Datenstrategie: Wie Unternehmen KI optimal implementieren

Unstrittig ist, dass eine Datenstrategie einen hohen Wert für Unternehmen bergen. Im Customer Service können Mitarbeitende auf einen Blick die relevante Kundenkommunikation einsehen. Entscheider können das Risiko für Fehlinvestitionen minimieren, je mehr Variablen sie in ihren Modellen berücksichtigen und je mehr Daten sie darin berücksichtigen. Durch Echtzeitdaten lassen sich e-Scooter- oder Car-Sharing-Flotten effektiv managen, der Verkehr lässt sich intelligent steuern.

Tatsächlich ließe sich ein Beispiel an das nächste reihen, wie Daten bereits unser alltägliches Arbeitsleben erleichtert haben, wie Unternehmen ihre Prozesse optimieren und Daten sich ganz grundsätzlich als Herzstück für Innovation entpuppen. Doch um Daten effizient und intelligent zu nutzen, brauchen Unternehmen eine Big-Data-Strategie. Andernfalls droht Datenchaos statt Dateneuphorie. In den letzten Jahren haben Unternehmen erheblichen Aufwand betrieben, um zu garantieren, dass sich auch immer stärker wachsende Datenberge strukturieren und intelligent nutzen lassen.

Cloud ist die Basis für ein intelligentes Datenökosystem

Durch den Aufbau einer Cloud-Infrastruktur stellen Unternehmen sicher, dass mehrere Nutzer von überall auf die gleichen Datensätze zugreifen können. Über Schnittstellen florieren Daten zwischen einzelnen Lösungen. Die Cloud ist das Rückgrat für ein intelligentes Datenökosystem und eine Datenstrategie. Und angesichts der Speicherung von persönlichen und sensiblen Daten investieren Unternehmen in Compliance- und Security-Lösungen – übrigens gerade angesichts zunehmender Bedrohungen und Cyberangriffe ein immer wichtigeres Thema. Ransomware-Attacken sind von 305 Millionen (2020) sprunghaft auf 623 Millionen (2021) angestiegen, im vergangenen Jahr lagen sie bereits bei 494 Millionen laut Angaben von Statista.

Damit die Daten durch Organisationen genutzt werden können, müssen sie in kompatiblen Formaten vorliegen. Software ist erforderlich, um Daten zu einpflegen oder diese zu verarbeiten. 2023 geben Unternehmen im Durchschnitt 267 Euro je Arbeitnehmenden für Software aus. Weltweit liegt das Marktvolumen für Unternehmenssoftware bei 11,6 Milliarden Euro (Statista). Laut Gartner werden Unternehmen für ihre IT 2023 insgesamt rund 4,6 Billionen US-Dollar ausgeben.

Der Erfolg einer Datenstrategie hängt von Automatisierung ab

Wie effektiv Entscheider und Mitarbeitende Daten im Rahmen einer Datenstrategie nutzen, hängt in hohem Maße vom Automatisierungsgrad der Daten ab. Welche und wie viele Daten können ohne weiteres berücksichtigt werden? Und wie relevant sind diese für das jeweilige Anliegen? Häufig ist die Business Intelligence durch die Grenze der menschlichen Kapazität limitiert:  Wenn zum Beispiel im Customer Service Mitarbeitende in einem Telefonat adhoc herausfiltern müssen, welche Informationen aus einer langen Kundenhistorie nun wirklich relevant für das aktuelle Anliegen sind.

Ein anderes Beispiel: Selbst wenn Entscheider eines Unternehmens Reports einsehen, um Investitionen zu optimieren, steht und fällt die Aussagekraft eines solchen Reports mit den Grenzen menschlicher Kapazität. Schließlich erstellen die meisten Reports in Unternehmen noch menschliche Mitarbeitende. Dafür fragen sie Abteilungen an, erstellen Modelle mit verschiedenen Variablen, pflegen Daten ein und erstellen Dashboards. In fortschrittlichen Organisationen läuft dieser Prozess immerhin weitestgehend automatisiert. Aber diese Modelle bleiben limitiert, dadurch, dass Menschen Variablen zusammenstellen.

Implementierung von künstlicher Intelligenz

Just an dieser Stelle kommen KI-Lösungen ins Spiel. Denn je weiter Unternehmen ihre Datenstrategie automatisiert haben, desto einfacher für sie, den nächsten Schritt zu gehen und künstliche Intelligenz zu implementieren. Dies zeigt auch der Prozess, der ungeachtet einer bestehenden Datenstrategie gilt:

• Priorisierung und Überprüfung möglicher Anwendungsfälle: Ziel ist dabei, in einer Matrix zu identifizieren, wo mit wenig Aufwand hoher Mehrwert entstehen kann – und wie die Timeline aussieht, bis zu dem Punkt, an dem Künstliche Intelligenz Mitarbeitenden de facto hilft produktiver zu arbeiten und Entscheidungen zu optimieren.
• Nach der Identifizierung der Anwendungsfälle beginnt die Phase des ausführlichen Scopings: Typische Fragen, die in dieser Phase zu beantworten sind, lauten: Wie genau sieht das zu lösende Problem aus? Wer soll auf welche Art die Lösung nutzen? Was sind die Kennzahlen, anhand derer sich der Erfolg später beurteilen lässt? Nach dieser Phase sollte ein Projektplan inklusive eines Dokuments existieren, in dem eine Lösung skizziert wird.
• Das Arbeiten mit den Daten beginnt: Diese werden vorbereitet und erste Modelle werden erstellt und getestet. Wichtige Fragen lauten: Sind die Formate alle kompatibel? Funktionieren die Schnittstellen?
• Sobald alles funktioniert, wird das Datenprodukt erstellt und die künstliche Intelligenz nimmt ihre Arbeit auf. Was Verantwortliche allerdings viel zu oft vernachlässigen: Auch künstliche Intelligenz steht und fällt damit, dass Menschen von ihr profitieren. Genau diese Menschen müssen daher geschult werden, wie sie die jeweilige Lösung im Arbeitsalltag nutzen. Idealerweise gilt dies auch nach dem Go-Live eines Projekts.

Herausforderung liegt eher in der Datenstrategie als in der Technik

Die Quintessenz? Haben Organisationen bereits eine Big-Data-Lösung implementiert, Datenformate definiert und verfügen über funktionierende Schnittstellen, verringert sich der Aufwand für die Arbeit mit den Daten erheblich. Tatsächlich sind es in diesem Fall eher strategische und operative Fragen als technologische Hürden, die die eigentlichen Herausforderungen darstellen.

Sofern Organisationen bereits über einen effizienten und modernen Elastic Compute Stack wie beispielsweise Snowflake oder Spark for Kubernetes und qualifizierte Mitarbeitende für die Wartung verfügen, haben sie bereits viel Vorarbeit für Künstliche Intelligenz geleistet. Unternehmen müssen dann vor allem auf Seiten der Machine-Learning-Operations im Vorfeld klare Prozesse und eine klare Governance-Struktur garantieren sowie dafür sorgen, dass dank entsprechender Funktionen für das Katalogisieren von Daten jeder einsehen kann, welche Daten für welchen Anwendungsfall verfügbar sind.

Vor allem aber, und das kommt oft viel zu kurz, müssen sich Entscheider folgende Frage stellen: Auf welchen oder auf welche Anwendungsfälle wollen wir uns mit KI fokussieren?  Wir sollten nicht vergessen: Theoretisch könnte KI in hunderten von verschiedenen Anwendungsfällen einem Unternehmen weiterhelfen.

Über den Autorin: Rachel Boskovitch ist Vice President Sales and General Manager Central Europe bei Dataiku. Bei Dataiku baut sie das Team aus und unterstützt in Europa große Unternehmen bei ihrem Wandel zur Enterprise KI. Rachel Boskovitc unterstützt Kunden dabei, Mehrwerte aus KI-Initiativen zu ziehen. Die Absolventin der Open University, UK (Business & Management) war zuletzt als Sales Director bei Intralinks tätig und dort verantwortlich für die Regionen DACH, Europa und Afrika

Lesen Sie auch: Data Science: Wie die Integration von Daten und KI zu höheren Gewinnen führt