Geschäftswert maximieren durch Integration von Big Data und KI

Was ist die einzige wichtigste Entwicklung, die die Zukunft davon prägt, wie Unternehmen Geschäftswert aus ihren Daten und Analysefähigkeiten ziehen?

Laut MIT Sloan Management Review ist es die Konvergenz von Big Data mit künstlicher Intelligenz. Doch viele Unternehmen zögern, wenn ihnen die daraus resultierenden Geschäftsvorteile präsentiert werden: „Wir haben dafür keine Daten. Sie sind verstreut und unorganisiert. Unsere Daten sind nicht sauber.“

Es ist verständlich, dass Menschen diese Besorgnis empfinden. Verstreute, isolierte und voluminöse Daten bleiben eine gemeinsame Herausforderung für Unternehmen aller Branchen. Daher könnten Geschäftsführer denken, sie seien nicht bereit, Spitzentechnologien wie KI einzusetzen. In Wirklichkeit ist jedoch das Gegenteil der Fall: KI hilft, Daten zu bereinigen, zu integrieren und zu rationalisieren, um enormen Geschäftswert zu schaffen.

Die größten Chancen, KI für Big-Data-Projekte zu nutzen, zeigen sich in vier Schlüsselanwendungsfällen im Supply Chain Management und in Geschäftsabläufen.

Anwendungsfall 1: Prognosen transformieren durch Einbeziehung von Nachfragetreibern und führenden Indikatoren

Typischerweise basieren statistische Prognoseprozesse von Unternehmen auf historischen Verkaufs- und Versanddaten. Auf dem heutigen zunehmend volatilen Markt sind vergangene Ereignisse jedoch nicht immer die besten Prädiktoren für zukünftige Ereignisse. Big Data und KI-basierte Modelle schaffen das Potenzial für eine zukunftsfähige Umgebung, in der Unternehmen von Prognosen, die primär auf historischen versandbasierten Daten beruhen, zu solchen wechseln können, die verschiedene Nachfragetreiber einbeziehen. Solche Treiber umfassen externe Ereignisse wie wettbewerbliche Preise, Marktbedingungen und wettbewerbliche Sortimente sowie interne Treiber im Zusammenhang mit Promotionen und Preisgestaltung.

Unternehmen, die heute versuchen, Nachfragetreiber in die statistische Prognose einzubeziehen, ohne den Nutzen von Machine Learning und KI, müssen erheblichen Aufwand betreiben, um Daten basierend auf Ausreißern zu normalisieren. Ein Rückgang der Verkäufe könnte beispielsweise durch einen Lagerausfall verursacht worden sein, der durch eine Lieferkettenbeschränkung entstand. Wie würde der Prognosealgorithmus wissen, dass dieser Verkaufsrückgang auf ein Lieferkettenproblem und nicht auf ein Nachfrageproblem am Markt zurückzuführen ist? Im traditionellen Ansatz müsste menschlicher Aufwand betrieben werden, um das „Warum“ einzugeben und die Historie effektiv zu korrigieren, bevor die Daten an statistische Modelle übergeben werden.

All das ändert sich, wenn ein Unternehmen eine KI-basierte Plattform für die Nachfrageprognose einsetzt. Machine-Learning-Algorithmen erstellen Modelle basierend auf Mustern in Daten, ohne auf explizite Anweisungen angewiesen zu sein. Das bedeutet, dass Dateneingaben, die die Nachfrageprognose antreiben, mithilfe von ML bereinigt, korreliert und den Ergebnissen ordnungsgemäß zugeordnet werden können. Daraus werden präskriptive nachfragebasierte Entscheidungen generiert, basierend auf den über Zeit beobachteten Mustern.

Anwendungsfall 2: Planung mit Lernsystemen statt Stammeswissen steuern

Heute bleibt die Modellierung von Wissen in vielen Organisationen weitgehend stammesbasiert. Ein Großteil der Entscheidungsfindung für die Planung liegt heute in den Köpfen und der Urteilskraft einzelner Planer. Wenn ein Planer beispielsweise eine Verkaufsprognose erhält, die anzeigt, dass das Lieferkettenbudget auf Expresslieferungen gerichtet werden sollte – was tun die Planer? Vertrauen sie darauf, dass die Nachfrage zuverlässig sind? Sind sie bereit, harte Dollars auszugeben, um diese Nachfrage zu befriedigen, oder zögern sie? Die Entscheidung, zu beschleunigen oder nicht, ist oft die beste Vermutung des Planers basierend auf einer persönlichen Historie mit dem Vertriebsleiter oder Kunden.

Wenn KI in diesem Szenario angewendet wird, wird Stammeswissen zu institutionellem Wissen. Historische Daten zu Prognose versus Verkäufe ermöglichen dem KI-basierten System zu lernen, wie zuverlässige Nachfrage aussieht, und wer wahrscheinlich genau (oder nicht) prognostiziert. Eine Entscheidung, zu beschleunigen oder zusätzliche Kosten zu verursachen, um Nachfrage zu befriedigen, basiert nun auf einer intelligenten Empfehlung: Ja, automatisiere diese Anfrage, weil sie extrem zuverlässig ist. Oder gehe mit Vorsicht vor, weil dieser Kunde in der Vergangenheit unzuverlässig war, und eine Managementfreigabe für diese Entscheidung erforderlich ist.

In dieser Umgebung können Entscheidungskompromisse mit größerer Geschwindigkeit, Genauigkeit und Kosteneffizienz getroffen werden. Menschliche Voreingenommenheit wird entfernt, und Kontinuität in der Entscheidungsfindung wird sichergestellt – unabhängig davon, welcher Planer das System bedient.

Anwendungsfall 3: Integrierte Planungs- und Entscheidungsmodelle durch Verbinden getrennter Daten

Praktisch jedes Unternehmen hat getrennte Daten. Es ist eine allgegenwärtige Herausforderung. Eine von Vanson Bourne durchgeführte Studie schätzte, dass US- und UK-Organisationen jährlich insgesamt 140 Milliarden Dollar durch getrennte Daten verlieren. Datensilos existieren aus verschiedenen Gründen, die die technischen, strukturellen und kulturellen Dynamiken eines Unternehmens umfassen.

Eines der klassischen Probleme im Zusammenhang mit getrennten Unternehmensdaten wurzelt in der Tatsache, dass viele Unternehmen durch Fusionen und Übernahmen gewachsen sind. Die fusionierten Unternehmen mögen nach außen hin eine Einheit sein, aber hinter den Kulissen können Abteilungen jahrelang deutlich sichtbar bleiben. Es gibt wahrscheinlich mehrere Enterprise-Resource-Planning-Systeme (ERP) und andere isolierte Systeme für Vertrieb, Lieferkette und Produktmanagement. Unter einem Dach könnte ein einzelnes Produkt in mehreren unterschiedlichen Systemen unter mehreren Namen bekannt sein.

Dies schafft erhebliche Herausforderungen bei der Konstruktion eines konsolidierten Bildes, um die für Planungszwecke erforderliche Entscheidungsfindung zu befeuern. Traditionelle Korrekturansätze umfassen die Implementierung eines einzigen ERP-Systems oder die Korrektur der Daten in allen Quellsystemen. Diese Projekte sind teuer und zeitaufwändig, was viele Unternehmen zu dem Schluss führt: „Wir wissen, dass es kaputt ist, aber wir können es jetzt nicht reparieren.“

Ein Unternehmen, das in getrennten Daten versinkt, hat zwangsläufig Bedenken, integrierte Planungs- und Entscheidungsinitiativen anzugehen. Aber mit KI und Natural Language Processing können Systeme feststellen, dass verschiedene Datenpunkte tatsächlich dasselbe sind. Ein Modell kann konstruiert werden, das all diese Produkte korreliert, sodass die Quellen nicht geändert werden müssen. Bestandsichtbarkeit, Planung und Entscheidungsfindung sind nun verknüpft, weil das System erkennt, dass diese Produkte identisch sind.

Anwendungsfall 4: Herausforderungen von Stammdaten in Planungsystemen lösen

Die Kraft der KI bei der Erstellung von Planungsystemen liegt darin, automatisierte und intelligente Entscheidungsfindung schneller voranzutreiben. Aber ein weiteres häufiges Argument von Unternehmensführern ist, dass ein Großteil der für diese Planungsentscheidungen erforderlichen Daten Stammdaten sind, die in keinem Aufzeichnungssystem residieren.

Ein großer Händler handhabt beispielsweise Hunderttausende von SKUs, die durch das Vertriebszentrum und das Filialnetz fließen. Dieser Händler muss modellieren, wie viel Kapazität über verschiedene Dimensionen hinweg erforderlich ist, einschließlich Lager- und Arbeitskapazität für den Umgang mit Waren im Transit, in den DCs und in den Filialen. Um Kapazitätsanforderungen zu bestimmen, muss der Händler verstehen, was jeder SKU auf den verschiedenen verfügbaren Ressourcen verbraucht. Die Zeit, die eine Person benötigt, um eine Sendung Fernseher auszuladen – was arbeitsintensiv ist – würde erheblich von der Zeit abweichen, die zum Ausladen einer Sendung Ibuprofen erforderlich ist, was relativ leicht ist.

Daten, die erforderlich sind, um gute, genaue Planungsentscheidungen zu treffen, sollten auf dem Volumen spezifischer Produkte basieren, die durch die DCs fließen, und ihren entsprechenden Kapazitätsanforderungen. Aber wer pflegt all diese Daten? In der Vergangenheit waren diese Details schwer zu modellieren, weil sie auf aggregierten Ebenen durchgeführt werden mussten, und oft erfassen und pflegte niemand diese Daten.

Jetzt können Händler mit Big Data und KI Transaktions-, Sensor- und Internet-of-Things-Daten (IoT) verwenden, die beim Logging anfallen, um Kapazitätsanforderungen zu bestimmen. Wenn Arbeiter eine Produktlieferung vom LKW nehmen, in ein DC bewegen und so weiter, wird eine enorme Menge an Transaktionsdaten aufgezeichnet. Mit KI können Händler die für die Entscheidungsfindung erforderlichen Stammdaten automatisch generieren. Da sie wissen, dass eine Fernseherlieferung ankommt, verfügen sie nun über spezifisches, automatisch generiertes Wissen darüber, wie viel Arbeitskraft erforderlich ist, um das Produkt zu bewegen. Hier und in allen aufgeführten Anwendungsfällen ermöglicht KI Unternehmen, ihre Daten in einen ihrer wertvollsten Vermögenswerte zu verwandeln.

Chakri Gottemukkala ist CEO von o9 Solutions.