Abb. 3–1 Hauptvorteile für Unternehmen [Deloitte 2017; Abb. 4]
Die Relevanz eines Business Case lässt sich stark vereinfacht an folgendem fiktiven Beispiel verdeutlichen. Gesetzt den Fall, ein Uhrenhersteller will ein innovatives Verfahren der Bilderkennung zur Reduzierung seines Ausschusses (Kostenreduktion) einführen. Das System kostet 500.000 Euro und hat eine Erkennungsrate von 50%, so wird sich das in Tabelle 3–1 dargestellte Szenario 2 erst nach 25 Jahren amortisieren. In aktuellen Data-Science- & KI-Projekten wird häufig ohne Business Case gerechnet. Auf den ersten Blick mag der Aufwand gering erscheinen. Ist der daraus gezogene Nutzen aber zu gering, ist es sinnvoller, die Ressourcen in positivere Business Cases zu investieren.
| Szenario 1: ohne Diagnosesystem | Szenario 2: mit Diagnosesystem | |
| Preis Rohwerke | 3.000.000 | 3.000.000 |
| Preis weitere Bauteile | 2.000.000 | 2.000.000 |
| Regulärer Arbeitsaufwand | 4.000.000 | 4.000.000 |
| Zusätzlicher Aufwand Defekte | 40.000 | 20.000 |
| Kosten Diagnosesystem | 500.000 | |
| Einnahmen durch Verkauf | 12.000.000 | 12.000.000 |
| Gewinn | 2.960.000 | 2.480.000 |
Tab. 3–1 Rechenbeispiel für Einführung eines Bilderkennungssystems
Künstliche Intelligenz ohne sorgfältige vorherige Prüfung ihrer Nutzbarkeit und Rentabilität zu implementieren, kann bedeuten mit Kanonen auf Spatzen zu schießen. Ist sie allerdings als Investition in einen bewussten Kontext integriert, kann sie auch eine Chance, ein Wegbereiter für Größeres sein und eine neue Herausforderung an Qualitätsmaßstäbe darstellen. In diesem Fall wird aber als KPI nicht der reine Gewinn im Vordergrund stehen. Im Uhrenbeispiel wäre dies der Fall, wenn eine Uhrengruppe bei einer kleinen Marke die neue Technologie erproben will und diese dann später für alle Marken einsetzt.
3.3Realistische Erwartungen und klare Herausforderungen
Data Science und KI wird von vielen Vendoren in praktisch alle Branchen ungeachtet von Kosten-Nutzen-Analysen als Allheilmittel verkauft. Vermeintlich ungeahnte neue Möglichkeiten tun sich den Unternehmen hier auf und ihre Überfülle verstellt oft einen realistischen Blick auf die Herausforderungen, die sie mit sich bringen6:
Ein maschinell lernender Algorithmus wertet historische Daten aus – er wird aus schon beschrittenen Wegen den besten herausfinden, mehr jedoch nicht.
Über die Zuverlässigkeit und Treffsicherheit des Algorithmus bestimmt die Qualität der ihm zugeführten Daten.
Die Möglichkeiten dieser Technologie voll auszuschöpfen gelingt nur, wenn folgende Parameter erfüllt sind:gute Infrastruktur,inhaltliche Kompetenzen,effiziente Arbeitsprozesse, die schnelles iteratives Testen und Weiterentwickeln ermöglichen, undrichtige, vollständige Dokumentation.
Daten unterliegen rechtlichen Bestimmungen – sie entsprechend pflegen zu können erfordert klare Datenmanagementprozesse und -verantwortlichkeiten.
Ohne zuverlässige Methode für die Skalierung in produktiven Systemen wird auch das beste Vorhersagemodell wenig nützlich sein.
Es gibt kein Perpetuum mobile – Ressourcen und Infrastrukturen müssen so eingerichtet sein, dass regelmäßige Qualitätschecks und Retrainings gesichert sind.
Ein maschinell lernender Algorithmus verspricht nicht weniger als automatisierte und eigenständige Lösungen. Auf Basis der ihm zur Verfügung stehenden Daten erkennt er selbsttätig Muster und kann Ableitungen bilden. Durch diese variantenreichen Kombinationen wird neues Wissen kreiert. Doch genau hier ist auch seine entscheidende Grenze – denn neues Wissen ist nicht gleichbedeutend mit neuen Ideen. Menschliche Kreativität hat sich bisher noch nicht in Algorithmen nachbilden lassen und so ist echte Innovation gegen die Möglichkeiten maschinellen Lernens, sprich gegen Optimierungen, abzugrenzen.7
Es schließt sich eine weitere Problematik an. Die Qualität der Ergebnisse, die der Algorithmus ausgibt, ist nur so gut wie die Qualität der Daten, mit denen er arbeitet. Jeder Fehler, jede Inkonsistenz, jede Schwachstelle wird weitergegeben und führt zu fehlgeleiteten, verzerrten Ausgaben, die im schlechtesten Fall falsche Entscheidungen nach sich ziehen. Automatisierung und intelligente Systeme bergen eine trügerische Sicherheit, die nie unterschätzt werden darf und daher umso mehr zu gewissenhafter Datenarchitektur und Datenmanagement anhalten sollte. Eine wesentliche Anforderung bei der Implementierung eines maschinell lernenden Algorithmus besteht in der Bereitstellung und im Aufbau von zuverlässigen und leistungsfähigen Infrastrukturen, Prozessen und Kompetenzen. Sie bedingen nicht nur eine stabile Skalierbarkeit und ein dauerhaft reibungsloses Operieren, sondern auch die Einhaltung und Gewährleistung rechtlicher Bestimmungen.
Prozess- und strukturorientierte Implementierung
Der Einsatz von Analytics-Technologien bedeutet nicht, dass die Strukturen eines Unternehmens von Grund auf umgekrempelt werden. Es lässt sich gut klein starten. Wenn sich die ersten Erfolge eingestellt haben, wächst nicht nur das Vertrauen, sondern auch das Verständnis für die Reichweite der Möglichkeiten und so können mit der Zeit weitere Schritte in Angriff genommen werden.
Eine Standardlösung für jedes Unternehmen und jeden Anwendungsfall gibt es ohnehin nicht. Sie müssen immer an die aktuellen Gegebenheiten und Voraussetzungen wie auch die gewünschten Ziele individuell angepasst werden. Aufgabenbereiche und Ressourcen müssen gegeneinander abgewogen werden und entscheiden über die jeweilige strukturelle Arbeitsweise im Einsatz der Analytics-Technologien.
Optimale Ergebnisse liefern die implementierten Technologien, wenn zudem externe Datenquellen eingebunden werden. Sie sorgen dafür, dass die Analysen profunder und damit noch verlässlicher werden. Dies gekoppelt mit ihrer Arbeitsgeschwindigkeit in Echtzeit senkt die Kosten für Entscheidungsfindungen dauerhaft und nachhaltig.
Bei der Operationalisierung von Data-Science-Einheiten im Unternehmen lassen sich wie im Zuge der BI auch unterschiedliche Formen von virtuellen Einheiten bis hin zu zentralisierten Einheiten abbilden (vgl.