Smart Data Automation 2022 von Michèle Egger.

Die digitale Transformation ist in aller Munde, die Auswirkungen sind spürbar. Durch die rasant fortschreitende Digitalisierung wird fast jede Industrie umgepflügt. Grosse Datenmengen resultieren aus dieser Durchdringung. Big Data bietet viele Chancen für die Weiterentwicklung bestehender digitaler Produkte und Dienstleistungen. Business-Modelle lösen sich ab und erfinden sich neu. Komplett neue Angebote sind die Folge. CD’s haben Schallplatten abgelöst; damals eine Revolution. Heute «streamen» wir. Durch den einfachen Zugang zu einer neuen Sphäre ist der Musikkonsum in den letzten Jahren stark gestiegen. Die Umsätze in der Musikindustrie steigen jährlich weiter. Die Segmente Streaming und Digital stellen etwa 68% am Gesamtumsatz weltweit. Damit neue Geschäftsmodelle entstehen können, ist nicht das Sammeln der Daten die größte Herausforderung, sondern deren Auswertung, Strukturierung und Analyse. Nur so bekommen die Informationen einen Wert für Unternehmen und Nutzer, was zu einem wettbewerbsentscheidenden Faktor führen kann. Smart Data Automation 2022 ist somit ein zentraler Erfolgsfaktor für Unternehmen.

Bei Big Data geht es nicht primär darum, viele Daten zu verarbeiten. Traditionelle und etablierte Datenbanken können das mittlerweile auch. Bei Big Data geht es darum, Daten mit unterschiedlichen Formaten, wie Bilder, Videos, Texte, Audio, auswertbar und nutzbar zu machen. Nutzen bringt Vorteile. Beispielsweise, wenn rechtzeitig auf Veränderungen reagiert und der Kundenservice verbessert werden kann. Hat der Kunde, der sich gerade stimmlich durch das Call-Center-Menü gearbeitet hat, etwa gute oder schlechte Laune? Wäre eher eine männliche oder weibliche und geschulte Stimme vorteilhaft, um den Anruf entgegenzunehmen? Wenn man sich mit Big Data beschäftigt, muss klar sein, welchen Nutzen man damit bezwecken will. Smart Data ist das Ergebnis der Strukturierung und Analyse von Big Data. Es handelt sich um hochwertige, abgesicherte und nutzbringende Daten, die so aufbereitet sind, dass Menschen sie verstehen und sinnvoll nutzen können. Intelligente Daten sind zum Beispiel hilfreich, wenn komplexe Entscheidungen getroffen und dazu verschiedene Handlungsoptionen gegeneinander abgewogen werden müssen. Durch die Kombination aus vertrauenswürdigen Daten und interner Expertise, können also massgeschneiderte Lösungen für individuelle Bedürfnisse bereitgestellt werden. Smart Data macht Unternehmen flexibel und hilft ihnen zu wachsen. Smart Data Automation 2022 geht aber einen Schritt weiter.

Daten werden immer mehr zu einem bedeutsamen Rohstoff der Wirtschaft. Der «Shift» in der «Insights Economy» braucht Zeit und hohe Investitionen. Digitalisierungs- oder Transformationsprojekte sollten über einen langfristigen Horizont ausgerollt werden. Die Frage nach der Wirkung am Ziel ist dementsprechend relevant. Daher ist es sinnvoll, nach Inbetriebnahme eines Datenprojekts regelmässig einen Abgleich mit der Zielsetzung, respektive der Wirkung im Ziel zu machen. Daten sind wertvoll. Erstaunlich also, dass nur rund 1% aktiv genutzt wird. Ungenutzte Daten befinden sich in verschiedenen internen und externen Systemen, oft in unstrukturierter (textueller) Form und ändern sich schnell. Wenn Systeme nicht verbunden werden können, sind datenverarbeitende Programme nicht in der Lage die ungenutzten Daten in Erkenntnisse umzuwandeln. Es stellt sich also die Frage nach der Zielsetzung des Datenprojekts. Dementsprechend muss über ein geeignetes Modell entschieden werden. Dabei gilt es nicht nur die Kosten, sondern auch den bestmöglichen Ansatz zu wählen. Dies ist insbesondere bei schnell wechselnden Datensätzen unabdingbar. Niemand hatte bspw. «Pandemie» in der Datenstruktur, was zu grossen Herausforderungen geführt hat.

«Insights» getriebene Unternehmen nutzen und implementieren digitale Erkenntnisse strategisch und in grossem Umfang. Schaffen differenzierende Erfahrungen, Produkte und Dienstleistungen. Optimieren kontinuierlich CX. Für eine dauerhaft hervorragende «Customer Experience», sind diese fünf zentralen Erkenntnisse unabdingbar:

• Umsatzsteigerung durch herausragende Kundenerlebnisse: für ein grossartiges digitales Kundenerlebnis (Webshop; Onlineshop) muss der menschliche Aspekt stets berücksichtigt werden. Menschen kaufen von Menschen.
• Differenzierung mit digitalen Mitteln: durch das Nutzen von Daten können andere, präzisere Angebote gemacht werden.
• Maximierung des geschäftlichen Nutzens der Technologie.
• Sich durch kundenorientiertes Marketing auszeichnen: bspw. personalisierte Bestellhistorie und neues, Black-Friday-Sonderangebot, etc. à «relevant recommendations through good insights».
• Aufbau einer erkenntnisgestützten Organisation.

Führende Unternehmen integrieren Systeme zur Gewinnung von Erkenntnissen. Ein radikal vereinfachter Zugang zu «Insights» bietet die Künstliche Intelligenz (KI). Pragmatische oder praktische KI steht für die Implementierung von künstlicher Intelligenz auf eine Art und Weise, die heute leicht eingesetzt werden kann. Mit realen Daten, die in einem Unternehmen verfügbar sind. Ziel ist die Bereitstellung der richtigen Informationen für die richtige Person zur richtigen Zeit.

Leider sind Daten oft in verschiedenen Unternehmensanwendungen isoliert und der Datenaustausch ist begrenzt. Dies macht Smart Data Automation 2022 so herausfordernd. Um ein System der Aufzeichnungen in ein System der Erkenntnisse zu verwandeln, müssen Daten intelligent verbunden werden. Die Datendemokratisierung wird der Schlüssel sein, um die in Data Warehouses getätigten Investitionen zu nutzen. Cognitive Insights werden die Erkenntnisstruktur des Unternehmens, auch Nervensystem genannt.

Es gibt wenige Technologien, die so aufgebauscht wurden, wie KI. Die Bilder in unseren Köpfen sind in vielen Fällen sehr weit weg von dem, wie die aktuelle Realität aussieht. Allerdings gibt es auch nur wenige Technologien, die unser Leben so fundamental beeinflussen, wie es KI-Systeme heute tun. Das Potenzial ist gross und die Entwicklung geht in rasendem Tempo voran. 

KI ist eine Möglichkeit, einen Computer, einen computergesteuerten Roboter oder eine Software dazu zu bringen, auf ähnliche Weise intelligent zu denken wie der intelligente Mensch. KI steht für Methoden zur Lösung von Problemen durch die Extraktion von Wissen aus Daten. Im Vergleich dazu ist, nach Albert Einstein, ein wahres Zeichen von Intelligenz nicht das Wissen, sondern die Vorstellungskraft. KI basiert vor allem auf Approximation, treibt die ganze Technologie und macht dementsprechend Transformation möglich. KI bedeutet simplistisch ausgedrückt, besser und schneller zu rechnen und zu schlussfolgern als der Mensch.

Maschinelles Lernen heisst, dass ein künstliches System aus Beispielen lernt und diese nach Beendigung der Lernphase verallgemeinern kann. Das System erkennt Muster und Gesetzmässigkeiten in den Lerndaten und kann nach der Lernphase auch unbekannte Daten beurteilen. Die praktische Umsetzung erfolgt mittels Algorithmen.

Maschinelles Lernen bringt aber nur dann den besten Nutzen und die beste Erfolgsquote, wenn die Datenbasis qualitativ hochwertig ist. Mit extrahierten Eigenschaften kann ein Modell gebaut und mit einem Antiset an Informationen trainiert werden. «Ground Truth», also die Datenbasis, wird mit mathematischen Verfahren verknüpft, damit der Algorithmus lernen kann. Trainingsdaten müssen durch ein geschicktes «Labelling» qualitativ stark sein, damit eine effektive Modell-Validierung von idealerweise >90% erreicht werden kann. Je schlechter die Qualität der Daten, umso einfacher und fataler wird ein Algorithmus daraus Schlüsse ziehen. Wenn wir also den Ergebnissen eines Algorithmus blind vertrauen und eine Datenbasis mit schlechter Datenqualität einsetzen, dann haben wir möglicherweise schnell ein grosses Problem.

KI verfolgt eine Regieanweisung mit einem Rinse & Repeat Model (aka learn). Nicht alle Algorithmen sind jedoch gleich aufgebaut. Die jüngsten Entwicklungen im Bereich der neuronalen Netze, auch bekannt als „Deep Learning“, haben die Leistung von maschinellen Wahrnehmungssystemen in einer Vielzahl von Bereichen wie Computer Vision, Robotik und intelligente Benutzeroberflächen drastisch verbessert. Ein Unternehmen, welches sich auf die Programmierung von künstlicher Intelligenz spezialisiert hat, ist DeepMind (früher Google DeepMind). Das Unternehmensziel ist Intelligenz zu verstehen. Die Idee von einem „deep learning network“ ist das Hirn mit allen Synapsen nachzubilden. Statt ausschließlich auf ein neuronales Netz zu setzen, haben die Entwickler von DeepMind die KI mit einem Kurzzeitspeicher erweitert, um die Fähigkeit eines künstlichen Gedächtnisses zu simulieren. Sie bezeichnen die Künstliche Intelligenz deshalb auch als „neuronale Turingmaschine“ und nicht als neuronales Netz. Komplexe Netzwerkarchitekturen sind im Stande, eigenständig völlig neue Erkenntnisse aus den Daten zu generieren. In der KI ist ein Expertensystem ein Computersystem, das die Entscheidungsfähigkeit eines menschlichen Experten nachahmt. Expertensysteme sind so konzipiert, dass sie komplexe Probleme lösen, indem sie Schlussfolgerungen anhand von Wissensbeständen ziehen, die hauptsächlich in Form von Wenn-dann-Regeln und nicht in Form von herkömmlichem prozeduralem Code dargestellt werden.

Niemand kann die Zukunft vorhersagen. Es gibt jedoch Methoden, mit denen man aus Daten aus der Vergangenheit auf zukünftige Trends und Entwicklungen schließen kann. Das ist Aufgabe und Ziel von Predictive Analytics. In der Schweiz wird sie zurzeit meist nur experimentell genutzt, da wir in diesem Bereich keine Vorreiterrolle einnehmen. Gesetze und Kosten sind massgebliche Hürden, die die Entwicklung in manchen Bereichen bremsen. So bspw. bei den selbstfahrenden Autos, die in der Schweiz vermutlich noch Jahrzehnte auf sich warten lassen. In den USA oder in Asien ist diese Entwicklung viel weiter, weil das Thema Datenschutz dort eine weniger wichtige Rolle spielt. Durch den technologischen Fortschritt werden neue Jobs entstehen, die bisher noch nicht existieren. Es liegt auf der Hand, dass immer bessere KI-Systeme in Zukunft Probleme lösen werden, an die wir heute noch gar nicht denken.

Verwertbare Erkenntnisse zeichnen sich beispielweise über fünf leistungsstarke Bereiche ab:

• Sales Insights: Chancen erkennen
• Marketing Insights: Trends früher erkennen
• Service Insights: Probleme schneller beheben
• Risk Insights: Früheres Erkennen von Problemen
• Cognitive Search: Einfache Manifestation

KI führt zu schnellen, akkuraten und wertfreien Resultaten im Entscheidungsfindungsprozess. Beispielsweise gewinnt sie in der Medizin an Bedeutung, wenn wir daran denken, dass sie mittlerweile Covid-19 am Hustengeräusch erkennt oder Ärzte bei der Wahl der geeigneten Krebstherapie unterstützen kann. In der Finanzindustrie wird KI bspw. für die Reduzierung von Risiken eingesetzt. Etwa für ein verstärktes Verständnis eigener Kreditrisiken oder ein besseres Verständnis der Kreditwürdigkeit von Kreditnehmern.

Sobald für uns Vorteile durch Daten entstehen, werden wir diese auch nutzen. Dafür stellen viele von uns persönliche Daten zur Verfügung. Das Spektrum an für uns passenden Angeboten ist breit und wird sich künftig noch stärker auf unsere Bedürfnisse ausrichten. Dies betrifft alle Branchen, von der Versicherungs- bis hin zur Tourismusbranche, wo wir gezielt auf situativ passende Angebote aufmerksam gemacht werden. Ob wir Empfehlungen bei Netflix oder Spotify bekommen, durch Instagram scrollen oder uns Werbung ansehen; KI ist fast immer im Spiel, lernt aus unserem Verhalten und weiss, was wir als nächstes sehen wollen oder sollen. Viele Basistechnologien, bspw. aus dem Bereich des maschinellen Lernens, sind mittlerweile gut erforscht was deren Einsatz leicht und kostengünstig macht. Wir werden nicht mehr verhindern können, dass Daten über uns gesammelt und ausgewertet werden. Wir werden auch nicht mehr verhindern können, dass man mit unseren Spuren, die wir im Internet hinterlassen, Geschäfte macht. Nichtsdestotrotz glaube ich, dass Big Data in manchen Belangen für eine einfachere und im Gesundheitswesen vielleicht sogar für eine länger gesundbleibende Welt sorgen wird.