Datenexpertise Data Analytics Services für Unternehmen: So nutzen Sie KI zur Prozessautomatisierung

Anbieter zum Thema

COSMO CONSULT Gruppe

Glatt GmbH

Hellma GmbH & Co. KG

Xylem Analytics Germany Sales GmbH & Co. KG

Weil Data Analytics und Künstliche Intelligenz immer stärker in die Prozesse wandern, werden Datenexpertise und Datenkultur immer wichtiger. Plattformen wie „Microsoft Fabric“ senken mit Data Analytics Service jetzt die Hürden für die Nutzung und Skalierung. 

Ob bei der Verbesserung von Rezepturen, im Qualitätsmanagement, der Optimierung der Produktionsplanung oder der Auswertung von Echtzeitdaten für Digital Twins: Es gehört heute zu den zentralen Herausforderungen, Data Analytics und KI für mehr Automatisierung und bessere Entscheidungsgrundlagen in die Prozesse zu bringen. Eine Umfrage der Gartner Group unter 480 Datenexperten zeigt, dass sich 61 % der Unternehmen gezwungen sehen, ihr Daten- und Analysemodell angesichts der Auswirkungen von KI-Technologien weiterzuentwickeln oder zu überdenken.

In Praxisprojekten zeigt sich regelmäßig, dass Unternehmen gerade bei der Entwicklung einer übergreifenden Daten- und KI-Strategie auf Schwierigkeiten stoßen. Dazu trägt die hohe Dynamik von KI-Technologie bei, die zusammen mit der breiten Produktvielfalt rund um Data Analytics Service zu einer besonders hohen Komplexität beisteuert. Die Potenziale für das eigene Unternehmen zu bewerten, ist mit viel Unsicherheit verbunden.

Zugleich zeigen Umfragen wie die Studie „KI in Unternehmen“ der Hochschule Koblenz, dass deutlich über 80 % der befragten Betriebe KI für relevant oder extrem relevant halten. Aus Beratungssicht besteht der erste Schritt darin, ein tragfähiges Zielbild zu entwickeln, das zu den Businessanforderungen passt und hilft, datengesteuerte Innovation zu unterstützen.

Change Management und kulturelle Transformation

Sobald die Anzahl der datengetriebenen Use Cases zunimmt, werden fast immer die Skalierungsschwächen von klassischen Architekturen wie einem Data Warehouse oder Data Lake sichtbar. Auch bei der Koordination unterschiedlicher KI-Initiativen innerhalb des Unternehmens gibt es meist noch Lücken. Es fehlt vor allem an Data- und IT-Ressourcen, und oft gibt es keine übergreifende Herangehensweise, die Themen Datenerfassung, -qualität, Datenschutz und -sicherheit für jeden Anwendungsfall aufzusetzen und die nötigen Systeme anzubinden.

Auf dem Weg zum datengetriebenen Unternehmen ist ein kultureller Wandel ebenso wichtig wie die passende Datenstrategie und -architektur. Das bedeutet nicht, dass alle im Unternehmen über IT-Know-how verfügen müssen: KI-Assistenten vereinfachen künftig viele Aufgaben. Allerdings sind Change Management und eine kulturelle Transformation notwendig, um eine Sicht auf Daten als Produkt zu entwickeln, für das es Verantwortliche (Product Owner) gibt. In Data Analytics-Projekten sind Menschen aus unterschiedlichen Bereichen und oft auch viele Systeme involviert. Die Zusammenarbeit und Integration sind also aufwändig. Gerade die Aufbereitung der Daten kostete bisher viel Zeit.

Gen AI verändert Data Analytics Service

Es gab bereits einige Technologien, die Aufgaben rund um Data Analytics vereinfachen sollten, die vorher nur von Datenspezialisten erledigt werden konnten. Mit der neuen „Fabric“-Plattform setzt Microsoft jetzt auf einen weitergehenden Ansatz, um Analysetechnologien einfacher nutzbar und für mehr Menschen einsetzbar zu machen. Auf der Plattform arbeiten alle Beteiligten vom Data Scientist und Data Engineer bis zu den Fachbereichsexperten zusammen. Sie deckt sämtliche Analysetypen von Reporting und BI bis hin zu KI-Vorhersagemodellen über alle Unternehmensdaten hinweg ab.

Die Verknüpfung mit Generativer KI (Gen AI) auf Basis von großen Sprachmodellen wie ChatGPT, die mit der Assistenztechnologie „Copilot“ direkt in die Prozesse integriert ist, führt zu einem echten Paradigmenwechsel: KI-Assistenten legen den Grundstein dafür, dass Fachbereichs-User deutlich mehr Möglichkeiten bekommen. So können in Verbindung mit Low-Code-Ansätzen auf einer visuellen Oberfläche im Data Engineering Anfragen gestellt werden, für die bisher IT-Entwicklungsarbeit nötig war - auch ganz ohne Fach-Know-how. Die KI übersetzt Anfragen in natürlicher Sprache in Programm-Code und SQL-Statements. Ein Beispiel: Oft haben die Domänen-Experten in der Produktion bereits eine Vermutung, wo die Ursache für eine Qualitätsabweichung oder ein Problem mit einer Anlage liegen könnte. Gen AI ermöglicht es, mittels natürlicher Sprache die Daten auszuwählen, in Relation zu setzen und mit der passenden Methode auszuwerten.

Besserer Zugang zu Wissen aus den Daten

Auf Basis von Gen AI und Analytics-as-a-Service erhalten die Menschen in den Fachbereichen deutlich mehr Spielraum und Optionen als vorher. So können etwa Statistik-affine Personen im Qualitätsmanagement leichter auf Spurensuche gehen. Um etwa Zusammenhänge zwischen Qualität und Herstellungsprozess zu identifizieren, wird es immer wichtiger, nicht nur Reporting zu nutzen, bei dem regelmäßig aufkommende Fragen beantwortet werden. Stattdessen sollten möglichst viele Mitarbeitende auch Ad-hoc-Analysen zu neu aufkommenden Fragen nutzen können. Durch Assistenztechnologien auf Basis von Large Language Models (LLM) können alle Anweisungen in natürlicher Sprache gegeben und die Ergebnisse in den nächsten Schritten mündlich weiter verfeinert werden. Dabei geht es nicht darum, bestehende Fachkräfte zu ersetzen, sondern die Fähigkeiten der Menschen in den Fachbereichen zu erweitern.

Data Analytics Service: Neuer Architekturansatz

Auf der Fabric-Plattform werden Daten aus sämtlichen Quellen, auch aus Multi-Cloud-Umgebungen, abgeholt und zentral analysiert. Im Mittelpunkt steht der „One lake“-Ansatz: Er sorgt dafür, dass die Daten nicht mehr aufwendig an unterschiedlichsten Stellen dupliziert und synchronisiert werden müssen. Dafür hat Microsoft verschiedene Technologien gebündelt, darunter „Power BI“ als visuelle Plattform, den KI-Assistenten Copilot oder „Synapse“ als Lösung für Infrastruktur as a Service für Data Analytics.

Auf Basis von One lake kann die Datenlandschaft dezentral domänenspezifisch aufgebaut werden. Einzelne Domänen wie Entwicklung, Produktion, Beschaffung, Sales oder Service legen ihre Daten in dezentralen fachbereichs-eigenen Data lakes houses ab. Jeder Bereich übernimmt die Data Ownership für seine Daten. Dafür braucht es einen Product Owner, der das Know-how für die jeweiligen Daten mitbringt. Mit dem Konzept werden die Vorteile einer Zentralisierung nicht aufgegeben: Ziel ist eine zentrale Governance über alle Daten hinweg.

Data Analytics Service: Herausforderungen wie Individualisierung angehen

Mit einer solchen Plattform wird es deutlich einfacher, Innovation in Form neuer KI- und Analytics-Anwendungsszenarien umzusetzen und im Unternehmen zu skalieren. Gerade in der Prozessindustrie nimmt die Erwartung der Kunden an stärker individualisierte Lösungen immer weiter zu. KI kann beispielsweise dabei helfen, die Anforderungen von Kunden in die eigene Sprache zu übersetzen: etwa um die benötigten Materialien und Rohstoffe für einen Auftrag zu ermitteln, um schneller ein Angebot zu erstellen.

KI eignet sich zudem, um Mitarbeitern in der jeweiligen Sprache durch einen komplexen Prozess zu führen oder in Echtzeit Feedback zu geben, wie die Bearbeitung eines Prozessschritts verbessert werden kann. Durch Bilderkennung mit Videotechnologie und die zunehmend leistungsfähigen KI-Modelle verändern sich die Möglichkeiten dynamisch weiter. Das Thema ist - angesichts von Fachkräftemangel und höherer Fluktuation - für viele Unternehmen von strategischer Bedeutung.