Datendominanz: Künstliche Intelligenz und Business Intelligence als Erfolgsfaktor im Mittelstand
„The world’s most valuable resource is no longer oil, but data.“ – The Economist
Betrachtet man die rasante Entwicklung von Unternehmen wie Amazon, Google und Facebook, wird schnell klar, dass Daten in 2024 die tatsächlich wertvollste Ressource dieser Welt sind. Der Wert von Daten beschränkt sich dabei jedoch nicht auf Tech-Giganten, sondern nimm auch bei Dienstleistern, produzierenden und Pharmaunternehmen im Mittelstand eine zunehmend erfolgsentscheidende Rolle ein. Wie können sich Mittelständler also heute für eine datengetriebene Zukunft vorbereiten?
Im Folgenden wird dargelegt, wie künstliche Intelligenz (KI) und Business Intelligence (BI) zum Wettbewerbsvorteil werden und welche Rolle Unternehmensdaten dabei spielen. Anhand von Praxisbeispielen wird gezeigt, wie KI und BI heute zum Einsatz kommen und wie Unternehmen im Mittelstand sich mit Datendominanz von der Konkurrenz abgrenzen können.
Bevor wir tiefer in die Praxisbeispiele einsteigen, müssen wir zunächst einmal verstehen, was Datendominanz bedeutet und wie diese den Unternehmenserfolg bestimmen kann.
Was ist Datendominanz?
Grundsätzlich geht die Entwicklung neuer berufsbezogener Anforderungen und Fähigkeiten dahin, vorhandene Probleme und Herausforderungen mit einer tieferen analytischen Betrachtung anzugehen und zu lösen.
In Verbindung mit technischen Tools, z. B. Business-Intelligence- und Artificial-Intelligence-Technologie, können damit in vielen Unternehmensbereichen optimierende und dauerhafte Verbesserungsprozesse angegangen werden. Hier können insbesondere mittelständische Unternehmen einen wirtschaftlichen Aufholprozess starten.
Die durch Mitarbeiter zu entwickelnden Problemlösungen werden bestehende Grenzen, Silos und Schnittstellen in Unternehmen verlassen, sie werden ganzheitlich betrachtet und umgesetzt werden müssen. Um dies zu gewährleisten, werden immer umfangreichere Daten zusammengeführt und analysiert. Damit aus Big Data auch Smart Data wird, sind analytische Fähigkeiten genauso gefragt wie das Denken in Zusammenhängen und dasInterpretieren von Ergebnissen zu problemlösenden Fragestellungen.
- Nutzer, Kunden oder Installationen gewinnen.
- Dies resultiert in mehr Daten, die gesammelt werden können.
- Mehr Daten ermöglichen mehrLernen durch KI-Applikationen.
- Mehr Lernen der KI-Applikationen bedeutet, Kunden besser zuverstehen und bessere Produkte zu liefern.
- Kunden besser zu verstehen und bessere Produkte resultieren wiederum in mehr Kunden, Nutzern oder Installationen mit einer höheren Preisbereitschaft, Kundenbindung und Weiterempfehlungsrate.
- Hieraus resultieren wiederum mehr Daten…
- …und so weiter, bis hin zu einem größeren Marktanteil und höheren Gewinnen.
Datendominanz resultiert aus dem Einsatz von KI-Technologien, wodurch sich mit ausreichend Daten kontinuierlich bessere Produkte, Leistungen und Prozesse herbeiführen lassen und so ein kontinuierlicher Zyklus der Wettbewerbssteigerung vorgenommen wird. Um sich allerdings von der Konkurrenz abzugrenzen, ist es wichtig, zu verstehen, welche Daten sich besonders gut für Datendominanz eignen.
Wertvolle Daten
Daten die es ermöglichen einen Vorteil für Ihr Business oder Ihre Kunden zu erzeugen
Amazon beispielsweise sammelt enorme Mengen an Nutzerdaten. Dabei werden Daten zum Nutzerverhalten, zu Klicks oder angesehenen Produkten heruntergebrochen, um Korrelationen zwischen dem Nutzerverhalten und dem zukünftigen Kaufverhalten zu ermitteln. So kann Amazon die Nachfrage seiner Nutzer besser verstehen und immer bessere Produktempfehlungen und auch bessere Produkte an sich liefern.
Exklusivität und Zugang
Wenige andere Organisationen haben Zugang zu diesen Daten oder haben keine vergleichbare Menge an Daten
Google sammelt kontinuierlich Daten zur Suchintention der Suchmaschinennutzer. So kann Google seine Suchergebnisse kontinuierlich immer besser auf die vom Nutzer gesuchten Inhalte anpassen. Durch die exklusiv generierten Daten und die große Menge an Daten, die mehr generiert werden als bei anderen Suchmaschinen, kann Google sich kontinuierlich weiter von Konkurrenten wie Bing und Yahoo abgrenzen.
Während es möglich ist, Produkte wie Amazon oder Google zu imitieren oder gar zu kopieren, bleibt Unternehmen, die exklusive, wertvolle und einfach deutlich mehr wertvolle Daten als die Konkurrenz gesammelt haben, ein starker und dauerhafter Wettbewerbsvorteil.
Wie sieht Datendominanz im Mittelstand aus?
Spricht man von Unternehmen wie Google, Amazon oder Facebook, stellt sich schnell die Frage, was diese mit Unternehmen im deutschen Mittelstand gemein haben. Datenriesen wie Google, Amazon und Facebook waren unter den ersten Unternehmen in ihren Bereichen, die damit begonnen haben, Daten strukturiert zu sammeln und die Wettbewerbsvorteile ihrer Produkte mit KI-Anwendungen auszubauen.
Je früher produzierende oder mittelständische Unternehmen also damit beginnen, Daten strukturiert zu sammeln und die ersten Schritte in Richtung AI zu gehen, desto schneller werden sie große Datenmengen ansammeln, die ausgeklügelte KI-Anwendungen erlauben. Mit jeder Iteration der KI-Datensätze vergrößert sich der Vorsprung zur Konkurrenz. Mit rasant steigender Einsatzfähigkeit von KI bringt es großes Potenzial mit sich, zu den Datenführern in der eigenen Branche zu gehören. Daten zu vernachlässigen, kann andersherum langfristig fatale Folgen haben.
Welche wertvollen Daten kommen im Mittelstand in der Praxis vor?
Spricht man von Daten, wird die Beschreibung schnell abstrakt und praxisfern. Dies liegt an der großen Menge verschiedener Formate, in denen Daten im Unternehmen vorkommen. Auf den ersten Blick fallen herkömmliche strukturierte Unternehmensdaten wie CRM-Daten (Umsatz, Branche, E-Mail, Vertriebskontakte, …), ERP Daten (Lagerbestand, Preise, Lieferzeiten,…) oder Produktions- und Maschinendaten (Montagedauer, Output, Stücklisten, Maschinenauslastung, Sensordaten,…) ins Auge.
Durch KI-Techniken wie Natural Language Processing in der Textverarbeitung oder Deep Learning in der Bilderkennung können jedoch auch unstrukturierte Daten wie E-Mails, Tickets, Excel, PDFs oder Bilddateien strukturiert und ausgewertet werden.
Praxisbeispiel Datendominanz im Mittelstand
Stellen wir uns vor, Sie sind ein mittelständisches Unternehmen in der Herstellung von Heizungs-, Lüftungs- und Klimatechnik. Ihre Produkte werden vorrangig in großen kommerziellen Gebäudekomplexen eingesetzt. In die Geräte eingebaute Sensorik sammelt Daten zu Temperaturen, Luftströmen und Auslastung und weist Ihre Kunden auf Probleme wie Leckagen oder Ineffizienzen bei der Nutzung hin. Werden diese Daten sauber gesammelt, können historische Sensordaten durch den Einsatz von KI-Technologien nun für die Vorhersage zukünftig auftauchender Probleme eingesetzt werden (z.B. Predictive Maintenance).
So könnten Sie Ihren Kunden einen verkaufssteigernden Mehrwert zu Ihren Produkten liefern. Da sich die Vorhersagen der KI-Technologien mit jeder Iteration und jedem eingebauten Gerät weiter verbessern, bauen Sie Ihren Wettbewerbsvorteil kontinuierlich weiter aus.
Datendominanz ohne IoT (Internet of Things) Produkte
Nicht jedes Unternehmen hat Produkte die sich im Rahmen des Internet of Things (IoT) verkabeln, vernetzen oder auswerten lassen. Für Unternehmen im Dienstleistungssektor oder für Pharmaunternehmen beispielsweise ist es schwierig, Daten direkt aus den angebotenen Produkten zu gewinnen. Dies bedeutet jedoch nicht, dass Daten für diese Unternehmen nicht eine erfolgsentscheidende Rolle spielen können.
Praxisbeispiel Datendominanz Pharma
Ein wundervolles Beispiel für Datendominanz ohne IoT-Produkte ist die Pharmaindustrie.
Medizinisch-wissenschaftliche-Abteilungen verbringen täglich einen nicht insignifikanten Teil ihrer Arbeitszeit damit, sich über den aktuellen Stand der Medizin und Wissenschaft zu informieren. Das Screening von Studien, Umfragen und weiteren wissenschaftlichen Veröffentlichungen ermöglicht es, neue Erkenntnisse zu Wirkstoffen, Produkten, Entwicklungen der Konkurrenz oder neuen Therapieansätzen frühzeitig zu erkennen und gewinnbringend einzusetzen.
Neben der Absicherung kostspieliger Entwicklungsprojekte erbringt die kontinuierliche und effektive Auswertung von neuen Erkenntnissen der Wissenschaft auch dem Direktvertrieb spannende Themen und neue Verkaufsargumente. So können beispielsweise neue Erkenntnisse zur Wirksamkeit einer Therapie gewonnen und an die behandelnden Ärzte und medizinischen Versorgungszentren vermittelt werden. Mit mehr als 8.000 wissenschaftlichen Publikationen täglich stellt diese Aufgabe allerdings eine nicht zu unterschätzende Herausforderung dar.
Der Einsatz der KI-Technologie Natural Language Processing (Neuro-Linguistisches-Programmieren) ermöglicht es, unstrukturierte Daten in Textform semantisch zu verarbeiten und zu clustern. So können KI-Anwendungen erstellt werden, die wissenschaftliche Publikationen erfassen, verarbeiten und die für das jeweilige Unternehmen relevanten Inhalte zusammenfassen.
Der Einsatz von Machine Learning-Methoden (maschinelles Lernen) sorgt dafür, dass das System iterativ lernt, relevante Zusammenhänge zu erkennen. Obwohl wissenschaftliche Publikationen keine exklusiven Daten sind, kann durch die rohe Menge an verarbeiteten Daten, also schlichtweg signifikant mehr als die Konkurrenz, Datendominanz erlangt werden.
Schritt für Schritt von BI zu KI zu Datendominanz
KI ist in 2024 längst kein Zukunftsgespinst mehr. Laut BMWI setzten bereits in 2019 rund 17.500 Unternehmen in Deutschland KI-Technologien in Produkten, Dienstleistungen und internen Prozessen ein. Dennoch stecken viele KI-Anwendungen noch in den Kinderschuhen.1 Was können Unternehmen also heute tun, um den Einsatz von KI-Technologien rechtzeitig vorzubereiten und sich heute schon einen Vorsprung für die kommenden Jahre zu sichern?
„In the big data domain, we often say 80% of your time or research is spent on data, and then 20% of your time is actually on the models, and the algorithms.“ – Zhiang Cheng, Director of Healthcare Big Data Lab – Tencent.
Der Weg zur Implementierung von KI ist ein Prozess und beginnt immer mit dem Sammeln und Aufbereiten von Daten im Unternehmen. Ein sauberes Datenmanagement und das konsequente Sammeln von Unternehmens-, Kunden- und Produktdaten sind die Basis jeder erfolgreichen KI-Lösung. Gutes Datenmanagement liefert meist schon auf dem Weg zum Einsatz von KI-Technologien wertvolle Erkenntnisse. Bei der Auswertung von Unternehmensdaten spricht man von Business Intelligence (BI).
Was ist Business Intelligence?
Vereinfacht beschrieben wird Business Intelligence als das Auswerten und Nutzen von Unternehmensdaten, um fundierte Business Entscheidungen zu treffen. Viele Unternehmen nutzen BI dafür, Produktionskosten zu senken, neue Chancen für das eigene Unternehmen zu entdecken und ineffiziente Prozesse zu identifizieren.
Was ist der Unterschied zwischen Business Intelligence und künstlicher Intelligenz?
KI und BI liegen sehr dicht beieinander. Grundsätzlich beschäftigen sich beide mit den gleichen Daten und deren Interpretation. Der Unterschied liegt primär in den eingesetzten Methoden.
Während BI relativ transparente heuristische Ansätze und Logik verfolgt, ist die Entscheidungsfindung bei KI signifikant weniger nachvollziehbar. Beim Einsatz von Machine-Learning-Methoden beispielsweise ist es oftmals unmöglich, nachzuvollziehen wie die künstliche Intelligenz auf ihre Ergebnisse und Interpretationen gekommen ist.
Allerdings ist es mit Machine-Learning möglich, signifikant mehr Parameter miteinander in Verbindung zu setzen und so übergreifende Zusammenhänge besser zu erschließen. Eine weitere Unterscheidung sind das Lernen und die kontinuierliche Anpassung von KI-Methoden. So kann KI mit zunehmenden Daten immer weiter verfeinerte Informationen und Prognosen liefern.
Beispiele BI:
- Ermittlung des Customer Lifetime Values von Kunden
- Kategorisierung von A-, B- & C-Kunden
- Ermittlung von Bottle-Necks im Produktionsprozess
- Ermittlung der Korrelation von Projektdaten und finanziellem Projekterfolg
Beispiele KI:
- Predictive Maintenance: auf Basis von Maschinendaten vorhersagen, ob und wann mit einem Defekt zu rechnen ist
- Predictive ML Models: im Vertrieb ermitteln, wie hoch die Wahrscheinlichkeit ist, dass ein Kunde Ihr Unternehmen verlässt oder sich für ein Angebot Ihres Unternehmens entscheidet
- Natural Language Processing: im Customer Service große Mengen an dokumentierten Kundengesprächen (Text oder Sprache) verstehen und ermitteln welche Probleme den größten Fokus benötigen
- Predictive ML & Natural Language Processing: in der Personalabteilung eine große Zahl von Bewerbungen bewerten und vorhersagen, wie gut einzelne Bewerber auf die ausgeschriebenen Stellen passen könnten
Zusammenspiel von BI und KI am Beispiel von CRM-Daten
Im CRM-System sammeln Unternehmen klassischerweise Vertriebsdaten. Vertriebsrelevante Metriken sind dabei beispielsweise Produktivität, Team Performance, Customer-Produkt/Service Präferenzen, Vertriebszyklen, Kaufverhalten, Umsätze und Markttrends.
All diese Metriken haben wiederum eigene Datensätze, die im CRM-System gesammelt und strukturiert werden. Durch den Einsatz von BI werden diese Daten ausgewertet und beispielsweise ermittelt, welche Kunden das größte Umsatzpotenzial bieten. So haben Vertriebsmitarbeiter und das Managementteam Fakten für eine fundierte Entscheidungsgrundlage und müssen sich nicht allein auf ihre Intuition verlassen.
Wird nun ein neuer Lead angelegt, könnte KI beispielsweise auf Basis historischer Daten eine Vorhersage treffen, welche Produkte für den Kunden am besten passen, wie lange der Vertriebszyklus voraussichtlich dauern wird und wie hoch die Wahrscheinlichkeit ist, dass dieser Lead zu einem Kunden konvertiert. So baut KI auf BI auf und geht noch einen Schritt weiter.
Zusammenspiel von BI und KI am Beispiel erneuerbarer Energien
Bei der Planung von Projekten im erneuerbaren Energiesektor haben viele Faktoren einen Einfluss auf die Profitabilität und den Erfolg der jeweiligen Projekte. Bei Windanlagen haben beispielsweise neben den technischen Daten oft die politische Situation und andere externe Daten wie Wind- und Wetterdaten einen großen Einfluss auf den Erfolg.
BI kann in der Projektplanung eingesetzt werden, um Korrelationen zwischen einzelnen Projektparametern wie Windgeschwindigkeit und Rotorhöhe oder Projektvolumen und Nettorohertrag zu identifizieren. Mit ausreichend Daten kann hingegen KI alle Projektparameter miteinander in Verbindung setzen und so den Erfolg des jeweiligen Projekts in der Gesamtheit prognostizieren.
Zusammenfassung
Unternehmensdaten sind in 2024 nicht mehr nur für große Tech-Unternehmen der relevanteste Erfolgsfaktor. In vielen Branchen haben Mittelständler, die heute beginnen, Daten strukturiert zu sammeln und bestehende Unternehmensdaten gezielt auszuwerten, die Möglichkeit, sich einen starken Wettbewerbsvorteil zu sichern. Datenmanagement und BI sind dabei der erste große Schritt in Richtung des Einsatzes von künstlicher Intelligenz und im positiven Ergebnisfall branchenweite Datendominanz.
„Häufig befassen sich Unternehmen erst mit dem Thema Daten, wenn es ohne nicht mehr weitergeht. Die Konkurrenz hat ihre Produkte, Leistungen oder Prozesse kontinuierlich verbessert und der Druck auf Ihr Unternehmen ist groß. Innovation passiert allerdings nicht über Nacht, und ein Datendefizit aufzuholen kann sehr schwierig sein. Wir empfehlen daher unseren Kunden, frühzeitig mit dem Sammeln und Strukturieren von Daten zu beginnen und Daten im Zuge von BI strukturiert auszuwerten. So entwickeln Sie für Ihr Unternehmen nicht nur die Basis einer datengetriebenen Entscheidungsfindung, sondern stellen auch gleich sicher, dass Ihre Datensätze KI-ready sind. Sobald eine ausreichende Datenbasis geschaffen wurde, entwickeln Sie sich dann Schritt für Schritt zu intelligenteren Lösungen bis hin zum Einsatz erster künstlicher Intelligenz.”
EXPERTE
Niko Gabrielides – Direktor Business Development
Erfolgreiches Projektmanagement mit und ohne Projektmanagement Beratung
So führen Sie richtig: ✓Kundenzentrierte Organisation ✓Treiber von Veränderung ✓Dualer Transformationsansatz ✓Soziale Netzwerkanalyse
Die Vorteile von Omnichannel Pharma Marketing
Erfahren Sie, welche Vorteile Ihnen Omnichannel Pharma Marketing bietet und wir Ihr Unternehmen von diesen Vorteilen profitieren kann:
✔️ Kundenzentrierung ✔️ Informationssilos aufweichen ✔️ Cross-funktionale Zusammenarbeit
Wie funktioniert das Datenmanagement im Omnichannel Pharma Marketing?
Erfahren Sie, wie das Datenmanagement im Omnichannel Pharma Marketing funktioniert und wie Pharmavertrieb und -marketing davon profitieren können:
✔️ Datenverarbeitung ✔️ Dateninfrastruktur ✔️ Einsatz von Daten in der Praxis
Quellen:
