Wie Datenanalysen, Künstliche Intelligenz und Machine Learning den Geschäftsalltag verändern

Wenn Maschinen lernen

Die Automatisierung von Prozessen ist der Fokus des Maschinellen Lernens. Dabei wird einem System beigebracht, aus Erfahrungen durch Verallgemeinerungen zu lernen – dies beschreibt den „lernenden Algorithmus“. Maschinelles Lernen setzt sich aus drei, aufeinander aufbauenden Teilen zusammen: dem Modell, dem Parameter, dem Lernsystem. Erst alle drei Komponenten zusammen ermöglichen zuverlässige und konsistente Analysen:

1. Modell: System, das Vorhersagen oder Identifikationen macht.
2. Parameter: Signale oder Faktoren, die das Modell zur Entscheidungsfindung verwendet.
3. Lernsystem: System, das die Parameter – und damit das Modell – anpasst. Dazu betrachtet es Unterschiede zwischen den Vorhersagen und dem tatsächlichen Ergebnis. Dadurch können auch Erfahrungen übertragen werden, so dass die Beurteilung zuvor unbekannter Daten ermöglicht wird.

Auf Basis dieser Mechanismen ist Maschinelles Lernen in der Lage, Häufigkeiten und Korrelationen in einem oder mehreren verschiedenen Datensätzen zu finden. Die Ergebnisse können einerseits Muster, sogenannte „Patterns“ aufzeigen und damit häufig oder ständig auftretende Phänomene sichtbar machen. Umgekehrt können die ML-Algorithmen nach ausreichendem Training auch sogenannte „Anti-Patterns“ aufdecken und somit auf Unregelmäßigkeiten in einem Datensatz hinweisen. Diese zu interpretieren ist jedoch weitaus schwieriger und spätestens an dieser Stelle muss auch die dritte Kraft im Bunde mitwirken – der Mensch.

Menschliches Wissen ist weiterhin notwendig

Die Fähigkeit aus Erfahrungswerten Muster zu erkennen, ist das Grundprinzip der Datenanalyse – und eine zutiefst menschliche Eigenschaft. Wir alle tun dies jeden Tag, wenn wir Empfehlungen an Freunde aussprechen, Lehrer Schüler unterrichten oder Großmütter Beziehungsratschläge verteilen. Nicht umsonst hat der ehemalige Google Data Scientist Seth Stephens-Davidowitz dies in seinem New York Times Bestseller über Big Data Analytics „Everybody lies“ als prägnantes Beispiel gebracht.

Deshalb ist und bleibt der Mensch der ausschlaggebende Faktor, wenn es darum geht, aus guten Resultaten gute Erkenntnisse zu ziehen. KI und ML sind dabei wichtige Helfer, die uns unterstützen können, den anwachsenden Berg an Daten zu bewältigen. Laut einer Studie des Instituts für Arbeitsmarkt- und Berufsforschung (IAB) sind Computer in der Lage, mindestens 70 Prozent der Tätigkeit von acht Millionen Beschäftigten in Deutschland zu erledigen. Das bedeutet, dass die Mitarbeiter wieder Zeit für ihre eigentliche Bestimmung haben und keine stupiden und repetitiven Aufgaben abarbeiten müssen. Das erhöht nicht nur die Produktivität, sondern auch die Zufriedenheit der Mitarbeiter. Auf diese Weise bekommen Mitarbeiter die Möglichkeit, mit spezieller Self-Service-Software eigenständig Daten aufzubereiten und zu analysieren; sie sind damit sogenannte Citizen Data Scientists. Hinzu kommt, dass Citizen Data Scientists Fachwissen aus den Fachabteilungen mitbringen, das sie dazu befähigt, die Ergebnisse im Kontext angemessen zu interpretieren.

Programmierfreie Plattformen befähigen nicht nur Citizen Data Scientists zur Datenanalyse, sondern tragen auch dazu bei, dass sich Datenanalyse wie ein roter Faden durch alle Unternehmensbereiche hindurchziehen kann – und nicht nur auf die IT beschränkt sein muss. Das ist ein entscheidender Faktor, wenn es um den Unternehmenserfolg geht. Denn laut einer Umfrage von Forbes Insight und EY verzeichnen Unternehmen, bei denen Datenanalyse in der gesamten Geschäftsstrategie verankert ist, wachsende Umsätze sowie höhere Margen. Die Einbindung der Mitarbeiter ist daher nicht nur essentiell, sondern auch umso fruchtbarer, je mehr verschiedene Menschen mitarbeiten. So entkommt die Datenanalyse der IT-Experten-Blase und fördert qualitativ hochwertigere Ergebnisse zu Tage.

Für Entscheider im Unternehmen ergibt sich daraus folgendes Fazit: In jedem Unternehmen sollten Künstliche Intelligenz, Maschinelles Lernen und menschengetriebene Datenanalyse zusammengeführt werden, um das Maximum aus den zur Verfügung stehenden Daten herauszuholen. So können KI und ML ihren messbaren Geschäftswert entfalten.