„Daten sind überall. Sie strömen mit rasanter Geschwindigkeit von angeschlossenen Geräten, in einer Vielzahl von Formaten und Nutzern ins Unternehmen.“

Die Verwendung von Daten für Geschäftsentscheidungen ist nichts Neues

Früher hätte „datenbasierte Entscheidungsfindung“ bedeuten können, dass ein Zusammenhang zwischen einer Print-Werbekampagne und anekdotischen Berichten über höhere als übliche Umsätze festgestellt wurde. Unternehmen nutzen schon immer alle Daten, die sie bekommen können.

Aber in den letzten Jahren gab es fundamentale Änderungen. Drei Faktoren haben die Datennutzung und -analyse nachhaltig verändert.

  1. Die exponentielle Zunahme des Volumens und der Vielfalt der Daten, die von Milliarden von Benutzern und Geräten erzeugt werden
  2. Die Forderung nach einem sofortigen Zugang zu hochwertigen Daten und Erkenntnissen
  3. Die Kosten und die Leistung vieler Cloud-Fähigkeiten haben eine Niveau erreicht, das maschinelles Lernen (ML) und künstliche Intelligenz (KI) für jedes Unternehmen zugänglich macht

Heute sind Daten überall vorhanden. Sie strömen mit rasanter Geschwindigkeit von angeschlossenen Geräten, in einer Vielzahl von Formaten und von Milliarden von Benutzern ein. Big Data wird oft als Chance genutzt, aber nur für Unternehmen, die so strukturiert sind, dass sie mit ihrem Volumen und ihrer Vielfalt umgehen können. Für andere Unternehmen kann die Datenflut ein Risiko darstellen – dass potenzielle Erkenntnisse ungenutzt bleiben, Kundenbedürfnisse nicht erfüllt werden und Unternehmen immer wieder uninformierte Entscheidungen treffen.

Die Verwaltung der Daten wäre erheblich einfacher, wenn die Daten auf wenige Quellen beschränkt wäre oder wenn die Daten einheitlich wären. Die Herausforderung liegt in der Vielfalt der Quellen und Formate. Dazu gehört insbesondere das wachsende Volumen an unstrukturierten Daten: E-Mails, Systemprotokolle, Webseiten, Kundentranskripte, Dokumente, Folien, informelle Chats und ein explodierendes Volumen an Rich Media wie HD-Bilder und Videos.

Serverless Architecure

Oft landet das Problem zunächst in der IT-Abteilung. Sie müssen Wege finden, eine Echtzeitansicht des Unternehmens zu liefern und gleichzeitig eine größere und komplexere Datenlandschaft zu verwalten. Bei den meisten Unternehmen ist zunächst die Reduzierung der Komplexität ein wichtiger Erfolgsfaktor.

Moderne serverlose Architekturen können den Verantwortungsbereich, den Entwickler und IT-Teams verkleinern und so zusätzliche Ressourcen schaffen. Grundsätzlich ist das Ziel von Serverless Computing, die Arbeit der IT-Teams zu vereinfachen: Verwaltung von Serverclustern, Sharding von Datenbanken, Lastausgleich, Kapazitätsplanung, Sicherstellung der Verfügbarkeit – damit sollten sich moderne IT-Teams nur sporadisch beschäftigen. Serverless reduziert standardisierter IT zugunsten differenzierter Arbeit, die die IT-Teams zu einem direkten Faktor in der Wertschöpfung machen#

Managed Cloud Services können Unternehmen dabei helfen, die neuen Herausforderungen in der Nutzung Ihrer Daten zu bewältigen.

Die Lösung beginnt mit der Erfassung von rohen Geschäftsdaten in der Cloud. Für eine Analyse können Cloud-basierte Tools diese Rohdaten je nach Bedarf aufbereiten und strukturieren. Die aufbereiteten Daten werden dann in ein Cloud Data Warehouse integriert, wo sie sofort zur Analyse zur Verfügung stehen. Dieses Data Warehouse dient als „Datenzentrale“, von der aus Unternehmen Daten jeglicher Art und aus jeder Quelle erfassen, aufbereiten und analysieren können. Der vollständig verwaltete Charakter der Cloud Services trägt dazu bei, den gesamten Prozess zu nutzen ohne dass die IT-Abteilung die zugrunde liegende Infrastruktur kennen muss. Auf dieser Grundlage können Unternehmen diese Systematik der Datenerfassung und -vorbereitung nutzen, um maschinelles Lernen und KI zu ermöglichen.

Cloud Storage und Data Warehousing

Die Zentralisierung von Rohdaten aus wichtigen Geschäftsprozessen in Cloud Storage ist einer der ersten Schritte, die Unternehmen zur Modernisierung unternehmen können. Auf diese Weise positionieren sie sich, um die Analysefähigkeiten in der Cloud zu nutzen.

Über das gesamte Unternehmen verteilte Datensilos belasten Geschäfts- und IT-Teams gleichermaßen, wobei täglich neue Silos (sei es aus organisatorischen oder technischen Gründen oder aus beidem) erstellt werden.  Die Idee ist, Daten zu zentralisieren, den Zugriff auf diese daten aber im Unternehmen zu demokratisieren. So erhält der Mitarbeiter die Daten, die er für seine Arbeit benötigt.

Die Zentralisierung von Rohdaten aus wichtigen Geschäftsprozessen in der Cloud ist einer der ersten Schritte, die Unternehmen zur Modernisierung unternehmen können. Damit bereiten sie sich vor, um zukünftig die Datenanalyse in der Cloud zu nutzen.

Cloud Storage und Data Warehousing ermöglichen es Unternehmen ein einziges, zentrales Data Warehouse zu verwalten und gleichzeitig verschiedene Geschäftsbereiche in die Lage zu versetzen, Daten nach Ihren individuellen Bedürfnissen zu analysieren.

Erfassung von Rohdaten für zukünftige Analysen

IDC schätzt, dass weniger als 1% aller Dateien analysiert werden. Die anderen 99% enthalten aber ebenfalls Erkenntnisse, die für die unternehmerische Entscheidungsfindung wichtig sind. Da Unternehmen die auftretenden Geschäftsfragen nicht vorhersagen können, benötigen sie reibungslose und kostengünstige Möglichkeiten, große Datenmengen zu speichern. Dies gilt insbesondere für unstrukturierte Dateien, die typischerweise den größten Teil der erzeugten Daten ausmachen.

Datensilos aufbrechen

Ausgestattet mit der Fähigkeit, Daten jeglicher Art wirtschaftlich zu erfassen, können Unternehmen ihre Aufmerksamkeit dann darauf richten, eine disziplinierte Sicht auf ihre wichtigsten Geschäftsprozesse zu ermöglichen.

Während Cloud Storage Daten in ihrem nativen Rohformat zentralisiert, ermöglicht ein Cloud Data Warehouse Unternehmen, Daten aus unterschiedlichen Silos für die Analytik zusammenzutragen – genau wie ein herkömmliches Data Warehouse. Mit der Cloud können Unternehmen große Datenmengen mit minimalen Investitionen verwalten, praktisch unbegrenzt skalieren und nur für das bezahlen, was sie nutzen.

Managed Cloud Services gehen noch einen Schritt weiter und befreien die IT-Abteilung von der Sorge um die zugrunde liegende Infrastruktur. Unternehmen müssen allerdings überlegen, welche Aspekte des Unternehmens analysiert werden sollen und welche Daten dafür erforderlich sind.

Was sind die wichtigsten Unternehmensziele für meine Daten? Zu verstehen, wie Benutzer mit meinen Systemen interagieren, Trends erkennen, Umsätze steigern, Kundenbindung aufbauen oder etwas anderes?

Woher kommen meine wichtigsten Daten (Transaktionen, Serverprotokolle, Cloud Services, Geräte/IoT, Social Media) Werden diese bereits in die Cloud importiert?

Streaming-Daten 

Daten aus Web-, Mobil- und IoT-Anwendungen können den Cloud-Speicher umgehen und direkt in ein Cloud-Data Warehouse gestreamt werden.

Daten aus anderen Cloud-Diensten  

Daten, die bei gängigen SaaS-Anbietern gespeichert sind, können wie folgt gespeichert werden in ein Cloud-Data-Warehouse importiert – in vielen Fällen automatisch.

Analytische und transaktionale Datenbanken 

Daten, die in analytischen und transaktionalen Daten gespeichert sind. Die Daten können im Stapelverfahren oder einzeln werden.

Cloud-Speicher 

Daten aus dem Cloud-Speicher können in ein Cloud-Data Warehouse für Analytics importiert werden. In diesem Stadium kann ein Schema entwickelt werden, basierend auf den Fragen, die beantwortet werden sollen.

Machine Learning und Künstliche Intelligenz

Jüngste Durchbrüche beim maschinellen Lernen (ML) und bei der künstlichen Intelligenz (KI) machen häufig Schlagzeilen: Computer haben in Go, einem Brettspiel mit mehr Positionen als es im Universum gibt, menschliche Weltmeister besiegt.

Das Konzept der KI ist einfach: die Fähigkeit, Software zu verbessern, ohne explizit programmiert werden zu müssen. Anstatt von Entwicklern zu verlangen, dass sie neuen Code manuell schreiben, setzt die KI auf Algorithmen, die durch die Aufnahme von mehr realen Daten „intelligenter“ werden können. Die Zentralisierung der Speicherung und Aufbereitung von Daten in der Cloud schafft die ideale Grundlage für die Schulung und Verbesserung von KI-Modellen.

Die KI-Chance geht über die einfache Automatisierung einmaliger manueller Aufgaben hinaus. Im Online-Handel beispielsweise können maschinelle Lernalgorithmen enorme Mengen an Verbraucherdaten aufnehmen und analysieren, wenn potenzielle Käufer durch den Online-Shop oder die mobile App eines Einzelhändlers navigieren. Je mehr Daten das Modell aufnimmt, desto näher kommt es dem Verständnis, wann – und warum – ein bestimmter Käufer sich für einen bestimmten Kauf entscheidet. Schließlich wird dieses Lernen prädiktiv und ermöglicht es dem Händler, das richtige Produkt für die richtige Person zur richtigen Zeit zu finden. Dieser Grad der Personalisierung – einst verkörpert durch den kleinstädtischen Ladenbesitzer, der die Namen und Geburtstage der Kinder seiner Kunden kannte – ist nun in großem Stil möglich.

Viele kleine, technologisch orientierte Unternehmen nutzen bereits Machine Learning – aber etabliertere Unternehmen haben den entscheidenden Vorteil, eine Fülle von historischen Daten nutzen zu können.  Beim Machine Learning hängen die Ergebnisse insbesondere von der Menge an Daten, die in dieTrainingsmodelle einfließen können ab. Etablierte Unternehmen können ihre First-Party-Daten abrufen – von IT-Systemprotokollen bis hin zu Finanzdaten, Transaktionen zu Kundenservice-Call-Transkripten – um diese Modelle zu trainieren und zu optimieren und so einzigartige Erkenntnisse für das Unternehmen zu gewinnen.

Vorgeschulte Modelle:  Ein erster Schritt in Richtung KI

Der einfachste Weg, um mit KI zu beginnen, ist die Verwendung von vortrainierten maschinellen Lernmodellen, die sofort über die Cloud verfügbar sind. Es sind keine Vorkenntnisse über Machine Learning erforderlich.

Textanalyse                                                                     

Verstehen Sie die Struktur und Bedeutung des Textes oder extrahieren Sie Informationen über Menschen, Orte und Ereignisse aus einem beliebigen Text

Sentiment verstehen und analysieren Informationen aus Nachrichtenartikeln, Blogs, Kundensupport-Gespräche/Chat-Logs

Spracherkennung                                                          

Konvertieren Sie Audio mit hoher Genauigkeit in Text

Echtzeit-Anwendung wie Transkription oder Erstellen von Apps, die durch Sprache gesteuert werden.

Bildanalyse                                                      

Den Inhalt der Bilder verstehen durch Bereitstellung von Bildern

Intelligente Erkennung einzelne Objekte und Gesichter oder

Extraktion der enthaltenen gedruckten Wörter innerhalb von Bildern.

Übersetzung                                    

Übersetzt jede angegebene Zeichenkette in eine von vielen unterstützten Sprachen

Kontinuierliche Übersetzungsdienstleistungen

Videoanalyse                                                                                 

Objekte identifizieren und aussagekräftig Entitäten innerhalb von Videos erstellen

Machine Learning macht in jeder Branche Sinn

Diese Dienste können über einfache API-Aufrufe einfach in jede Anwendung integriert werden. Entwickler müssen keine der zugrunde liegenden Details kennen. Ohne diese Dienste selbst entwickeln zu müssen, können Unternehmen die neuesten Funktionen sofort als Service nutzen.
Etablierte Unternehmen und etablierte Industrieunternehmen verfügen in der Regel über jahrzehntelange Daten aus erster Hand: Finanztransaktionen, Systemprotokolle, Rohdaten aus Produktion, Einzelhandel und E-Commerce oder Leistungsergebnisse aus Marketingkampagnen, die über Jahre hinweg erfasst wurden. Richtig verfeinert und verwendet, um kundenspezifische maschinelle Lernmodelle zu trainieren, entwickeln diese Daten erstaunliche Vorhersagekraft.
Anwendungsfälle erstrecken sich über viele Branchen und zeigen einige der vielversprechendsten Anwendungen der KI. Die Betrugserkennung in Finanzdienstleistungen, die präventive Instandhaltung in der Fertigung, Diagnose- und Behandlungsvorschläge im Gesundheitswesen oder die Bonitätsbeurteilung verdeutlichen die Fähigkeit von Künstlicher Intelligenz, Anomalien in einem Meer von Transaktionen und unstrukturierten Daten zu erkennen.

Fazit

In einem Zeitalter reichhaltiger Daten und Echtzeitanalysen wird die Fähigkeit, Werte aus Daten zu gewinnen im Mittelpunkt der Wettbewerbsfähigkeit eines Unternehmens stehen.

Der erste Schritt besteht darin, die Datenstrategie von Grund auf zu überdenken. Die heutigen Cloud-Tools ermöglichen es Unternehmen, enorme Mengen an unterschiedlichen Datentypen effizienter und kostengünstiger zu verwalten als es bisher möglich war.

Unternehmen, die einen modernen Ansatz zur Erfassung, Speicherung, Aufbereitung und Analyse ihrer Daten verfolgen, haben die Grundlage, um die Vorteile des maschinellen Lernens und der KI zu nutzen.