[Kelleher & Tierney 2018, S. 90]
Die Autoren veranschaulichen diese Idee am Beispiel einer Hadoop-Installation, die mit einem RDBMS gekoppelt ist. Obwohl ein Großteil der Daten im Hadoop-Cluster gehalten wird, stehen sie den Analysten über eine Virtualisierungsschicht jederzeit zur Verfügung.
2.4Fazit
Die Informationssysteme in den Unternehmen stehen aktuell vor großen Herausforderungen. Neben dem etablierten BI-System auf der Basis eines Data Warehouse etablieren sich neue analytische Werkzeuge, die immer wichtiger für die Unternehmenssteuerung werden. Vor allem Data Science wird zu einem wesentlichen Bestandteil eines analytischen Ökosystems werden, das sowohl die traditionelle BI als auch das neue analytische Portfolio enthalten muss. Dabei lässt sich zum einen feststellen, dass es Parallelen zwischen den aktuellen Entwicklungen und dem Beginn der BI-Einführungen Mitte der 1990er-Jahre gibt. Aus diesem Grund können und sollten die Unternehmen bei der Einführung und Nutzung von Data Science auf die in diesem Zusammenhang gemachten Erfahrungen zurückgreifen. Auf diese Weise kann der Aufbau und die Integration der neuen Werkzeuge, Strukturen und Abläufe effizienter gestaltet werden. Zum anderen muss das vorhandene Informationssystem mit der neu aufgebauten Analytik in einer ganzheitlichen, agilen und langfristig tragbaren Architektur abgebildet werden. Neben der von Zimmer in Kapitel 8 diskutierten Architektur wurde beispielhaft die Pi-Architektur von Marschall und Baars vorgestellt.
BI ist nicht tot, wie manchmal schon verkündet wurde. Aber die BI-Welt verändert sich gerade rasant, wird sie doch quasi fusioniert mit der Welt der Advanced Analytics, in deren Mittelpunkt Data Science steht. Die Unternehmen werden zumindest mittelfristig beide Bestandteile dieses neuen Informations- und Steuerungssystems benötigen. Damit gewinnt BI vielleicht sogar an Bedeutung, auch wenn wir möglicherweise eine Namensänderung zu Analytics beobachten werden.
3Data Science und künstliche Intelligenz – der Schlüssel zum Erfolg?
Marc Beierschoder · Benjamin Diemann · Michael Zimmer
Das Thema Data Science und künstliche Intelligenz ist derzeit in aller Munde und wird häufig als Wundermittel für eine Vielzahl von unternehmerischen Fragestellungen und Anwendungen propagiert. Das Potenzial hierzu ist durchaus vorhanden. So können durch Data Science und KI die Empfehlungen verbessert und neue Anwendungen wie selbstfahrende Autos unterstützt werden. Zudem können unter anderem durch Chatbots und Prozessautomatisierung die Kosten reduziert werden.
In diesem Beitrag wird der Nutzen von Data Science und KI kritisch hinterfragt. Des Weiteren werden aktuelle Herausforderungen deutscher Unternehmen beim Einsatz von Data Science und KI und gängige Organisationsformen für Data Science vorgestellt. Der Beitrag schließt mit Beispielen aus der Automobilindustrie, anhand derer die Grundlagen des Beitrags konkret verdeutlicht werden.
3.1Zwischen Euphorie und Pragmatismus
Data Science (vgl. Kap. 1) und künstliche Intelligenz (KI) elektrisieren in den letzten Jahren viele Menschen und das Potenzial scheint keine Grenzen zu kennen. So sind selbstfahrende Autos mit neuen Geschäftsmodellen für Mobilitätsanbieter oder Chatbots bereits heute – zumindest teilweise – Realität. Dieser Optimismus ist begründet, erfordert aber auch eine kritische Betrachtung. Viele Data-Sciencebasierte Anwendungen, die aktuell in den Medien besprochen werden, sind zwar kein reines Wunschdenken, aber eben auch noch keine den Menschen ersetzende Realität. Selbstfahrende Lkws funktionieren beispielsweise auf leeren Highways sehr gut, in Großstädten sind wir aber derzeit noch weit vom selbstfahrenden Auto entfernt. Gerade die Fehleranfälligkeit ist bei Bilderkennungsverfahren zurzeit noch nicht zu verachten. So erkennen Algorithmen in einem gelb-schwarzgestreiften Bild einen Schulbus.1
In diesem Kapitel wird anhand eines konkreten Beispiels aufgezeigt, unter welchen Rahmenbedingungen der Einsatz von Data Science im Allgemeinen und KI im Speziellen zum Erfolg führen kann.
Es ist zunächst einmal wichtig zu verstehen, dass die Technologien, die heute als KI bezeichnet werden (oft liest man auch im Deutschen die Abkürzung AI – Artificial Intelligence), nicht völlig neu sind, sondern sich über mehrere Jahrzehnte entwickelt haben (vgl. Kap. 1).
KI-Methoden wie Bilderkennung und Natural Language Processing sind erst durch die Weiterentwicklungen der vergangenen Jahre möglich geworden. Viele Anwendungsfälle sind aber mitnichten auf die neuesten Entwicklungen in diesem Bereich angewiesen. Oft liefert eine konventionellere statistische Methode ebenso gute Ergebnisse.2 Zumal diese sich oft wesentlich einfacher und kostengünstiger anwenden lässt.
Dagegen bedeutet die nachhaltige Einführung von KI-Methoden häufig ein nicht zu unterschätzendes Investment in Personal und Technologien, dem ein nicht minderer Ertrag gegenüberstehen sollte. Um hier abwägen zu können, müssen Ziele und Erfolgskontrolle klar definiert sein, doch genauso ist auch ein gewisses Maß der ergebnisoffenen Erprobung neuer Technologien sinnvoll (vgl. Kap. 13).
Jenseits der Fragen technischer Implementierung braucht es ebenso ein Bewusstsein für die arbeitsalltäglichen Weiterungen, die der Einsatz von künstlicher Intelligenz nach sich zieht. Denn: Selbst ein guter Business Case kann scheitern, wenn kein Wandel gelingt. In der einen oder anderen Form bedeutet Digitalisierung immer, Dinge zu ändern. Wird nach einer Einführung nach wie vor unverändert weitergearbeitet, kann keiner der erhofften Vorteile realisiert werden. Daher ist es wichtig, sehr genau zu bedenken, wie Wandel in der eigenen Organisation gelingen kann.
Es gibt also einiges, das in Betracht gezogen werden sollte, bevor man sich blindlings in ein verklärtes Utopia der künstlichen Intelligenz begibt.
3.2Wann ist Data Science und KI das Mittel der Wahl?
Prinzipiell ist es durchaus berechtigt, neue Technologien erst einmal frei zu erproben sowie ihre Möglichkeiten und potenziellen Anwendungen auszuloten. Häufig ist das sogar schon mit recht überschaubarem Aufwand möglich.3 Sollen Prototypen aber in einen Regelbetrieb integriert werden, sind häufig reifere Werkzeuge, ergänzende Frameworks und zugehörige Governance-Strukturen erforderlich. Die hieraus resultierenden hohen Investitionssummen erfordern in Unternehmen in der Regel aber wiederum eine Kosten-Nutzen-Betrachtung als Richtungsgeber.4
Mit Blick auf die Business Cases lassen sich daher Data Science & KI-Anwendungsfälle in zwei Hauptzielkategorien einteilen: Ertragssteigerung und Kostensenkung. Im Interesse einer positiven und messbaren Entwicklung sollten von Beginn an konkrete Ziele und nachvollziehbare Qualitätskriterien festgelegt werden. Ertragssteigerung kann in diesem Fall nicht nur eine verbesserte Empfehlung sein, sondern auch der Wandel des Unternehmens zu einem neuen Data-Sciencegetriebenen Geschäftsmodell. Als Beispiel können hier Automobilhersteller fungieren, die sich weg vom Fahrzeughersteller und hin zum Mobilitätsanbieter wandeln.
Aktuelle Studien [Deloitte 2017]5 zeigen, dass Unternehmen im Zuge der Ertragssteigerung mit künstlicher Intelligenz ihre bestehenden Produkte primär verbessern wollen (vgl. Abb. 3–1). Aber auch die Entwicklung neuer Produkte und die Erschließung neuer Märkte stehen im Fokus. Im Zuge der Kostensenkung geht es um die Optimierung der Geschäftsprozesse, um eine verbesserte Entscheidung und die Reduzierung des Personalaufwands durch Automatisierung. Vor dem Hintergrund