Organisationen konzentrieren sich stark auf die Datenerfassung, sodass keine Entscheidung dem Zufall überlassen wird. Sie nutzen Daten, Analysen und künstliche Intelligenz (KI) funktions- und unternehmensübergreifend, um Kundenpräferenzen zu verstehen, personalisierte Produkte zu entwickeln oder Mitarbeitern zu mehr Effizienz zu verhelfen.

Die Aufklärung der Mitarbeiter über den Umgang mit Daten kann viel bewirken

Wie Elektrizität, das Internet und Smartphones wird auch KI durch Tools wie Low-Code- und No-Code-Architekturen zu einem Massenprodukt. Der Markt ist voll von benutzerfreundlichen Applikationen verschiedener Anbieter und Hyperscaler, die End-to-End-Funktionen für Daten, Analysen und KI anbieten.

Bevor jedoch Modelle erstellt werden, müssen die Unternehmen die Nutzer über die vorhandenen internen Unternehmensdaten und extern verfügbaren Daten, beispielsweise Partnerdaten, aufklären. Sie können Analysetools einsetzen, um alle Daten zu untersuchen und Dashboards zu entwickeln, die Einblicke in den Zustand der Firma geben.

Tools mit Low-Code- und No-Code-Funktionen erlauben es, ohne großen Aufwand KI-Modelle zu erstellen. Allerdings sollte man sich der Einschränkungen und Praktiken bewusst sein, bevor man diese Tools für die Entscheidungsfindung einsetzt.

Ist eine zu große Vielfalt an vorgefertigten oder unausgegorenen Modellen verfügbar, kann KI nicht entsprechend selektieren. Man muss kein Datenwissenschaftler sein, um KI-Modelle zu verwenden oder zu erstellen. Sind Nutzer sich der grundlegenden mathematischen und wissenschaftlichen Konzepte bewusst und verstehen die zugrunde liegenden Annahmen der Konstruktion von Modellen, wissen sich auch, welche Modelle und Techniken die Geschäftsprobleme lösen und wie sie die Ergebnisse für eine bessere Entscheidungsfindung ableiten können.

Bedarfsplaner verwenden beispielsweise eine lineare Regression, um den Bedarf oder die Verkäufe zu prognostizieren. In der Phase der Modellerstellung sollten sie jedoch darauf achten, dass in den Annahmen für lineare Beziehungen keine Multikollinearität und keine Autokorrelation abgebildet werden. Bei intermittierender Nachfrage funktioniert die lineare Regression nicht. Hierfür benötigen sie andere Modelle. Die künstliche Intelligenz erkennt zwar diese Muster, tendiert aber zu einer Null-Volumen-Prognose, da dies die am häufigsten erwartete Nachfrage ist. Ändert der Nutzer jedoch den Zeitraum von wöchentlich auf monatlich oder vierteljährlich, erhält er bessere Ergebnisse. Auf Grundlage der Ausgabestatistiken des Modells sollte der Anwender nach relevanten Statistiken suchen, um die Passgenauigkeit des Modells zu überprüfen, und nur die statistisch signifikanten Koeffizienten verwenden.

Die Nutzer müssen so gut geschult werden, dass sie die Analyse- oder KI-Modelle erkennen können, die für ihr Unternehmen geeignet sind. Teil der Geschäftsplanung sind in der Regel Entscheidungsträger aus den Bereichen Nachfrage und Angebot, Finanzen, Marketing und Vertrieb. Jeder dieser Beteiligten benötigt Kenntnisse zu unterschiedlichen Zeitpunkten, die verschiedene Datenpunkte und Zeiträume abdecken. Bedarfsplaner müssen den künftigen Bedarf auf Wochenebene kennen. Der Angebotsplaner sucht nach Material-/Kapazitätsbeschränkungen auf Tagesbasis. Der Produktionsplaner möchte die Auswirkungen von Werbeaktionen auf den Bestand auf Wochenebene untersuchen. Das Marketing- und Finanzteam benötigt die Marktwachstumsprognosen auf monatlicher Ebene. Es ist wichtig zu verstehen, welche Informationen und in welcher Granularität für jede dieser Personengruppen bereitgestellt werden müssen.

Zudem sollten die Nutzer auch die Modellunsicherheit berücksichtigen, wenn sie sich bei ihren Entscheidungen auf die Ergebnisse verlassen. Modelle der ereignisdiskreten Simulation können helfen, die Auswirkungen verschiedener Faktoren auf das Unternehmen zu verstehen. Das Marketingteam will beispielsweise die Auswirkungen von Werbeaktionen verstehen, indem es die Werbeaktionen und Strategien der Wettbewerber sowie die voraussichtlichen Marktbedingungen modelliert. Bei Lebensmitteln und Getränken führen Werbeaktionen in der Regel zu einem vorübergehenden Anstieg der Nachfrage ohne langfristige Auswirkungen. Hier ist es äußerst wichtig, diesen vorübergehenden Effekt zu verstehen und entsprechende Instrumente einzusetzen. Die meisten Nachfrageplaner möchten die Auswirkungen möglicher Wetterbedingungen und die Stimmung der Kunden erfassen, um die kurzfristige Nachfrage festzulegen. Der Einsatz eines KI-Modells ist dabei hilfreich. Jedoch muss bei einem Produkt wie Speiseeis zusätzlich geprüft werden, ob sich der Vertrieb verändert hat. Die KI lernt aus den Daten der Vergangenheit und kann die Auswirkungen der Temperatur auf die Nachfrage vorhersagen. Sollte sich jedoch die Verteilung aufgrund von Ladenschließungen und Rationalisierungen geändert haben, wäre die Untersuchung der historischen Auswirkungen der Temperatur irreführend.

Datenmanagement und -qualität sind ein „must“ für beste Ergebnisse

Da Unternehmen zunehmend auf Daten angewiesen sind, müssen sie robuste Data-Governance-Protokolle einführen, um Mitarbeiter- und Kundendaten zu schützen. Die Mitarbeiter sollten für den Zugang und die Nutzung von Daten sensibilisiert werden und eine Kultur der Verantwortlichkeit, Transparenz und des Vertrauens am Arbeitsplatz schaffen.

Da KI alle digitalen Interaktionen beeinflusst, ist es wichtig, dass Vorschriften zum Schutz der Kundeninteressen bestehen. Das KI-Gesetz in Europa (https://artificialintelligenceact.eu/) versucht, Kontrollen für KI-gesteuerte Systeme zu entwickeln. Digitale Anwendungen sollten sich in Risikokategorien einteilen lassen und die Risiken managen. Das trifft besonders auf stark regulierten Branchen wie dem Finanz- oder Gesundheitswesen zu, wo Aufsichtsbehörden jede Anwendung von Daten und Analysen genehmigen.

Die Modellergebnisse müssen erklärbar, frei von Verzerrungen und nachvollziehbar sein. Data Governance und verantwortungsbewusste KI (durch Nutzung nur zulässiger Datenbestände) werden mit der breiten Einführung von KI von entscheidender Bedeutung sein.

Unternehmen haben die Aufgabe, eine informierte Zustimmung einzuholen und transparent zu machen, wer Zugriff auf die von ihnen gesammelten Daten hat.  Organisationen, die die persönlichen Daten ihrer Mitarbeiter sammeln. Haben auch die Pflicht, sicherzustellen, dass die Daten nicht dazu verwendet werden, sie in irgendeiner Weise zu diskriminieren.

Die Nutzer müssen um die Qualität der Daten wissen. Daten von schlechter Qualität führen zu Erkenntnissen, die für die Entscheidungsfindung nicht nützlich sind. Ein Planer für eine Einzelhandelskette, der die Verkaufsdaten der letzten drei Jahre für die Nachfrageprognose verwendet, sollte sich beispielsweise bewusst sein, dass es eine ungewöhnliche Schiefe gibt, zum Beispiel einen Anstieg oder einen Rückgang der Nachfrage für bestimmte Kategorien. Verwendet er diese Daten, um saisonale Schwankungen in der Nachfrage zu erfassen, sind einige Korrekturen notwendig, um diese Daten für die Nachfrageprognose zu verwenden.

Zusammenfassend lässt sich sagen, dass Unternehmen rasant wachsen können, wenn sie ihre Mitarbeiter befähigen, Analysen und KI zu nutzen, um fundierte Entscheidungen zu treffen, Herausforderungen zu lösen und ihre Arbeit effizienter zu erledigen.