als entscheidend für zukünftige Innovationen rund um ihre Produkte und Services. Trotz der bestehenden Unsicherheiten hinsichtlich der Umsetzung erklären die Unternehmen fast durchweg ihre hohe Investitionsbereitschaft.

Beim Thema Datenmanagement ist den meisten sehr wohl klar, dass die klassische BI-Architektur mit Data Warehouse (DWH) nur begrenzt für die neuen Anwendungsbereiche geeignet ist. Die Kombination vorhandener Daten, die oft in einem DWH organisiert sind, mit weiteren internen oder externen Datenquellen und -formaten, wird als eine der größten Herausforderungen genannt. Dazu gehört auch die offene Frage, wie sich eine flexible Datenarchitektur schaffen lässt, welche die bisherige BI- mit der Big-Data-Welt zusammenführt und somit auch Investitionen schützt. Für diese Verbindung hat sich das Data-Lake-Konzept in der Praxis als sehr tragfähige Lösung bewährt. Dieses kann den Auf- und Umbau hin zu agileren und offenen Architekturen unterstützen.

Aber auch organisatorisch müssen für das datengetriebene Unternehmen die richtigen Weichen gestellt werden. Ohne klare Definitionen der Datenhoheit mit Verantwortlichkeiten, die über Rollen wie Data Owner, Data Scientist oder Data Engineer im Rahmen einer Data Governance festgelegt sind, nutzt das beste Systemkonzept nichts.

Einig ist man sich zudem darüber, dass die Verantwortlichen über spezifische Skills verfügen müssen, die über bisherige Anforderungen im BI-Bereich hinausgehen. Falls das BI-Team sich um Advanced Analytics kümmern sollte, halten fast 60 Prozent der Befragten es für notwendig, dass hier zusätzliche Kompetenzen aufgebaut werden. Neben Spezialisten für statistisch-mathematische Methoden sind dabei auch Experten gefragt, die hochkomplexe Auswertungen in verständliche, businessrelevante Informationen übertragen.

Viele Unternehmen haben bereits gute Ideen, an welcher Stelle sie Advanced Analytics und KI-Methodik einsetzen könnten. Hinsichtlich der konkreten Umsetzung auf Basis praktikabler Use Cases tut man sich derzeit aber noch schwer. Hier sind Controller gefordert, ihre Erfahrung in der Datenanalyse einzubringen. Expertenhäuser wie QUNIS ergänzen und begleiten dies mit bereichsübergreifender, strategischer Fachkompetenz. Diese Kombination ist eine optimale Basis, um datengetriebene Geschäftsmodelle voranzubringen und neue Potenziale für das Unternehmen zu erschließen.

Alle Ergebnisse im Detail finden Sie hier KOMPLETTE STUDIE DOWNLOADEN

QUNIS ist Top-Arbeitgeber Mittelstand

Erstellt am: Freitag, 8. Dezember 2017 von Monika Düsterhöft

Eine tolle Anerkennung für unsere noch junge QUNIS GmbH haben wir dieser Tage mit der Bewertung als „Top Arbeitgeber Mittelstand 2018“ erhalten. Das Wirtschaftsmagazin „Focus Business“ und das Arbeitgeberbewertungsportal kununu.com hatten hierzu nach eigenen Angaben 13.000 Datensätze und 324.000 Einzelbewertungen von Unternehmen ausgewertet. Aus diesem Datenbestand wurden schließlich rund 1300 mittelständische Unternehmen identifiziert (elf bis 500 Mitarbeiter), die in Deutschland, Österreich und der Schweiz ansässig sind (DACH-Region).

Top-Anbieter MIttelstand 2018

Nicht nur Kunden, auch Mitarbeiter und Bewerber haben ein Herz für QUNIS, wie jetzt die Auszeichnung von „Focus Business“ zeigt. Quelle: QUNIS

Das Ranking innerhalb dieser Gruppe ergab sich laut der Initiatoren aus dem Bewertungsdurchschnitt und der Gesamtzahl der Bewertungen auf kununu.com. Die kleine QUNIS mit ihren immerhin schon 32 Mitarbeitern schaffte es dabei auf Anhieb auf Platz 378! Wie „Radio Charivari“ meldete, waren wir damit eine von sechs Firmen aus der Region, die es in die Top-Liste geschafft hat.