Thorsten Kranz, Data Science Consultant, Comma Soft AG
Produzierende Unternehmen, die heute bereits wissen, was ihre Kunden morgen kaufen werden, sind klar im Vorteil. Data-Science-Software macht genau das möglich: Anwenderunternehmen leiten treffsichere Prognosen für künftige Nachfrageentwicklungen aus ihren Datenbeständen ab. So können sie nicht nur Materialwirtschaft, Lagerhaltung und Logistik kosteneffizienter steuern, sondern auch die Produktionsauslastung optimieren. Weitere Einsparpotenziale schlummern in der Bewertung von Produktvarianten sowie bei der vorausschauenden Maschinenwartung.
Welchen Einfluss haben Marketingkampagnen auf die Nachfrage nach einem Produkt? Wie und wann schlagen sich neue Releases im Produktionsaufkommen nieder? Welche Nachfrageeffekte sind saisonal, welche spiegeln übergeordnete Trends wider? Immer präzisere Antworten auf derartige Fragen können in einer zunehmend digitalisierten Wirtschaft die bereits im Unternehmen vorhandenen Daten liefern. Ihre Quellen sind vielseitig: Sie stammen zum Beispiel aus CRM- oder ERP-Systemen, Webshops, Marktstudien oder werden direkt von den eingesetzten Maschinen geliefert. Zugleich ist es eine mehr und mehr existentielle Frage, wie der Umgang mit den rasant wachsenden Datenmengen, deren Kontextualisierung und die Verknüpfung mit relevanten Problem- und Fragestellungen gelingen können.
Im Zuge dieser Entwicklung ziehen immer mehr Unternehmen aus der Vielzahl ihrer Daten erste datengetriebene Erkenntnisse, um so eine Neuausrichtung der eigenen Strategie abzuleiten. Die Analystenhäuser, ganz gleich ob Experton, Gartner oder IDC, sind sich längst einig: Die Weiterentwicklung und Nutzung von Big-Data-Technologien und Data-Science-Analysen sind die wichtigsten Trends in der Business-IT. Denn die fortschreitende Digitalisierung nahezu aller Wirtschaftszweige und die rasante Entwicklung im Bereich Internet-of-Things wirken als starke Treiber für den Einsatz von Software-Anwendungen zur Datenanalyse. Die Marktforscher von PAC reihen sich mit ihrer Prognose nahtlos ein und konstatieren, dass die Möglichkeit der zeitnahen Analyse großer Mengen an strukturierten wie unstrukturierten Daten aus unterschiedlichen Quellen 2016 neue, datenbasierte Geschäftsmodelle und -strategien hervorbringen werde.
Doch der Siegeszug der Analyse-Software ist nicht nur durch eine neue Dynamik auf Datenseite zu begründen, auch anwendungsseitig waren die technologischen Fortschritte zuletzt immens. Die angewendeten Methoden bündeln das analytische Handwerkszeug aus zahlreichen wissenschaftlichen Disziplinen: von der Astronomie und Teilchenphysik über Mathematik und Informatik bis hin zur Soziologie und Neurowissenschaften. Gepaart wird dieses Wissen mit den immer rasanteren Fortschritten auf computertechnologischer Ebene, also in Bezug auf die Bereiche Data Mining, statistische Modellierung oder maschinelles Lernen sowie hinsichtlich der Speicherung und Bereitstellung gigantischer Datenmengen. So können Anwender heute auch komplexe Zusammenhänge in großen Datenmengen finden und daraus quasi per Knopfdruck Schlussfolgerungen und Prognosen für die Zukunft ableiten.
Wirkungszusammenhänge erkennen und Prozesse optimieren
Die Anwendungsgebiete von Data-Science-Lösungen sind vielseitig, doch streben Anwenderunternehmen in den allermeisten Fällen ein fundiertes Wissen über Charakteristika und Handlungsweisen ihrer Zielgruppe an. Der unternehmerische Nutzen, der sich aus einem besseren Kundenverständnis ergibt, erstreckt sich anschließend auf nahezu alle innerbetrieblichen Prozesse. Dazu gehört es zum Beispiel, Nachfragetrends vorherzusehen und dadurch die Ressourcenplanung zu optimieren.
Besonders für produzierende Unternehmen liegen an dieser Stelle große ungenutzte Potenziale: Die direkte Anwendung der Erkenntnisse aus Kunden- und Vertriebsdaten auf die Planung der eigenen Produktionsabläufe kann Unternehmen einen wesentlichen Vorteil verschaffen, mitunter durch effizientere und somit kostengünstigere Prozesse oder durch verkürzte Lieferzeiten, was wiederum die Kundenzufriedenheit steigert.
Konkrete Fragestellungen, denen Unternehmen bei der Datenanalyse nachgehen, lauten: Welchen Einfluss haben einzelne Marketingkampagnen-, -instrumente oder -kanäle auf die Nachfrage innerhalb einer bestimmten Zielgruppe? Welche Aktivitäten haben in der Vergangenheit welchen Return on Invest gebracht und wie können wir bei künftigen, vergleichbaren Maßnahmen auf die resultierenden Nachfrageeffekte vorbereitet sein? In welchem zeitlichen Abstand schlagen sich Produkt-Releases erfahrungsgemäß auf Nachfrageseite nieder und welche Kapazitäten muss die Produktionsabteilung bereithalten?
Antworten auf diese Fragen liefern oftmals die bereits im Unternehmen vorhandenen Datenquellen, die sich auf vergleichbare Ereignisse in der Vergangenheit beziehen. Qualifizierte Prognosen daraus abzuleiten, erleichtert die Allokation aller produktionsrelevanten Ressourcen wie Materialwirtschaft, Personalkapazitäten, Maschinenauslastung, Lagerhaltung und Logistik.
Entsprechende Analyse-Tools decken nicht nur den Einfluss saisonaler Schwankungen auf das Kaufverhalten der Zielgruppe auf (z. B. Weihnachtsgeschäft, Ferienbeginn, Back to School), sondern auch die Auswirkungen punktueller Ereignisse wie Produkt-Releases oder zeitlich begrenzter Werbekampagnen. Auf Basis Software-gestützter Trendanalysen können Unternehmen zwischen echten Trends und vorrübergehenden Nachfrageschwankungen unterscheiden. Moderne Data-Science-Lösungen sind in der Lage, natürliche Schwankungen im Zeitverlauf bei einer Datenabfrage automatisch zu berücksichtigen und das Ergebnis entsprechend zu bereinigen. So wird der Blick frei für tatsächliche Trends bei der Nachfrageentwicklung.
Produktionsstillstände vermeiden, Komplexität reduzieren
Insbesondere in produzierenden Unternehmen erstrecken sich die Einsatzszenarien auf immer mehr Bereiche. Hier werden Data-Science-Auswertungen auch im Qualitätsmanagement hinzugezogen: Wo tritt ein unerwarteter Fehler auf? Welche Produkte sind aufgrund identischer Komponenten noch betroffen.
Zudem unterstützen entsprechende Analyse-Tools bei der prädiktiven Instandhaltung, indem Sensoren Algorithmen-gestützt bestimmte Vibrationsmuster bei Maschinenteilen erkennen und auf drohende Ausfälle hinweisen. Data-Science-Software identifiziert verdächtige Schwingungen, die – abgeleitet aus historischen Daten – einen Defekt vorhersagen können. So kann der Wartungsdienst rechtzeitig eingreifen, bevor eine Maschine oder Produktionsanlage – so wie früher – einfach kommentarlos den Dienst quittiert. Das verhindert teure Produktionsstillstände, von ausbleibenden Reparaturkosten ganz zu schweigen.
Große Einsparungspotenziale bezüglich der Prozesskosten bieten sich zudem im Bereich des Komplexitätsmanagements. Denn in vielen Branchen drückt die steigende Nachfrage nach individualisierten Industrieprodukten auf die Margen. Ein großes deutsches Produktionsunternehmen fragte sich deshalb: Für welche Varianten meiner Produkte lohnt es sich tatsächlich, die Ressourcen für Lagerhaltung, Logistik und Versorgung vorzuhalten? Konkret: Welche Produktvariante suchen sich meine Kunden am wahrscheinlichsten aus und welche spezielle Kundengruppe wird hier welche Entscheidung treffen? Kann ich diesen Kunden eine Reduktion der Selektionsmöglichkeiten zumuten oder würde ich sie dadurch verlieren? Und falls ja, welchen Einfluss hätte das auf meinen Umsatz? Antworten auf solche Fragen liefern Data-Science-Anwendungen – nicht selten mit dem Resultat, dass Unternehmen die Komplexität ihrer Produktvarianten erfolgreich reduzieren, was wiederum zu prozessseitigen Einsparungen, nicht aber zu nennenswerten negativen Effekten auf der Nachfrageseite führt.
Self-Service-Ansatz: Visualisierung ist entscheidend
Die Zahl denkbarer Einsatzszenarien für zielgerichtete Datenanalyse ist derweil nahezu unerschöpflich. Doch lässt es sich nicht leugnen, dass die Methoden, mit denen diese später auch an die gewünschte Information gelangen, mitunter komplex sind. Wie können Data-Science-Methoden also im Unternehmen zum Einsatz kommen, ohne dass für jede Datenabfrage spezialisierte Datenwissenschaftler herangezogen werden müssen?
Die Software-Anbieter haben sich dieser Problematik in der jüngeren Vergangenheit verstärkt angenommen. Das Resultat sind sogenannte Self-Service Data-Science-Lösungen, die hohen Wert auf die Usability legen und eine Vielzahl hilfreicher Visual-Analytics-Features integriert haben. Ebenso beinhalten einige Lösungen bereits vordefinierte Auswertungsmethoden und Algorithmen, die beispielsweise auf die Bedürfnisse bestimmter Branchen oder Wirtschaftszweige zugeschnitten sind. Der zunehmende Einsatz von Analyse-Tools in den Fachabteilungen erfordert ebendiese intuitive Bedienbarkeit. Nur so können Marketing und Vertrieb, F&E-Abteilung, Produktion und After-Sales Hand in Hand arbeiten und vorhandene Datenschätze ohne Streuverluste verwerten.
Fazit
Viele Unternehmen verfolgen derzeit das Ziel, zusätzliche Mehrwerte aus den wachsenden Datenmengen zu generieren oder daraus sogar vollständig neue Geschäftsmodelle abzuleiten. Dabei ist es wichtig, Datenhaltung und -nutzung innerhalb eines Unternehmens nicht isoliert zu betrachten, sondern als Teil einer ganzheitlichen digitalen Transformation. Für eine datenzentrierte Neuausrichtung muss auf verschiedenen Unternehmensebenen angesetzt werden: Neben der strategischen Planung auf Managementebene sind Infrastrukturfragen zu klären. Vor allem bei kleineren oder mittleren Unternehmen, die vor allen anderen nach skalierbaren Lösungen suchen, sind insbesondere Cloud- versus On-Premise-Szenarien zu prüfen.
Es gilt zudem, die notwendigen Vorkehrungen in den Bereichen Cyber Security und Datenschutz zu treffen. Denn natürlich bringt der digitale Wandel neben den vielseitigen Chancen auch neue Risiken mit sich. Was von den Skeptikern in der Debatte aber meist vernachlässigt wird: Zugleich haben auch die verfügbaren Sicherungssysteme der Unternehmens-IT in der jüngeren Vergangenheit große Fortschritte gemacht, so dass die Potenziale einer erfolgreichen digitalen Transformation deren Risiken heute klar überwiegen.
Thorsten Kranz, Data Science Consultant, Comma Soft AG. Die Comma Soft AG wurde 1989 gegründet und hat sich seitdem einen Namen als innovatives IT-Beratungs- und Software-Haus gemacht. Das Leistungsspektrum umfasst Business Intelligence- & Data Science-Lösungen sowie IT-, Security- und Resilience-Consulting.
