Читать книгу Data Science - Michael Zimmer - Страница 27

Prinzipiell ist es durchaus berechtigt, neue Technologien erst einmal frei zu erproben sowie ihre Möglichkeiten und potenziellen Anwendungen auszuloten. Häufig ist das sogar schon mit recht überschaubarem Aufwand möglich.³ Sollen Prototypen aber in einen Regelbetrieb integriert werden, sind häufig reifere Werkzeuge, ergänzende Frameworks und zugehörige Governance-Strukturen erforderlich. Die hieraus resultierenden hohen Investitionssummen erfordern in Unternehmen in der Regel aber wiederum eine Kosten-Nutzen-Betrachtung als Richtungsgeber.⁴

Mit Blick auf die Business Cases lassen sich daher Data Science & KI-Anwendungsfälle in zwei Hauptzielkategorien einteilen: Ertragssteigerung und Kostensenkung. Im Interesse einer positiven und messbaren Entwicklung sollten von Beginn an konkrete Ziele und nachvollziehbare Qualitätskriterien festgelegt werden. Ertragssteigerung kann in diesem Fall nicht nur eine verbesserte Empfehlung sein, sondern auch der Wandel des Unternehmens zu einem neuen Data-Sciencegetriebenen Geschäftsmodell. Als Beispiel können hier Automobilhersteller fungieren, die sich weg vom Fahrzeughersteller und hin zum Mobilitätsanbieter wandeln.

Aktuelle Studien [Deloitte 2017]⁵ zeigen, dass Unternehmen im Zuge der Ertragssteigerung mit künstlicher Intelligenz ihre bestehenden Produkte primär verbessern wollen (vgl. Abb. 3–1). Aber auch die Entwicklung neuer Produkte und die Erschließung neuer Märkte stehen im Fokus. Im Zuge der Kostensenkung geht es um die Optimierung der Geschäftsprozesse, um eine verbesserte Entscheidung und die Reduzierung des Personalaufwands durch Automatisierung. Vor dem Hintergrund dieser weit gefächerten Antworten sollte ein Unternehmen genau überlegen, nach welchen Kriterien es seinen Erfolg für Data-Sciencebasierte Anwendungen bemisst und welche Prioritäten der Vorstand verfolgt. Eine sehr innovative Idee ist somit in der Theorie zwar vielleicht genau das Richtige, in einem kostenintensiven Umfeld können die hohen Investitionssummen aber leicht scheitern, wenn nicht die richtigen Erfolgskennzahlen im Vorfeld ausgewählt wurden.

Abb. 3–1 Hauptvorteile für Unternehmen [Deloitte 2017; Abb. 4]

Die Relevanz eines Business Case lässt sich stark vereinfacht an folgendem fiktiven Beispiel verdeutlichen. Gesetzt den Fall, ein Uhrenhersteller will ein innovatives Verfahren der Bilderkennung zur Reduzierung seines Ausschusses (Kostenreduktion) einführen. Das System kostet 500.000 Euro und hat eine Erkennungsrate von 50%, so wird sich das in Tabelle 3–1 dargestellte Szenario 2 erst nach 25 Jahren amortisieren. In aktuellen Data-Science- & KI-Projekten wird häufig ohne Business Case gerechnet. Auf den ersten Blick mag der Aufwand gering erscheinen. Ist der daraus gezogene Nutzen aber zu gering, ist es sinnvoller, die Ressourcen in positivere Business Cases zu investieren.

	Szenario 1: ohne Diagnosesystem	Szenario 2: mit Diagnosesystem
Preis Rohwerke	3.000.000	3.000.000
Preis weitere Bauteile	2.000.000	2.000.000
Regulärer Arbeitsaufwand	4.000.000	4.000.000
Zusätzlicher Aufwand Defekte	40.000	20.000
Kosten Diagnosesystem		500.000
Einnahmen durch Verkauf	12.000.000	12.000.000
Gewinn	2.960.000	2.480.000

Tab. 3–1 Rechenbeispiel für Einführung eines Bilderkennungssystems

Künstliche Intelligenz ohne sorgfältige vorherige Prüfung ihrer Nutzbarkeit und Rentabilität zu implementieren, kann bedeuten mit Kanonen auf Spatzen zu schießen. Ist sie allerdings als Investition in einen bewussten Kontext integriert, kann sie auch eine Chance, ein Wegbereiter für Größeres sein und eine neue Herausforderung an Qualitätsmaßstäbe darstellen. In diesem Fall wird aber als KPI nicht der reine Gewinn im Vordergrund stehen. Im Uhrenbeispiel wäre dies der Fall, wenn eine Uhrengruppe bei einer kleinen Marke die neue Technologie erproben will und diese dann später für alle Marken einsetzt.