DATA-DRIVEN DECISION MAKING: Wie durch Data Science Business Value geschaffen wird
Dies ist der erste einer Reihe von Artikeln über Data-driven Decision Making, Data Science, AI und Machine Learning. In den folgenden Artikeln werden wir einen genaueren Blick darauf werfen, wie man Projekte im Rahmen des Data Science Life Cycle angeht.
Daten bilden die Essenz digitalisierter Unternehmen und Entscheidungen auf der Basis dieser Daten zu treffen ist wesentlich für den Erfolg. In einer anspruchsvollen, schnelllebigen und sich ständig verändernden Unternehmenslandschaft von heute reicht es nicht mehr aus, sich auf Intuition und Bauchgefühl zu verlassen. Um der Konkurrenz einen Schritt voraus zu sein und die fundiertesten Entscheidungen zu treffen, müssen Unternehmen einen datengetriebenen Ansatz verfolgen. In diesem Artikel werden die Vorteile des Data-Driven Decision Making, seine wichtigsten Merkmale, sein Zusammenhang mit Data Science sowie Beispiele aus der Praxis vorgestellt, die zeigen, wie Data-Driven Decision Making in verschiedenen Geschäftsbereichen angewendet werden kann.
Beim Decision Making (DM) geht es im Allgemeinen darum, die Folgen einer Entscheidung zu bewerten, damit eine optimale Entscheidung getroffen werden kann. Es geht darum, wie man die beste Entscheidung trifft (normative Entscheidungsfindung). Die Kriterien sind technischer und wirtschaftlicher Art, wie zum Beispiel die Kosten-Nutzen-Analyse oder die Risikobewertung.
Die Zielsetzungen für die Entscheidungsfindung in der Industrie können sehr unterschiedlich sein. Ausgehend von den individuellen Merkmalen kann die Entscheidungsfindung in drei Typen unterteilt werden:
- Strategisch: allgemeine Ziele und Visionen, z. B. die Entwicklung eines neuen Produkts.
Zeithorizont: mittelfristig, langfristig - Taktisch (Planung): Gegenwärtige Probleme, z. B. Produktionsplanung und -steuerung.
Zeithorizont: Stunden, Tage - Operativ: Aktuelle Probleme, z. B. Fehlererkennung oder Prozesssteuerung.
Zeithorizont: Sekunden, Minuten
Data-Driven Decision Making (DDDM)
Data-Driven Decision Making (DDDM) ist eine Möglichkeit, wie Systeme zu einer Entscheidung gelangen können. Wie der Name schon sagt, basieren die getroffenen Entscheidungen auf Daten sowie auf Methoden, die die in den Daten enthaltenen Muster und Informationen extrahieren. Für die Modellierung des Entscheidungsprozesses können verschiedene Arten von Methoden verwendet werden. Für bekannte Prozesse sind regelbasierte oder modellbasierte Methoden gut geeignet. Risikosysteme können verwendet werden, wenn der zugrunde liegende Prozess nicht vollständig verstanden ist, aber die Unsicherheit der unbekannten Aspekte explizit modelliert werden kann. Diese Arten von Systemen sind eher dateninspiriert als datengesteuert, da Daten als Input für das System verwendet werden. Dennoch werden die Regeln explizit definiert und sind daher nicht stochastisch. Aber in vielen Fällen kann die Unsicherheit nicht explizit definiert werden. In diesem Fall sprechen wir von data-riven, stochastischem Decision Making. Data Science kommt ins Spiel, um diese Anwendungsfälle zu behandeln.
Abb. 1: Deterministische Systeme vs. Risikosysteme vs. Machine Learning-Systeme.
Vorteile der Verwendung von DDDM
- Objektivität: Entscheidungen beruhen auf Fakten und verringern daher den Einfluss persönlicher Voreingenommenheit.
- Transparenz und Verantwortlichkeit: Transparenz bedeutet, dass man weiß, aus welchen Gründen eine Entscheidung getroffen wurde, während Verantwortlichkeit bedeutet, dass man bereit ist, die Verantwortung für seine Handlungen zu übernehmen und diese Handlungen zu erklären und zu rechtfertigen.
- Verbesserte Genauigkeit: Datengetriebene Entscheidungen beruhen auf Fakten und Beweisen, was zu genaueren Entscheidungen führen kann.
- Verbesserte Effizienz: Data-Driven Decision Making kann Organisationen dabei helfen, durch Automatisierung Entscheidungen schneller und mit weniger Aufwand zu treffen.
- Kontinuierliche Verbesserung: Data-Driven Decision Making ermöglicht es Organisationen, die Wirksamkeit ihrer Entscheidungen zu verfolgen und bei Bedarf Anpassungen vorzunehmen, was zu einer kontinuierlichen Verbesserung führt.
- Skalierbarkeit: Data-Driven Decision Making erlaubt Organisationen, große Datenmengen zu verarbeiten und Entscheidungen in großem Umfang zu treffen.
Abb. 2: Vorteile der DDDM-Nutzung.
Data Science
Data Science ist der Prozess, bei dem mit statistischen Methoden Erkenntnisse aus Daten gewonnen werden, die die Entscheidungsfindung unterstützen. Zu diesen Methoden gehören Machine Learning (ML) Algorithmen, die statistische Regelmäßigkeiten aus Daten extrahieren und diese in Form von Modellen darstellen. Das zugrunde liegende Muster sollte so genau wie möglich erkannt werden, um anschließend eine verallgemeinerbare Aussage auf neue oder unbekannte Daten anwenden zu können.
Einfach ausgedrückt, haben regelbasierte Ansätze harte Grenzen: entweder trifft etwas auf die Regeln zu oder nicht. In den meisten Fällen stellen sie eine Vereinfachung der Realität dar. Ein Beispiel: Wir wollen klassifizieren, ob ein gegebenes Bild einen Baum oder etwas anderes zeigt. Wir definieren konkrete Regeln wie die Größe der Blätter oder die Farbe des Stammes. Wir wenden diese Regeln auf unser Bild an, und entweder es entspricht den Regeln oder nicht. Da Bäume sehr vielfältig sein können, ist dies eine anspruchsvolle Aufgabe. Es ist kompliziert, eine Reihe von Regeln aufzustellen, die sich problemlos auf eine große Vielfalt von Bäumen anwenden lassen. ML-basierte Systeme haben Grauzonen und können einzelne Fälle flexibel behandeln, wenn es eine allgemeine Abstraktion gibt, die vom Algorithmus erfasst werden kann. Die Abbildung 3 zeigt eine einfache Veranschaulichung des Unterschieds zwischen diesen beiden Methoden. Stellen Sie sich vor, Sie verwenden beide Methoden, um einen Klassifikator für die Bilder im unteren Teil der Abbildung zu erstellen. Ich konnte kein Regelwerk finden, das alle Bilder mit einem Baum abdeckt. Mit einer abstrakten Darstellung hingegen lässt sich das Ziel leicht erreichen. ML-Ansätze sind auch eine Vereinfachung der Realität, weshalb ML-basierte Lösungen daraufhin überprüft werden müssen, inwieweit sie die Realität abbilden. Das Bild ganz rechts könnte als Baum klassifiziert werden, es zeigt aber einen Blumenstrauß.
Abb. 3: Data-driven vs. regelbasierte Systeme.
Wie wir gerade gelernt haben, sind Data-Driven Decision Making und Data Science eng miteinander verbunden. Für beide Methoden gibt es einen genau definierten Prozess, der ihre Umsetzung unterstützt. Bei Data-Driven Decision Making werden Daten und statistische Analysen zur Entscheidungsfindung herangezogen, anstatt sich auf Intuition oder Erfahrung zu verlassen. Es geht darum, die zugrundeliegende Entscheidung zu ermitteln, relevante Daten zu sammeln, die Daten mithilfe statistischer Techniken und Machine Learning-Modellen zu analysieren und die aus der Analyse gewonnenen Erkenntnisse für die Entscheidungsfindung zu nutzen.
Abb. 4: Prozess für Data-Driven Decision Making.
Use Cases
Anwendungsfälle, für die DDDM üblicherweise verwendet wird:
- Bedarfs- und Salesprognosen: Optimierung der Prozesse im Vertrieb und in der Lieferkette durch datengesteuerte Prognosen.
- Predictive Maintenance: Mithilfe von Machine Learning lassen sich Sensordaten von Anlagen analysieren und vorhersagen, wann eine Wartung erforderlich ist. Dies kann Unternehmen helfen, kostspielige Ausfälle zu vermeiden und die Gesamteffizienz zu verbessern.
- Marketing: Ansprache der richtigen Kunden mit der richtigen Botschaft zum richtigen Zeitpunkt durch datengesteuerte Segmentierung und Personalisierung.
- Finanzen: DDDM kann zur Analyse von Finanztransaktionen und zur Erkennung von Mustern eingesetzt werden, die auf betrügerische Aktivitäten hindeuten könnten.
- Bilderkennung: Analyse von Bildern, z. B. Fotos oder Videos, zur Objekterkennung, Gesichtserkennung und Szenenverständnis. Dies kann in Branchen wie Sicherheit, Einzelhandel und Gesundheitswesen eingesetzt werden.
- Verarbeitung natürlicher Sprache: DDDM kann bei der Textanalyse und der Verarbeitung natürlicher Sprache eingesetzt werden, z. B. bei der Stimmungsanalyse, der Sprachübersetzung und der Textzusammenfassung. Dies kann im Kundenservice, im Marketing und im Finanzwesen eingesetzt werden.
Interessiert?
Dies ist der erste einer Reihe von Artikeln über Data-Driven Decision Making, Data Science, KI und Machine Learning. In den folgenden Beiträgen werden wir uns näher mit der Herangehensweise an Projekte innerhalb des Data Science Life Cycle beschäftigen.
Wir würden uns freuen, Ihr Interesse auch persönlich mit Ihnen zu diskutieren. Kontaktieren Sie das Münchner Büro oder schreiben Sie eine E-Mail an [email protected]. foryouandyourcustomers unterstützt Ihr Unternehmen gerne dabei, datengetriebener zu werden.
Weitere Magazinbeiträge
Vernissage der 60. Ausstellung bei foryouandyourcustomers mit Werken von Ruth Maria Obrist
Zusammenhänge verstehen und das größere Ganze im Blick behalten: Die Exploded View in drei Branchen im Einsatz