Du hast deinen AdBlocker an?

Es wäre ein Traum, wenn du ihn für t3n.de deaktivierst. Wir zeigen dir gerne, wie das geht. Und natürlich erklären wir dir auch, warum uns das so wichtig ist. Digitales High-five, deine t3n-Redaktion

Ratgeber

Jenseits des Datenhypes: Wie du Daten in Gewinne umwandelst

(Shutterstock / Jinning Li)

Von Big Data über Machine Learning bis zu künstlicher Intelligenz (AI) oder dem Internet der Dinge (IoT): So ziemlich alle derzeitigen Technik-Hypes basieren auf dem Sammeln riesiger Datenmengen.

Hersteller von Hardware und Software nutzen diese Trends und werfen Produkte auf den Markt, die versprechen, Sinn und Nutzen in die Datenmasse zu bringen. Dazu kommen Buzzwords, Unsicherheit und der allgegenwärtige Druck, hier irgendwie mitmischen zu müssen. Inmitten dieses Wirrwarrs kann es schwierig sein, einen klaren Business Case zu erschaffen, der auf das eigene Unternehmen anwendbar ist.

Algorithmische Wirtschaft? Besser klein anfangen!

Wenn du den ganzen Hype durchschaust, wird deutlich, dass der Wert von Daten in Algorithmen liegt – ganz unabhängig von der Größe des gesammelten Datenvolumens. Mit diesen mathematischen Modellen können wir Daten kombinieren, verknüpfen und manipulieren, um so zu nützlichen Einsichten zu kommen. Algorithmen bestimmen die Google-Engine, die Netflix-Empfehlungen, die digitalen Sprachassistenten sowie den Aktienmarkt und – bei Zeiten – auch das durchschnittliche Unternehmen. Dafür fehlt es bisher allerdings an einer Stelle: Verfügbare Geschäftsdaten werden selten mit einem ganzheitlichen Ansatz genutzt. Abteilungen wie Vertrieb, Marketing, Produktion und Logistik nutzen oft getrennte Systeme und Analysewerkzeuge. Deshalb lassen sich ihre Daten nicht ohne Weiteres für die Analyse kombinieren. Mit der Zeit ufern diese sogenannten Datensilos aus und sind nicht mehr kontrollierbar, geschweige denn zusammenzuführen. Unternehmen sollten zuerst dieses Problem angehen, bevor sie Geld in Hypes wie Big Data oder Machine Learning investieren. Getrennte Analysewerkzeuge sollten durch eine einheitliche Plattform ersetzt werden, die auf alle Schlüsseldaten zugreifen und sie interpretieren kann. Dies ist der Schlüssel, um Unternehmen im Bereich Business Analytics zukunftsfähig zu machen, und Grundlage für alle weiteren Schritte.

Den Hypetrain abfahren lassen

Beim Aufbau einer zukunftssicheren Datenanalyse-Plattform zahlt es sich aus, zukünftige Anwendungen im Auge zu behalten. So mag Big Data für einige Unternehmen zum jetzigen Zeitpunkt im Kosten/Nutzen-Verhältnis nicht die gewünschte Wirkung entfalten, obwohl die Anwendung in naher Zukunft sehr wohl denkbar ist. Unternehmen können beispielsweise große Mengen an Daten aus Social Media, Kundeninteraktionen und von IoT-Geräten zu Ihrem Nutzen kombinieren. Social-Media-Beiträge oder Interaktionen mit dem Unternehmen in einer ganzheitlicheren Weise zu analysieren, steigert das Verständnis von Kundenbedürfnissen. Auch die eigenen Prozesse lassen sich durch die Analyse von Daten aus einer Kombination verschiedenster IoT-Geräte genauestens kontrollieren und steuern.

Wer merkt, dass dieses Wissen schon heute die Art und Weise verbessern kann, wie er seine Kunden bedient oder wie sein Unternehmen tätig ist, sollte ins Detail gehen und mit der Arbeit an einem individuellen Case beginnen. Hierbei lohnt es sich, die Felder, die den größten Nutzen für das eigene Unternehmen versprechen, zu priorisieren und für anfängliche Investitionen ins Auge zu fassen. Wer alternativ bemerkt, dass diese neuen Technologien für die Vorteile, die sie irgendwann bieten, noch zu teuer sind, ist ebenfalls auf dem richtigen Weg – so schützt du dich davor, voreilig auf den Hypetrain aufzuspringen.

Maschinelles Lernen

Andere Zukunftstechnologien, die sich mittlerweile auf fast jedem Firmenradar finden, sind maschinelles Lernen und AI. Beide können theoretisch großen Nutzen bergen, die Frage ist jedoch, inwiefern dies für einzelne Unternehmen gerade jetzt der Fall ist. Maschinelles Lernen kann beispielsweise eingesetzt werden, um Prozesse zu optimieren, die Text-, Sprach- und Bilderkennung zu verbessern, aber auch für die Betrugserkennung oder zur Verbesserung der Datensicherheit. Dafür sind allerdings eine immens große Datenrohmasse sowie Rechenleistung erforderlich – und nicht zuletzt auch fähige Datenexperten, die die Systeme einrichten und Analysen durchführen. Nicht jedes Unternehmen hat die richtige Größe oder das Geschäftsmodell, um maschinelles Lernen anzuwenden und wirklich von dieser tiefschürfenden Analytik zu profitieren.

Künstliche Intelligenz

Künstliche Intelligenz fällt in eine ähnliche Kategorie und wird oft mit weniger fortgeschrittenen Formen der regelbasierten Automatisierung verwechselt – in Wahrheit sind wirkliche AI-Anwendungen jedoch deutlich elaborierter. Natürlich gibt es die Zukunftsvorstellung von der intelligenten Maschine, die Geschäfte effizienter betreibt, als es jeder Mensch könnte und damit den Menschen komplett aus der Gleichung herausnimmt.

Doch wie sich gerade herausstellt, sind Mensch-Maschine-Teams die wahren Meister der Problemlösung. Nicht umsonst betreibt die DARPA, die Forschungs-Agentur des US-Militärs, derzeit viel Aufwand, um agile Mensch-Maschine-Teams zu erforschen. Um diese Teams ins Leben zu rufen, ist es für kleinere Player deutlich sinnvoller – und nebenbei erschwinglicher – mit einer intelligenten Plattform für Business Analytics zu starten, um Mitarbeiter datenbasierte Entscheidungen in allen Geschäftsprozessen treffen zu lassen. Diese von der Maschine bereitgestellten Erkenntnisse helfen menschlichem Personal, effizienter zu arbeiten, sich auf Interaktionen in allen Geschäftsbereichen zu konzentrieren sowie kreativere Lösungen für Probleme zu finden.

Bitte beachte unsere Community-Richtlinien

Schreib den ersten Kommentar!

Melde dich mit deinem t3n Account an oder fülle die unteren Felder aus.