Wenn Daten das neue Öl sind, wer ist dann Ihre Raffinerie?

Für Unternehmensteams scheinen Daten überall zu sein und warten darauf, freigeschaltet zu werden, um Ihre Geschäftsziele voranzutreiben. Wir haben uns kürzlich mit zwei der führenden IoT-Behörden von Nokia – Marc Jadoul, IoT Market Development Director, Denny Lee, Head of Analytics Strategy – zusammengesetzt, um darüber zu sprechen, wie die Daten Ihres Unternehmens das Öl sein könnten, das es vorantreibt.

ReadWrite: Daher habe ich diesen Ausdruck – „Daten sind das neue Öl“ – auf Konferenzen gehört und ein paar Mal angesprochen. Aber die Sache ist die, Öl könnte ein Kraftstoff sein, und es könnte auch ein Schmiermittel sein, was bedeutet das in Ihrer Vorstellung bei Ihren Kunden?

Marc Jadoul: Ich betrachte es aus der Sicht des Wertes. Wenn man den Preis für ein Barrel Rohöl mit dem Preis für ein Barrel Kerosin vergleicht, gibt es einige Unterschiede. Daten können und müssen wie Öl einen ähnlichen Veredelungsprozess durchlaufen.

Je raffinierter es ist, desto mehr Wert kann es bieten, denn wie Kraftstoff unterstützt es anspruchsvollere Anwendungen. Eine andere Möglichkeit, dies zu betrachten, ist wie eine Pyramide – wenn Sie am unteren Ende der Pyramide beginnen, sammeln Sie im Grunde genommen Rohdaten auf Sensorebene. In der nächsten Phase beginnen Sie, diese Daten zu überwachen und herauszufinden, was darin enthalten ist. Sie werden wahrscheinlich einige Anomalien oder Trends aufdecken, und basierend auf Ihrer Analyse können Sie kritische Informationen aufdecken, die Ihnen helfen, Wert für das Unternehmen zu schaffen und bessere Entscheidungen zu treffen, die sogenannte datengesteuerte Entscheidungsfindung (DDDM).

Wenn Sie diese Entscheidungsfindung dann in einer Art Lernphase auf der Grundlage von Cognitive Analytics treffen, helfen Sie nicht nur, Entscheidungen zu treffen, sondern sagen auch Verhalten voraus. Sobald Sie das Verhalten vorhersagen können, haben Sie den Punkt der feinsten Daten erreicht, an dem die Daten rein genug sind, um in Wissen umgewandelt zu werden, um Ihren Maschinen und Anwendungen zu helfen, autonome Entscheidungen zu treffen.

Was ich beschrieben habe, ist eine Wertschöpfungskette, in der Daten Einblicke und Wissen liefern, um Unternehmen dabei zu helfen, bessere Entscheidungen zu treffen und letztendlich einige Prozesse und Entscheidungsfindungen zu automatisieren. Ich mache die Parallele zur Ölindustrie, nicht als Metapher für die Schmierstofffunktion (lacht ), aber im Vergleich zum Verfeinerungsprozess. Je mehr Sie es verfeinern, desto nützlicher wird es und desto mehr Wert erhalten Sie.

Denny Lee: Wenn die Leute die neue Ölphrase verwenden, denke ich immer an die 1970er Jahre zurück – wenn Sie das Öl kontrollieren, kontrollieren Sie die Wirtschaft. Ich denke, wenn man sagt „Daten sind das neue Öl“, dann wurzelt es in dieser Ähnlichkeit. Daten sind das neue Öl bedeutet auch, dass Sie diese Wirtschaft und Ihren Sektor besser beherrschen können, wenn Sie diese Kontrolle übernehmen können.

Wenn ich diesen Begriff höre, geht er auch auf die Idee zurück, dass „Daten die Währung sind“. Daten sind in ihrer Form ziemlich roh und die Leute verwenden diesen Begriff oft ziemlich locker. Einige mögen denken, dass sich Daten, Erkenntnisse und Intelligenz alle auf dasselbe beziehen. Tatsächlich unterscheiden wir jedoch ziemlich stark zwischen diesen. Letztendlich treten wir dafür ein, dass Daten der Rohstoff sind und wir wollen Daten verarbeiten, die zu Erkenntnissen führen. Einblicke und Intelligenz sind das, was das Unternehmen braucht. Ich bin sicher, wir werden später darüber sprechen, wie diese Informationen für umsetzbare Geschäftszwecke genutzt werden können.

RW: Wenn Sie sich also mit einem Kunden zusammensetzen, um zu besprechen, wie man ihn dazu bringt, sich eine datengesteuerte Innovation in seinem Unternehmen vorzustellen, was muss er als erstes wissen, was sollte er als erstes fragen?

MJ: Ich denke, das erste, was sie tun müssen, ist, ihr eigenes Geschäft zu verstehen und welche Herausforderungen und Probleme sie lösen möchten. Statt im Gegenteil zu versuchen, ein Problem für ihre Lösung zu finden. Um Simon Sinek zu zitieren, sollte man mit dem „Warum“ beginnen. stattdessen mit dem "wie?" oder das "was?" Frage.

DL: Das Geschäftsergebnis ist definitiv eine Sache, aber vorher muss man sich die Frage stellen, mit wem man in der Organisation spricht. Jeder hat eine andere organisatorische Grenze oder einen anderen Verantwortungsbereich, der andere Fragen aufwirft.

Wenn Sie beispielsweise mit einem CEO sprechen, ist sein Sandkasten riesig. Auf der anderen Seite könnten Sie mit einem isolierten Teil der Organisation sprechen, in dem ihr eigenes Universum sehr definiert ist. Dann müssen Sie den Geschäftskontext und das letztendlich gewünschte Geschäftsergebnis verstehen. Dann arbeiten Sie rückwärts und sagen:„Okay, welche Art von Daten haben Sie wirklich?“; und Sie versuchen, das Problem mit einer Lösung zu verbinden. Wenn wir über den Analysekontext sprechen, geht es natürlich um die Verarbeitung der Daten bis zu dem Punkt, an dem sie das Geschäftsergebnis verbessern können.

Dann sollten wir schließlich über das Überschreiten von Organisationsgrenzen sprechen. Dies ist ein sehr wichtiger Punkt, den wir nicht verpassen sollten. Manchmal kommen Geheimdienstinformationen nur, wenn die Barrieren zwischen Organisationen niedergerissen werden.

RW: Sie haben in Bezug auf den CEO gesagt, dass Sie eine größere Sandbox haben, in der Sie arbeiten können, aber wenn ich mit anderen spreche, die versuchen, eine datengesteuerte Lösung rund um das IoT zu implementieren, die Idee, wer der Champion darin ist? eine Organisation ist oft der Kern dessen, wer wirklich weiß, dass die Herausforderungen in der Organisation liegen. Können Sie etwas dazu sagen, wie ein typischer Organisations-Champion aussehen würde und wie man diese Ziele in der gesamten Organisation ausrichtet?

DL: Nun, im IoT-Kontext lässt sich die Organisation oft in zwei Bereiche unterteilen. Die Seite der Betriebstechnologie (OT) und die Seite der Informationstechnologie (IT). Auf der OT-Seite könnte Ihre Lösung auf die Person ausgerichtet sein, die die Infrastruktur für ihr Unternehmen kontrolliert. Abhängig von der Person, mit der Sie in dieser Gruppe sprechen, hat sie unterschiedliche Bedürfnisse.

Nehmen wir als Beispiel den Kunden, der auf Predictive Maintenance fokussiert ist. In diesem Fall hat er oder sie möglicherweise nur ein Budget, um sich auf die Wartung zu konzentrieren und Big Data und maschinelles Lernen zu nutzen, um den Wartungszyklus zu unterstützen und Maschinenausfälle zu minimieren. Dies ist ein sehr enger Anwendungsfall mit einem bestimmten Ziel. Wenn Sie jedoch mit ihrem Vorgesetzten sprechen, sind der Umfang und der Kontext des Problems, das sie zu lösen versuchen, viel breiter und kann die Unternehmensgrenzen überschreiten

MJ: Ich möchte diese Sichtweise wirklich mit einem Blick auf einen anderen Teil der Organisation ergänzen. Neben den Führungskräften, die Analysen benötigen, um gute Entscheidungen zu treffen, sehe ich die Bedeutung der Rolle des Datenanalysten in einer Reihe von Unternehmen. Diese Experten wissen, wie man mit den Daten umgeht – oder mit der Metapher, die wir zuvor verwendet haben:den Veredelungsprozess steuern. Wir sprechen hier über andere Fähigkeiten als die traditionellen IT-Leute. Mein Bildungshintergrund ist Informatik und vor 20 Jahren war die Mathematik die Grundlage der Informatikausbildung. Als ich mir den Lehrplan 5-10 Jahre später ansah, hatte sich der Schwerpunkt auf Algorithmen und Programmiersprachen verlagert. Heute promoviert mein Sohn in KI und glauben Sie mir, diese Studenten müssen wieder sehr solide Kenntnisse in Mathematik und Statistik haben. Und vergessen wir nicht, dass Data Scientists, da sie die Geschäftsentscheidungen von Unternehmen unterstützen müssen, auch über ein gutes Maß an Domänenwissen und Geschäftssinn verfügen müssen.

RW: Der Kreis schließt sich also?

MJ: Bei den komplexesten Problemen, bei denen Sie nicht einfach Computerrohdaten und Zahlenverarbeitung verwenden können, um etwas mit den Daten zu tun. Sie brauchen wirklich das Domänenwissen, um zu wissen, was sinnvoll ist und was nicht. Und dies sind die Menschen, die dies in Unternehmen bewirken, da sie die internen Entscheidungsträger unterstützen, wie Denny beschrieben hat.

RW: Wir sehen viele IoT-Lösungen rund um die riesige Datenmenge, die Sie haben oder analysieren könnten. Bis zu einem gewissen Punkt, wenn Sie über dieses Datenwissen im Haus verfügen, ist das großartig, aber wenn nicht, besteht die Gefahr, dass ein Kunde überfordert und zu viele Datenoptionen angeboten werden, braucht er dann dieses Talent im Haus wirklich?

MJ: Es hängt natürlich von der Art der Lösungen ab, die Sie erstellen möchten. Und wo man einige Daten filtern und Schwellenwerte setzen kann, zum Beispiel wenn man einen Temperatursensor an einer Kälteanlage hat, sind die einzigen Daten, die man wirklich bekommen möchte, die Ausnahmen oder Anomalien, denn wenn dort alles normal ist Sie müssen sich nicht von riesigen Mengen normaler Daten überwältigen lassen. Wichtig ist also, dass Sie eine intelligente Datenerfassung durchführen und versuchen, die Zahlen so früh wie möglich herauszufiltern, vorab zu analysieren und zu analysieren. Um den Verfeinerungsprozess so nah wie möglich am Gerät zu starten, auf dem die Daten generiert werden.

DL: Lassen Sie mich einen Einblick in unser Denken geben. Dies gilt auch für das IoT. Kurz gesagt, die Art und Weise, wie wir Datenintelligenz betrachten, ähnelt einem menschlichen Gehirn. Wir treiben tatsächlich eine Vorstellung von Intelligence Stack voran. Betrachtet man es in Bezug auf das eigene Gehirn, gibt es Dinge, die eine schnellere Reaktionszeit haben und autonomer sind. Auf dieser Ebene verarbeiten Sie die Umgebungsdaten, jedoch mit einem engen Umfang. Lassen Sie uns nun die Ähnlichkeit zum IoT ziehen. Die Dinge passieren von selbst und wenn es einige Feedback-Anpassungen erfordert, trifft es eine autonome, lokale Entscheidung.

In der nächsten Schicht kann es eine Aktion mit moderater Reaktionszeit geben und sie ist etwas autonom. Und dann gibt es noch die obere Schicht, die wir Augmented Intelligence nennen. Es dient dazu, dem Menschen zu helfen; weil es auf der obersten Ebene immer noch der menschliche Administrator ist – die menschliche Führungskraft, die längerfristige Richtlinienänderungen vornimmt. Und diese erweiterte Ebene ist die oberste Ebene der Software, wo sie verborgene Erkenntnisse aufdeckt, damit der Mensch bessere, andere und längerfristige Anpassungen vornehmen kann.

Wenn Sie sich diese verschiedenen Schichten als Teil eines Stapels vorstellen, auch wenn Sie es im IoT-Kontext betrachten, sagen Sie auf Fabrikebene:Je näher Sie am Ende sind, wir sprechen von Robotik, bei der die Dinge automatisch ablaufen . Und wenn Sie nach oben gehen, ist es menschlicher; und Software spielt eine größere Rolle bei der Entdeckung von Erkenntnissen, damit der Mensch bessere Urteile treffen kann.

MJ: Interessant ist, dass sich dies auch auf Infrastrukturebene widerspiegelt. Wahrscheinlich haben Sie von Edge Cloud oder Multi-Access Edge Computing oder MEC gehört, bei denen Sie einen Teil der Datenverarbeitung so nah wie möglich an der Quelle durchführen. Und das aus zwei Gründen:Erstens möchten Sie die Latenz im Netzwerk und die Durchlaufzeit für die Entscheidungsfindung reduzieren. Zweitens möchten Sie nicht all diese riesigen Datenmengen durch den Kern Ihrer Cloud posaunen. Sie möchten, dass sich Ihre Benutzer und Entscheidungsträger nur mit den wirklich nützlichen Dingen befassen. Wenn ich Edge Computing erklären muss, beschreibe ich es manchmal als Reverse CDN (Content Delivery Network).

Sehen Sie sich an, was wir vor Jahren getan haben, als Video-on-Demand und Live-Streaming populär wurden. Wir wurden plötzlich mit dem Problem konfrontiert, dass wir möglicherweise nicht genug Bandbreite haben, um jeden Benutzer mit einem individuellen Stream und einer möglichen Latenz zu bedienen. Daher haben wir Caching-Server näher am Endbenutzer platziert, auf denen wir die beliebtesten Inhalte platzieren und lokale Inhaltsnavigation und -verarbeitung durchführen können, z. B. schnelles Vor- und Zurückspulen sowie Inhaltsanpassung. Dies war also die Optimierung von nachgelagerten Speicher- und Rechenressourcen. Und heute haben wir eine Reihe von Playern im Internet, zum Beispiel Akamai, die mit solchen Caching- und Optimierungsdiensten gutes Geld verdienen.

Betrachtet man nun das Internet der Dinge, so liegt das Problem nicht in der Menge der nachgelagerten Daten wie beim Video, sondern in der Anzahl der Datenquellen und in der Menge der vorgelagerten Daten. Da Sie über eine große Anzahl von IoT-Geräten verfügen, die eine enorme Anzahl von Datensätzen generieren, und Sie tatsächlich eine Art vorgelagerter Caching-Dienst in der Nähe der Quelle verwenden, um die Daten zu sammeln, führen Sie einige Analysen auf niedriger Ebene durch und Stellen Sie sicher, dass Sie nur sinnvolle Informationen weiter unten in die Cloud senden, um sie weiterzuverarbeiten und zu verfeinern, um noch einmal die Metapher der Ölindustrie zu verwenden. Und deshalb nenne ich Edge Computing oft eine Art „Reverse-CDN“, da es die gleichen Funktionen bereitstellt, aber eine andere Architektur verwendet und mit Flows in eine andere Richtung arbeitet.

RW: OK, wir haben also jemanden, der in ein Projekt welcher Art auch immer investieren möchte, normalerweise hat jemand Kosteneinsparungen oder eine neue Einnahmequelle, denke ich, aber ich denke häufiger, dass dies keine Entscheidung ist wird am häufigsten durch Kostensenkung oder Effizienz angetrieben – was in den meisten Unternehmen immer attraktiv ist. Können Sie beide ein Beispiel für einen datengesteuerten Prozess nennen, der nicht nur die Kosteneinsparungen, sondern vielleicht auch den Entscheidungsweg freisetzen kann, wie jeweils ein Beispiel?

MJ: Ich könnte damit beginnen, was wir mit unserer Videoanalyselösung machen. Dies ist ein Beispiel für eine Anwendung, die riesige Datenmengen verwendet, die z. geschlossene Videoüberwachungskameras.

In Städten gibt es Hunderte oder Tausende dieser Kameras, die eine riesige Anzahl von Live-Videostreams erstellen. Im Allgemeinen gibt es nicht genügend Personal, um alle Bildschirme gleichzeitig zu betrachten, da es extrem teuer und ineffizient wäre, all diese Videostreams rund um die Uhr anzusehen. Die Lösung von Nokia analysiert diese Videos und sucht nach Anomalien. Es gibt viele Anwendungsfälle, wie ein Auto, das in die falsche Richtung fährt, Aufruhr auf einem Flughafen, einige Personen oder Gegenstände, die ungewöhnliche Bewegungen machen. Was wir eigentlich tun, ist, diese Videodaten zu sammeln und sie durch die Verfeinerungskette zu führen, die durch eine Reihe von Algorithmen verarbeitet wird, die bestimmte Situationen erkennen und Anomalien erkennen. Durch das Hinzufügen von KI-Fähigkeiten wird das System selbstlernend und kann jede Art von „Ereignis“, das außergewöhnlich ist, erkennen, warnen und vorhersagen. Dies hilft bei der Entscheidungsfindung, ist aber gleichzeitig auch eine enorme Kostenersparnis, da Städte und Sicherheitsfirmen nur einen Bruchteil der Menschen benötigen. Analysetechnologien machen diese Art von Videoüberwachungslösungen tatsächlich möglich und erschwinglich.

RW: Richtig, menschliche Augen sind nicht sehr skalierbar.

MJ: Richtig, das menschliche Auge ist nicht sehr skalierbar und wahrscheinlich brauchen 99,99% dieser CCTV-Videoinhalte keine Aufmerksamkeit. Sie müssen also lernen, die Daten so nah wie möglich an der Quelle zu filtern und nur mit dem weiterzuarbeiten, was relevant ist.

DL: Trevor, ich gebe dir auch ein paar Beispiele. Die erste Gruppe besteht aus solchen, die eine schnellere Lösungsfindung ermöglichen:beispielsweise vorausschauende Wartung, „Next Best Action“ im Bereich Predictive Care zur Empfehlung von Workflow-Aktionen an Pflegepersonal und automatisierte Ursachenanalyse. Diese Beispielanwendungsfälle wurden zuvor manuell erstellt. Sie warten, bis einige Fehler auftreten, und untersuchen sie dann. Mit Automatisierung und Vorhersage; Stattdessen können einige Lösungen für maschinelles Lernen das Auftreten potenzieller Fehler im Voraus vorhersagen und Sie können teure Wartungsarbeiten zur nachträglichen Behebung des Problems minimieren.

Eine weitere Reihe von Beispielen findet sich in der Kategorie der Kundenzentrierung beim Einsatz von künstlicher Intelligenz. Viele Kunden interessieren sich für dieses Thema, weil sie letztendlich erkennen, dass auch ihre Konkurrenz versucht, ihre Endkunden bestmöglich zu beschwichtigen. Und wer das am besten kann, gewinnt. Daher wäre es ein wichtiger Aspekt einer Big-Data-Analyselösung, die Kundenerfahrung zu schätzen und zu verstehen und in der Lage zu sein, diese vorherzusagen und auf ihre Bedürfnisse zu reagieren. Im Kontext von Anbietern und Betreibern von Netzwerklösungen wäre es beispielsweise wichtig, im Voraus zu wissen, dass ein Engpass auftreten wird, und darauf zu reagieren. Vielleicht ist es unter bestimmten Umständen besser, eine gut verwaltete, aber herabgesetzte Leistung zu haben, als überhaupt keine Dienste zu haben. Dem Problem der Kundenzentrierung zuvorzukommen ist also auch eine Form der KI-Anwendung – verstehen Sie ihre Erfahrungen und handeln Sie entsprechend. Der dritte, würde ich sagen, sind die Anwendungsfälle von Augmented Reality, die die Führungskräfte auf höherer Ebene und die Richtlinieneigentümer der Betreiber des IoT-Unternehmens ansprechen.

Eine andere Klasse von Problemen würde unter die Kategorie „Optimierung“ passen. Wenn Sie sich eine Reihe von Geschäftsergebnissen ansehen, können Sie das Problem als Optimierungsproblem aufstellen:Das sind meine Sandboxen, hier sind meine Rohdaten und meine KPIs und das ist es, was ich als Ziele optimieren möchte. Das System kann dann so eingerichtet werden, dass es optimiert wird. Dies hängt mit dem Punkt zusammen, an dem man die Möglichkeit hat, organisatorische Silos aufzubrechen und bestimmte Ergebnisse zu optimieren, die zuvor nicht auffindbar waren, wenn die Organisationen isoliert sind. Diese Art von Informationen spricht eher die Führungskräfte und die politischen Eigentümer der Organisationen an.

Dieser Artikel wurde in Zusammenarbeit mit Nokia erstellt. Es ist Teil einer Reihe von Artikeln, in denen das Team von Nokia fachkundige Ratschläge gibt und sich eingehender mit Datenanalyse, Sicherheit und IoT-Plattformen befasst.