Was genau ist eigentlich der Unterschied zwischen KI und Advanced Analytics? Eine klare Sprache ist wichtig für effektive Kommunikation. Doch teilweise bekomme ich den Eindruck, dass wir mehr damit beschäftigt sind, die Buzzwords zu definieren als uns auf die erfolgreiche Umsetzung der digitalen Transformation zu konzentrieren. Gerade beim Thema Künstliche Intelligenz sind die Übergänge fließend und teilweise sogar schwer voneinander abzugrenzen. Dieser Artikel gibt einen Überblick über die Bedeutung der wichtigsten Themenfelder und soll die Abhängigkeiten voneinander aufzeigen.
Die Diskussion um KI-Anwendungen stellt oft die sichtbaren Tools und Ergebnisse in den Vordergrund. Dabei wird übersehen, wie wichtig und vielschichtig die Basisarbeit ist, auf denen die Anwendungen erst erfolgreich sind. Für Unternehmen, die gerade erst am Anfang stehen, bleibt oft ein verzerrtes Bild haften, worauf es bei der eigenen Transformation ankommt.
Wenn der Wunsch nach einer KI-Anwendung mit “Wow-Effekt” höher ist, als das Streben nach hochwertigen datenbasierten Entscheidungen, muss die Business-Sicht das Wort ergreifen und nach der strategischen Relevanz sowie der Wirtschaftlichkeit fragen. Die folgende Übersicht stellt die Anwendungsfelder datenbasierter Entscheidungen in den Kontext der Evolution der Datenaufbereitung und hebt deren Bedeutung hervor:
Data Base
Die Datenbasis ist die Grundlage von allem. Wird dieses Thema vernachlässigt, leidet darunter meist die Datenqualität. Wird sie jedoch zum Selbstzweck, so sind zwar viele, jedoch oft nicht die richtigen Daten vorhanden. Ziel muss es sein, den gefühlten Handlungsdrang (die „Sammelwut“) durch strategische Ziele einzugrenzen und durch Zielanwendungen zu konkretisieren.
Business Reporting
In vielen Unternehmen sind wiederkehrende Berichte wichtige Grundlage für Entscheidungen. Oft werden diese – nach dem Export der Daten aus dem ERP-System – noch mit Excel von Hand erstellt und bearbeitet. Der Trend, einmal festgelegte Reports automatisiert auswerten hat neben der offensichtlichen Zeitersparnis weitere Vorteile: Zum einen steigt durch die alltägliche Nutzung das Vertrauen in die Datenbasis. Zum einen werden diese über Business Units hinweg besser vergleichbar, da sie die gleiche Datenbasis und -granularität verwenden.
Descriptive Analytics
Zielgerichtete Analyse für spezielle Sachverhalte stellen eine ad-hoc Form des Reporting dar. Je nach Fragestellung werden Daten beschreibend ausgewertet oder nach Ursachen für bestimmte Ereignisse gesucht. Dabei sind auch Kompetenzen für statistische Auswertungen erforderlich. Business Reporting und Deskriptive Analyse werden auch unter dem Begriff Business Intelligence (BI) zusammengefasst. Sofern dabei auch Prognosen erstellt werden, ist auch der Begriff Advanced Analystics hier zuzuordnen.*
Rule-based automation
Regelbasierte Systeme, sogenannte Expertensysteme, haben aus meiner Sicht nicht ausgedient. Es ist eine pragmatische Entscheidung: Wenn es einfacher ist, ein regelbasiertes System umzusetzen, als ein Machine Learning Modell (ML-Modelle) zu trainieren, sollte die Wahl auf Ersteres fallen. Solange die Komplexität es erlaubt, ist eine regelbasierte Automatisierung in der Regel mit weniger Aufwand zu implementieren und besser nachzuvollziehen als ein ML-Modell.
AI und Machine Learning
Wenn wir Regeln für komplexe Entscheidungen aus Daten ableiten, sprechen wir von Machine Learning Methoden, einem Teilbereich der Künstlichen Intelligenz. Die Voraussetzung dafür ist eine gute Datenbasis und ein gutes Verständnis für die Daten selbst. Beides wird durch den Einsatz der oben genannten Methoden erreicht. Dennoch müssen Daten für ML-Modelle oft erst gezielt gesammelt werden. Daher ist es wichtig, möglichst früh die Anwendungsfelder von KI im eigenen Unternehmen zu identifizieren, um später die richtigen, möglichst vollständigen Daten zur Verfügung zu haben. Hier schließt sich der Kreis zur Datenbasis.
Fazit
Die Wahrheit ist einfach: Ja, man kann eine KI-Anwendung ohne die anderen – oben erwähnten – Bausteine bauen. Aus betriebswirtschaftlicher Perspektive macht es jedoch wenig Sinn, KI in datenbasierten Entscheidungen einzusetzen, ohne die Datenbasis strategisch zu durchdenken und auch immer Alternativen wie regelbasierte Automatisierung, deskriptive Analysen und einfache – aber automatisierte – Berichte in Erwägung zu ziehen. Wer langfristig denkt, der versteht die digitale Transformation als ein komplexes Zusammenspiel von vielen Themen und Fassetten, deren Return-on-Investment davon abhängt, wie früh und wie tiefgreifend man sich damit auseinandersetzt.
Sie wollen selbst mehr gestalten, um Datennutzung erfolgreich in Geschäftsprozessen zu integrieren? Wir haben mit unserer Summer School “Digital Process Design” ein einzigartiges Format entwickelt: Das Zertifikatsprogramm verbindet Strategieentwicklung und Management System der digitalen Transformation mit konkreten KI-Anwendungsfällen und der Umsetzung datenbasierter Entscheidungen. Mehr Informationen finden Sie hier.
* Die Abgrenzung, wann eine Prognose als Advanced Analytics gilt, ist nicht immer klar. Viele Berichte erhalten Prognosen, z.B. den Forecast auf Basis der Vorjahreszahlen oder Planzahlen. Aber ist das schon Advanced Analytics? Die Übergänge sind, wie gesagt, fließend.
