Data Success - Lernen Sie, wie Sie Ihre Daten- und KI-Strategie definieren und umsetzen!

Bis heute investieren viele Unternehmen in Daten und Künstliche Intelligenz (KI). Da die Terminologie variiert, können die Aktivitäten als künstliche Intelligenz, Advanced Analytics, Data Science oder maschinelles Lernen bezeichnet werden, aber die Ziele sind in allen Unternehmen dieselben: Steigerung des Umsatzes und der Effizienz im laufenden Geschäft und Entwicklung neuer datengestützter Angebote. Es ist allgemein bekannt, dass die internen Prozesse und Produkte des Unternehmens intelligent sein müssen, um in der digitalen Wirtschaft wettbewerbsfähig zu bleiben – und Intelligenz kommt von Daten und KI. Erfolgreiche digitale Transformation ist ohne Daten und KI nicht möglich.

In den letzten vier Jahren, DAIN Studios an mehr als 50 Daten- und KI-Initiativen in verschiedenen Unternehmen und Branchen in Finnland, Deutschland, Österreich, der Schweiz und den Niederlanden beteiligt. Wir haben Daten- und KI-Strategien definiert, KI-Ausführungsprojekte evaluiert und Unternehmen zu Themen wie Data Governance, Organisation und Betriebsmodell beraten. Außerdem haben wir Cloud-Infrastrukturen aufgebaut, Daten verarbeitet und skalierbare Machine-Learning-Modelle entwickelt. Wir haben Dutzende von Unternehmensleitern beraten, wie sie datengesteuert werden und KI zu ihrem Vorteil nutzen können. Dieser Artikel gibt einen Überblick über einige der von uns gewonnenen Erkenntnisse und schlägt bewährte Verfahren für die Zukunft vor.

Die Realität ist, dass es keine Abkürzungen gibt. Die Überwindung dieser Probleme erfordert von der Unternehmensführung starke Entschlossenheit und Beharrlichkeit. Es bedeutet, Daten und KI in den Mittelpunkt aller Aspekte der Entscheidungsfindung zu stellen – von der Strategie bis zum Betrieb, unterstützt durch Key Performance Indicators, die die datengesteuerte Entscheidungsfindung ausrichten. 

Basierend auf unserer Erfahrung müssen Führungskräfte in hohem Maße in alle Aspekte der Umsetzung von Daten- und KI-Strategien und die Fähigkeiten, die die unterstützenden Initiativen beinhalten, eingebunden werden. Wir beobachten, dass eine engagierte Führung einer der gemeinsamen Nenner für den Erfolg bei der digitalen Transformation und der Entwicklung zu einem datengesteuerten Unternehmen ist.

Führungskräfte müssen ihre Anstrengungen darauf verwenden, ein effektives Unternehmensumfeld für Daten und KI zu schaffen. Das bedeutet, Geschäftsziele zu setzen, die richtigen Mitarbeiter einzustellen, die Belegschaft zu schulen, sich zu Investitionen zu verpflichten und ein effektives Betriebsmodell und eine Organisation für Daten und KI zu implementieren. Dies geschieht am besten, indem klare Ziele und Anreize für die Organisation festgelegt und diese nachverfolgt werden.

Im nächsten Abschnitt gehen wir tiefer auf die Themen ein, die bei der Definition und Umsetzung einer Daten- und KI-Strategie berücksichtigt werden sollten. 

Festlegen der Daten- und KI-Vision

Die Voraussetzung für eine erfolgreiche Daten- und KI-Strategie ist, Ihre Geschäftsziele zu kennen. Was sind deine Kämpfe, die du unbedingt gewinnen musst? Wo müssen Sie in Zukunft erfolgreich sein? Daten und KI werden Ihnen helfen, fundiertere Entscheidungen zu treffen, Informationen schneller zu erhalten, Prozesse zu automatisieren und eine schnellere Bereitstellung als ein menschlicher Verstand zu ermöglichen – aber sie werden den Mangel an Geschäftsvisionen und -ideen nicht konstruieren oder ersetzen.

KI-Prioritäten werden aus Geschäftsprioritäten abgeleitet. Da Daten und KI in verschiedenen Bereichen unterschiedliche Beiträge leisten werden, sollte man bei der Beurteilung, worauf sich die Daten- und KI-Bemühungen eines Unternehmens konzentrieren sollten, den Business Case für jeden Geschäftsbereich sowie die relative Bedeutung von KI für den Fall berücksichtigen. 

Die Berechnung von Business Cases für kostensparende Fälle ist einfacher als für Neugeschäfte, obwohl die Produktentwicklung letztendlich zu großen wirkungsvollen Ergebnissen führen kann. Es ist wichtig, frühzeitige Erfolge zu kommunizieren, um die Zustimmung des Unternehmens zu erhalten und das allgemeine Verständnis für die nachgewiesenen Vorteile von KI zu verbessern. Ebenso wichtig ist es, Unterstützung und Akzeptanz für eine Daten- und KI-Vision zu gewinnen. Eine Strategie in dieser Richtung ist eine gute Übung, um das Gesamtbild zu verstehen.

Daten Asset Management / Data Governance

Die Verfügbarkeit qualitativ hochwertiger Daten ist die Grundlage für eine erfolgreiche, produktive KI. Daten können als Asset bezeichnet werden, wenn sie nach den FAIR-Prinzipien (Findable – Accessible – Interoperable – Reusable) strukturiert sind, wie sie vom EU-Programm Horizon 2020 (2016) vorgeschlagen werden. Das Prinzip "Einmal bauen – viele nutzen" ist entscheidend für die Maximierung des Wertes von Datenbeständen. Das Ziel eines produktiven Datenbestands ist es, alle Anwendungsfälle zu unterstützen.

Beginnen Sie beim Aufbau des Datenbestands Ihres Unternehmens mit den Daten, die für die priorisierten Geschäftsmöglichkeiten/Anwendungsfälle benötigt werden.

Eine gute praktische Möglichkeit, mit dem Aufbau eines Datenbestands zu beginnen, besteht darin, eine Bestandsaufnahme der aktuellen Daten vorzunehmen und zu bewerten, wie "FAIR" die Daten sind. Der Prozess wird als Data Due Diligence oder Data Inventory bezeichnet.

Eine Data Due Diligence beantwortet Fragen wie die folgenden: 

• Welche Daten gibt es? 
• Wo befindet es sich? 
• Wie kann darauf zugegriffen werden? 
• Wie ist seine Qualität? 
• Können sie mit anderen Daten verknüpft werden?  
• Wie hoch ist der Aufwand für die Bergung?
• Übersehen wir einige offensichtliche Datenquellen (unter Berücksichtigung der Anwendungsfälle)?

Sobald der aktuelle Zustand des Datenbestands identifiziert wurde, kann eine Roadmap für seine Entwicklung erstellt werden.

Lösungsarchitektur und -technologie

Eine der ersten Aufgaben nach der Definition der Business & AI Vision und Data Due Diligence ist es, einen erfahrenen Data and Solution Architect einen kritischen Blick auf die aktuelle technische Architektur werfen zu lassen und die Zielarchitektur und deren Entwicklungs-Roadmap zu definieren. Auch diese Aufgabe sollte der End-to-End-Anwendungsfalllogik folgen, die die Datenerfassung aus Betriebssystemen (z. B. CRM, ERP), Data Warehouses, Cloud-Umgebungen, analytischen Umgebungen und geschäftsübergreifenden Systemen berücksichtigt. Automatisierte Machine-Learning-/KI-Lösungen müssen mit operativen Systemen verknüpft werden, was bedeutet, dass operative Systeme ein integraler Bestandteil der Daten- und Lösungsarchitektur sein müssen. Um beispielsweise Ihr Consumer Data Asset (einschließlich einzelner Mikrosegmente, Next-Best-Angebote und anderer Verbraucherbewertungen) in Echtzeit als Teil eines modernen Omnichannel-Marketing-Automation-Systems zu verwenden, müssen Sie eine End-to-End-Architektur einrichten.

Der Übergang von traditionellen IT-Systemen in die digitale Welt ist oft ein langwieriger Prozess. Während Automatisierung und KI letztendlich die Kosten senken werden, werden die Kosten während der Übergangszeit wahrscheinlich steigen, da neue und alte Lösungen nebeneinander existieren.

Datenschutz und Privatsphäre

Datenschutz und Privatsphäre sind von zentralem Interesse für Verbraucher und diejenigen, die Zugang zu Verbraucherdaten haben. Bei der Verwendung von Daten und der Sicherstellung der Einhaltung der Datenschutzgesetzgebung ist es wichtig, die Datenschutzrichtlinien entsprechend dem gewünschten Zustand der KI-Anwendungsfälle zu schreiben, nicht nach den aktuellen Fällen. Es geht darum, eine Situation zu vermeiden, in der Ihre Datenschutzrichtlinie es Ihnen erlaubt, Ihre Daten nur für Berichtszwecke zu verwenden, während Sie zielgerichtete, personalisierte KI-Modelle entwickeln möchten.

Ein gutes Team für die Einrichtung der unternehmensweiten Datenschutzrichtlinien besteht aus einer Kombination aus Geschäftsinhabern, Datenschutzanwälten und KI-Strategen (oder Datenwissenschaftlern). KI-Strategen mit technischem Hintergrund helfen dabei, die geschäftlichen Anwendungsfälle in Daten- und KI-Anforderungen zu übersetzen und die Interpretationen verschiedener Optionen (einschließlich User Experience) mit Datenschutzanwälten zu diskutieren.

Menschliche Fertigkeiten

Die Daten- und KI-Reise erfordert neue Rollen in einem Unternehmen. Ein guter Anfang ist die Einstellung eines Chief Data and AI Officer mit Erfahrung in den Bereichen Wirtschaft, Daten, Data Science und Technologie, um die Talente einzustellen und die Teams aufzubauen. Zusätzlich zu ihrem Fachwissen sollte diese Person über ausgezeichnete Führungs- und Kommunikationsfähigkeiten verfügen, da sie effektiv mit verschiedenen Ebenen von Menschen in der Organisation kommunizieren muss. Während die genaue Rollenterminologie variiert, werden Daten- und KI-Rollen für vier verschiedene Ebenen von Geschäftsprozessen benötigt:

1. Geschäftsbereiche (GuV) und Business Functions (z.B. Vertrieb, Marketing, Finanzen)
2. Data Science (und Business Intelligence)
3. Verwaltung von Datenbeständen
4. Datenplattformen und technische Lösungen

Die geschäftlichen Anwendungsfälle kommen aus der Geschäftsebene (#1). Neben den eigentlichen Geschäftsleuten liegt hier die Rolle des KI-Strategen. Der KI-Stratege übersetzt die Geschäftsvision und -ziele in Daten- und KI-Anforderungen, überwacht die Projektausführung und stellt sicher, dass die Projektergebnisse von den Geschäftsprozessen genutzt werden. Die meisten Unternehmen haben diese Rolle nicht, aber wir sehen sie als eine der wichtigsten Rollen bei der erfolgreichen Durchführung von Daten- und KI-Projekten.

Neben KI-Strategen müssen auch die Führungskräfte selbst ein Verständnis für die Chancen von Daten und KI haben, um das Thema voranzutreiben und die KI-Ergebnisse in ihre jeweiligen Geschäftsprozesse zu integrieren. Data Scientists (#2) gibt es in verschiedenen Formen mit unterschiedlichen Hintergründen.  Es ist sinnvoll, ein Data-Science-Team mit unterschiedlichen Bildungshintergründen zu haben.

Wir empfehlen, als erste Einstellung einen Senior Data Scientist oder einen KI-Strategen zu rekrutieren und ihn ein ausgewogenes Team aus erfahrenen Mitarbeitern und vielversprechenden jungen Talenten aufbauen zu lassen. Ein häufiger Fehler besteht darin, nur Data Scientists einzustellen und die technischen Rollen wie Data Engineers und Data Architects (#3) oder Platform Engineers und Solution Architects (#4) nicht zu besetzen.

Daten- und KI-Organisation

Die optimale Daten- und KI-Organisationsstruktur hängt von der Gesamtunternehmensgröße und -organisation, der Kultur, dem KI-Reifegrad und der Art der Daten-/KI-Aufgaben ab.

Um die Dinge in Gang zu bringen, rückt die Einrichtung eines Center of Excellence (CoE) das Thema in der Regel in den Fokus. Je nachdem, wo das CoE in einem Unternehmen angesiedelt ist, ist es für unterschiedliche Bereiche zuständig. Das CoE kann nur aus Data Science & BI-Teams bestehen, während die technischen Teams (Data Engineering, Plattformen) in der IT angesiedelt sind.  Unserer Erfahrung nach profitieren die meisten Unternehmen von einer gemeinsamen technischen Infrastruktur und einem gemeinsamen Data Asset sowie einer Art zentralisiertem Data-Science-Team, das die schwierigsten Anwendungsfälle löst und ein skalierbares KI-Portfolio für die Nutzung aller Geschäftsbereiche und Funktionen erstellt.

Die KI-Strategen sollten optimalerweise in den Geschäftsbereichen sitzen, um die KI-Anwendungsfälle voranzutreiben, aber am Anfang können sie auch bei den Data-Science-Teams sitzen und das Geschäft von dort aus unterstützen.

Um den Einstieg zu erleichtern, ist es manchmal sinnvoll, ein unternehmensweites KI-Programm einzuführen, um die Daten- und KI-Agenda voranzutreiben – unter der Prämisse, dass das Programm 2-3 Jahre besteht und dann aufgelöst wird. Der Vorteil eines Programms besteht darin, dass Sie in der Anfangsphase keine linienorganisatorischen Entscheidungen treffen müssen, sondern im Laufe der Zeit lernen, welche Art von Teamstruktur für Ihr Unternehmen geeignet ist.

Betriebsmodell

Ein eng verwandtes Thema zur Daten- und KI-Organisation ist das Betriebsmodell zwischen verschiedenen Geschäftsbereichen. Priorisierte geschäftliche Anwendungsfälle sollten die Daten- und KI-Entwicklung vorantreiben. Damit die Data Experts an den wichtigsten Use Cases arbeiten, sollten die Daten- und KI-Use Cases auf der Agenda des Führungsteams stehen und bei Bedarf Lenkungsgruppen gebildet werden.

In den ersten Jahren des CoE sollten die Budgets für die Daten- und KI-Entwicklung zentralisiert werden. Budgets bestimmen die Priorisierung, und ohne ein zentralisiertes Budget werden Daten- und KI-Aktivitäten nicht skaliert. Es ist wichtig, sich daran zu erinnern, dass es nicht nur um die Datenexperten geht. Geschäftsprozesse und Geschäftsleute werden durch die Nutzung von Daten und KI grundlegend beeinflusst.

Die enge Zusammenarbeit zwischen den Daten und den Geschäftsfunktionen sichert greifbare und nachhaltige Ergebnisse. Die Parallele zwischen technischen und betriebswirtschaftlichen Entwicklungsprozessen wird im Folgenden dargestellt. 

Data Science und maschinelles Lernen/KI-Algorithmen

Wie das Datenobjekt können auch Algorithmen als Algorithmus-Asset behandelt werden. Das bedeutet, dass das Portfolio an Machine-Learning-/KI-Algorithmen im Laufe der Zeit FAIR wird. Jede neue analytische Modellierungsübung muss nicht bei Null beginnen, sondern baut auf getestetem Code auf. Dadurch wird das Data Science-Team im Laufe der Zeit effizienter. Wie Software-Codierungsteams muss auch das Data Science-Team gängige Code-Repositories und -Standards verwenden.

Es ist auch wichtig, Wartungsprozesse für die Daten- und Algorithmus-Assets zu etablieren. Wenn Wartungsprozesse nicht bereitgestellt werden, verharren die Entwicklungsteams in einem Zustand der Stagnation, während sie sich bemühen, die aktuellen Assets in der Produktion zu halten. Durch die Anwendung von Wartungsprozessen auf Daten- und Algorithmenportfolios können neue Lösungen entdeckt und entwickelt werden.

Abschließende Worte

Zusammenfassend lässt sich sagen, dass die folgenden Schritte erforderlich sind, um Data and AI erfolgreich auszuführen:

1. Übersetzen Sie Ihre Geschäfts- und Digitalstrategie in Ihre Daten- und KI-Vision und -Strategie und heben Sie die größten Chancenbereiche hervor, indem Sie Ihr aktuelles Geschäft optimieren, sowie neue innovative Unternehmen, die KI und Daten nutzen.
2. Identifizieren Sie die Geschäftsprozesse (Produktentwicklung, Produktion, Vertrieb und Marketing, Lieferkette, Preisgestaltung, Personalwesen, Finanzen usw.), in denen Sie Daten und KI einsetzen möchten.
3. Verstehen Sie den aktuellen Stand Ihrer Daten- und KI-Fähigkeiten;
4. Beschreiben Sie den Soll-Zustand für Ihre Geschäftsprozesse, sobald die Daten- und KI-Funktionen bereitgestellt wurden.
5. Definieren Sie neue datengesteuerte Geschäfts- und Produktideen;
6. Definieren Sie Ihre Umsetzungs-Roadmap, einschließlich Investitionen;
7. Führen Sie die ersten Daten- und KI-Anwendungsfälle aus, indem Sie Ihr KI-Playbook erstellen, das auf die Produktionsreife abzielt.
8. Automatisieren und skalieren Sie Abläufe.

Manchmal denken die Leute, dass die höchste Stufe eines KI-gesteuerten Unternehmens darin besteht, dass alle Entscheidungsfindungen und Geschäftsprozesse von automatisierten Algorithmen durchgeführt werden. Das ist jedoch ein Irrglaube. Automatisierung und KI treffen von sich aus keine klugen Geschäftsentscheidungen. Der höchste KI-Reifegrad ist, wenn das gesamte Unternehmen in eine Richtung geht, Silos aufgelöst werden und Daten und KI von allen im Rahmen ihres täglichen Geschäfts genutzt werden. Alles, was automatisiert werden kann, wird automatisiert werden, und die Menschen müssen sicherstellen, dass die Automatisierung auf intelligente Weise erfolgt.