Aus dem Facharchiv: Elektropraxis
Mehrwert durch Analyse
Das Sammeln von Daten ist für viele Unternehmen heutzutage fast schon die Norm. Meist entstehen durch vorangetriebene Digitalisierungsprozesse sehr schnell große Datenmengen. Big Data besteht in erster Linie aus unstrukturierten, unvollständigen, uneinheitlichen und teils fehlerhaften Rohdaten. Die Herausforderung besteht darin, sinnvolle Informationen zu finden und daraus einen Mehrwert zu schaffen. Hierfür ist die Datenqualität ausschlaggebend. Die „richtigen“ Daten sollten vollständig, aktuell, verfügbar und relevant sein.
Big Data wird durch Bearbeitung und Anreicherung von Kontextvariablen zu Smart Data. Mit der Auswertung dieser „smarten“ Informationen lassen sich aus dem Betriebsablauf relevante Rückschlüsse für ein Unternehmen ziehen. So werden die wichtigsten Informationen schnell herausgefiltert und in einen sinnvollen Bezug zu den wesentlichen Aufgaben und Zielen gesetzt.
Deskriptive Analyse und Machine Learning
Grundsätzlich wird Smart Data durch Feststellung von Nutzen, Semantik, Qualität, Sicherheit und Datenschutz aus Big Data gewonnen. Dafür können effiziente Analyse-Instrumente angewendet werden, die die Datenmassen gezielt auswerten. Descriptive Analystics bildet dabei die Grundlage.
Das Ziel der Deskriptiven Analyse ist es, empirische Daten übersichtlich darzustellen und zuzuordnen, um Muster oder Bedeutungen zu identifizieren. Dazu werden vergangene und aktuelle Zustände analysiert und interpretiert. Die unstrukturierten Rohdaten müssen dafür in ein einheitliches und verständliches Format gebracht werden. Durch gezieltes Zusammentragen der Informationen werden sie für Analysen geeignet aufbereitet.
Sobald ein System unvorhersehbar und komplex ist, bietet sich der Einsatz von Künstlicher Intelligenz (KI) an. KI ist dabei ein Sammelbegriff für mehrere Unterdisziplinen, wie etwa Machine Learning (ML). Dieses maschinelle Lernen eignet sich für die Gewinnung von Smart Data und die Auswertung mithilfe beschreibender Analysen. Mittels leistungsfähiger Algorithmen lernt das System selbstständig aus großen Datenmengen. Dabei ist der stetige Zufluss neuer Informationen ausschlaggebend. Vorab müssen relevante Kennzahlen definiert werden, damit die maschinelle Lesbarkeit der Auswertung gewährleistet ist. Eine falsche Datenauswahl und zu viele Störvariablen führen schlimmstenfalls zu einer verfälschten Analyse oder behindern diese sogar.
Die Voraussetzung dazu ist eine durch ein interdisziplinäres Team konzipierte und trainierte KI. Diese wird auf der Basis von Soll- und Ist-Zuständen mit Bestandsdaten trainiert und schließlich in verschiedenen Szenarien in ihrer Effizienz validiert. Der Vorteil einer KI-Lösung gegenüber Solver-Programmen ist, dass sie in verschiedenen Szenarien eingesetzt werden kann. Eine KI, die Optimierungen in der Packerei bringt, kann auch die Beladung eines Lieferfahrzeugs verbessern. Ein Solver müsste dazu angepasst werden. Der Nachteil von KI-Lösungen ist, dass der Weg zur Lösung für Menschen oft nicht mehr nachvollziehbar ist und daher auch nicht klar ist, warum eine KI beispielsweise eine ineffiziente Packlösung vorschlägt. Ein in Summe besseres Ergebnis rechtfertigt jedoch die Investition in eine KI-Lösung.