In einem Unternehmen gibt es Unmengen an Daten aus verschiedenen Bereichen. Durch immer stärkere Vernetzung und fortlaufende Digitalisierung nehmen die Anzahl der Datenquellen, wachsende Datenmengen und komplexe Datenzusammenhänge immer weiter zu. Die Herausforderung, vor der dadurch viele Unternehmen stehen, ist nicht die Sammlung oder Aufbereitung der Daten, sondern diese für den Nutzer ‚lesbar‘ zu machen. Alte nutzerunfreundliche und arbeitsintensive Technologien können da nicht mehr mithalten. Mit modernen Business Intelligence (BI) Lösungen können diese Herausforderungen jedoch gemeistert werden.
Was ist Business Intelligence überhaupt?
Klassische BI-Systeme blühten bereits in den 90iger Jahren auf. Diese Systeme wurden genutzt, um die IT-Systeme verschiedener Bereiche miteinander zu verknüpfen. Zum Beispiel das Customer Relations Management des Marketings mit den Daten des Einkaufsmanagements. Neben der reinen Zusammenführung der Daten sind BI-Systeme zudem relevant für das Berichtswesen. Denn es besteht die Möglichkeit, Berichte zu erstellen und im Unternehmen zu teilen.
Mit der Digitalisierung wurde die IT in Unternehmen aber vor neue Herausforderungen gestellt. Kunden wollen nicht mehr nur einen reinen Abzug ihrer Daten haben, sondern fordern immer mehr digitale Services an. Beispielsweise eine Risikoanalyse für Lieferanten, damit diese Vorhersagen über mögliche Ausfälle treffen können, um so einem Produktionsstillstand vorzubeugen. Leistungsstarke Technologien mit schnellerer Verarbeitung größerer Datenmengen wurden notwendig. Deshalb setzen viele Unternehmen im deutschen Mittelstand in den letzten Jahren auf Plattformen zur Datenanalyse von Geschäftsprozessen (Data Analytics).
Die Data Analytics Plattform: Was kann sie?
Der neuste Trend innerhalb der Business Intelligence ist die Data Analytics Plattform. Sie ist ähnlich der klassische BI aufgebaut, ergänzt aber um die Fähigkeit, große Datenmengen verarbeiten zu können. Data Analytics bieten zudem die Möglichkeit, direkt auf der Plattform selbst Analysen anzuwenden und beispielsweise Künstliche Intelligenz (KI) nicht mehr in ausgelagerten Datenpools einmalig anzuwenden. Stattdessen bietet die neue Plattform eine integrierte Lösung. Data Analytics Plattformen bieten zudem Support, können zentral betrieben werden und sind mit einer Cloud vernetzt. Daher sind diese sehr flexibel in der Individualisierung, Dimensionierung und letztlich auch im Preis.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
Was sind die Vorteile von Big Data Analytics?
Große Datenmengen zu aufschlussreichen Informationen verarbeiten – darum geht es bei Big Data Analysen. Anhand der aufbereiteten Daten-Analysen können Unternehmen schneller und besser Entscheidungen treffen. So werden Produkte und Dienstleistungen besser an den Markt angepasst. Das wiederum ermöglicht Nutzern der Plattform vorausschauendes Handeln, so dass die Qualität von Produkten und Prozessen erhöht und Kosten gesenkt werden.
Wie erfolgt der Einstieg in die Data Analytics Plattform?
- Use Case identifizieren
Jens Kamionka empfiehlt die Einführung in kleinen Schritten durchzuführen, um die Skalierung der Plattform flexibel vornehmen zu können. Anhand eines ersten Anwendungsfalls wird das System aufgebaut und getestet. Am besten wählt man hier den Use-Case mit dem höchsten Mehrwert für das Unternehmen. So werden die Kosten gering gehalten und das Investment ist überschaubar und lohnenswert.
- Proof of concept
Ziel des Proof of Concept ist es, herauszufinden, ob der Test Case im System realisierbar ist und die Erwartungen des Kunden erfüllt werden. Wie hoch ist der Nutzen und kann dieser durch die Kosten gedeckt werden? Ist die Technologie die richtige für mein Unternehmen? Sind diese Fragen geklärt, beginnt die Integration der Data Analytics Cloud.
- Projektierung & Umsetzung
In dieser Phase geschehen die Umsetzung und Liveschaltung des Systems. Die Plattform kann also in den Wirkbetrieb überführt und in die Unternehmenskultur und Arbeitsprozesse integriert werden.
- Kontinuierliche Weiterentwicklung
Der letzte Schritt umfasst einen fortlaufenden Prozess. Dabei werden nach und nach weitere Anwendungsfälle umgesetzt und die Plattform kontinuierlich ausgebaut. Bis man irgendwann den großen Sprung wagt und alte Systeme komplett abschaltet.
Erfolgsfaktoren: Was ist nötig, um die Data Analytics Plattform erfolgreich zu implementieren?
Um den Erfolg der Plattform zu sichern, sind verschiedene Rahmenbedingungen notwendig. Diese gelten nicht nur speziell für die Data Analytics Plattform, sondern sind Erfahrungswerte aus der Implementierung verschiedener Technologien.
An erster Stelle steht das Experten-Know-How: Wie kann eine effiziente Architektur aussehen? Wie lässt sich die Performance optimieren? Wie kann man mit möglichst wenig Ressourcen möglichst viel erreichen? Für die richtige Beantwortung dieser Fragen sind Experten notwendig, denn sie kennen die Technologien am besten. Langjährige BI-Expertise und erfahrene Data Scientists sind notwendig, um die Use Cases auf der Data Analytics Platform umzusetzen.
Ein zweiter Erfolgsfaktor für Data Analytics sind fertige und bewährte Bausteine. So können erste Anwendungsfälle und Lösungen schnell und kostengünstig umgesetzt werden.
Was können Smart Data Solutions? Wo finden sie Anwendung?
Wie sehen konkrete Anwendungen der Smart Data Solutions aus? Wo kann man sie nutzen? Für jeden Bereich von Unternehmen gibt es Anwendungsfälle:
- Das Sales Perfomance Dashboard ist ein bereits fertig ausgeprägtes Modul, bei dem Ihre Unternehmensdaten lediglich in die vorgegebene Struktur integriert werden müssen. Die Daten werden automatisiert analysiert und aufbereitet, um Vertrieb und Geschäftsführung zur Verfügung gestellt werden zu können.
Wie Smart Data in der Praxis aussehen kann, wird anhand eines Kundenprojektes deutlich. Ausgangslage in diesem Projekt war die stark schwankende Effizienz des Vertriebs, regionale Unterschiede auf der Produktebene und eine fehlende Transparenz im Management. Durch den Einsatz eines zentralen Datenpools können nun die Daten aufbereitet und eine Qualitätssicherung durchgeführt werden. Der Datenpool wurde anschließend mit Advanced Analytics angereichert. So hatte der Kunde nach der Implementierung der Systeme eine Übersicht über historische Absatzdaten, das Vertriebsteam konnte seine Ziele erreichen, Produkte und Ressourcen sind transparenter geworden und das Team konnte anhand des Datenreports Vorhersagen über die Absatzentwicklung treffen. Hier wird deutlich, dass auch einzelne Cases eine große Hebelwirkung im Unternehmen erzeugen können.
- Intelligente Vertriebsunterstützung
Eine weitere Smart Data Solution ist der Digital Sales Assistant. Dieser unterstützt den Vertrieb mit dem Ziel, Verkäufe zu maximieren. Dafür erstellt werden Kundenbedarfsanalysen und -prognosen, welche wiederum die Grundlage für weitere zielführende Maßnahmen sind.
- Erfassung von Kundenfeedback
Mit dem Customer Feedback-Analyzer werden im Bereich Social Media wertvolle Daten in Bezug auf Kundenfeedback gesammelt, strukturiert und ausgewertet. Nutzer des Tools bekommen, insbesondere im Bereich Marketing umfassendes Feedback über den Erfolg von Kampagnen und Produkten und können Trends rechtzeitig erkennen.
- Auswertung Inventar und Logistik
Der Supply Chain Monitor gibt eine Übersicht über Produktions- und Lieferketten und die Lagerhaltung. Anhand dessen lassen sich Prognosen über mögliche Engpässe treffen und Empfehlungen für künftige Warenbeschaffungen geben.
- Gewährleistung von Produktqualität
Die Lösung für eine zentrale Erfassung von Qualitätsmängeln ist das Field Quality Dashboard. Dieses wird hauptsächlich im Rahmen der Entwicklung genutzt, um Kundenfeedback zu integrieren und operative Systemdaten zu konsolidieren.
Wie kann man AI-Vision einsetzen?
Neben den Smart Data Solutions bildet AI Vision den zweiten großen Baustein im Rahmen der Data Analytics Platform. Bei AI Vision handelt es sich jedoch mehr um fertige Module als einsatzbereite Lösungen, da die Vielfalt an Use Cases im Bereich künstliche Intelligenz so hoch ist, dass individuelle Anwendungsfälle selbst gelöst werden müssen. Jedoch werden oft wiederkehrende Module benötigt. Das jüngste Modul zur Objekterkennung basiert auf CAD-Systemen, die digital tracken können und so die Qualitätssicherung unterstützen. So können Supermärkte beispielsweise in der aktuellen Lage sicherstellen, dass nicht zu viele Menschen gleichzeitig im Geschäft sind. Oder die Informationen werden genutzt, um sowohl anderen Kunden Auskunft zu geben, zu welcher Zeit der Laden nicht so stark besucht ist, als auch sinnvolle Personal-Einteilung zu betreiben.
Qualitätssicherung mit AI-Vision
Ein Use-Case von AI-Vision aus einem Kundenprojekt im Rahmen der Qualitätskontrolle verdeutlicht die Anwendung. Bisher hat der Kunde Kapazitäts-Engpässe durch eine manuelle Qualitätssicherung vorgenommen und stabile Umwelteinflüsse für die entsprechenden Systeme vorausgesetzt.
Durch AI-Vision geschieht die Qualitätssicherung optisch und in Echtzeit anstatt durch manuelle Stichproben. So werden Produkte, die nicht den Anforderungen entsprechen, automatisch aussortiert.
Auch hier konnte der Kunde von einer kleinen Systemänderung enorm profitieren. Das Qualitätsniveau ist deutlich gestiegen, die Kosten sind durch die Automatisierung gesunken und leicht geänderte Szenarien können flexibel angepasst werden. Das heißt für den Kunden, dass er weniger Retouren und Reklamationen hat.
Intelligente Lagerinventur, Qualitätssicherung und Ersatzteilemanagement
Unsere Erfahrungen in der digitalen Welt sind vielseitig und ständig im Wandel – genau das liebe ich! Unternehmen versuchen mit den Technologie-Entwicklungen Schritt zu halten und sind immer wieder herausgefordert ihre Kunden sowie Mitarbeitende zu binden. Als Marketing Specialist möchte ich hier im Blog zeigen, wie Digital Experience ganzheitlich umgesetzt werden kann.
