Datenwissenschaft für alle: Die Bedeutung der prädiktiven Analyse

Stacey McDaniel | 27 September, 2021

Themen: Praediktiven Analysen, Datenanalysen, Datenkompetenz, Datenwissenschaft

Greg Kinsey ist Branchen- und Unternehmensberater. Er leitet die Hitachi Vantara--Industriepraxis in der EMEA-Region. Gemeinsam mit seinem Team arbeitet er in erster Linie mit Industrieunternehmen in Europa, um sie bei der Planung und Umsetzung ihrer digitalen Transformation zu unterstützen. In seinen eigenen Worten hilft er Unternehmen dabei, „mit Hilfe von digitalen Werkzeugen schlanker, grüner, agiler und produktiver zu werden“.

Greg hat über 30 Jahre Erfahrung in der Zusammenarbeit mit Produktionsbetrieben weltweit, vorrangig in den Bereichen Automobile, Elektronik, Luft- und Raumfahrt sowie Konsumgüter. Wir hatten die Gelegenheit, für diesen Blog mit ihm über seine Gedanken zu verschiedenen Themen im Zusammenhang mit der Datenwissenschaft zu sprechen.

Wie wichtig ist Datenkompetenz für alle?

Ich bin überzeugt davon, dass die Datenanalytik integraler Bestandteil praktisch aller Aufgaben im industriellen Bereich sein muss. Ob Sie in einer Fabrik, im Büro, einem Service Center oder im direkten Kundenkontakt arbeiten: Unabhängig von der konkreten Rolle oder Branche ist es heute unabdingbar, die richtigen Datenanalysen immer zur Hand zu haben. Mit Hilfe von Daten können Sie bessere Entscheidungen treffen und so Ihre Arbeit optimieren. Daten verhindern Fehler. Wenn Ihnen die Daten vorliegen, die Sie für Ihre Aufgaben brauchen, verbessert dies die Produktivität, reduziert den Stress und steigert die Zufriedenheit bei der Arbeit.

Wie wichtig ist die Demokratisierung der Datenanalyse?

Kenntnisse im Umgang mit Daten sind wichtig, aber noch wichtiger sind Werkzeuge, die uns bei der Arbeit mit Daten unterstützen – so wie wir Daten im privaten Bereich nutzen. Die digitale Revolution ist vom Konsumenten ausgegangen. Zuerst ging es um E-Commerce, soziale Medien und persönliche Daten. Praktisch jeder nutzt zu Hause digitale Geräte und hat sie ständig in der Hand oder am Handgelenk. Unabhängig davon, welche Hobbys Sie haben – ich bin mir sicher, dass dabei Daten zum Einsatz kommen. Ob Sie Marathon laufen, in Ihrer Freizeit kochen, Musik machen, Antiquitäten restaurieren oder irgendeinen Sport betreiben: Sie haben immer mit Daten zu tun. Bei allem, was wir heute im privaten Bereich tun, werden Daten genutzt, und die Daten verschaffen uns wichtige Vorteile. Diese Umstellung haben wir in der industriellen Arbeitswelt noch vor uns.

Natürlich werden auch hier bereits einige Daten erfasst und ausgewertet, doch dabei werden nicht unbedingt immer die richtigen Analysen verwendet, die die Arbeit in diesem Bereich optimieren würden. Dabei geht es nicht so sehr um Datenkompetenz, sondern darum, dass Organisationen eine entsprechende Umgebung schaffen, die richtigen Werkzeuge an den richtigen Orten einsetzen und die Schwelle für den Benutzer niedrig halten. All dies würde zu einer Demokratisierung der Datenanalyse bei allen Mitarbeitern eines Unternehmens führen.

Müssen Sie Ihre Datenkompetenz verbessern? Schauen Sie, ob Sie diese 5 Fragen in unserem Quiz beantworten können >

Zum Quiz

 

Sollte die Datenwissenschaft besser zugänglich gemacht werden, um mehr Benutzer zu erreichen? Warum ist das wichtig?

Datenwissenschaft muss Teil aller unserer Aufgaben werden. Wobei der Begriff „Datenwissenschaft“ irreführend ist: Ich bin der Auffassung, dass jeder, der mit statistischen Standardverfahren arbeitet, als Datenwissenschaftler betrachtet werden kann. In fast allen Bereichen eines Unternehmens wird inzwischen immer mehr mit Daten gearbeitet. Früher oder später werden wir unabhängig von unserer genauen Stellenbeschreibung also alle zu „Datenwissenschaftlern“.

In den 1990ern war ich stark involviert darin, die Six Sigma-Bewegung auf den Weg zu bringen. Damals erkannten wir, welche Chance darin lag, Industriearbeitern den Zugang zu einfachen Statistikwerkzeugen zu geben. Wir haben sie nicht als „Datenwissenschaftler“ bezeichnet, sondern den Begriff „Black Belts“ gewählt. Black Belts arbeiteten mit Konzepten der Datenwissenschaft, um Prozesse zu beschreiben, Probleme zu beheben und einfache Analyseverfahren auf ihre täglichen Aufgaben anzuwenden. So konnte die Datenwissenschaft in der Industrie Fuß fassen. Six Sigma schaffte die Grundlage für den digitalen Wandel.

Heute beginnt die Wirtschaft so richtig, den Wert von Daten zu erkennen. Sie haben erwiesenermaßen große Auswirkungen auf die Produktivität und die Entscheidungsfindung und tragen sogar zur Stressreduzierung bei den Mitarbeitern bei, weil Probleme mit den richtigen Daten schneller und einfacher gelöst werden können.

Findet der digitale Wandel nur in der IT-Abteilung statt?

Überhaupt nicht. Ich denke, dass der digitale Wandel ein Thema für die gesamte Organisation ist. Der Einsatz von Daten, Analysen und den entsprechenden Werkzeugen sollte auf praktisch alle Funktionen ausgeweitet werden. Zu viele Unternehmen überlassen Datenfragen nur wenigen isolierten „Experten“, anstatt allen Mitarbeitern den Zugriff auf Daten zu ermöglichen, die bei ihrer täglichen Arbeit für sie nützlich sein können.

Wir entwickeln uns hin zu einer Situation, in der Führungskräfte im operativen Bereich auch die Verantwortung für die digitalen Strategien in ihrem Zuständigkeitsbereich tragen. Wenn Sie also mit jemandem sprechen, der eine Wartungsabteilung leitet oder für Qualität, Marketing oder die Logistikkette zuständig ist: Diese Person ist für die Digitalisierung dieses Bereichs verantwortlich oder sollte es zumindest sein.

Ein Großteil unserer Beratertätigkeit bei Hitachi besteht aus der Zusammenarbeit mit diesen Fachleuten.

Dies stellt gegenüber der Situation vor 20 Jahren eine enorme Veränderung dar. Wenn damals neue Systeme implementiert wurden, mussten Organisationen ihre Arbeitsweise an die IT anpassen. Ich erinnere mich daran, dass viele Unternehmen ihre Geschäftsabläufe auf die Anforderungen von unflexiblen MES- oder MRP-Anwendungen abstimmen mussten. Dies stand häufig der Innovation und Optimierung im Weg.

Dies stellt gegenüber der Situation vor 20 Jahren eine enorme Veränderung dar. Wenn damals neue Systeme implementiert wurden, mussten Organisationen ihre Arbeitsweise an die IT anpassen. Ich erinnere mich daran, dass viele Unternehmen ihre Geschäftsabläufe auf die Anforderungen von unflexiblen MES- oder MRP-Anwendungen abstimmen mussten. Dies stand häufig der Innovation und Optimierung im Weg.

Heute ist es umgekehrt: Wir können digitale Schnittstellen, Algorithmen und Plattformen entwickeln, die für die jeweiligen Arbeitsabläufe sinnvoll sind. Bei dieser agilen Methode steht im Vordergrund, welche Probleme es zu lösen gilt und welche Anforderungen der Anwender erfüllt werden müssen. Die IT-Abteilung muss diese Innovationen dann unterstützen und in die allgemeine IT-Infrastruktur einbinden.

Sollten Organisationen Investitionen für Low-Code- und No-Code-Lösungen vorziehen?

Auf jeden Fall. Denken Sie daran, wie wir unsere Smartphones nutzen. Wir müssen nicht programmieren können, um sinnvolle Dinge damit zu tun. Dasselbe sollte für die Analysewerkzeuge bei der Arbeit gelten. Sie müssen für den Benutzer schnell, bequem und relevant sein.

Als die Informationstechnologie im Geschäftsbereich noch neu war, ging es in erster Linie um komplizierte Tools, die nur Experten nutzen konnten. Erinnern Sie sich an den Beruf des „Programmierers“? Heute geht es darum, Analysewerkzeuge zu finden, die jeder verwenden kann. Bei Hitachi entwickeln wir Lösungen, für die keine aufwändige Programmierung oder Codierung in komplexen Sprachen nötig ist.

Experten, die datengestützt arbeiten, versuchen immer zu prognostizieren, was die stärksten Auswirkungen auf den Erfolg des Unternehmens hat. Prädiktive Analysen können dabei helfen, innerhalb von Sekunden die einflussreichsten Faktoren zu ermitteln. Warum ist das so wichtig

Prädiktive Analysen sind ein echter Game-Changer. Die meisten Daten, die heute in der Industrie verwendet werden, blicken zurück. Historische Daten zeigen, was in der Vergangenheit passiert ist. In einigen Bereichen sind Echtzeitdaten verfügbar, mit denen sich erkennen lässt, was im Moment geschieht. Mit modernen komplexen Analyseverfahren können wir heute anhand des Verhaltens von kausalen Faktoren auch prognostizieren, was in der Zukunft passiert. So könnte beispielsweise das Wetter Auswirkungen für Ihren Betrieb haben. Oder eine große Veränderung bei den Wechselkursen wirkt sich auf Ihre Kostenstruktur aus. Oder die Kundenpräferenzen ändern sich rasant. In solchen Fällen würden Sie Daten zu den entsprechenden Faktoren erfassen und analysieren, um nachvollziehen zu können, was gerade passiert und morgen passieren wird. Heute zu extrapolieren und zu projizieren, um Aussagen über die nächste Woche oder den nächsten Monat zu treffen: Hier kommen prädiktive Analysen ins Spiel, die es Ihnen ermöglichen, dank maschinellem Lernen und Faktordaten in die Zukunft zu blicken.

Ich stelle mir dies gerne als „Zeitreise“ vor. Durch prädiktive Analysen können wir zu einem Datum in der Zukunft reisen, Szenarien entwickeln und fragen „Was wäre, wenn?“. Was wäre, wenn der Markt sich wirklich in eine bestimmte Richtung entwickelt und sich die Nachfrage wirklich auf eine bestimmte Art und Weise ändert? Was wäre, wenn wir einen Prozess schneller oder langsamer laufen lassen? Oder möchten Sie vielleicht Änderungen am Produktdesign simulieren? Was wäre, wenn die Auswirkungen einer wirtschaftlichen oder politischen Entscheidung berücksichtigt werden könnten? Welche Auswirkungen hat das auf die wirtschaftlichen oder regulatorischen Rahmenbedingungen für mein Unternehmen? Es gibt unendlich viele Möglichkeiten und Fragestellungen.

Zum Schluss können Sie all diese Faktoren zusammenfassen und Szenarien für das nächste Jahr, das nächste Quartal oder den nächsten Monat entwickeln. Sie können sehen, wie die verschiedenen Ursache-Wirkungs-Beziehungen sich auf die Zukunft auswirken. Was können wir tun? Welche Änderungen oder Korrekturmaßnahmen werden in einem bestimmten Zukunftsszenario benötigt? Hierin liegt der echte Mehrwert. Die Optimierung Ihrer zukünftigen Leistung.

Deshalb ist dieses Thema so wichtig. Sie sind immer einen Schritt voraus. Sie können voraussehen, was passieren wird. So können Sie Ihr Unternehmen, Ihre Organisation und Ihre Prozesse besser steuern, um mit diesen anstehenden Veränderungen umzugehen. Es geht um Agilität.

Erweitern Sie Ihre Fähigkeiten für die prädiktive Analyse mit bedienungsfreundlichen, aber leistungsstarken Funktionen. Erfahren Sie mehr in diesem On-Demand-Webinar >

Jetzt ansehen

 

Denken Sie, dass Ingenieure mit Low-Code-/No-Code-Technologien zu Datenwissenschaftlern werden können?

Auf jeden Fall! Ich bin selbst Ingenieur und habe meinen Bachelor in Maschinenbau gemacht. Dabei habe ich gelernt, dass es im Ingenieurwesen um die Problemlösung geht, um die mathematische Modellierung und um das Anwenden von wissenschaftlichen Methoden. Dazu gehört auch die Datenwissenschaft.

Die Einführung von Technologien, mit denen ohne kompliziertes Programmieren Daten genutzt werden können, hat zu einem verstärkten Einsatz der Datenwissenschaft im Ingenieurbereich geführt. Die Anwendungsgebiete sind aber noch viel vielfältiger. Die wirklich gewinnbringenden Einsatzmöglichkeiten liegen allerdings jenseits des Ingenieurwesens: Wenn Fachkräfte, die mit Maschinen arbeiten, Fahrzeuge fahren, Geräte warten oder Produkte herstellen, zu Datenwissenschaftlern werden, können wir die größten Erfolge erzielen. Und lassen Sie uns die Manager und Führungskräfte nicht vergessen – auch sie werden zu Datenwissenschaftlern.

Wenn die gesamte Organisation mit besseren Daten und benutzerfreundlichen Analysewerkzeugen arbeitet, dann ist „Datenwissenschaft für alle“ möglich. Ich bin überzeugt davon, dass dies einer der Grundbausteine der vierten industriellen Revolution ist.

Möchten Sie den Wert Ihrer Daten voll ausschöpfen. Sprechen Sie mit Minitab

Kontakt zu Minitab