Komplexe Datenanalysen für Geschäftsentscheidungen: Chancen & Challenges
Die stetig voranschreitende Digitalisierung von Geschäftsprozessen – von der Personalverwaltung, Warenwirtschaft und Produktion bis hin zur Kundenbetreuung – ermöglicht es, komplexe Entscheidungsprozesse auf der Basis fundierter Daten nachhaltiger zu gestalten. Dies setzt jedoch voraus, dass auf den Entscheidungsebenen die relevanten Daten vorliegen und im Kontext des Entscheidungsprozesses analysiert werden können.
Nur wenige Informationsaspekte konnten bisher aus unstrukturierten Datenobjekten automatisch abgeleitet werden, da die fachlichen Zusammenhänge in den Daten bzw. Dokumenten (E-Mails, Textdokumenten, Wikis, etc.) verborgen und damit klassischen Analysemethoden nicht zugänglich sind. In Unternehmen befindet sich ca. 80% der relevanten Information in unstrukturierten Datenobjekten. Im Gegensatz zu Datawarehouse-/BI-Methoden müssen diese unstrukturierten Inhalte zunächst aus verschiedensten heterogenen Datenquellen extrahiert werden, bevor sie analysiert und visualisiert werden können. Nicht zuletzt durch immer kürzere Produktzyklen sind in den Unternehmen abteilungs- und systemübergreifende Analysen für die Erschließung von Zusammenhängen gefragt, zum Beispiel für die Erkennung von Wechselwirkungen zwischen Inhalten im Helpdesk (Ticket-System), Qualitätsdokumenten, Verträgen und Handlungsanweisungen. Erschwerend kommt hinzu, dass es zu wenig Datenanalyse-Experten gibt, die solche Analysen vornehmen könnten. Letztlich geht es um die Erschließung des in Dark Data[1] verborgenen Wissens.
Automatische Gewinnung von Informationen nicht immer „einfach“
Die Kunst eines modernen Informationsmanagements liegt im organischen Verbinden von bekannten Fakten mit automatisch ermittelten Informationsaspekten. Dabei liegt die Herausforderung insbesondere in der Etablierung einer wirtschaftlichen und nachhaltigen Lösung.
Dahinter steckt der Spagat zwischen dem Erstellen und Verwenden eines kuratierten Informations- und Begriffsmodells und dessen Zusammenwirken mit automatisch gewonnenen Entitäten, sonstigen Begriffen und den Zusammenhängen zwischen ihnen.
Solange die automatische Gewinnung von Informationsaspekten durch deterministische Regeln widerspruchsfrei erfolgt, ist dies relativ einfach beherrschbar. Finden hingegen Methoden des maschinellen Lernens Anwendung, bedarf es an Strategien, welche die Fehler solcher Methoden kompensieren oder tolerierbar machen.
Neben der Qualität der gelernten Aspekte spielt der Ressourcenbedarf der eingesetzten Verfahren eine entscheidende Rolle. Es lässt sich heute noch nicht in jedem Fall eine wirtschaftliche Lösung mit praxistauglichen Ergebnissen finden.
[1] Vom Beratungsunternehmen Gartner geprägter Begriff für unbekannte und deshalb ungenutzte Informationen in einem Unternehmen
(Veröffentlicht im DOK.magazin, Ausgabe 4/ 2016; Fortsetzung folgt)