Der Rohstoff für künstliche Intelligenz

Ein Beispiel: der Einsatz von Echtzeitnutzungsdaten in der Produktentwicklung. Anhand der gesammelten Motordaten einer Maschine erkennt das Team, dass Kunden das vorhandene Leistungspotenzial des Motors unterschiedlich ausschöpfen. Statt Kunden als homogene Gruppen aufzufassen, definieren KI-Anwendungen auf Basis der gesammelten Daten unterschiedliche Kundensegmente (Stichwort Clustering). Für jedes dieser Segmente entwickeln sie nun Motorisierungsvarianten, die zum Nutzungsprofil passen.

In diesem Beispiel sind Daten essentielle Grundlagen der Produktinnovation und damit deutlich mehr als „nice-to-have“. Für das Verbessern des Angebotes sind sie so relevant, wie das Fachwissen und die Erfahrung der Beteiligten, wie die ausgereiften Produktionsprozesse oder die Qualität der eingesetzten Materialien. Um das Potenzial in den Daten realisieren zu können, bedarf es eines Umdenkens in der Industrie.

Die Verantwortlichen müssen Datenprozesse und Software mit der gleichen Gewissenhaftigkeit und Ernsthaftigkeit angehen, wie Prozesse im Einkauf, in der Produktion oder im Vertrieb. Erst dann spielen KI-Anwendungen ihre Stärken aus. Das ist nicht nur eine technische Aufgabe. Themen der Unternehmensorganisation und -kultur gehören gleichermaßen dazu. So diente Informationstechnik (IT) bisher dazu, bestehende Prozesse am Laufen zu halten. Oder dazu, sie effizienter zu gestalten. Aber dass sie entscheidender Innovationsfaktor ist, muss bei vielen Verantwortlichen noch ankommen.

Wachsende Bedeutung der Daten

Daten an sich wohnt noch kein Wert inne. Den erhalten sie erst durch das Sammeln, Sortieren, Aufbereiten, Überprüfen, Strukturieren, Aggregieren und Labeln. Um beim Beispiel zu bleiben: In den Nutzungsdaten eines einzelnen Kunden stecken noch keine Informationen darüber, welche möglichen Kundengruppen mit vergleichbaren Profilen es gibt. Diese Erkenntnis gewinnen KI-Anwendungen und Projektteams erst durch das Verarbeiten der Daten.

Diese Kompetenz der Datenverarbeitung entwickelt sich immer mehr zu einer der zentralen Kompetenzen für Unternehmen. Getrieben wird dies unter anderem durch die zunehmende Bedeutung von KI-Lösungen über die komplette Wertschöpfungskette: Von der Produktentwicklung bis hin zum Kundenservice gibt es für jeden Aufgabenbereich in einem Industrieunternehmen geeignete KI-Szenarien.

Quer durch alle Wirtschaftszweige ist eine Entwicklung in Richtung „datengetriebenes Geschäftsmodell“ zu beobachten. Die Gründe dafür sind vielfältig, zwei spielen in den Diskussionen eine besonders große Rolle: Einerseits erwarten immer mehr Kunden das nahtlose Verbinden von Produkten und Services zu einem Gesamtnutzungsszenario. Wie die Turbine, die selbstständig einen Wartungstermin vereinbart. Solche Angebote sind ohne digitale Technologien und Prozesse undenkbar. Andererseits erkennen immer mehr Verantwortliche in produzierenden Unternehmen das Potenzial des engen Verknüpfens der realen mit der digitalen Welt. Dieses Verknüpfen erlaubt es ihnen, sich mit genau zugeschnittenen Angeboten von Wettbewerbern abzugrenzen.

In der bisherigen Organisationsstruktur spiegelt sich diese umfassende Bedeutung von Daten bisher oftmals nicht wider. Allzu häufig arbeiten unterschiedliche Abteilungen mit unterschiedlichen Datensätzen zu ein und demselben Vorgang. Jeder kennt seinen Ausschnitt der Realität, aber keiner das ganze Bild. Diese Fragmentierung, dieses Denken in Silos ist eine der Hürden auf dem Weg zum datengetriebenen Unternehmen. Ein Ansatz, um dies zu überwinden, ist der Aufbau einer Datenplattform.

Erfolg auf einer Plattform aufbauen

Hinter dem Begriff Datenplattform verbirgt sich ein System verzahnter Technologien, Prozesse und Funktionalitäten. Sie dient als Architektur- und Organisationsgrundlage. Entsprechend ist sie die Produktionsblaupause für das Entwickeln neuer, datenbasierender Services oder Angebote.

Zentrale Elemente und Abläufe einer Datenplattform sind:

• Unten docken mögliche Quellen an und liefern Daten in unterschiedlichen Formaten. Im ersten Schritt integriert und katalogisiert die Plattform diese Datenanlieferungen. So aufbereitet können die folgenden Prozessschritte sie nutzen und weiterverarbeiten.
• Diese Daten übergibt die Integrationsschicht an die Datenverteilung. Damit können Unternehmen sie bei Bedarf direkt für datengetriebene Services (zum Beispiel bei Echtzeitdatennutzung) einsetzen. Darüber hinaus fließen die Daten bei Bedarf auch in die Datenbereitstellung ein. Sie hat die Aufgabe, Daten zu speichern, zu sortieren und aufzubereiten.
• Die Datenbereitstellung dient lediglich der Unterstützung der datengetriebenen Anwendungen, Services und Produkte. Dahinter verbergen sich die einzelnen Datenservices, die auf der Plattform bereitgestellt werden. Hier entstehen aus Daten und Logik neue Services. Im Data Lab erproben die Data Scientists neue datengetriebene Anwendungsfälle im Labormodus. Sie entwickeln Schritt für Schritt weitere Data Driven Products.

Unternehmen werden die skizzierte Ausgestaltung der Datenplattform nicht eins-zu-eins übernehmen. Denn eine Vielzahl unternehmensindividueller Faktoren – von der Komplexität der eigenen Produkte, bis zur Struktur des Marktes – beeinflusst den Aufbau. Aber Anhand der Blaupause können die Verantwortlichen sich einer der zentralen Fragen im Umgang mit Daten und KI-Anwendungen stellen: Wie gestalten wir den Datenfluss durch unser Unternehmen so, dass wir datengetriebene Anwendungen genauso effizient bauen wie unsere Produkte?