Ein Gastbeitrag von Christoph Sporleder, Executive Advisor, SAS
Digitalisierung, Effizienzsteigerung, neue Geschäftsmodelle: Das sind aktuell die drei großen Problemstellungen in Unternehmen. Mit der Digitalisierung ihrer Infrastrukturen, Prozesslandschaften und Lieferketten möchten sie vor allem die Wertschöpfung in ihren Prozessen steigern.
Die Anforderungen sind branchenübergreifend. Denn praktisch alle Unternehmen sind von den aktuellen Herausforderungen betroffen. Versicherungen beschäftigen sich heute unter anderem mit Telematik, Connected Home im Bereich Warnsysteme oder Connected Health zur Entwicklung individueller Tarife. Automobilunternehmen binden zahlreiche Sensoren ein. Energieversorger nutzen Smart Grids. Und Fertigungsunternehmen können im Zuge von Industrie 4.0 individuelle Produkte auf Kundenanfrage herstellen. Auf Basis der Daten aus dem Internet der Dinge sind zahlreiche neue Fragestellungen zu beantworten und Lösungen zu entwickeln, die auch sehr komplex sein können.
Um diese Anforderungen zu erfüllen, können Unternehmen Anwendungsfelder identifizieren, validieren und industrialisieren. Denn im Rahmen der Digitalisierung sowie für neue Geschäftsmodelle wird nicht nur ein Use Case entstehen, sondern ein kontinuierlicher Strom davon. Es ist jedoch nicht effizient, für jeden Nutzungsfall individuell eigene Prozesse oder gar eigene Infrastrukturen aufzusetzen. Unternehmen benötigen deshalb eine Strategie, um analytische Lösungen schneller zu entwickeln, zu abstrahieren und zu industrialisieren. Hierzu können sie Konzepte wie das IoT Analytics Lab nutzen, in dem IoT-Daten aufbereitet, mit Geschäftsdaten verbunden und analysiert werden. Das steuert dem ‚Mangel an Experimentierlust’ in den Unternehmen entgegen, der oft durch Ängste der Verantwortlichen getrieben ist.
Denn mit Hilfe einer prädiktiven Analytik können Unternehmen schnell neue technologische Ansätze validieren. Sehr unsichere Nutzerprognosen auf Basis des Bauchgefühls bestimmter Entscheider gehören so der Vergangenheit an. Man kann nach den Analysen Entscheidungen auf Faktenbasis und ohne Zeitverluste fällen.
Aufgrund der hohen Schnelligkeit der Entwicklung ergibt sich jedoch häufig zunächst auch hier eine Fehlerquote. Doch dies ist kein Problem, solange die Fehler schnell erkannt und daraus die richtigen Lektionen gelernt werden. Die Nachjustierung und Analyse auf Basis weiterer Daten ist hier erforderlich. Das ist der Ansatz vieler erfolgreicher Start-ups und digitaler Unternehmen, die teilweise etablierten Konzerne in ihren angestammten Branchen Konkurrenz machen.
Innovationen fördern
Doch eine rein an den Anforderungen orientierte Lösungsentwicklung ist nur der halbe Weg. Ergänzt werden muss dieser Ansatz durch Innovationen der Mitarbeiter. Daher sollten Unternehmen Anreize bieten, um viele neue Ideen zu generieren. Dies lässt sich aber nicht von oben verordnen. Stattdessen ist die Unternehmenskultur entsprechend anzupassen, um Fehler zu tolerieren, sich nicht ausschließlich am Erfolg zu orientieren und den Mitarbeitern möglichst viele Freiheiten zu ermöglichen. Die Unternehmen sollten gezielt die Kreativität fördern und Ideen nach ihrem möglichen Mehrwert für das Business oder die Prozesse einstufen und bewerten.
Diese Überprüfung des Potentials und der technischen Umsetzbarkeit der Ideen lässt sich auf Basis von Big Data-Analysen industrialisieren. Nach erfolgreicher Validierung und Erprobung ist ein analytisches Modell zu schaffen, um die Idee erfolgreich umzusetzen und industriell zu nutzen.
Dabei muss die interne Organisation an die neue digitale Welt angepasst werden. Bislang ist die Entwicklung und Umsetzung der Lösungsmodelle strikt getrennt. Dies führt jedoch häufig dazu, dass die Data Scientists praktisch alles machen können, was sie möchten, um Modelle zu generieren. Dabei berücksichtigen sie häufig nicht deren Umsetzbarkeit. Entwicklung und Betrieb müssen aber Hand in Hand arbeiten, um effiziente Lösungsansätze zu finden. Dazu ist ein engerer Rahmen für die Infrastruktur und die Prozesse abzustecken, die den Handshake zwischen Entwicklung und Betrieb optimieren. Zudem sind die konkreten Vor- und Nachteile der neuen Modelle zu validieren.