Big Data als Treibstoff

Traditionell sind die Begriffe Big Data und Business Intelligence (BI) eng verknüpft. Denn je mehr Informationen verfügbar sind, desto genauer kann ein Unternehmen vergangene und aktuelle Geschäftstätigkeiten in Kennzahlen darstellen – etwa um Jahres- oder Quartalsreports zu erstellen und mit Soll-Ist-Vergleichen das Erreichen von Zielen zu kontrollieren. Die Daten können jedoch weitaus mehr nützliche Informationen enthalten und preisgeben.

Ratgeber für Gegenwart und Zukunft 

Klassische BI dient dazu, vergangene wirtschaftliche Abläufe eines Unternehmens auf aktuelle Ereignisse zu extrapolieren. Diese Funktion wird immer öfter mit Business Analytics (BA) ergänzt, um gesicherte Prognosen für die nähere Zukunft zu erhalten. Spannend für Unternehmen ist hier vor allem Predictive Analysis. Diese besteht im Kern aus statistischen Verfahren, die vergangene Ereignisse und Entwicklungen unter Einbeziehung ihrer Rahmenbedingungen und Parameter analysieren und diese detailliert auf künftige Entwicklungen hochrechnen. Das ermöglicht beispielsweise Services wie die vorausschauende Wartung von Maschinen und Anlagen, die Anpassung des Sortiments oder gezielte, individuelle Kundenansprache.

Wesentlich hierfür ist, Daten und Ereignisse auf Regelmäßigkeiten und Muster hin zu untersuchen. Dies geschieht beim sogenannten Data Mining, das verschiedene mathematische Verfahren nutzt, um Muster zu isolieren. Die erkannten Muster wendet das Unternehmen (beziehungsweise seine datenkundigen Mitarbeiter) dann mit Hilfe der Predictive Analysis auf aktuelle Daten an, und kann durch die Anpassung vielfältiger Variablen realistisch mögliche Entwicklungsszenarien aufzeigen. In der Energiewirtschaft etwa kann Predictive Analysis den Aufwand bei der Planung erheblich reduzieren, weil Anbieter den zeitlich wechselnden Energiebedarf ihrer Kunden sehr sicher prognostizieren und ihre Versorgungssysteme automatisch darauf aussteuern können. 

Kognitive Maschinenintelligenz hilft Entscheidern

Da die Daten verschiedener Unternehmen recht unterschiedliche Muster enthalten können, kommt es beim Data Mining nicht auf feste Algorithmen an, sondern auf möglichst adaptive Analysetechnologien. Hierbei setzen immer mehr Anwendungen auf Strukturen, die den neuronalen Netzen des menschlichen Gehirns ähneln: Die Applikationen lernen mit jeder Datenanalyse dazu. Dieses maschinelle Lernen versetzt Data-Mining-Anwendungen in die Lage, aus den Daten neue Algorithmen abzuleiten und so letztlich ganz individuelle Datenmodelle für ein Unternehmen oder sogar für die einzelnen Geschäftsbereiche zu entwickeln. 

In Ansätzen sind das Verfahren, die bereits heute vorstellbar machen, was Künstliche Intelligenz schon bald in weitaus höherer Ausprägung leisten wird. Unternehmen profitieren bereits heute: Sie können fundierte, zukunftsgerichtete Entscheidungen treffen und so ihr unternehmerisches Risiko minimieren.