Suchen

Kommentar von Michael Rutty, Micro Focus Predictive Analytics und KI – so gewinnen Sie die richtigen Erkenntnisse aus Daten

| Autor / Redakteur: Michael Rutty / Nico Litzel

Künstliche Intelligenz (KI) begleitet die Technologie bereits seit Jahrzehnten, erreicht aber jetzt erst den richtigen Reifegrad, um Unternehmen echten Mehrwert zu bieten und die Vorteile gegenüber Predictive Analytics auszuschöpfen. Damit KI-gestützte Analysen allerdings zielgerichtet und gewinnbringend eingesetzt werden können, müssen Unternehmen mit der Erfassung historischer Daten in Vorarbeit gehen.

Firmen zum Thema

Dert Autor: Michael Rutty ist Senior Evangelist Business Development bei Micro Focus
Dert Autor: Michael Rutty ist Senior Evangelist Business Development bei Micro Focus
(Bild: Micro Focus)

Im Filmklassiker „2001: Odysee im Weltraum“ wurde mit dem Computer HAL 9000 erstmals das Konzept der Künstlichen Intelligenz einer großen Allgemeinheit vorgestellt. In den darauffolgenden Jahren war KI eher eine futuristische Technologie aus Science-Fiction-Filmen, die etwas tendenziell Bedrohliches darstellte. Heute ist sie fester Bestandteil der IT-Architektur in Unternehmen jeder Größe und hat vor allem eine unterstützende Funktion in der Datenauswertung. Dabei wird KI häufig in Zusammenhang mit Analytics genannt oder gleich synonym verwendet. Der echte Mehrwert liegt jedoch nicht nur in der retrospektiven Auswertung, sondern in der vorausschauenden Prognose anhand historischer Daten.

Automatisierung der Information Governance

Als Folge der indizierten Suche haben Organisationen und Softwareunternehmen, die ihnen zuarbeiten, versucht, Suchfunktionen zu verbessern, um Prozesse und Einblicke greifbarer zu machen. Das Ziel war, über grundlegende Funktionen einer Booleschen Logik für Schlüsselwörter, Zeiträume und Datentypen hinaus zu kommen. Im Laufe der Zeit erweiterten sich die Konzepte auf Filterungsmöglichkeiten bestimmter Metadaten, darunter Parsing von E-Mail-Verteilern oder die Log-in-Zeit von Anwendungen. Weitere Möglichkeiten, die berühmte Nadel im Daten-Heuhaufen zu finden, waren Stemming, Lemmatisierung und Proximitätssuche.

All diese Maßnahmen halfen zwar dabei, immer genauere Erkenntnisse zu gewinnen, sind aber zeitaufwendig umzusetzen. Maschinelle Hilfe bringt hier analytische Kompetenzen ins Spiel, welche die Zeit erheblich verkürzen und die Ergebnisse gleichzeitig präziser auswerten können, um so bessere Einblicke zu liefern. Mit der nötigen Kompetenz lassen sich zudem passende Prognosen ableiten, die zukünftige Entwicklungen anhand vergangener Muster einsehbar machen und so einen geschäftlichen Mehrwert bieten. Hierbei gilt es, die unterschiedlichen Merkmale zwischen KI und Predicitve Analytics unterscheiden zu können, um deren Kompetenzen besser nutzen zu können.

Predictive Analytics – Zukünftiges durch Vergangenes antizipieren

Predictive Analytics nutzt historische Daten, um zukünftige Entwicklungen prognostizieren zu können: Üblicherweise werden dabei historische Daten genutzt, um mathematische Modelle zu bauen, die wahrscheinliche Entwicklungen erfassen und darstellen können. Diese Modelle werden dann auf die aktuellen Daten angewendet, um zukünftige Entwicklungen und deren bestmöglichen Ausgang abzuschätzen.

Analytics im heutigen Sinn hat seine Wurzeln in der Datenwissenschaft. In Kombination mit der 3D-Darstellungsweise archivierter Daten liefert Analytics aussagekräftige und anschauliche Einblicke über eine einfache Boolesche Suche hinaus. Basierend auf früheren Ereignissen und Entwicklungen können Organisationen zukünftige Geschehnisse besser antizipieren, sei es im Kontext von Mitarbeitern, Kunden oder Wettbewerbern. Dadurch lassen sich Erfolgsaussichten und Risiken präziser abwägen und garantieren somit ein durchdachteres Vorgehen. Grundlage dafür ist allerdings eine exakte und standardisierte Datenerfassung aus verschiedenen Quellen. Dazu gehören E-Mails, Instant Messenger, CRM-Anwendungen, relationale Datenbanken, Kollaborations-Tools und Soziale Medien.

Künstliche Intelligenz – das große Ganze

Künstliche Intelligenz ist kein neues Konzept – was sich in den vergangenen Jahren allerdings verändert hat, ist die Leistungsfähigkeit von Computern, Cloud-basierten Serviceleistungen und der einfacheren Anwendung von KI auf bestehende Datensätze. Ebenfalls im KI-Bereich ist das Konzept Machine Learning anzusiedeln, das Predictive Analytics weiterentwickelt. Dabei weist es allerdings einen entscheidenden Unterschied auf: Ein KI-System ist in der Lage, selbstständig Schlussfolgerungen anzustellen, Tests durchzuführen und zu lernen. KI ist eine Kombination verschiedener Technologien, während Machine Learning eine der prominentesten Technologien davon ist, die im Bereich der Information Governance genutzt wird, um Erkenntnisse aus Datensätzen zu extrahieren.

Interne Daten mit externen Kanälen verbinden

Die Unterscheidung zwischen Predictive Analytics, Machine Learning und Künstlicher Intelligenz liegt hier in den Details: Während Machine Learning anhand vorgegebener Algorithmen Datensätze verarbeitet, nutzt Predictive Analytics historische Daten in Zusammenhang mit externen Informationen, um Muster und Verhaltensweisen zu analysieren. Künstliche Intelligenz kombiniert große Datenmengen mit iterativen Prozessen und intelligenten Algorithmen und erlaubt Software so, automatisch von den Verhaltensmustern oder Funktionen der Daten zu lernen.

Ein gutes Beispiel für die Unterscheidung verschiedener Analysedaten liegt in der Online-Werbung. Es gehört zu den jährlichen Anekdoten des Weihnachtsshoppings, dass Kunden online nach Socken für ihre Verwandten shoppen und in den Monaten darauf immer noch Werbung für Socken erhalten. Predictive Analytics und KI sind hier weiter, aber unterscheiden sich ebenfalls in Relevanz und Genauigkeit.

In einem Szenario kauft ein Vater für die zehn Jahre alte Tochter eine Gitarre. Algorithmen für Predictive Analytics nehmen die demografischen Informationen des Käufers (volljährig, männlich) und schließen daraus, was er als nächstes kaufen könnte. So erhält der Käufer Angebote für Notenbücher aus Gitarren lastigen Musikrichtungen wie Folk, Rock & Roll oder Heavy Metal oder Einladungen für Konzerte – nichts davon ist zunächst relevant für die zehnjährige Tochter, für die die Gitarre gedacht war.

Eine KI hingegen verknüpft besagte Informationen mit externen Quellen und kann dem Vater eine passendere Alternative vorschlagen. Die Gitarre als Indikator für eine Vorliebe für Gitarren lastige Musik triggert Vorschläge für entsprechende Musik auf iTunes, Google Play oder Spotify. Dazu kommen weitere passende Artikel wie Bluetooth-Kopfhörer, um die Musik mit dem passenden Equipment genießen zu können.

Dass Künstliche Intelligenz im komplexen Ökosystem des Online-Shoppings passendere Vorschläge als Predictive Analytics erstellt, bedeutet nicht, dass letztere Technologie keine Daseinsberechtigung hat. Betrachtet man beispielsweise in Unternehmen den Bereich „People Analytics“, kann diese Technologie hilfreich sein, um Nutzerverhalten zu erfassen und die Zufriedenheit der Mitarbeiter zu messen.

Greift ein Mitarbeiter beispielsweise gegen Ende eines Monats überdurchschnittlich häufig auf bestimmte Dokumente zu und lädt diese herunter, könnte das ein Hinweis darauf sein, dass er eine Kündigung plant und relevante Arbeitsproben oder Informationen zu einem neuen Arbeitgeber mitnehmen möchte. Das HR-Team kann dann nachsehen, wann der betreffende Mitarbeiter zuletzt befördert wurde oder eine anderweitige Vergütung, wie eine Gehaltserhöhung, Bonus oder ähnliches erhalten hat und entsprechende Gegenmaßnahmen einleiten, um den Mitarbeiter zu behalten.

Fazit: Die Konfiguration macht den Unterschied

Ob Predictive Analytics oder Künstliche Intelligenz – die Antwort auf die Frage nach der richtigen Software und der Technologie ist selten in Stein gemeißelt und variiert je nach Einsatzgebiet, Branche und den Parametern der analytischen Aufgabenstellung. Entscheidend für die erfolgreiche Umsetzung sind auch die Konfiguration der zugrundeliegenden Infrastruktur und die Datenstruktur. Da es keine Branchenstandards gibt, die der Datenerfassung zugrunde liegen und die Analysen von Software A sich von denen der Software B unterscheiden, gilt es, historische Events anhand von Regeln zu katalogisieren. Mithilfe eines vorkonfigurierten Regelkatalogs, der sich an bestimmten Ereignissen orientiert und diese mit den Geschäftszielen verbindet, lässt sich ein Rahmen schaffen, in dem sich verschiedene Analyse-Tools sinnvoll nutzen und kombinieren lassen.

(ID:46667977)