Ein digitales Nervensystem ist ein Informationssystem, das es einer Organisation ermöglicht, auf externe Ereignisse zu reagieren, indem es Wissen ansammelt, verwaltet und verteilt. Der Begriff wurde von Bill Gates mitgeprägt, der ihn Ende der neunziger Jahre verwendete, um das ideale Funktionieren einer IT-Infrastruktur zu beschreiben. Analog zum biologischen Nervensystem geht es darum, alle notwendigen Informationen zur richtigen Zeit und am richtigen Ort zur Verfügung zu stellen. Im Business Analytics-Kontext spielen Search und Künstliche Intelligenz (KI) bei der Bereitstellung von Datenerkenntnissen eine wichtige Rolle.
Fortschrittliche Organisationen implementieren neue Werkzeuge, die ihnen helfen, strukturierte und unstrukturierte Daten in ihren Netzwerken aufzudecken, um wichtige Entscheidungen schneller treffen zu können. Unternehmen mit digitalen Nervensystemen verfügen über einen Mix aus Kultur, IT-Architekturen und Tools, die die richtigen Informationen rechtzeitig an die richtigen Personen weiterleiten, damit diese optimale Entscheidungen treffen können. Der letzte Punkt ist entscheidend. Wenn Informationen nicht rechtzeitig ankommen, sind sie nutzlos und es fehlt ein funktionierendes Nervensystem, das in der Lage ist, schnell genug auf Ereignisse zu reagieren oder Vorhersagen zu treffen, die zu profitablen Entscheidungen führen.

Im Business Analytics-Umfeld sind die beiden Technologien, die die optimale Entscheidungsfindung demokratisieren und beschleunigen, Search und KI. Search basiert auf der relationalen Suche und erlaubt es den Nutzern, wie in einer Google-Suche jede datenbezogene Frage einfach in eine Suchleiste einzugeben. Die Lösung analysiert dann deterministisch jede Abfrage, durchsucht die Unternehmensdaten, interpretiert die Beziehungen zwischen den Datenelementen und berechnet die Antwort, wobei von Anfang an sichergestellt wird, dass der Nutzer nur Zugang zu jenen Daten hat, für die er autorisiert wurde. Die Antworten werden den Nutzern dann in der passenden Visualisierung in Sekundenschnelle zur Verfügung gestellt.

KI hilft denjenigen Nutzern, die nicht wissen, welche Frage sie überhaupt an die Daten stellen sollen. Die KI-Algorithmen können Trends und Ausreißer in den Daten erkennen und die Datenanalyse für bestimmte Nutzer und ihre Rollen personalisieren.

Zusammen ermöglicht Search und KI-gesteuerte Analytics jedem Unternehmen, fundierte und profitable Entscheidungen zu treffen. Die fortschrittlichsten Unternehmen geben nicht nur ihren Anwendern, sondern auch ihren Kunden die Möglichkeit, Analysen durchzuführen. BT, Clarity, Fannie Mae und Just Eat sind Beispiele für Unternehmen, die dies tun.

Dank maschinellem Lernen werden Informationen schneller bereitgestellt

Informationen können entweder durch „Pull“- oder „Push“-Mechanismen an die Oberfläche gebracht werden. Pull ist ein Prozess, bei dem ein Benutzer eine Datenfrage stellt und die Antwort erhält. Durch die Kombination von Search und Natural Language Understanding (NLU – ein Zweig des maschinellen Lernens und eine Teildisziplin von Natural Language Processing, kurz NLP) können Systeme entwickelt werden, die es jedem Anwender ermöglichen, ohne technische Fachkenntnisse Daten abzurufen, indem Fragen in natürlicher, umgänglicher Sprache ohne Fachlatein gestellt werden können. Dafür werden allerdings KI-Fähigkeiten benötigt, die es ermöglichen, die Intention der vom Nutzer gestellten Suchanfragen sowie ein wahrscheinliches Ergebnis zu ermitteln. Noch wichtiger ist, dass die Systeme in der Lage sind, die analytische Absicht zu erfassen, um die einzig richtige Antwort auf eine gestellte Frage liefern zu können. Wenn zum Beispiel ein Nutzer nach „wie viele McDonalds gibt es in Berlin“ sucht, muss eine NLP-Engine wissen, ob mit „McDonalds“ die Restaurantkette, ein Straßenname oder ein Familienname gemeint ist.

In vielen Unternehmen müssen die Mitarbeiter wochenlang auf die benötigten Daten warten, weil ihre Anfragen an die IT-Abteilung in einer Warteschlange stecken bleiben. Diese Verzögerung schreckt sie schließlich davon ab, überhaupt Fragen zu stellen, sodass sich hier kein digitales Nervensystem entwickeln kann. Dank der Technologien können Mitarbeiter mittels des Pull-Prozesses schneller und ohne Umwege über die IT-Abteilung auf die Informationen zu greifen.

Bei Push geht es hingegen darum, die richtigen Informationen zur richtigen Zeit an die richtige Person zu bringen, auch wenn diese nicht weiß, welche datenbezogenen Fragen sie stellen kann. Hier gibt es zwei große Probleme. Erstens, wie kann man bei all den „Lärm“ große Datenmengen durchsuchen, um neue, aufschlussreiche Informationen zu finden, die die Geschäftsergebnisse verbessern? Zweitens, wie findet man in einem Datenmeer die Informationen, die für einen bestimmten Benutzer auf der Grundlage seiner spezifischen Bedürfnisse am relevantesten sind? Beides sind Probleme, die Search- und KI- basierte Analytics-Lösungen wie oben aufgezeigt mithilfe von maschinellem Lernen lösen.

Der nächste Schritt in der KI-Evolution: Intuitive Oberflächen zur Bewältigung hoher Datenmengen

Intuitive Schnittstellen auf riesigen Datensätzen sind bereits heute verfügbar. Die Weiterentwicklung des maschinellen Lernens sollte es den Softwaresystemen ermöglichen, den betriebswirtschaftlichen Zusammenhang der Daten zu verstehen. Im Laufe ihrer Entwicklung werden diese Systeme Vorhersagen über wahrscheinliche Ergebnisse machen und sogar geschäftliche Transaktionen vorschlagen, die letztendlich einen enormen Geschäftswert liefern werden.

Gegenwärtig sind maschinelles Lernen und KI-Systeme noch weit von den Fähigkeiten der angeborenen Intelligenz des menschlichen Geistes entfernt. Diese Systeme füllen jedoch eine bestehende Lücke, indem sie riesige Mengen an Trainingsdaten und Rechenleistung absorbieren. Man muss diese nur in Video-, Audio- und Sprachverstehen erleben, um den unglaublichen Erfolg des maschinellen Lernens zu sehen. Betrachtet man jedoch maschinelles Lernen und KI im Unternehmenskontext, so sind nur sehr wenige Werkzeuge für die Verarbeitung von ausreichend großen Datenmengen konzipiert. Infolgedessen wird das meiste maschinelle Lernen mit aggregierten oder abgetasteten Daten durchgeführt. Dies schränkt die Leistungsfähigkeit der KI-Systeme grundlegend ein. Systeme, die durch das Lernen aus großen Datenmengen granulare Erkenntnisse gewinnen können, werden einen fundamentalen Vorteil haben und weitaus bessere Ergebnisse produzieren.

KI und Search in der Praxis

Zusammengefasst lässt sich festhalten, dass KI- und Search-basierte Analytics-Lösungen Unternehmen ein digitales Nervensystem liefern, das neue Erkenntnisse, Prozessverbesserungen und eine bessere Unterstützung der Mitarbeiter ermöglicht. Unternehmen wie Walmart, Suncorp und British Telecom sind gute Beispiele dafür. Durch den Einsatz von Search und KI-gesteuerter Analytik konnte Walmart viele seiner Preisentscheidungen 100 Mal schneller treffen. Suncorp konnte Millionen einsparen, indem es Anomalien in seinen Schadenregulierungsdaten gefunden hat. BT hat zum Beispiel in Großbritannien die Erfahrung seiner Geschäftskunden durch die Bereitstellung einer Search- und KI-gesteuerten Schnittstelle, die es ermöglicht, die eigenen Rechnungsdaten einzusehen, um sicherzustellen, dass stets die besten Preispläne verfolgt werden, massiv verbessert.

Die Einsatzmöglichkeiten für KI und Search zur Unterstützung des digitalen Nervensystems sind vielfältig. Indem sie sich zum Beispiel die von der KI generierten Anomalien in ihren Abrechnungen ansehen, können Unternehmen ihre Kosten massiv senken. Hersteller können große Geldmengen einsparen, indem sie es ihren Mitarbeitern erleichtern, Preisabweichungen zu finden. Das sind jedoch nur einige Anwendungsbeispiele. In unserer schnelllebigen Zeit kann die Fähigkeit, die richtigen Informationen zur richtigen Zeit und am richtigen Ort zur Verfügung zu stellen, über den Erfolg eines Unternehmens entscheiden und hier sind KI- und Search-basierte Analytics unschlagbar.