Unternehmen und IT-Abteilungen stehen zunehmend vor der Herausforderung, die von ihnen erfassten riesigen Datenmengen sinnvoll zu analysieren und zu überwachen. Eine Aufgabe, die wegen des zunehmenden Datenvolumens immer schwieriger wird. Welche Möglichkeiten stehen uns zur Verfügung und wo kann uns künstliche Intelligenz bei der Ordnung von Datenmengen unterstützen?
Das Big Data Dilemma
Unternehmen haben heute schätzungsweise ein 10- bis 20-mal größeres Datenvolumen zu verarbeiten als noch vor ein paar Jahren. Heute ist die Herausforderung nicht mehr, Umsätze und Kosten in Form von Key Performance Indikatoren (KPIs) darzustellen, sondern weitergehende und neue Einblicke zu gewinnen. Besonderheiten bzw. Auffälligkeiten zu identifizieren und geschäftliche Entwicklungen vorherzusagen. Treiber dieser Entwicklung sind die fortschreitende Digitalisierung und der technologische Fortschritt, die es Unternehmen ermöglichen, immer mehr Informationen zu sammeln und zu verarbeiten. Ein einfaches Beispiel ist die Auswertung des Kaufverhaltens von Kunden. Heute können Unternehmen genau feststellen, über welche Kanäle diese akquiriert wurden, wann diese kaufen oder wie sich der Warenkorb zusammensetzt. Basierend auf diesen Daten lässt sich vorhersagen, wann und in welcher Höhe der Kunde seinen nächsten Kauf tätigen wird. Gleichzeitig kann man ableiten, welche Marketingmaßnahmen bei diesem Kundentyp am effektivsten sind und um welchen Prozentsatz der zukünftige Umsatz dadurch erhöht werden kann.
Eine starke Zunahme des Datenvolumens ist nicht nur bei internetbasierten Geschäftsmodellen zu beobachten. Im produzierenden Gewerbe können mittlerweile Maschinendaten ausgewertet werden. Mithilfe von Sensoren und digitalen Steuerungsanlagen wird sekündlich eine Vielzahl von Informationen (Big Data) wie Temperatur, Umdrehungen oder Auslastung erfasst und gespeichert.
Diese Datenflut versetzt Unternehmen einerseits in die komfortable Lage, Prozesse, Kennzahlen und Messgrößen immer genauer analysieren und steuern zu können. Allerdings besteht auch die Gefahr, dass man den Wald vor lauter Bäumen nicht mehr sieht. Ein Ausweg aus diesem Big Data-Dilemma bietet künstliche Intelligenz. Diese Technologie hat das Potenzial den Bereich der Datenanalyse zu revolutionieren und wesentlich zu erleichtern.
Big Data und Künstliche Intelligenz: Den Fokus behalten
Zwei wesentliche Einsatzgebiete von künstlicher Intelligenz ist die Vorhersage von Ereignissen sowie das Erkennen von Anomalien – also Abweichungen von durchschnittlichen oder üblichen Geschäftsentwicklungen. Die dafür verwendeten neuronalen Netzwerke werden basierend auf historischen Daten trainiert, lernen Muster und Abhängigkeiten und projizieren diese in die Zukunft.
Die Arbeit mit großen Datenmengen aus einer Vielzahl an Quellen resultiert meistens in einer großen Menge an Kennzahlen. Zwar bieten einige BI-Hersteller Funktionen zur Überwachung von Kennzahlen, welche den Anwender informieren, sobald eine Kennzahl eine bestimmte Schwelle (Threshold) überschreitet. Also zum Beispiel, wenn der Umsatz unter ein bestimmtes Minimum fällt oder die Temperatur einer Maschine eine Höchstgrenze überschreitet.
Dieser Ansatz deckt jedoch nur einen kleinen Teil der heutigen Anforderungen ab. In der Praxis hört man von BI-Anwendern, dass diese Alarme nur bei einem Teil der beobachteten Kennzahlen sinnvolle Ergebnisse liefern und den Daten- und Analysealltag somit nur marginal erleichtern. Die Crux: Sie reagieren auch auf saisonal bedingte oder businessimmanente Schwankungen und können diese nicht herausfiltern. Hier einige Beispiele: Ein auf Bürowaren spezialisierter Onlinehändler wird sonntags und samstags regelmäßig weniger Umsatz fahren und somit den Normwert für den Tagesumsatz regelmäßig unterschreiten. Ein Alarm mit absolutem Grenzwert würde also jeden Sonntag ausgelöst. Oder ein anderes Beispiel: Ein Flugbuchungsportal wird zur Ferienzeit und an Feiertagen bzw. kurz davor deutlich mehr Website-Besucher haben. Diese saisonalen Unterschiede können die bisherigen statischen Alarme nicht berücksichtigen.
Bereits bei diesen simplen Fällen stoßen einfache Überwachungssysteme an ihre Grenzen, weil sie zu starr sind. Deshalb müssen sie regelmäßig manuell angepasst werden. Ohne die menschliche Intelligenz, die Fehlalarme filtert, funktioniert dieser Ansatz also nur bedingt.
Die Lösung liegt in der Neuroinformatik. Sie hat das Potenzial die Intelligenz und Anwenderfreundlichkeit solcher Überwachungssysteme signifikant zu steigern. Was im Bereich Suchmaschinen, selbstfahrende Fahrzeuge oder Sprachkennung für wesentliche Fortschritte gesorgt hat, hat auch das Potenzial, neue Funktionen im Bereich Business hervorzubringen.
Eine dieser Innovationen ist ein intelligentes Überwachungssystem für alle Arten von Kennzahlen. Hier ermöglicht der Einsatz neuronaler Netzwerke es, das System so weiterzuentwickeln, dass es nur reagiert, wenn unerwartete Ereignisse eintreten, die vorhandene Muster oder Abhängigkeiten verletzen. Dadurch werden beispielsweise Schwankungen bedingt durch Tageszeit und Wochentag eliminiert. Am Beispiel unseres Onlinehändlers würde das System sonntags also keinen Alarm auslösen, obwohl ein deutlich geringer Umsatz gefahren wird.
Auch im Hinblick auf die Anwenderfreundlichkeit sind diese intelligenten Alarme sehr vorteilhaft, da sie direkt auf fast jede Datenreihe angewendet werden können, selbstlernend sind und somit weder die Eingabe noch Modifikation von komplexen Parametern erforderlich ist.
Aufgrund der deutlich akkurateren Erkennung von unerwarteten Ereignissen, kombiniert mit der einfachen Bedienbarkeit, ist künstliche Intelligenz bei Überwachungssystemen sehr vorteilhaft.
Wie funktioniert künstliche Intelligenz im Bereich BI
Mittels neuronaler Netzwerke sollen Aufgaben gelöst werden bzw. Muster aufgespürt werden, die sich einer algorithmischen Herangehensweise entziehen. Künstliche neuronale Netze stellen quasi den Versuch dar, die Leistungsfähigkeit des menschlichen Gehirns durch Nachbau der Organisationsprinzipien in einer Software wenigstens in Ansätzen erreichen zu können. Ein künstliches neuronales Netz entsteht durch die Verknüpfung mehrerer simpler Einheiten, also Neuronen, die über Verbindungen Signale austauschen. Je nach Anzahl der Neuronen und Vielschichtigkeit des Netzwerkes variiert die Leistungsfähigkeit bzw. die Lernfähigkeit. Dabei beruht die Lernfähigkeit der künstlichen Intelligenz auf mathematischen Algorithmen und der schrittweisen Anpassung der Schwellenwerte. Künstliche Intelligenz ist also weniger Mythos als vielmehr Mathematik.
