Machine Learning mit SAP Lösungen, die mitdenken: die Zukunft der Datenanalyse.

Unbekannte Kunden werden intelligent über einen Algorithmus identifiziert, deren Potential bemessen und entsprechend beworben wird. Potenzielle Lieferengpässe bei Lieferanten werden frühzeitig erkannt und umdisponiert. Zu Problemen in der Produktion kommt es seit Jahren nicht mehr, da eine frühzeitige Wartung sämtliche Ausfälle im Voraus vermeidet.

Die Buchhaltung ist inzwischen komplett automatisiert. Eingehende Belege werden digital erfasst und automatisiert kontiert. Über Berichte erkennt der Chef, wie sich sein Unternehmen selbstständig anpasst, optimiert und weiterentwickelt. Bis weit in die Zukunft.

Das sind nur ein paar Beispiele, wie ein intelligentes Unternehmen inzwischen beworben wird – dank Machine Learning.

Die Anwendungsmöglichkeiten sind scheinbar unendlich und dennoch kommen viele Unternehmen nicht über einen Prototyp hinaus

Doch warum scheitern so viele Unternehmen, wenn die Lösungen durch Machine Learning doch so vielversprechend sind?

Welche Herausforderungen gibt es bei der Implementierung?

Eine wesentliche Herausforderung in der Etablierung einer datengetriebenen BI-Strategie sind zunächst die eigenen Mitarbeiter. Der Faktor Mensch entscheidet über Umfang und Akzeptanz jeder neuen Technologie im Unternehmen. So müssen alle Beteiligten auf einen gemeinsamen Stand gebracht und generelle Fragestellungen geklärt werden.

Was bedeutet künstliche Intelligenz für Business Intelligence? Was hat Machine Learning damit zu tun? Wie sehen die Einsatzszenarien innerhalb von Business Intelligence aus? Das sind nur ein paar typische Fragen, die ich vor dem Beginn eines Projektes klären musste. Das beginnt vorwiegend vor der eigentlichen Fragestellung, wie Machine Learning einem Unternehmen und den Mitarbeitern genau von Nutzen sein kann. Denn Machine Learning ist eine Lösung für ein Problem, welches zunächst benannt werden muss.

Für eine realistische Erwartungshaltung gegenüber Machine Learning hilft die Einordnung innerhalb des analytischen Bereichs einer Business Intelligence. Eine Bilderkennung oder autonome Roboter würde man nicht in einem analytischen Bericht erwarten. Reduziert man die Technologiefelder auf den analytischen Teilbereich, erhält man einen wesentlich besseren Bezug zu der neuen Technologie.

Dass die künstliche Intelligenz und dass Machine Learning mittlerweile einen sehr großen Teil durch Technologien und Einsatzfelder in allen Branchen und Unternehmensbereichen abdeckt, erkennt man gut in der folgenden Abbildung.

Was bringt Machine Learning ?

Sofern der Wirkungsbereich von Machine Learning bei allen Beteiligten geklärt ist, kommt man schnell zur eigentlichen Fragestellung: Wie kann Machine Learning nun dem eigenen Unternehmen helfen?

Was man nicht in der Praxis kennt, kann man nicht bewerten. Dabei ist Machine Learning bereits an vielen Stellen Teil unseres Alltags. Wir bemerken es nur nicht. Seien es die hilfreichen Vorschläge beim Online-Einkauf, die optimale Route eines Kartendienstes oder der Wetterbericht für morgen.

Und wie sieht es mit konkreten Anwendungsfällen in der Geschäftswelt aus?

Machine Learning ist in der Lage, große, komplexe und strömende Daten zu analysieren und Erkenntnisse zu gewinnen, einschließlich vorausschauender Erkenntnisse, die über die menschlichen Fähigkeiten hinausgehen. Wie wäre es, wenn Ihr System Ihnen sagen könnte, wie viel Umsatz bestimmte Produkte in den nächsten 6 Monaten machen werden?

Selbst in Branchen wie in der Fertigung macht der Einsatz von Machine Learning Sinn. Hersteller sammeln nämlich riesige Datenmengen von Anlagensensoren und aus der Produktion, die sich hervorragend für maschinelles Lernen eignen. Algorithmen des maschinellen Sehens und der Anomalieerkennung werden für die Qualitätskontrolle, die vorausschauende Wartung, die Bedarfsprognose und die Bereitstellung neuer Dienstleistungen eingesetzt.

Beispielsweise kann Machine Learning erkennen, wann eine Maschine gewartet werden muss, bevor es zu spät ist. Das bedeutet, dass in den nächsten Tagen genügend Zeit dafür eingeplant werden kann, ohne dass es zu einem Maschinenausfall kommt. Das spart Zeit und Geld.

Wie kann ein Machine Learning Projekt erfolgreich werden?

Letztendlich gibt es drei Faktoren, die maßgeblich über den Erfolg eines Machine Learning Projektes entscheiden.

Ein entscheidender Faktor ist die Datengrundlage. Daher ist die Aussage über die Wichtigkeit von ‚Big Data‘ durchaus wichtig, wobei die notwendige Qualität und Konsistenz der historischen Daten wichtiger ist als die reine, unstrukturierte Masse. Selbst vermeintlich hochwertige Daten können bei einer genaueren Datenvalidierung innerhalb der Konzeption eines Prognosemodell zu inkonsistent oder ungenügend sein. Für eine gute Prognose können unter Umständen die eigenen Geschäftsdaten in teils unterschiedlichen Datenbanken oder Ordnern nicht ausreichend sein. Um bei Bedarf einen Trend zur Umsatzprognose zu ermitteln, bedarf es teilweise externer, unternehmensfremder Daten. Damit ergibt sich bereits bei der Datenbereitstellung die Frage einer Datenstrategie zur Business Intelligence Strategie.

Ein weiterer entscheidender Faktor ist, dass eine vermeintliche Machine Learning Lösung nicht die Lösung ist, die im vorliegenden Anwendungsfall einer Umsatzprognose notwendig ist. Je nach Datengrundlage, saisonalen Verläufen und Trends kann eine statistische Zeitreihenanalyse völlig ausreichend sein. Mit dem Vorteil, dass das Prognosemodell transparent und erklärbar ist. Bei einem trainierten Machine Learning Modell zur Umsatzprognose ist dies nicht zwangsläufig der Fall. Das heißt, man muss sich unter Umständen von dem Gedanken eines Machine Learning Ansatzes lösen, wenn bewährte statistische Methoden unter Umständen bessere Ergebnisse bringen.

Der letzte entscheidende Faktor für den Erfolg eines Machine Learning Projektes ist die Akzeptanz, dass aus einer Datenvalidierung und Konzeption des Prognosemodell keine validen, produktiv verwendbaren Ergebnisse möglich sind. Also der wissentliche Misserfolg des Machine Learning Projektes. Somit kann man sehr viel Zeit und Geld in die Datenbeschaffung, -integration und -harmonisierung gesteckt haben. Und zusätzlich noch in die Datenvalidierung und Modellkonzeption, mit dem Ergebnis, dass die Daten nicht ausreichend für eine akzeptable Umsatzprognose sind. Ein genauer Nachweis über das ‚Warum‘ ist dabei der Erfolg, da dieser den Weg aufzeigt, was noch fehlt, um zu einer guten Umsatzprognose zu kommen.

Fazit

Die verlockenden Möglichkeiten über den Einsatz von künstlicher Intelligenz und Machine Learning sind allgegenwärtig. Über die eigentliche Umsetzung oder Vorgehensweise findet man bereits weniger Informationen. Einige der wichtigsten Punkte für die ersten Schritte und Erfolge habe ich aus eigener Erfahrung bereits genannt. Doch wie so oft steckt der Teufel im Detail. Spätestens wenn zusätzliche Fragestellungen über die hundertprozentige Zuverlässigkeit einer Umsatzprognose oder über den Datenschutz aufkommen.

Oder wenn man feststellen muss, dass der Fachbereich bereits seit längerem Prognosemodelle in Excel oder über Drittanbieter einsetzt und keinen Bedarf einer integrierten Business Intelligence Lösung sieht. Dann wirft man schnell mehr Fragen auf, als man beantworten kann und steht sich zwangsläufig wieder selbst im Weg.

Letztendlich entscheidet sich dann, wie gut die eigene Strategie ist, um dem nächsten Schritt zum intelligenten oder datengetriebenen Unternehmen näherzukommen und die eingangs beschriebenen Szenarien Schritt für Schritt im eigenen Unternehmen umzusetzen.