12-2022

Big Data
Die weltweite Datenmenge betrug laut Statista 2010 rund zwei
Zettabyte, im Jahr 2020 rund 64 Zettabyte und werde bis 2025 auf
gewaltige 181 Zettabyte ansteigen. Abhilfe sei also dringend nötig.
Die Analysten der Gartner Group sagen voraus, dass bis Ende 2024
rund 75% aller Unternehmen ihre Pilotprojekte im Bereich AI/Machine
Learning in den operativen Betrieb übernommen haben werden.
Unternehmen verbunden ist. Allerdings
sollten keine bloßen Standard-
PDFs im Archiv landen.
Eine geeignete Software liest dann
die gespeicherten Dokumente aus,
um die Dateien so zu kennzeichnen,
dass das Archiv und andere
Systeme sie verwalten können. Auf
dieser Basis können KI-gesteuerte
Algorithmen die Daten sinnvoll miteinander
verbinden und neue Erkenntnisse
gewinnen.
Aktualisieren
der analysierten Daten
sind. Aus verschiedenen Gründen
kann das manchmal nicht der
Fall sein, etwa durch Umzug oder
Namensänderung von Kunden,
geänderter Vorschriften oder veränderter
Randbedingungen sind
Daten nicht mehr korrekt/aktuell.
Eine weitere Quelle von Ungenauigkeiten
sind Fehler bei der Dateneingabe.
Versäumnisse bei der Dateneingabe
hingegen führen zu unvollständigen
Informationen.
Konsistenz meint hier Widerspruchsfreiheit.
Informationen in
verschiedenen Datenbanken innerhalb
eines Unternehmens können
sich widersprechen. Stimmen etwa
Adressen in CRM- und ERP-Systemen
nicht überein, kann das dazu
führen, dass Lieferungen an den
falschen Ort geschickt werden. Die
Praxis zeigt: Doppelte und veraltete
Datensätze sind außerordentlich
häufig. Dies zieht meist unnötige
Ausgaben nach sich.
Grundsätzlich gilt: Schlechte
Datenqualität verleitet zu falschen
Erkenntnissen aus den Datenanalysen.
Das kann sehr teuer werden.
Wiebke Apitzsch ist Managing
Director bei der Unternehmensberatung
TTE Strategy. Sie weiß:
Viele Unternehmen in Deutschland
tun sich nach wie vor schwer mit
der Einführung und Anwendung
von Datenanalysen. Die meisten
Fehler passieren auf der menschlichen
Ebene. Hier ihr Überblick
Data-Initiativen können schnell
als Kontrollidee „von oben“ missverstanden
werden. Die daraus resultierende
Gefahr: eine Menge bunter
Dashboards, deren Aussagekraft
aber eher gering ist. Big Data
braucht Follower. Alle relevanten
Führungskräfte sollten also frühzeitig
in die Initiative mit einbezogen
werden.
3. Die richtigen Fragen
werden nicht gestellt – aus
falsch verstandener Demut
vor den Data-Experten
Kaum jemand versteht wirklich,
worüber Fachleute sprechen. Fragen
werden dennoch nicht gestellt.
Auch Top Manager trauen sich
oft nicht, die wirklich wichtigen
Fragen zu stellen, weil sie das
Gefühl haben, sie könnten mit den
Experten nicht mithalten. Daher
„In Kombination mit einem geeigneten Auswertungstool – unterstützt
von KI und Machine-Learning – gewinnen Unternehmen aus
als nützlich herausgefilterten Daten neue Erkenntnisse und handfeste
Geschäftsvorteile.“
Dr. Jürgen Ehneß
Daten benötigt werden. So finden
die Daten sehr schnell den Weg in
die operative Anwendung.
5. IT und IT-Sicherheit
werden gar nicht oder zu
spät eingebunden – und
schon passen die neuen
Tools nicht mehr in die
Systemlandschaft
Viele Data-Initiativen kommen aus
dem operativen Geschäft und werden
mithilfe von Beratern umgesetzt.
Tools zur Datenerhebung und -Analyse
kommen als Pilot in die operative
Anwendung und funktionieren
beim nächsten System-Update
plötzlich nicht mehr oder verletzen
die Sicherheitsstandards. Darum
gehört die IT genauso wie die IT-
Sicherheit vom ersten Moment einer
Data-Initiative mit an den Tisch.
Hier geht es vor allem um die
Datenqualität. Datenqualität bedeutet
im Wesentlichen, dass wichtige
Informationen über mehrere Bereiche
im Unternehmen hinweg
• korrekt,
• vollständig und
• konsistent
über die sechs größten „Fails“
in der Umsetzung von Data-Initiativen:
1. Technische Komplexität
wird überschätzt – Faktor
Mensch wird unterschätzt
Wer externe Experten als Projektleiter
anvisiert, setzt den Fokus
falsch. Der Grund: Jemand Fremdes
soll etwas Fremdes neu im Unternehmen
einführen. Da helfen Fachkenntnisse,
aber es kommt vor allem
auf die Fähigkeit an, auf Menschen
zuzugehen, ihre Positionen zu verstehen
und sie zu überzeugen. Die
„Richtigen“ zu identifizieren, ist der
Schlüssel für eine erfolgreiche Data-
Einführung.
2. Datenregiment wird durch
Druck aufgebaut –
so entstehen keine Follower
sind Fehlentwicklungen möglich,
die später kaum mehr rückgängig
gemacht werden können. Darum:
Für jedes Fremdwort eine Erklärung
einfordern. Und sich trauen,
zuzugeben, wenn technische
Zusammenhänge nicht verstanden
worden sind.
4. Es werden keine
konkreten Probleme mit
den neuen Daten gelöst –
der Nutzen der gesamten
Initiative wird in Frage
gestellt
Durch falsche Herangehensweise
werden Daten zu einem Selbstzweck.
Darum ist es wichtig, mit denjenigen
zu sprechen, von denen die
„Mithilfe von Datenanalysen können produzierende Unternehmen
Vorhersagen für alle Abschnitte der Wertschöpfungskette treffen.
Dadurch werden nicht nur effizienzsteigernde Entscheidungen
möglich, sondern auch präventive Maßnahmen. So können Prozesse
bereits im Vorfeld angepasst und mögliche Komplikationen
oder Verzögerungen vermieden werden.“
Dr. Peter Gabriel
6. Daten lügen nicht –
doch, das tun sie!
Unternehmen liegen oft dem Irrglauben
auf, künftig die ganze Wahrheit
zu erkennen – nur weil sie ein
Data Management aufgesetzt haben.
Doch das hilft alles gar nichts, wenn
„Fertigende Unternehmen sind mit riesigen Datenmengen von
Sensoren und damit verknüpften Systemen konfrontiert. Diese müssen
aggregiert und verstanden werden, damit Produktionsunternehmen
sie für die vernetzte Fabrik nutzen können. Nur auf Basis von
Daten und Fakten können deutsche Mittelständler und Großunternehmen
den Überblick über ihre Lieferketten, Flaschenhälse und
Kundenwünsche behalten und die richtigen Entscheidungen treffen.“
Henrik Jorgensen, Tableau Germany GmbH
die Daten schlichtweg falsch sind.
Etwa nicht richtig angebrachte Sensoren
können falsch messen, Finanzkennzahlen
werden inkongruent aus
dem System übertragen, Daten werden
nicht konsistent eingegeben.
Vor allem aber wird die Interpretation
nicht im Detail durchdacht.
Beispielsweise müssen Daten aus
Testläufen für neue Produkte oder
während größerer Wartungen aus
Berechnungen ausgeschlossen
werden. Oft ist das Sicherstellen
der Datenqualität etwa dreimal so
aufwendig wie das Etablieren von
Data-Management-Prozessen. Daten
müssen immer wieder hinterfragt,
neu qualifiziert und bereinigt werden.
Darum: Misstrauen Sie Ihren
Daten. Immer.
PC & Industrie 12/2022 13