Zurück in die Zukunft: Business Intelligence durch Smart Data & Analytics

avatar

Thomas Thüring - 13 Min. Lesezeit

header-picture

Der digitale Wandel trifft jeden. Dennoch zögern viele Unternehmen bei der Weiterbildung und Adaption neuer Technologien. Wenn Sie eine Entscheidung treffen, geschieht das selten rein Fakten-basiert: Begrenzt wird der Prozess bspw. durch Ihre Emotionen oder die Unfähigkeit, einen bestimmten Grad an Informationsüberflutung zu verarbeiten. Durch Hinzufügen vieler Datenpunkte – neuer Quellen – durch Algorithmen und den Abbau von Informationsasymmetrien können Sie jedoch resultierende Erkenntnisse nutzen. So können Sie eine Entscheidung schneller, genauer, konsistenter sowie transparenter treffen.   

In dieser Ausgabe von „DIGITALISIERUNG kompakt“ geht es um einige zentrale Begriffe der digitalen Transformation: Wir klären den Zusammenhang von Daten, prädiktiver Analyse, Deep Learning und dem Wertschöpfungspotential smarter Daten. (rho, ago, tth)

Digitalisierung kompakt: Einordnung zentraler Begriffe
    1. Big Data, Big Data Software & Data Analytics

    2. Smart Data & Smart Data Business

    3. Künstliche Intelligenz und Datenanalyse 

    4. Predictive Analytics und deren Einsatzbereiche

    5. Business Intelligence (BI) & Analytics (BA)

    6. Data Mining, Machine & Deep Learning

    7. KI im digitalen Marketing: Smart Data-Potential ausreizen

 

Daten sind die Basis: Think big 

Big Data sammelt und analysiert folgerichtig große Datenmengen, die unter anderem folgende Herkunft haben …

Bereich

  • Internet und Mobilfunk
  • Finanzindustrie
  • Energiewirtschaft
  • Gesundheitswesen
  • Verkehr

Quelle

  • intelligente Agenten
  • Smart Devices
  • Smart Sensors
  • soziale Medien
  • Kredit- & Kundenkarten
  • Smart Metering-Systeme
  • Assistenzgeräte
  • Überwachungskameras
  • Flug- & Fahrzeuge

Big Data Software umfasst – im Gegensatz zu herkömmlichen Software-Lösungen – besondere Techniken:

  • parallele Verarbeitung vieler Datensätze
  • schneller Import von Daten
  • schnelle Suche und Abfrage von Daten
  • gleichzeitige Bearbeitung mehrerer Abfragen
  • Analyse unterschiedlicher Informationstypen

Data Analytics beschreibt die systematische Auswertung bzw. Analyse der Daten.

Daten sind die Basis der Wertschöpfung unserer Informations-Ära. Mit großen Datensätzen und deren Interpretation ist der Mensch jedoch schnell überfordert. Einsichten, die bspw. ein KI-System aufspüren kann, werden daher in Zukunft immer häufiger unsere Entscheidungen beeinflussen.

↵ zurück zur Übersicht

 

Smart Data für die erweiterte Datenperspektive

Smart Data ist ein wertvolles Gut aus strukturierten Daten, hervorgegangen aus dem Daten-Knäuel Big Data. Smart Data entsteht durch (Big) Data Analytics, die intelligente Aufbereitung und Nutzung immer größer werdender Datenmengen. 

Smart Data-Ziele:

  • nützliche Informationen finden
  • Schlussfolgerungen vermitteln
  • Entscheidungsfindung unterstützen

Die Herkunft von Smart Data ist vielfältig. Zu den Quellen gehören insbesondere:

  • das Internet
  • Smart Home-Geräte
  • Smartphones
  • vernetzte Fahrzeuge
  • vernetzte Infrastrukturen
  • Mehrwertdienste wie Bezahlsysteme
  • das Internet of Things (IoT)
  • das Industrial Internet of Things (IIoT)

Smart Data Business

Auf Smart Data basierende Geschäftsmodelle entfalten ihre Wirksamkeit vor allem da, wo …

  • … es sinnvoll ist, Daten aus unterschiedlichen Quellen zu kombinieren, um neue Erkenntnisse zu erwirtschaften
  • … eine deutliche Abhängigkeit von personalisierten Daten besteht
  • … Werte bzw. Produktionsfaktoren noch ungenutzt sind
  • … eine Nische unbesetzt ist
  • … die Nachfrage das Angebot übersteigt

Daten sind der Treibstoff des digitalen Business. Bei deren Monetarisierung – also der Nutzung als Basis für Geschäftsmodelle – muss es nicht zwangsläufig um die direkte Vermarktung von Datenbeständen gehen. Daten-Monetarisierung als Begriff bezieht sich generell auf digitale Informationen als Grundlage für Geschäftsmodelle.

↵ zurück zur Übersicht

 

KI ist der Schlüssel zur Welt von morgen

Mit digitalen Technologien entwickeln sich völlig neue Branchenzweige wie Blockchain oder das Internet of Things (IoT). In allen Unternehmensbereichen machen sich Systeme auf der Basis von Künstlicher Intelligenz (KI) breit. KI und Machine Learning sorgen so auch für neue Formen von Business Intelligence (BI).

Die Effizienz von Smart Data lässt sich vor allem durch die Kombination herkömmlicher Analyse-Methoden mit Künstlicher Intelligenz voll auszuschöpfen. So können in großen Datenmengen Muster erkannt und Daten so segmentiert werden, dass daraus Information entsteht.

Zu den technologischen Säulen einer Smart Data & Analytics-Strategie zählen …

  • ein leistungsfähiges Data Center
  • effiziente Cyber Security-Lösungen
  • eine durchdachte Data Center Security-Strategie
  • zunehmende Verbreitung von Sensorik: Signaltechniker bauen immer energieeffizientere Chips, die Signale senden. Bit-Techniker schreiben Software (Algorithmen), die diese Messdaten erfassen und nutzbar machen.

Hier schlägt auch die Stunde von Service-Plattformen, die ausgeprägte Business Intelligence dank Verknüpfung von Data & Content Analytics und Datenvisualisierung bieten. Diese ermöglichen tiefe Einblicke in die Geschäftsprozesse und Datenszenarien eines Unternehmens. Sie sind in der Lage, Struktur, Transparenz und Sichtbarkeit in die Unternehmensinformationen zu bringen. Mit der Folge, dass das Daten- & Infopotential vollumfänglich nutzbar wird. Zusätzlicher Vorteil: Förderung der automatisierten Workflow-Bewältigung sowie Governance.

↵ zurück zur Übersicht

 

Mit vorausschauender Analyse zurück in die Zukunft

Predictive Analytics oder prädiktive Analyse ist eine Methode, die mithilfe von Machine Learning-Technik, Datenmodellen und Datenanalysen Vorhersagen für die Zukunft trifft. Die Wahrscheinlichkeit zukünftiger Ergebnisse wird dabei auf Grundlage historischer Daten und Statistiken prognostiziert. Dies ermöglicht gleichzeitig diejenigen Handlungsempfehlungen, welche die Eintrittswahrscheinlichkeit prognostizierter Ereignisse beeinflussen können. Das Business-Ziel für den Einsatz von Predictive Analytics ist, Verschwendung zu reduzieren, Zeit zu sparen sowie Kosten zu senken und Sicherheit zu erhöhen. 

Business Analytics (BA) erweitert Business Intelligence (BI) um den Blick in die Zukunft und setzt vor allem auf statistische Analysen von Unternehmensdaten. BI beantwortet Fragen zum Geschehen (Was ist wann passiert?), zur Quantität oder den Ursachen eines Ereignisses. BA gibt Antworten auf die Fragen nach den Gründen, Auswirkungen, Wechselwirkungen oder Folgen von Ereignissen. Zudem ist es möglich, Szenarien durchzuspielen und Handlungsalternativen aufzuzeigen.

Einsatzbereiche von prädiktiven Analysen

Operative Verbesserung: Unternehmen verwenden prädiktive Modelle für ihr Ressourcen-Management oder Lastvorhersagesysteme in Produktionsumgebungen. Fluggesellschaften legen Ticketpreise mithilfe prädiktiver Analyse fest. Hotels nutzen sie, um die Zahl der Gäste zu prognostizieren. So kann die Belegung optimiert werden. Energieproduzenten können Stromlasten oder den Strompreis vorhersagen: auf Basis historischer Trends, Jahreszeiten- & Wetterdaten.

Betrugserkennung: Durch die Kombination mehrerer Analytics-Methoden lassen sich Muster oder Anomalien besser erkennen, was die Prävention von Straftaten erleichtert. Moderne Cyber-Sicherheit nutzt leistungsstarke Systeme zur Verhaltensanalyse, mit deren Hilfe sich sämtliche Aktionen in einem Netzwerk in Echtzeit untersuchen lassen. 

Risikobewertung: Finanzinstitute verwenden Machine Learning-Techniken zur Entwicklung von Kreditrisikomodellen. Bei einer Kreditprüfung wird dann mithilfe eines prädiktiven Modells ein Wert für die Kreditwürdigkeit einer Person generiert. Auch Versicherungen nutzen solche Modelle.

Optimierung von Marketing-Kampagnen: Mit prädiktiver Analyse wird versucht, Reaktionswahrscheinlichkeit und Kaufverhalten vorherzusagen und Cross Selling-Chancen zu nutzen. Unternehmen setzen prädiktive Modelle ein, um Kunden anzulocken, ihre lukrativsten Kunden an sich zu binden und mit ihnen höhere Umsätze zu erzielen.

Innovationen: Fahrerassistenztechnologien und autonome Fahrzeuge verwenden Predictive Analytics, um Sensordaten zu analysieren und Algorithmen zu erstellen. In der Industrie minimiert eine vorausschauende Zustandsüberwachung bzw. Instandhaltung, die Maschinenausfallzeiten.

Prädiktive Modelle verwenden Methoden der Mathematik und Informatik, um Ereignisse und Ergebnisse zu prognostizieren. Dabei besteht eine enge Verbindung mit Data Mining, das im übertragenen Sinne das „Schürfen von Daten“ meint. Es versucht verborgene Muster, Trends und Zusammenhänge in großen Datenmengen zu erkennen. Data Mining ist daher eng verwandt mit maschinellem Lernen und Methoden, in denen Computerprogramme selbstständig neues Wissen erwerben.

Data Mining nutzt auch neuronale Netze, die der Arbeitsweise des menschlichen Gehirns ähneln und über viele Datendurchläufe bestehende Strukturen oder Muster lernen. Im Gegensatz zu neuronalen Netzen, die auf Mustererkennung mit Massendaten trainiert werden, fragen Bayesian Networks nach dem „warum“. So kann eine Künstliche Intelligenz belastbare Schlüsse ziehen, um sicherere Vorhersagen zu treffen und Wahrscheinlichkeiten zu erhöhen – bspw. in puncto Trefferquote bei der Bilderkennung.

Machine Learning und KI spielen auch für das dynamische Preismanagement im Online-Handel eine große Rolle. Dynamic Pricing ist die automatisierte Preisfindungsstrategie, bei der Unternehmen die Preise für Leistungen oder Produkte anhand von Algorithmen berechnen und permanent anpassen: auf Basis des aktuellen Marktbedarfs oder der Preisdaten von Mitbewerbern. Wirtschaftswissenschaftlich betrachtet berücksichtigt Dynamic Pricing die Spieltheorie. Unternehmen, die mit diesem mathematischen Modell Entscheidungssituationen modellieren, wollen nicht nur „live“ agierende Kunden verstehen, sondern auch strategisch planende. 

Machine Learning oder maschinelles Lernen ist die Fähigkeit einer KI, eigenständig in die Systementwicklung einzugreifen und sich durch Erfahrungen zu verbessern. Das Konzept verfolgt Muster, um Assoziationen und Erkenntnisse aus Daten zu identifizieren. Das Internet of Things sorgt hier für die kritische Masse an Daten, die maschinelles Lernen benötigt. Unter anderem rückt damit das Ziel näher, KI-Systeme zu neuronalen Netzen zusammenzuschalten, in denen sich Anwendungspotentiale schnell und ressourcenschonend erschließen lassen. 

Deep Learning ist ein angrenzender Forschungsbereich des maschinellen Lernens. Hier kommen künstliche neuronale Netzwerke mit vielen Schichten zum Einsatz – daher die Bezeichnung „tief“. Die biologischen Vorgänge des menschlichen Denkens und Lernens – Aktivierung von Neuronen, chemische Veränderung von Synapsen und weiteres – werden in Software oder Hardware „übersetzt“. Beim Deep Learning – dem verstärkenden & vielschichtigen Lernen – geht es darum, die Grenzen der Maschinenfähigkeiten zu erweitern, um Objekte zu erkennen und Sprache zu verstehen und zu generieren.

↵ zurück zur Übersicht

 

KI im digitalen Marketing

Im maschinellen Lernen stecken auch zukünftige Chancen für Ihr Marketing. Unternehmen stehen heute vor der paradoxen Herausforderung, alle gleich und doch jeden individuell behandeln zu müssen. Ob Analyse von Emotionen (durch Natural Language Processing, NLP), Identifizierung erfolgreicher Kampagnen oder Vorhersagen zu Markt- &  Kundenverhalten: KI wird fürs Digitalmarketing ein unverzichtbares Tool. Künstliche Intelligenz hilft, Daten schnell zu verarbeiten, zu analysieren und sinnvoll in Marketing-Prozesse zu implementieren. Effizientes Marketing muss Muster wiedererkennen und relevante Signale von unbedeutenden trennen können. 

Viele Unternehmen nutzen schon heute KI-fähige Tools, um Effizienz- und Datenlücken zu schließen, die Erwartungen ihrer Kunden zu erfüllen oder eine großartige Customer Experience bereitzustellen. Mit Hilfe von KI können Unternehmen eine differenzierte Beziehungstiefe über alle Kontaktpunkte hinweg zu ihren Kunden aufbauen. Künstliche Intelligenz wird sie darin unterstützen, gleichzeitig Massenmärkte zu bedienen und den Einzelnen genauer kennenzulernen.

Ein entscheidender Vorteil von KI im Marketing besteht darin, kundenzentrierte Aufgaben zu automatisieren und die menschliche Anstrengung zur Interaktion mit potentiellen Kunden zur richtigen Zeit zu erleichtern. Das ermöglicht einen bis dato nie gekannten Personalisierungsgrad in der Kundenansprache.

Smart Data-Potential ausreizen

Mit Blick auf die Breite künftiger KI-Anwendungsgebiete sind vor allem maschinell erzeugte Daten im industriellen und B2B-Kontext sowie domänenspezifische Daten bedeutsam. 

Experten schätzen, dass sich mit der Überprüfung, Bereinigung, Transformation und Modellierung von größeren Datenmengen bis 2020 ein weltweiter Jahresumsatz von 27,5 Milliarden US-Dollar erwirtschaften lässt.

Auf der Kostenseite lassen sich mit Smart Data die vorausschauende Instandhaltung, das Talent- und Prozessmanagement, die Beschaffung sowie Logistik- und Lieferkettenplanung optimieren.

Auf der Einnahmenseite helfen Smart Data dabei, weitergehende Erkenntnisse darüber zu gewinnen, wie neue Märkte funktionieren, was bestimmte Kundensegmente charakterisiert, wie sich Produkteigenschaften verbessern lassen oder Vertriebskanäle effektiver gestaltet werden können.

Und im operativen Bereich oder in der Fertigungsumgebung lässt sich das Wertschöpfungspotential von Smart Data folgendermaßen ausnutzen:

  • Steigerung von Effizienz und Operation Excellence des Betriebs in Echtzeit – einschließlich Automatisierung von Anlagen und Maschinen zur Fehlervermeidung und Effizienzsteigerung
  • Optimierung des Supply Chain Managements
 
DIGITALKOMPETENZ: Expertise jetzt erweitern ...

Mehr zum Thema Digitalisierung, dem Stand der Diskussion, zu Trends oder konkreten Projekten finden Sie auch auf den folgenden – von MBmedien betriebenen – Themen-Hubs: Beispielsweise zur Zukunft der digitalen Transformation von Kommune, Stadt oder Industrie. 

Oder erfahren Sie, wie KMU mit dem richtigen Rüstzeug eine hocheffiziente digitale Umgebung realisieren. Starten Sie mit der Digitalisierung der eigenen Geschäftsprozesse durch unter ...

 
DATENINTELLIGENZ

Ihre eigene Datenbasis ist das Fundament all Ihrer Aktivitäten. Und stellt somit die Arbeitsgrundlage für Ihr Marketing oder den Vertrieb. Die MBmedien Datenservices dienen dazu, Ihre Kunden- & Kontaktdaten zu überprüfen, zu bereinigen, zu aktualisieren, mit zielführenden Zusatzinformationen anzureichern. Wir machen Sie fit für die Zukunft.

Themen: Business Marketing, Marketing Automation, datenbasiertes Marketing, Data Service-Anbieter, Datenanalyse, datengetriebenes Marketing, Datenqualität optimieren, Künstliche Intelligenz, Datenintelligenz, Kundendaten-Management, Digitalisierung, Automatisierung, Digitale Transformation, Data Mining, Smart Data


Aktuelle Beiträge

Webinare: SpeedDating für Unternehmen & Interessenten

read more

Inbound Marketing-Strategie Unternehmensblog

read more

Intelligenz & Qualität in Kundendaten-Management, Content & Automation

read more