Foto: Family Business - shutterstock.com
Je besser die einzelnen Fachbereiche mit der IT zusammenarbeiten, desto effizienter lässt sich das Geschäft mit den Daten gestalten. Die digitale Transformation macht sich in allen Branchen bemerkbar. Einhergehende Veränderungen haben viele positive Seiten, sorgen aber gleichzeitig für Unsicherheiten bei den Unternehmen. Diese müssen ihre Geschäftsmodelle anpassen und an der ein oder anderen Stelle umdenken. Es ist an der Zeit, dem traditionellen Weg den Rücken zu kehren und einen neuen einzuschlagen, um auch in Zukunft mit der Konkurrenz mithalten zu können.
Daten sind die Wassertropfen, aus denen Flüsse entstehen. Die Flüsse entstammen aus verschiedenen Quellen, vereinen sich und fließen schlussendlich in einem Data Lake. Das Verständnis des Wertes eines einzelnen Tropfens ist das Problem, welches Big Data löst. Daher ist es für Unternehmen wichtig, sich mit modernen Technologien im Bereich Big Data auseinanderzusetzen und sich mit den vorherrschenden Trends zu beschäftigen. Denn nur so können sie wettbewerbsfähig bleiben und mit der Konkurrenz mithalten.
In Zeiten der digitalen Veränderung und dem technologischen Wandel stellt sich auch die Frage, welche Daten wirklich benötigt werden. Wie lassen sich operative Prozesse verbessern, um an die Informationen zu gelangen, die Unternehmen brauchen? Zahlreiche Firmen arbeiten schon datengestützt, sie analysieren und werten die Daten optimal aus. Aber die Datenwelt ist schnelllebig, weswegen sich Lösungen ebenso stetig weiterentwickeln müssen wie Firmen.
Ein möglicher erster Schritt
Das Datenaufkommen ist von Unternehmen zu Unternehmen unterschiedlich. Und doch müssen sie sich alle fragen: "Was muss innerhalb der Firma geschehen, um Herr über die Datenmassen zu werden?" Das Wort "Big Data" lässt viele Mitarbeiter und Firmenchefs nach wie vor zusammenzucken, weil sie nicht wissen, wie sie dieses große Thema anpacken sollen. Eine gute Möglichkeit für einen ersten langsamen Einstieg ist zum Beispiel eine Sandbox. Dieser "Spielplatz" ermöglicht einen ersten Überblick über die vorhandenen Daten. Unternehmen können so herausfinden, was mit ihren Daten alles möglich ist und welche überhaupt relevant für sie sind. Ist das geschehen, können die Informationen in einem nächsten Schritt modelliert, aufbereitet, in Hinblick auf ihre Qualität geprüft und entsprechend weiterverarbeitet werden.
Big Data im steten Wandel: Der Data Lake
Ein Beispiel für einen raschen Trendwechsel im Bereich Big Data betrifft die Speicherung der Daten. War bisher das Data Warehouse die erste Wahl, wird nun immer häufiger ein Data Lake implementiert. Die Datenseen etablieren sich nach und nach als günstige Möglichkeit, um Informationen für den unternehmensweiten Gebrauch zu speichern und zur Verfügung zu stellen.
Um mit den Daten in einem Data Lake belastbare Entscheidungen treffen zu können, ist ihre Qualität von großer Bedeutung. Veraltete oder nicht vollständige Daten wie etwa Kontaktadressen oder Dubletten verfälschen die Ergebnisse. Deshalb ist es wichtig, dass die Daten vor der Weiterverarbeitung bereinigt beziehungsweise mit Stammdaten angereichert werden. So kann bei unvollständigen Adressdaten zum Beispiel automatisch die Postleitzahl ergänzt werden, wenn Stadt und Straße angegeben sind.
KI - der Big Data-Trend der Zukunft
Mit der Datenaufbereitung und anschließenden Analyse entstehen ganz neue Möglichkeiten für technische Innovationen. Ein großer Themenbereich hierbei sind etwa Roboter sowie Automationssysteme, die viele Aufgaben übernehmen können oder Fahrzeuge autonom fahren lassen. Das gibt vielen Grund zur Annahme, dass die KI-Revolution schon in vollem Gange ist. Aber: Es gibt im Bereich der KI zwar große Fortschritte, allerdings ist das Entwicklungspotenzial noch lange nicht ausgeschöpft.
Der Begriff 'Künstliche Intelligenz' gehört nach wie vor zu den kontroversesten im gesamten digitalen Wörterbuch. Im Bereich der Entwicklung von KI stehen wir momentan noch ziemlich am Anfang. Das liegt gerade in Deutschland vor allem an der Skepsis gegenüber Cloud-Diensten egal welcher Natur. Dabei ist ihr Zukunftspotenzial weit größer als lange angenommen.
Das Lernen aus Wiederholung, das Optimieren von Mustern und das Entwickeln neuer Prozesse ist für aktuelle KI-Modelle durchaus im Bereich des Möglichen und das wird sich in den kommenden Jahren mit weiteren Fortschritten und Entwicklungen noch verstärken. Dies gilt vor allem für Machine Learning und Deep Learning. Im B2B-Umfeld gibt es heute schon einige Anwendungsfälle: So wird Machine Learning im Retail-Bereich zum Beispiel für automatisierte Produktempfehlungen eingesetzt. Im Maschinenbau oder bei Fluggesellschaften ist Predicitve Maintenance oder vorausschauende Instandhaltung ein aktuelles Stichwort. Früher wurde abgewartet, bis ein Gerät schadhaft war, oder es wurden prophylaktisch Teile ausgetauscht. Das sorgte entweder für Ausfallzeiten oder unnötige Reparaturen und Kosten. Heute können intelligente Systeme den Verschleiß messen und den bestmöglichen Zeitpunkt für eine Wartung vorhersagen.
Das Fehlen einer hohen Rechenleistung, die gebraucht wird, um die riesigen entstehenden Datenmengen zu verarbeiten, ist aktuell ein großes Hindernis für die Weiterentwicklung der Künstlichen Intelligenz. Um einer Maschine Funktionen wie emotionale Reaktionen beizubringen, bedarf es einer deutlich ausgereifteren Datenverarbeitung. Sie ist die Schlüsseltechnologie, um künftig noch komplexere Formen der KI zu ermöglichen. Eine autonom und vollständig denkende KI erfordert Maschinen, die einen Menschen bis hin zu dem Punkt nachahmen können, an dem beide nicht mehr voneinander zu unterscheiden sind. In den kommenden zehn Jahren wird die Nutzung einer solchen Machine-Learning basierten KI wahrscheinlich in zwei Kategorien unterteilt werden: Die Optimierung und Automation des täglichen Lebens sowie die Erkundung und Entwicklung neuer Trends und Erkenntnisse.
In den Bereich der Forschung könnte in nächster Zeit viel investiert werden. Denn vor allem dort wird der Einsatz von Robotern für die Organisation und Perfektionierung einfacher sowie komplexer Aufgaben einen erheblichen Zeitgewinn erzielen. So könnten Forschungsentwicklungen schneller vorangetrieben werden - zum Beispiel in der Medizin.