Nicht so viele Daten wie möglich, sondern die richtigen! Wozu Sie wirklich einen Data Scientist brauchen

Digitalisierung ist nicht nur im Confare Blog und auf den Confare Events ein wichtiges Thema, auch als Unternehmen nutzen wir AI, Apps, Social Media und vieles mehr, um nachhaltig als Plattform erfolgreich zu sein. So bieten wir aktuell für den 12. Confare #CIOSUMMIT den “Confare Conference Guide” in den App Stores von Google und Apple an – mit allen wichtigen Infos rund um das Event, Speaker und Bewertungsmöglichkeit. Dieser wurde in Zusammenarbeit mit Cubido entwickelt. Das Unternehmen begleitet zahlreiche Kunden auf ihrem Weg in eine digitale Zukunft und so haben wir Geschäftsführer Wolfgang Ennikl um einen Gastbeitrag gebeten, ausgehend von der Frage: Wie kann man die viel zitierte Macht der Daten möglichst bald für das eigene Unternehmen nutzen?

Treffen Sie die Experten von Cubido beim 12. Confare #CIOSUMMIT. Erfolgreiche Beispiele auf dem Weg zu datenzentrierten Unternehmen hören Sie auf der Confare Konferenz IDEE 2019 am 20. Mai in Wien. Bis dahin wünschen wir Ihnen eine spannende Zeit mit unserer App und interessante Antworten auf die Frage: Was macht denn nun eigentlich so ein Data Scientist wirklich?

Der bekannte Spruch von Gartner Research „Information is the oil of the 21st century” wird nach wie vor oft zitiert und bestätigt seine Richtigkeit immer häufiger. Das Potential gesammelter Daten ist schier unendlich: Sammeln Sie Daten, dann können Sie auf Basis der gewonnen Informationen neue, disruptive, innovative, digitale Geschäftsmodelle entwickeln, Wettbewerbsvorteile gegenüber der Konkurrenz erzielen und durch die Möglichkeit von präzisen Vorhersagen die richtigen Geschäftsentscheidungen treffen. Wirklich? Nun, leider nicht ganz. Denn dazu braucht es nämlich schon die richtigen Daten. In der richtigen Qualität und der richtigen Granularität.

Daten sammeln will gelernt sein

In der Euphorie laufender Digitalisierungs- und IoT-Projekte werden Maschinen vernetzt, Prozesse digitalisiert und unzählige Daten angehäuft. Aber Daten sammeln nur um des Sammelns Willen ist weder sinnvoll noch zielführend. Grundsätzlich ist natürlich nichts dagegen einzuwenden, erst einmal mit dem Datensammeln anzufangen und in einem nächsten Schritt die Daten zusammenzuführen, zu analysieren, auszuwerten und zu nutzen. Doch um einen echten Mehrwert aus den Daten generieren zu können ist es notwendig, sich bereits von Beginn an zu überlegen, welche Informationen und Verbesserungen aus den Daten gewonnen werden sollen.

Ein strukturloses Sammeln ist dabei grundsätzlich immer gut, aber es muss eine nachträgliche Struktur entstehen können. Ansonsten besteht die Gefahr, dass Zusammenhänge zu einem späteren Zeitpunkt nicht hergestellt werden können. Diese sind aber unerlässlich zu Beantwortung analytischer Fragestellungen.

Im Anwendungsfall „Predictive Maintenance“ können Maschinenwartungen, Fehler oder Anomalien anhand historischer Sensordaten vorhergesagt und damit auch verhindert werden. Das Problem wird behoben, bevor es auftritt: Rechtzeitige Reparaturen reduzieren Produktionsausfälle, notwendige Wartungen können intelligent, je nach Verschleiß, eingeteilt und dieser durch den geplanten Gebrauch vorhergesagt werden. Zusätzlich kann die Produktqualität mit Hilfe von Predictive Analytics optimiert werden. Schädliche Produktionsbedingungen werden bereits identifiziert, bevor Ausschuss produziert wird. Umwelt, Maschine, Personal und Material werden gemeinsam evaluiert.

Allerdings kann nichts vorausgesagt werden, was vorher nicht erfasst wurde. Wird beispielsweise übersehen, dass Fehler oder der Fehlerzeitpunkt aufgezeichnet werden, können diese bei zukünftigen Prognosen nicht berücksichtig werden. Hier wäre schon hilfreich, wenn Informationen wie Datum, Uhrzeit und der Fehler (Kategorie) selbst gespeichert werden. In einem Excel-File, einem Formular, etwas, das elektronisch lesbar ist oder das später digitalisiert werden kann – somit würde schon ein einfacher Zettel ausreichen. Grundsätzlich ist mit Künstlicher Intelligenz schon vieles möglich, aber keine Fehlerdaten zu haben, bedeutet eine zusätzliche Unschärfe.

Die richtigen Fragen stellen

Am Anfang eines jedes Data Science-Prozesses steht also die Formulierung von konkreten Fragen, die mit Hilfe der Daten beantwortet werden sollen.

Was aber genau machen Data Scientists eigentlich? Data Science ist grundsätzlich ein Teilbereich von BI. Allerdings liefern BI-Dashboards oder Reports nicht immer Antworten auf bestimmte Fragen. Will man beispielsweise wissen, warum Maschinenausfälle oder die Ausschussproduktion zu einem bestimmten Zeitpunkt höher als üblich waren, sind weitere Analysen nötig. Die Analyse, Aufbereitung und Interpretation der vorliegenden Daten von einem Data Scientisten können die Ursachen oder kausale Zusammenhänge aufdecken. Meist liefern sie sogar Lösungsansätze zur Problembehebung.

Natürlich liefert Data Science nicht nur im Produktionsumfeld wertvolle Informationen, sondern kann in allen Unternehmensbereichen eingesetzt werden. Letztendlich geht es immer darum, Wettbewerbsvorteile zu erzielen. Dazu müssen Unternehmen in der Lage sein, die richtigen Entscheidungen zu treffen. Und dafür müssen die richtigen Daten zusammengeführt und ausgewertet werden. Erst die detaillierten Einblicke in Ihre Daten liefern die Informationen für präzise Zukunftsprognosen.

In unseren bisherigen Projekten standen wir jedoch immer wieder vor der Herausforderung, dass sich die zur Verfügung stehenden Daten nicht oder nur unzureichend zusammenführen ließen. Wo und wie fängt man also am besten an?

Von Big Data zu Smart Data

Nutzen Sie unsere Erfahrung! Wir haben bereits zahlreiche Digitalisierungsprojekte erfolgreich abgeschlossen. Wir bieten neben Design Thinking Workshops, bei denen völlig neuartige Produktideen oder Geschäftsmodelle entwickelt werden, auch Workshops mit unseren Data Scientisten zur Überprüfung Ihrer bestehenden Daten und Datenstrukturen an. Eventuell fehlende Informationen werden frühzeitig identifiziert und erforderliche Strukturen und Zeitintervalle können angepasst werden.

So stellen Sie sicher, dass Sie tatsächlich jene Daten sammeln, die Sie am Ende weiterbringen. Denn das Ziel ist nicht, so viele Daten wie möglich zu sammeln, sondern die richtigen.