Digitale Transformation mit Data Analytics

Der Erfolg bzw. das Potential eines Data Analytics Projekts lässt sich an mehreren Faktoren bewerten: Zunächst sollte ein klarer Business Case existieren.
Data Analytics Verfahren, wie z.B. Machine Learning eignen sich besonders für komplexe Problemlösungen mit konkreten Lösungen, z.B. Ja/Nein Fragestellungen. Darüber hinaus, sollte ein geeigneter Datensatz bereits vorhanden oder einfach zu beschaffen sein. Vor allem aber, ist ein Data Analytics Projekt erfolgreich, wenn am Ende ein klarer Mehrwert geschaffen wird und das Projekt nicht im Zustand „mehr Daten sammeln“ feststeckt und dann abgebrochen werden muss. Kurzum, man braucht einen konkreten Use-Case mit echtem Business Value.

Das Ziel der digitalen Transformation ist es, Entscheidungen automatisiert auf Basis von Daten zu treffen. Daher ist Data Analytics ein Kernbestandteil, da datengetriebene Entscheidungen die maschinelle Analyse von Daten voraussetzen. Dabei wird der Mehrwert durch die Automatisierung der Entscheidungsfindung generiert. Ein Beispiel ist die automatisierte Prüfung und Annahme von Rücksendungen mit Sensorik, die zuvor mühsam manuell verbucht werden mussten.

Der Erfolg hängt von mehreren weichen und harten Faktoren ab. Weiche Faktoren sind bspw. die Unterstützung und das Interesse des Managements an einer Lösung des Use-Cases. Harte Faktoren sind technische Machbarkeit, User Experience, Kosten-Nutzen. Ebenso muss die technische Machbarkeit vorhanden sein: Soll z.B. Machine Learning zum Einsatz kommen, werden Trainingsdaten benötigt. Auch die User Experience ist essentiel: Eine App für Pflegeheimbewohner ist wenig sinnvoll, da der Anteil der Smartphone-Nutzer unter den Bewohnern zu gering ist. Außerdem muss der Use Case gegenüber dem Status Quo in puncto Kosten-Nutzen eine Verbesserung darstellen.

Beim Machine Learning ist das Ziel, Wissen aus Erfahrung zu extrahieren. Dabei wird versucht anhand empirischer Daten zukünftiges Verhalten zu steuern.
Mittels Algorithmen wird versucht, statistische Muster und Zusammenhänge aus den Daten abzuleiten. So können z.B. Daten aus einer Produktionsstraße genutzt werden, um die Qualität der aktuellen Charge vorherzusagen.

Der Begriff Big Data ist Mitte der 90er Jahre aufgekommen. Man versteht darunter zum einen schlicht große Datenmengen und zum anderen Technologien zur Verarbeitung und Auswertung. „Big“ lässt sich in 5 Dimensionen beschreiben, die sogenannten „5Vs of Big Data“:

• Volume: Umfang und Datenvolumen
• Velocity: Geschwindigkeit mit der Daten generiert und verarbeitet werden
• Value: Mehrwert, der durch die Verknüpfung der Datenmengen erzeugt wird
• Variety: Inhaltliche und semantische Vielfalt der Datenquellen
• Veracity: Unzuverlässigkeit der Daten im Hinblick auf Qualität und Struktur

Das Konzept Big Data bezeichnet Datenmengen, welche zu groß, zu komplex, zu schnelllebig oder zu schwach strukturiert sind, um sie mit herkömmlichen Methoden auszuwerten. Während sich BI und Data Warehousing auf die Verarbeitung relationaler Daten fokussieren, kommt Big Data zum Einsatz, wenn klassische Technologien nicht mehr ausreichen.
Für Big Data werden Methoden des verteilten Rechnens mit spezieller Hard- und Software eingesetzt. Bekannte Software (Big Data Systeme) für die Verarbeitung von enormen Datenmengen, sind bspw. Apache Hadoop und Apache Spark.

Digitale Transformation bedeutet, dass eine Organisation ihre Prozesse datengetrieben automatisiert. Die Bereitstellung dieser Dienste stellt hohe Anforderung an die Leistungsfähigkeit der Rechenkapazitäten, da große Datenmengen extrem schnell auszuwerten sind.
Das stellt die Unternehmens-IT vor große Herausforderungen. Die Anforderungen an Hard- und Softwarekomponenten sind hoch und die technologische Weiterentwicklung rasant. Die IT muss in der Lage sein, ein breites Spektrum an neuen digitalen Diensten in der erforderlichen Sicherheit, Zuverlässigkeit und Skalierbarkeit zur Verfügung zu stellen.
Um dies zu ermöglichen, bildet die Cloud eine wichtige Grundlage. Sie bietet On-Demand-Zugriff auf Hardware- und Softwareressourcen sowie Services, mit Hilfe derer die Organisationen neue digitale Geschäftsmodellen realisieren können. Die Administration der Komponenten übernimmt der Cloudanbieter. Infrastruktur kann nach Bedarf skaliert werden, um sich ändernden Geschäftsbedingungen anzupassen.
Tiefgreifende digitale Transformation on premise (also auf den Rechensystemen der Organisation) zu realisieren, ist ein sehr teurer Prozess.

Wir erleben digitale Transformation tagtäglich. Die größten Erfolgsgeschichten lassen sich nicht ausmachen, da unser Alltag immer stärker digital durchdrungen ist. Sei es, dass im Supermarkt die Regale anhand von Kassen-Informationen befüllt werden, wir im Internet mit intelligenten Sprach-Bots kommunizieren oder auf unseren Handys automatisiert erzeugte Warnmeldungen über eventuelle Betrugsversuche von unserem Kreditkartenanbieter erhalten. 84% der Arbeitskraft findet heute im Dienstleistungssektor statt. Während die Industrialisierung vor allem auf Automatisierung der Arbeitskraft der blue collar worker zielte, wird bei digitaler Transformation auf den white collar worker im Dienstleistungsgeschäft fokussiert. Dabei geht es weniger um rein manuelle Tätigkeiten, als die Kombination von geistiger und manueller Tätigkeit. Zur Automatisierung eignen sich vor allem monotone und wiederholende Tätigkeiten. Die Bedeutung der digitalen Transformation wächst exponentiell. Nach Gartner ist die Anzahl der Firmen, die AI Technologien implementiert haben, in den letzten 4 Jahren um 270% gewachsen. Der Markt für Global Machine Learning wurde 2018 mit 6,9 Milliarden Dollar bewertet und man rechnet mit einem jährlichen Wachstum von 43,8% bis 2025.

Machine Learning ist ein Oberbegriff und bezeichner das Lernen von statistischen Zusammenhängen aus Daten. Deep Learning ist eine Unterkategorie des Machine Learnings. Während beim klassischen Machine Learning das Modell oft von einem Experten an das Problem angepasst wird und Merkmale zunächst „händisch“ aus den Rohdaten extrahiert werden müssen, übernimmt Deep Learning die Merkmalsextraktion. Vereinfacht könnte man sagen, dass Deep Learning eine Art automatisierte Weiterentwicklung des klassischen Machine Learnings ist.

Unter AI versteht man eine Kombination von Technologien, die es ermöglichen menschliches Denken und Handeln zu reproduzieren. Dazu zählen die Wahrnehmung des Umfelds und die darauf aufsetzende Analyse, Lernen und Handeln. AI wird zur bei Anwendungen zur Automatisierung in der Arbeit, beim Gaming, in Bildungssystemen und auch der Kunst eingesetzt.

Data Analysis ist ein Teil von Data Analytics. Die Data Analysis beschreibt die Analyse, Aufbereitung und Modellierung von Daten. Data Analytics besteht neben Data Analysis aus den Techniken und Tools, die für die Analyse genutzt werden.

Die beiden Begriffe werden oft synonym verwendet – doch es gibt feine Unterschiede: Data Analytics ist weitergefasst, die Rede kann hier von jeder Form der Datenanalyse sein. Mit Business Analytics wird dagegen der operative Ablauf beobachtet. Durch die mithilfe von Daten gewonnenen Erkenntnisse können schließlich Schwachstellen und Verbesserungen abgeleitet werden.

Data Analytics ist ein Teil der Datenwissenschaft. Data Analytics werden genutzt, um den aktuellen Zustand mithilfe von Report und Visualisierungen (Charts, Graphen, etc.) zu beschreiben. Data Science wird dagegen genutzt, um auf Basis derselben Daten Vorhersagen, Modelle und Berechnungen für die Zukunft zu machen.

Business Intelligence ist der Verarbeitungsprozess von Daten aus geschäftlichen Vorgängen. Genau gesagt, der Prozess der Erfassung, Speicherung und Analyse dieser. Der Sinn von Business Intelligence ist, dass wichtige Kennzahlen aktuell zur Verfügung stehen und als Entscheidungsgrundlage dienen können. Beinahe alle Geschäftsbereiche können durch diese datenbasierte Herangehensweise optimiert werden.

Die Big Data Analytics könnte als Vorarbeit zu AI-Anwendungen verstanden werden. Dabei werden zunächst die notwendigen Daten zusammengetragen, oftmals aus verschiedenen Quellen. Diese Daten werden dann optimiert und aufbereitet, sodass sie bereit sind genutzt zu werden. Schließlich werden die Daten mithilfe statistischer Modelle ausgewertet.

Unser Kurs setzt sich vorwiegend konzeptionell mit Data Analytics auseinander. Wir werden aber behandeln, wie Tools (bspw. Excel, PowerBI, Husprey und Python) eingesetzt werden können, um Datenanalysen prototypisch umzusetzen.