Warum Machine Learning neue Türen öffnet

Christian Dahlhausen, Horváth & Partners Zürich - Data Management Experte

Christian Dahlhausen, Horváth & Partners Zürich - Data Management Experte

Gastkommentar von Christian Dahlhausen, Horváth & Partners Zürich: Wie man Machine Learning für Geschäftsprozesse nutzt. Und wie der Transfer in die Praxis erfolgen muss.

Das weltweite Geschäftsvolumen im Bereich „Machine Learning“ wird sich bis 2025 vertausendfachen. Profitieren werden Unternehmen, die es schaffen, qualitativ hochwertige Stammdaten für Geschäftsprozesse und Steuerungszwecke bereitzustellen. Aber wie kann der Transfer in der Praxis gelingen?

Große Unternehmen haben die operative Abwicklung von Stammdatenmanagement- Prozessen in den letzten Jahren in Shared Service Centern und Offshoring-Kapazitäten verlagert, um Kosten zu sparen. Damit einher gingen allerdings auch mangelnder Wissenstransfer, neue Schnittstellen sowie die Beeinträchtigung der Stammdaten-Governance.

Machine Learning (ML) und Künstliche Intelligenz (KI) bieten nun die Möglichkeit, diese negativen Auswirkungen wieder zu reduzieren und die Effizienz der Geschäfts- und Steuerungsprozesse zu steigern.

Machine Learning nutzt einfach gesagt Algorithmen und statistische Modelle, um bessere Vorhersagen oder Entscheidungen zu treffen. Bevor die ML-Engine jedoch echte Leistungen erbringen kann, muss sie angelernt und laufend trainiert werden. Je intensiver dies erfolgt, desto größer die Fähigkeiten und präziser die Ergebnisse. Die Implementierung von Business-Know-how in das jeweilige ML-System ist somit die Voraussetzung, um echten Mehrwert zu schaffen. Und die Daten dafür müssen in ausreichender Qualität vorhanden sein, damit das System nicht falsch trainiert wird.

Boost fürs Stammdatenmanagement

Hierfür ein Beispiel: Ein Gebietsverkaufsmitarbeiter legt in einer mobilen CRM-Anwendung einen neuen Interessenten an. Als nächstes beabsichtigt er, einen Auftrag anzulegen und den Interessenten in einen Kundendatensatz umzuwandeln. Dazu muss er dem Stammdatenobjekt zahlreiche Stammdatenwerte hinzufügen (z.B. Vertriebs- und Debitorendaten), die dann im ERP-System gespeichert werden.

In dieser Phase könnte ein ML-System die fehlenden Daten aus bereits vorhandenen Datenquellen herholen und mit externen Diensten wie Dun & Bradstreet oder einem Datenspeicher (z.B. für Adressdaten) abgleichen, anreichern und validieren. Auf diese Weise spart sich der Vertriebsmitarbeiter viel Arbeit und das Unternehmen die Stammdatenpflege.

Der automatisierte Prozess der Datenvalidierung ist dabei völlig zeitunabhängig und vermeidet Verzögerungen beim Erstellen oder Ändern des Stammdatenobjekts, was insbesondere für international tätige Unternehmen und Webshops einen wesentlichen Vorteil darstellt.

Intelligente Verknüpfung von Datenquellen

Eine andere beispielhafte Anwendung ist der Chatbot eines großen Pharmaunternehmens. Hier wird der Nutzer nach den fehlenden Informationen und Werten gefragt, um den Datenerstellungsprozess fortsetzen und die Informationen vervollständigen zu können.

Die KI-Engine prognostiziert dabei Werte, die auf ähnlichen Produkten basieren, und vergleicht diese mit den vorhandenen Informationen des Datensatzes. Sie überprüft zudem die Konsistenz der Daten anhand von Validierungsregeln. Die Regelbasis dieser Validierung ist dynamisch und entwickelt sich aufgrund der maschinellen Lern- und Regelerfassungsfunktionen des Chatbots ständig weiter.

Darüber hinaus werden die Vorschläge des Chatbots regelmäßig durch das Stammdaten-Governance-Team des Unternehmens überprüft, um das geschulte Wissen über Informationen zu erweitern und die Regelbasis zu validieren. Mit den neuen Vorschlägen und der Kombination aus Datenanalyse, Vergleich und Experten-Input verbessern sich dann die Datenqualität ebenso wie das System selbst.

„Watch Guard“ für die Datenqualität

Ein weiteres Anwendungsbeispiel ist der „Watch Guard“, der die Plausibilität, Richtigkeit und Vervielfältigung von Daten überprüft, z.B. Transaktionsdaten, CAD- oder Produktlebenszyklusmanagementdaten und zudem ermittelt, ob doppelte Datensätze und schlechte, unvollständige Datenqualitäten vorliegen.

Das ML-System korrigiert typische individuelle und regionale Fehler, indem es auf den Verlauf vergangener Änderungen zugreift. Und es ist durch seine Eigenschaften überdies in der Lage, eine autonome Untersuchung und Behebung der Ursachen von Datenqualitätsproblemen durchzuführen.

Bestehendes Geschäftsmodell auf dem Prüfstand

Laut einer internationalen Studie aus dem Jahr 2016 nutzen zwar alle Unternehmen ihre Stammdaten für IT-Analysen und unternehmensweite Entscheidungsprozesse, aber nur 27 Prozent davon sehen ihr Stammdatenmanagement als eine der wichtigsten Herausforderungen, wenn es um die Zukunft ihres Geschäftserfolgs geht.

Es ist daher wichtig zu betonen, dass es gerade in diesem Feld hohe Effizienzpotenziale gibt und die Einführung eines Machine Learning Systems den Charakter eines Transformationsprojekts hat. Dies erfordert neben dem technischen Know-how ein hohes Maß an Change-Management-Fähigkeiten innerhalb der Organisation.

Um den Transformationsprozess erfolgreich zu bewältigen, ist es unerlässlich, das gesamte Management ebenso wie alle betroffenen Mitarbeiter auf die neue Zukunft einzuschwören. Dazu gehört auch eine gewisse Bereitschaft, sein bestehendes Geschäftsmodell zu überprüfen und Prozesse zu reflektieren.

Fazit: Wenn Machine Learning und Künstliche Intelligenz Türen öffnen sollen, müssen wichtige Grundlagen im Stammdatenmanagement des Unternehmens vorhanden und verankert sein. Intelligent vernetzt mit weiteren internen und externen Datenquellen und einem selbstlernenden System können neue Geschäftspotenziale erschlossen werden. Das Ausmaß des Erfolgs liegt in der Steigerung der Maturität des Stammdatenmanagements und der Datenqualität.


Über den Autor

Christian Dahlhausen ist Master Data Management Experte bei der Managementberatung Horváth & Partners in Zürich. Sein aktuelles White Paper „Machine Learning and Artificial Intelligence – Game changer in Master Data Management or only buzzwords?“ steht hier => zum Download bereit.
E-Mail: CDahlhausen <AT> horvath-partners.com


Die Serie "Management Commentary" ist eine Kooperation von trend.at und der Unternehmensberatung Horváth & Partners. Die bisher erschienen Beiträge finden Sie zusammengefasst im Thema "Management Commentary".


Digital

Der Weg zum digitalen Erfolg

Digital

7 einfache Tipps um Cyberattacken zu verhindern

Digital

Frankreichs Steuer für Google, Amazon, Facebook und Apple & Co

Digitalisierung: Vorwärts in die Zukunft

Data Governance: Die Guideline der Digitalisierung