One of our customers in the field of energy management had inefficient and limited access to its corporate data. A lack of transparency regarding requirements and existing solutions for generating data value made it even more difficult to uncover and leverage all data potential in the company in a targeted manner. In addition, a business intelligence team was set up, but without clearly defined objectives and tasks.
Solution
First, a data maturity analysis was conducted. For example, the status quo of existing data solutions was recorded, and challenges and potentials were identified and prioritized. For this purpose, the data experts from INFORM DataLab conducted interviews with various departments and stakeholders. Subsequently, an analytics vision for a central "Analytics Center of Excellence" was developed and agreed upon. How the newly established analytics unit will interact with the departments in the future was defined in the form of an analytics operating model (target operating model), which defines processes, tasks and roles. Finally, a target image for a central analytics IT architecture was developed and the feasibility of the new data platform was verified by means of proof-of-concept and tests.
Added value
Clear and coordinated roadmap for sustainable data value creation as part of the digital transformation
Transparency about data potentials, investment costs and challenges
Clear mandates and responsibilities for data and analytics
Sustainable concept for a central data platform as "single source of truth" in the company
Foundation for data innovation, efficiency gains, employee satisfaction and competitive advantages
A leading German telecommunications service provider lacked efficient access to machine data for failure analysis. The company also wanted to find out what potential existed for efficiency increases and automation through artificial intelligence (AI) and needed a central data platform for analytics.
Solution
First, all of the requirements and use cases in the relevant departments were worked out and collected together. Based on the requirements and challenges identified, the existing analytics tools were evaluated and a target operating model for data-driven decision making in the company was developed. Ultimately, a target picture for the analytics IT infrastructure was developed and various technological options were evaluated.
Added value
Transparency about barriers and potentials for data-driven analytics and automation to achieve efficiency gains
Support for decision making for the evaluation and selection of analytics tools
Target image and roadmap for the development of a modern and future-proof data platform
Machine and plant manufacturers usually have a large amount of data in various systems. Our customer was also faced with the problem that various uncoordinated data initiatives in the past had already failed to achieve their goals and lacked transparency about existing data solutions and their added value for the company. Furthermore, there was a lack of a clearly defined plan on how to start data value generation using data analytics and artificial intelligence.
Solution
Together with the relevant departments, a cross-functional workshop was planned and conducted with managing directors. In upstream interviews, the individual requirements regarding analytics and data were identified, compiled and aligned with the corporate strategy. The result of the workshop was a cross-departmental understanding of the potential of data solutions in the individual business units and motivation for working with data.
Added value
Clear alignment of the business units with regard to working with data and new impetus for possible use cases
Formulation and agreement of an internal departmental vision for the use of data
Initial transparency on data potentials and challenges for the selected business units
Clearly defined and coordinated next steps to initialize the development of a company-wide data strategy
Eine Datenstrategie muss nicht zwangsläufig viel Zeit und Ressourcen im Unternehmen in Anspruch nehmen. Sie ist jedoch notwendig, um Daten im Unternehmen sinnvoll und gezielt für den Unternehmenserfolg einsetzen zu können und unternehmensweit, datenbasiert Entscheidungen zu treffen. Erfahren Sie in unserem On-Demand-Webinar mit unserem Data-Strategy-Lead Dr. Jens Linden, wie Sie eine Datenstrategie im Unternehmen erfolgreich entwickeln und welche Faktoren dabei zu berücksichtigen sind.
Starten Sie Datenwertschöpfung in Ihrem Unternehmen und informieren Sie sich über das Potenzial einer Datenstrategie für Ihr Unternehmen!
Fordern Sie hier kostenfrei das komplette On-Demand-Webinar an!
Im Rahmen der digitalen Transformation nutzen Unternehmen ihre Daten, um Effizienz- und Umsatzsteigerungen zu realisieren und neue digitale Geschäftsmodelle zu entwickeln. Dies funktioniert nur, wenn Daten ihrem Wert entsprechend kuriert werden und die Datenqualität stimmt. Ein Data Governance Programm setzt hierzu die organisatorischen, prozessualen und technologischen Rahmenbedingungen.
Dabei kann ein erfolgreiches Data Governance Programm durchaus klein starten, in dem man sich vorerst auf die wichtigsten Datendomänen konzentriert.
In unserem On-Demand-Webinar erläutert unser Data-Strategy-Lead Dr. Jens Linden, wie Sie die Kontrolle über Ihre Datenressourcen gewinnen und ihren Nutzen maximieren.
Fordern Sie hier kostenfrei das komplette On-Demand-Webinar an!
Die Corona-Pandemie hat unsere Welt stark beeinflusst. Auch die Welt der Daten. Denn in vielen Unternehmen hat die Krise dazu geführt, dass bestehende Prozesse überdacht und neue Technologien für eine bessere Transparenz und Reaktionsfähigkeit integriert wurden. Durch die unsichere Situation haben Unternehmen vermehrt gespürt, wie wichtig es ist, schnell herauszufinden, was genau irgendwo – beispielsweise in Lieferketten oder bei Kunden – passiert und es möglichst genau vorhersagen zu können.
Cloud-Dienste
So ist auch die Bedeutung von Cloud-Diensten und deren Akzeptanz bei Mitarbeitern durch das vermehrte Arbeiten im Homeoffice stark gestiegen. Von überall unkompliziert auf alle Daten zugreifen können, rückt zunehmend in den Vordergrund. Die wichtigsten Auslöser für eine Migration in die Cloud sind meist wirtschaftlicher Druck und die zunehmende Komplexität von Innovationsprojekten. Denn Cloud-Dienste reduzieren zum einen die Gesamtkosten einer Lösung und den administrativen Aufwand für diese erheblich, zum anderen erleichtern sie Sicherheit, Verfügbarkeit und Handhabung. Hinzukommen einfache Skalierbarkeit und eine eingebaute Redundanz. Dies ist ein wichtiger Punkt. Denn was sich trotz Ausbreitung von Datenanalyse-Lösungen in Unternehmen immer wieder zeigt: mangelnde Datenqualität. Daher beeinflussen Stammdaten- und Datenqualitätsmanagement weiterhin unter anderem die Trends in der Datenwelt.
Data Governance
Auch das Thema Data Governance ist nach wie vor im neuen Jahr von großer Bedeutung für Unternehmen. Hauptmotivation für den Start von Data Governance sind Compliance und Datenqualität. Denn die Einhaltung von Gesetzen und Richtlinien spielt in Zeiten der DSGVO eine immer stärkere Rolle und auch die Bußgelder bei Missachtung steigen. Außerdem ist Data Governance ein wichtiger Bestandteil in der digitalen Transformation eines Unternehmens, da Datenwertschöpfung nur funktionieren kann, wenn auch die Daten stimmen.
Bei Data Governance geht es größtenteils um Richtlinien und Prozesse, die festlegen, wie die tägliche Pflege der Daten wie Sammeln, Organisieren, Speichern, Teilen und Schützen stattfinden soll. Mitarbeiter, die mit Daten arbeiten, müssen diese Vorgaben dementsprechend einhalten.
Data Literacy und Change Management
Und damit sind wir auch schon beim nächsten wichtigen Faktor, der auch im Jahr 2022 den Erfolg von Datenprojekten maßgeblich beeinflussen wird: Mitarbeiter. Denn diese sollten natürlich verstehen, warum sie diese Regeln einhalten, sie mit den Daten überhaupt arbeiten und wie sie dies am besten tun. Data Governance im Unternehmen beschreibt kein zeitlich begrenztes Projekt, sondern es müssen kontinuierlich Rahmenbedingungen und Strukturen im Unternehmen geschaffen werden. Dazu müssen Mitarbeiter geschult werden und das im besten Fall nicht nur für die tägliche Arbeit mit den Daten. Darüber hinaus sollte nämlich ein Verständnis etabliert werden, warum man mit den Daten arbeitet, wie man sinnvoll mit ihnen umgeht, sie hinterfragt und in einen Kontext setzt – sogenannte Data Literacy. Die Ausgangssituationen in Unternehmen sind hier sehr unterschiedlich. Dementsprechend variiert auch der Grad, wie stark hier Change Management betrieben werden muss. Das Ergebnis einer umfassenden Data Literacy im Unternehmen und einem gezielten Change Management sind klare Rollen, Verantwortlichkeiten und Prozesse für die Governance und das Management von Daten sowie ein Verständnis, warum diese Aufgaben und Prozesse zu der Datenwertschöpfung und einer datengetriebenen Entscheidungsfindung beitragen.
KI – vor allem Forecasting
Auch wenn präzise Prognosen schon vor der Krise ein wichtiges Thema für Unternehmen waren, hat die Corona-Pandemie diesen Anwendungen nochmal wesentlich Aufwind verliehen. Denn es zeigte sich, dass vorhandene Planungen nicht mehr stimmten. Hohe Unsicherheit sorgte dafür, dass Prognosen engmaschiger gefahren werden mussten. Künstliche Intelligenz unterstützt Unternehmen unter anderem im Bereich Forecasting und erlaubt einen schnellen Blick in die Zukunft.
Laut einer Studie des INFORM DataLab zusammen mit der Computerwoche setzen bereits zwei Drittel der befragten Firmen aktuell Machine Learning ein. Die Anwendungsfälle werden sich aus meiner Sicht hier kontinuierlich steigern und weiterhin Einzug in den Alltag der Unternehmen finden.
Datenstrategie entwickeln
Egal, was kommt, egal, was bleibt – alle Trends oder Impulse brauchen einen Fahrplan, um letztendlich erfolgreich zu sein. Eine Strategie für Unternehmen, die datenbasiert Entscheidungen treffen und aus ihren Daten Mehrwert schaffen wollen, besteht jedoch aus mehr als Technologiefragen. Zusätzlich kümmert sich eine Datenstrategie auch um die organisatorischen und inhaltlichen Aspekte im Rahmen eines umfassenden Zielbildes. Deshalb sollte schon vor der eigentlichen Technologieauswahl am besten ein Zielbild entwickelt und definiert werden. Teil dieser Strategieentwicklung ist außerdem eine Bestandsaufnahme der bestehenden Daten und deren Qualität, weshalb sie auch die Grundlage für Data-Governance- und Management-Prozesse vorgibt.
Fazit
Das letzte Jahr hat Unternehmen wieder gezeigt, was unsichere Zeiten bewirken können. Auch die Data-Analytics- oder Business-Intelligence-Abteilungen haben stark gespürt, wie gut sie eigentlich aufgestellt sind. Mobiles Arbeiten fördert die Bedeutung der Cloud und das Verständnis für Daten und der konforme Umgang mit diesen wird immer wichtiger für datengetriebene Unternehmen. Um realen Mehrwert aus Daten zu schaffen, hilft eine Datenstrategie, ein Leitbild und Ziele zu entwickeln, die in die Unternehmensstrategie integriert sind. Künstliche Intelligenz ist kein Trendthema mehr und hat sich in den Unternehmen bereits in den ersten Zügen weitgehend etabliert. Ich bin gespannt, wie es dieses Jahr mit erfolgreichen Anwendungen weitergeht!
Das Schlagwort „Data Governance” ist in aller Munde. Anfang Dezember 2021 haben sich das Europäische Parlament und die Mitgliedsstaaten auf den sogenannten „Data Governance Act“ geeinigt. Höchste Zeit also, sich mit dem Thema auseinanderzusetzen.
Weder in der Industrie noch in der Literatur ist der auch im Deutschen benutzte Begriff Data Governance einheitlich definiert. Das Wort „Governance” (Führung, Steuerung) allein wird häufig unscharf verwendet, wie schon bei Wikipedia vermerkt wird. Daher liefern wir hier zunächst unsere eigene Definition, bevor wir das Thema vertiefen:
„Data Governance betrifft das gesamtheitliche Management, die Verfügbarkeit, Nutzbarkeit, Integrität und Sicherheit von Daten.“
Motivation sind Compliance & Datenqualität
In diesem Blog fokussieren wir die Bedeutung von Data Governance für Unternehmen. Es gibt typischerweise zwei Motivationen, sich mit dem Thema auseinanderzusetzen:
Die erste ist die unternehmerische Compliance, also die Einhaltung von Gesetzen und Richtlinien. Hier spielt unter anderem der Umgang mit personenbezogenen Daten, der in der DSVGO geregelt ist, eine wichtige Rolle. Mit Bußgeldern von bis zu 20 Millionen Euro und zunehmenden Kontrollen ist die Motivation für Unternehmen hoch, ihre Datenlandschaft konform zu halten.
Die zweite Motivation ist die wertstiftende Nutzung von Daten in Organisationen mittels Business Intelligence oder Künstlicher Intelligenz, häufig unter dem Begriff „Analytics” zusammengefasst. Die hier angesprochene Datenwertschöpfung ist Teil der digitalen Transformation von Unternehmen, die neben der Digitalisierung der Geschäftsprozesse meist ebenfalls das Ziel verfolgt, das Unternehmen in eine datengetriebene Organisation zu überführen. Das Zielbild für solch eine Organisation ist, dass wichtige Entscheidungen anhand von Fakten getroffen und neue digitale Produkte und Dienstleistungen für interne oder externe Kunden entwickelt werden. Es geht somit darum, Effizienz- und Umsatzpotenziale zu identifizieren und zu heben und teilweise auch darum, neue digitale Geschäftsmodelle zu entwickeln. Daten sollten dabei wortwörtlich als Wirtschaftsgut (Asset) angesehen werden. Dieses Asset muss gehegt und gepflegt werden, damit die Datenverfügbarkeit und -qualität stimmt und die cleveren Algorithmen auch brauchbare Ergebnisse erzeugen. Stimmt nämlich die Datenqualität nicht, dann gilt das Garbage-In-Garbage-Out Prinzip und die Algorithmen können zu falschen Aussagen und Handlungsempfehlungen führen.
Data Governance & Management
Der Autor John Ladley beschreibt Data Governance und Management in seinem Buch „Data Governance – How to design, deploy and sustain an effective Data Governance Program” trefflich als zwei Seiten derselben Münze. Data Management kümmert sich um die tägliche Pflege der Daten. Hiermit sind Tätigkeiten wie Sammeln, Organisieren, Speichern, Teilen und Schützen der Daten gemeint. Dabei halten sich die Fachkräfte an existierende Regeln. Diese Regeln (Policies) werden von der Data Governance entworfen, kommuniziert und kontrolliert. Data Governance sorgt also vereinfacht gesagt dafür, dass die Daten richtig organisiert werden. Bei der Trennung der beiden Gebiete handelt es sich um eine Art von Gewaltenteilung: Die Rollen der Data-Governance- und -Management-Aktivitäten müssen von getrennten Mitarbeitern durchgeführt werden.
Data Governance im Unternehmen verankern
Die Mehrwerte effektiver Data Governance sollten somit klar sein: Hohe Datenqualität als Basis für Datenwertschöpfung, reduzierte Kosten bei der Aufbereitung und Verwendung von Daten (und somit effizienter Einsatz von wertvollen Analytics-Ressourcen), sowie das aktive Risikomanagement im Unternehmen. Wie verankert man nun eine effektive Data Governance im Unternehmen?
Zunächst ist es wichtig, zu verstehen, dass Data Governance kein Projekt mit definiertem Anfang und Ende ist. Es geht darum, Strukturen im Unternehmen zu etablieren und das Verhalten der Mitarbeiter zu steuern. Hierfür gibt es glücklicherweise bewährte Frameworks (Rahmenpläne), die man als Grundlage nutzen kann. Darin werden üblicherweise notwendige Tätigkeiten wie Strategieentwicklung, Design, Implementierung und Betrieb berücksichtigt. Diese Frameworks kann man als eine Art Checkliste nutzen, sie sind jedoch kein Rezept, welches man in gleicher Art und Weise bei verschiedenen Unternehmen anwenden kann. Dafür sind die Anforderungen, Ausgangssituationen und die Unternehmen selbst zu verschieden. Es bedarf also einer sorgfältigen Analyse sowie Fingerspitzengefühl bei der Gestaltung eines spezifischen Data-Governance-Ansatzes, um erfolgreich zu sein.
Allein beim Umfang können sich Data-Governance-Initiativen erheblich unterscheiden: So ist es beispielsweise möglich, lediglich einzelne Datendomänen (z.B. Kundendaten) unter Governance zu setzen oder sich bei der Einführung eines neuen Systems auf die darin befindlichen Daten zu beschränken.
Ergebnis einer erfolgreichen Data-Governance-Initiative ist dann nicht eine neu etablierte Data Governance Abteilung, sondern klare Rollen, Verantwortlichkeiten sowie Prozesse für die Governance und das Management von ausgewählten Datenbeständen. Häufig werden Entscheidungen in einem sogenannten Data-Governance-Committee getroffen, an das die jeweiligen verantwortlichen Eigentümer der Datendomänen sowie die Data Stewards berichten.
Die kritischen Erfolgsfaktoren liegen dabei meist nicht in der Technologie, wie beispielsweise der Wahl eines geeigneten Datenkatalogs, sondern eher im Bereich des Change Management.
Eine Datenstrategie ist der Wegbereiter für eine datengetriebene Entscheidungsfindung in Unternehmen. Sie ist die Basis für intelligente Datenlösungen mittels Business Intelligence (BI) oder Künstlicher Intelligenz (KI) mit dem Ziel, Daten als wertvolles Gut im Unternehmen zu etablieren und deren Mehrwert freizulegen. Dabei stehen vor allem der Nachhaltigkeitsaspekt und eine effiziente sowie rechtskonforme Arbeitsweise im Umgang mit Daten im Vordergrund.
Viele Unternehmen setzen bereits BI-Lösungen ein, die schnelle Einblicke in die Unternehmensdaten und deren Entwicklung erlauben. Diese Einblicke helfen den Fachabteilungen, ein verlässliches Reporting und Controlling umzusetzen und Chancen und Risiken direkt zu erkennen. Hier geht es in erster Linie um die Visualisierung der Daten und tiefere Einblicke in diese. Entscheidungen beispielsweise im Bereich Marketing oder Vertrieb werden nicht mehr aus reinem Bauchgefühl heraus getroffen, sondern anhand von eindeutigen Kennzahlen verschiedener Kampagnen.
Künstliche Intelligenz oder Business Intelligence?
KI-Lösungen werten im Gegensatz zu reinen BI- oder Datenanalyse-Systemen neben strukturierten Daten aus Tabellen und Datenbanken auch unstrukturierte Daten wie Bild, Ton oder Texte aus. Es werden Insights mittels statistischer Modelle offengelegt, die nicht durch eine visuelle Betrachtung mit BI-Werkzeugen möglich ist. Dadurch bietet KI ein völlig neues Spektrum an mehrwertstiftenden Anwendungen wie zum Beispiel Ausschusserkennung in der Produktion oder autonomes Fahren. Es heißt jedoch nicht KI statt BI, sondern BI mit KI. Denn sowohl die KI- als auch Business Intelligence-Lösungen sind wichtige Instrumente, um Effizienzpotenziale zu identifizieren und umzusetzen sowie strategische Insights zur Unternehmenssteuerung zu generieren.
Ob BI oder KI von einem Unternehmen eingesetzt wird, hängt individuell von den jeweiligen Bedarfen, Herausforderungen und verfügbaren Daten des Unternehmens ab.
Datenstrategie als Fundament für nachhaltige Datenwertschöpfung
Häufig stehen Unternehmen bei der Identifizierung, Entwicklung oder Operationalisierung von Datenlösungen vor Herausforderungen. Statt einer sauber aufgeräumten unternehmensweiten Datenplattform, die qualitätsgesicherte und kurierte Daten für alle möglichen Anwendungsfälle konform zur Verfügung stellt, liegen Daten in verschiedenen Systemen (oder gar lokalen Dateien), sind teilweise inkonsistent und werden nicht zielführend organisiert. Teure Analytics-Ressourcen führen redundante Datenextraktionen und -Aufbereitungen durch und vernachlässigen dadurch die eigentliche analytische Arbeit. Der wirtschaftliche Effekt bleibt dadurch hinter den Erwartungen zurück. Analytische Teams sind nicht abgestimmt, Rollen und Verantwortungen für Datenqualität und -management sind nicht definiert. Es fehlt an Orchestrierung, einem Zielbild für Datenwertschöpfung.
Eine Datenstrategie kann man hier als eine Art Wegweiser betrachten, der technologische und organisatorische Rahmenbedingungen berücksichtigt, Prozesse für die Umsetzung von Anwendungsfällen definiert und wichtige Fragestellungen beantwortet. Denn Fragen wie „Welche Probleme kann und möchte ich mit der Analyse von Daten lösen?“, „Welche Daten benötige ich für die Beantwortung meiner Fragen?“ oder „Lohnen sich die Kosten für die Umsetzung überhaupt in Relation zu dem Nutzen?“ werden mit ihr vorab beantwortet.
Welche Anwendungsfälle letztlich sinnvoll für ein Unternehmen sind, hängt mit verschiedenen Faktoren wie Branche, Größe oder Wettbewerber zusammen. Innerhalb einer Datenstrategie wird ebenfalls erarbeitet, wie sinnvolle Anwendungen am besten priorisiert werden.
Welche Maßnahmen ein Unternehmen angehen sollte, ermitteln wir durch eine strukturierte Reifegradanalyse des Unternehmens. Dabei inspizieren wir im INFORM DataLab vier Dimensionen:
Daten: Diese Dimension beschäftigt sich mit den vorhandenen datenspezifischen Aspekten und Tätigkeiten.
Technologie: Identifikation der Technologie, die für eine reibungslose Umsetzung der Lösungen benötigt wird.
Menschen und Organisation: Bestandsaufnahme vorhandener Mitarbeiterfähigkeiten im Bereich Daten und gegebenenfalls Bedarfsermittlung von Schulungen und Weiterbildungen, um ein Verständnis für die Arbeit mit Daten zu schaffen. Diese Dimension verlangt besondere Aufmerksamkeit, da die Integration von Management und Mitarbeiter in die Veränderungsprozesse für die erfolgreiche Entwicklung und Umsetzung einer Datenstrategie notwendig sind.
Prozesse: Bestimmung und Entwicklung bestimmter Prozesse, die in Zusammenhang mit den Datenlösungen stehen
Fazit
Eine Datenstrategie ist die Grundlage für gezielte Datenlösungen in Unternehmen Sie ist der Fahrplan für die Transformation hin zu einem datengetriebenen Unternehmen, das wichtige strategische und taktische Entscheidung anhand von Fakten trifft und seine Performance kontinuierlich durch datengetriebene Lösungen verbessert.
Sie interessieren sich für das Thema Datenstrategie und möchten sich weitergehend informieren, wie man sie gewinnbringend einsetzt?
Die zwei wichtigsten Auslöser für die Cloud-Migration in Unternehmen sind meist ökonomischer Druck und die zunehmende Komplexität von Innovations-Projekten. Beide Faktoren zeigen auch die großen Stärken von Cloud-Plattformen auf. Die zahlreichen Platform-as-a-Service (PaaS)- und Software-as-a-Service (SaaS)-Dienste reduzieren die Gesamtkosten einer Lösung erheblich. Gleichzeitig kommt diese Art von Diensten auch ohne Betriebssystem (PaaS) und teilweise ohne Plattform (SaaS) aus. Dies spart administrativen Aufwand ein und erleichtert die Sicherheit, Verfügbarkeit und Handhabung dieser Dienste.
Andere Vorteile der Cloud lassen sich leider nicht direkt messen. So sind Cloud-Dienste durch moderne Architekturen und große Rechenzentren einfach skalierbar und haben eine eingebaute Redundanz. Was bedeutet das konkret? Betrachten wir dazu beispielhaft ein paar Szenarien.
Szenario 1: Zukünftige Innovation
Es ist unmöglich, heute schon alle zukünftig möglichen Innovationen und Anwendungsfälle im Datenumfeld zu kennen. Doch in der Cloud können bereits jetzt Daten ohne großen Aufwand dauerhaft persistiert werden, um sie für zukünftig mögliche Anwendungsfälle zu sammeln. Die Abfrage eines Terabyte des Speichertyps „kalter“ Storage ist im Millisekunden-Bereich möglich und kostet in Europa ca. 20€ im Monat. Dieser Preis kann durch verschiedene Verfahren, z. B. Reservierung von Kapazitäten über 1 oder 3 Jahre, Archivierung als Speichertyp usw. nochmal deutlich gesenkt werden.
Szenario 2: (On-Demand-)Skalierbarkeit
Angenommen sie haben einen Anwendungsfall für einen bestimmten Use Case von Anfang bis Ende für eine Niederlassung entwickelt. Sukzessive sollen nun weitere Standorte integriert werden. Bei einer klassischen Lösung müssen diese von Anfang an in der Hardware und in den Lizenzen mit eingerechnet werden. Dies führt oft zu konservativen Abschätzungen zu Spitzenzeiten mit dem Ergebnis der Über-Provisionierung. In der Cloud zahlt man den Anwendungsfall heute und die verwendeten Ressourcen lassen sich bei Bedarf hoch und wieder herunterskalieren. Dies führt zu einer viel präziseren Provisionierung. Außerdem können durch Automation zu Spitzenzeiten mehr Ressourcen vorgehalten werden, die auch nur dann bezahlt werden müssen.
Szenario 3: Trennung von Compute & Storage
Dieses Szenario ermöglicht im Prinzip Szenario 2 als zugrundeliegende Architektur. Aber die Trennung von Compute & Storage bringt auch weitere praktische Vorteile, da diese getrennt voneinander betrachtet werden können. Das bedeutet im Klartext: Benötigen sie mehr Rechenkraft, um komplexe Kalkulationen zu bewältigen, brauchen sie nicht automatisch deshalb eine größere Lizenz oder mehr Speicher. Benötigen sie mehr Speicher, um eine größere Datenmenge zu bewältigen, benötigen sich nicht gleich mehr Compute. Klassische Systeme skalieren jedoch in der Regel in beide Dimensionen.
Szenario 4: Versionslos & redundant
So gut wie alle SaaS- und PaaS-Lösungen sind versionslos. Das bedeutet, dass die Systeme nicht manuell repariert werden müssen oder eine Downtime für Wartungsfenster durchlaufen. Zusätzlich haben diese Architekturen für geringe Mehrkosten zur Persistenz eine eingebaute Redundanz über Rechenzentren, Zonen oder Kontinente hinweg. Diese sind so gebaut, dass sie im Fall der Fälle die redundante Instanz ohne zeitlichen oder informativen Verlust übernehmen.
Hinzukommt, dass laut einer Studie von mit Forrester Consulting in Auftrag gegeben von Microsoft Unternehmen drei Jahre nach der Erstinvestition der Cloud-Migration eine Kapitalrendite von bis zu 238 % erzielen und erhebliche Produktivitätssteigerungen in ihren IT- und internen Database Administrator Teams verzeichnen.
Datenmigration VS Datenbankmigration
Die Anwendungsfälle in der Cloud sind zahlreich. Wir legen bei unseren Kunden den Fokus dabei auf Daten für analytische Zwecke. Es gibt dabei wichtige Unterschiede von Datenmigration und Datenbankmigration.
Datenbankmigration hat immer eine Applikation, die auf diese Datenbank aufsetzt mit im Fokus. So sind die Bedürfnisse – Skalierbarkeit und Sicherheit – sicher in beiden Anwendungsfällen ähnlich, aber der praktische Nutzen liegt hier nicht im analytischen, sondern im transaktionalen Bereich. Das bedeutet, dass die Verfügbarkeit hier nochmal wichtiger ist, denn steht die Datenbank, steht auch die Applikation. Zusätzlich müssen die Zugriffe durch Applikationen parametrisiert und vereinfacht werden. Datenbank-Innovation ohne Applikations-Innovation ist somit nicht möglich.
Die Migration von Daten beschäftigt sich üblicherweise mit dem Extrahieren, Laden und Transformieren von Daten. In der Regel stehen hier analytische Bedürfnisse im Vordergrund. Ein Beispiel wäre die Vereinheitlichung von verschiedenen bestehenden ERP-Systemen zweier Standorte in einem definierten Zielsystem, so dass gemeinsame Auswertungen dieses Datenbestands möglich werden. Kern-Technologien sind hier OLAP Datenbanken und Data Lakes, sowie analytische Tools zur Visualisierung und diverse APIs zur Bereitstellung für Dritt-Systeme.
Während der Corona-Krise haben viele Unternehmen ihr Engagement im Bereich Künstliche Intelligenz (KI) weiterausgebaut. Das zeigt eine aktuelle Studie des INFORM DataLab in Zusammenarbeit mit der Computerwoche und IDG Research Services, bei der zwischen April und Mai 2021 367 IT-Verantwortliche von Unternehmen in der D-A-CH-Region befragt wurden. Fast zwei Drittel setzen bereits Machine Learning (ML) ein. Kein Wunder, denn KI ist ein Schlüsselelement in der Digitalisierung von Unternehmen. Auch während der Hochphase der Corona-Pandemie im letzten Jahr haben rund 20 Prozent der befragten Unternehmen das Budget für KI und ML deutlich erhöht. Noch mehr Firmen wollen laut Studie ab 2021 die Investitionen in beide Technologien steigern.
Dennoch investieren einige Unternehmen nur in ML und KI, um den Hype zu bedienen – ohne sinnvolle Anwendungen zielgerichtet anzugehen. Andere erkennen zwar den Bedarf, wissen aber nicht, dass KI dafür die Lösung sein könnte. Darum sollten Unternehmen genau prüfen, in welchen Bereichen und Anwendungsszenarien der Einsatz von KI für sie sinnvoll ist. Doch das Wissen über KI und deren Fähigkeiten und Potenzial für Unternehmen ist häufig in erster Linie noch durch Science-Fiction-Filme geprägt – und dementsprechend weit entfernt von der Praxis in Unternehmen.
KI-Anwendungsfelder sind zahlreich
Trotz der häufig falsch geprägten Wahrnehmung von KI gibt es etliche Möglichkeiten, diese gewinnbringend und sinnvoll in Unternehmen einzusetzen. Laut der aktuellen Studie sind Bild- und Spracherkennung sowie die Textanalyse für deutsche Unternehmen die wichtigsten ML- und KI-Methoden. Dieses Ergebnis lässt vermuten, dass viele andere Anwendungen noch unbekannt sind. Doch neben Bild- und Spracherkennung, die beispielsweise im Bereich Chatbots oder Übersetzungen häufig eingesetzt werden, gibt es noch unzählige weitere Anwendungen für Unternehmen. Ein Beispiel für einen weiteren Anwendungsfall ist die Identifikation von Qualitätsmängeln und Ausschuss in produzierenden Unternehmen – eine Aufgabe, die manuell aufgrund der großen Datenmengen kaum umsetzbar ist. Diese Aufgabe, die zu einer signifikanten Kostensenkung führen kann, können intelligente ML- und KI-Algorithmen übernehmen, indem per Root-Cause-Analysis alle Daten analysiert werden, um die Ursache im Produktionsprozess auszumachen.
Ein weiterer Use Case ist die verbesserte Prognose von Liefer- und Wiederbeschaffungszeiten. Mithilfe von ML kann hier eine Genauigkeit um bis zu 70 Prozent höher als bei der Verwendung fixer Stammdaten erreicht werden. Das Ergebnis: Durch zuverlässig prognostizierte Lieferzeiten können Unternehmen optimierte Entscheidungen im Bestandsmanagement und der Produktionsplanung treffen.
What´s next? – Die Schritte nach der Use-Case-Bestimmung
Ist der erste Anwendungsfall für das Unternehmen identifiziert und festgelegt, gilt es jedoch, direkt die nächste Hürde zu nehmen: Die Einführung der Lösung auf technologischer und personeller Ebene. Das bedeutet, dass eine Plattform und entsprechende Prozesse eingeführt werden müssen. Hier können Cloud-basierte Lösungen helfen, den Aufwand für den Aufbau und Betrieb einer KI-Plattform stark zu reduzieren. Hinzukommt, dass Faktoren wie die Akzeptanz der Mitarbeiter oder die Transparenz über die Arbeitsweise solcher Lösungen gegeben sein sollten. Dies zeigt sich ebenfalls in den Studienergebnissen: Rund 34 Prozent der Anwender möchten nachvollziehen können, wie ein ML- oder KI-Algorithmus seine Entscheidungen trifft. Nach den Kosten ist dies das wichtigste Auswahlkriterium. In der Praxis bedeutet das Verlangen nach Erklärbarkeit häufig einen Kompromiss, da komplexe Modelle selten einen direkten Einblick in die Entscheidungsfindung erlauben. Als Resultat steigt seit Jahren kontinuierlich das Interesse an sogenannten Surrogate Models, die eine ersatzweise Argumentation liefern können.
Datenbasierte Entscheidungen steigern den Unternehmenserfolg
Trotz der Gründe für den Einsatz von KI in Unternehmen, setzt noch nicht jedes Unternehmen auf intelligente Datenlösungen. Dennoch steht fest: datenbasierte Entscheidungen bedeuten schlichtweg bessere Entscheidungen. Daher sollte jedes Unternehmen – unabhängig von seiner Größe und Branche – die digitale Transformation in Angriff nehmen. Denn die Reise geht hin zu datengetriebenen Unternehmen, die sich durch intelligente Lösungen zunehmend Wettbewerbsvorteile sichern können.
Sie interessieren sich für weitere Ergebnisse der Machine Learning Studie 2021?
