Autor: ERP-News

Wer sich mit Data Governance und Cybersecurity-Risikomanagement beschäftigt, kommt um eine Klassifizierung seiner Daten nicht herum. Die Einteilung in unterschiedliche Sicherheits-/Risikolevel erleichtert es später deutlich, Daten sinnvoll zu verwalten, den Zugriff auf sie zu steuern und damit die Unternehmenssicherheit als Ganzes zu erhöhen.

Datenklassifizierungsmethoden für Data Governance

Durch die Nichteinhaltung der Vertraulichkeitsrichtlinien kann ein Unternehmen seine vertrauenswürdigen Daten durch einen einfachen menschlichen Fehler oder ein Versehen unerwünschten Besuchern aussetzen. Neben den Gesichtspunkten der Governance und der Verfügbarkeit sorgen ordnungsgemäße Datenklassifizierungsrichtlinien für Sicherheit und kohärente Datenlebenszyklen. Sie sind auch ein guter Weg, um zu beweisen, dass Ihr Unternehmen die Compliance-Standards (z. B. GDPR) einhält, um Vertrauen und Integrität zu fördern.

Drei Risikostufen

Zur Klassifizierung von Daten werden diese zunächst anhand von Typ, Inhalt und weiteren Metainformationen in Kategorien eingeteilt. Diese Kategorien helfen, das geeignete Maß an Kontrollen für Vertraulichkeit, Integrität und Verfügbarkeit der Daten zu bestimmen, basierend auf den potenziellen Folgen eines Datenverlusts für die Organisation. Es geht darum, wie sich der Verlust oder Missbrauch von Daten auf das Vertrauen und den Ruf des Unternehmens auswirkt. 

Für die Klassifizierung von Unternehmensdaten werden drei Risikostufen verwendet: hohes, mittleres und geringes/kein Risiko. Vertrauliche Daten unterliegen einem hohen Risiko und können bei unsachgemäßer Kontrolle großen Schaden verursachen, beispielsweise Finanzinformationen, IP-Adressen oder Authentifizierungsdaten. Sensible Daten (mittleres Risiko) sind für den internen Gebrauch bestimmt und ihre Offenlegung wäre zwar nicht katastrophal, aber dennoch unerwünscht. Beispiele sind Strategiedokumente, anonymisierte Daten von Angestellten oder Jahresabschlüsse. Öffentliche Daten wie Kontaktinformationen, Stellenausschreibungen oder Blogbeiträge haben kein oder nur geringes Risiko und erfordern daher keine speziellen Sicherheits- oder Zugangskontrollen. 

Richtlinien und Normen

Ein hohes Risiko kann weiter in persönlich „vertraulich“ und „firmenvertraulich“ unterteilt werden, während mittlere Risiken als „intern“ klassifiziert werden. Da ein dreistufiges Konzept nicht für jedes Unternehmen geeignet ist, sollte das Hauptziel der Datenklassifizierung darin bestehen, sensible Daten zu identifizieren und Prozesse, Labels und Berechtigungen entsprechend anzupassen. Behörden oder öffentliche Einrichtungen mit besonders sensiblen Daten könnten mehrere Klassifizierungsstufen verwenden, während für kleinere Unternehmen zwei oder drei Stufen ausreichen dürften. 

Richtlinien und Empfehlungen zur Datenklassifizierung bieten Normungsorganisationen wie die International Standards Organization (ISO 27001) und das National Institute of Standards and Technology (NIST SP 800-53). Neben diesen Standards und Empfehlungen sollte der Prozess der Datenklassifizierung selbst klar definiert sein. Amazon Web Services (AWS) bietet einen fünfstufigen Rahmen zur Entwicklung von Richtlinien für die Datenklassifizierung: 

1. Erstellung eines Datenkatalogs für verschiedene Datentypen 

2. Bewertung der geschäftskritischen Funktionen und Durchführung einer Folgenabschätzung 

3. Kennzeichnung von Informationen 

4. Verwaltung von Assets 

5. Kontinuierliche Überwachung 

Die Datentypen des Katalogs sollten auf Basis der unternehmenseigenen Klassifizierungsstufen gruppiert werden, wobei die Sicherheitsstufen nach ihrer Kritikalität für das Unternehmen bemessen werden. Jeder Datentyp wird nach seinen Auswirkungen bewertet. 

Eine Kennzeichnung der Daten empfiehlt sich zur Qualitätssicherung. AWS nutzt für die Datenkennzeichnung Tools wie Amazon SageMaker (ein Tool zum Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen in AWS) und AWS Glue (ereignisgesteuerter ETL-Dienst zum Identifizieren und Kategorisieren von Daten). Nach der Kennzeichnung werden die Datensätze entsprechend ihrer Sicherheitsstufe behandelt. Hier sollten spezifische Sicherheits- und Zugriffskontrollen eingerichtet werden, etwa durch ein Identity Access Management (IAM), das regelt, wer welche Daten sehen und bearbeiten darf. 

Automatische Klassifizierung

Kontinuierliche Überwachung, die Identifizierung externer Bedrohungen und die Aufrechterhaltung normaler Funktionen und Prozesse, die auf Daten beruhen, sollten automatisiert ablaufen. Die manuelle Durchführung der Datenklassifizierung ist zeitaufwändig und fehleranfällig. Automatisierung hilft, den Prozess zu kontrollieren und das Risiko menschlicher Fehler und Datenverletzungen zu minimieren. AWS verwendet das Machine-Learning-Tool Amazon Macie, um vertrauliche und sensible Daten in AWS zu erkennen, zu klassifizieren und zu schützen. Über Dashboards können Daten visualisiert, auf sie zugegriffen und Warnmeldungen angezeigt werden. 

Nach der Auswahl der S3-Buckets, die für Macie aktiviert werden sollen, lassen sich verschiedene Optionen einstellen. Neben der Häufigkeit der Objektprüfungen und der Filterung von Objekten nach Tags können benutzerdefinierte Datenkennungen verwendet werden. Dabei handelt es sich um eine Reihe von Kriterien zur Erkennung sensibler Daten. Reguläre Ausdrücke, Schlüsselwörter und eine maximale Übereinstimmungsdistanz lassen sich definieren, um bestimmte Daten für Analysezwecke auszuwählen. 

Vergrößerungsglas für kritische Daten 

Die Website Edmunds, die sich auf den Autokauf spezialisiert hat, beschreibt Macie und die Datenklassifizierung als ein „automatisches Vergrößerungsglas“ für kritische Daten, die sonst schwer zu erkennen wären. Hauptvorteile des Tools sind die Einsicht in geschäftskritische Daten, die Identifizierung gemeinsamer Zugangsdaten und der Schutz von Benutzerdaten. Es gibt jedoch zahlreiche alternative Tools zur Automatisierung der Datenklassifizierung, die durch eine einfache Google-Suche gefunden werden können. Dies zeigt, dass die Datenklassifizierung in fast allen Unternehmen benötigt wird und ihr geschäftlicher Nutzen allgemein anerkannt ist.  

Der Beitrag wurde ursprünglich hier veröffentlicht …

Bislang steuern viele Unternehmen der kabelverarbeitenden Industrie nur den hochautomatisierten Schneidebereich mit einem Manufacturing Execution System (MES). Mit einer geeigneten Software können sie aber auch die heterogenen nachgelagerten Montageprozesse abdecken. DiIT erläutert, worauf es dabei ankommt.

Das MES kann auch Montage

Viele kabelverarbeitende Unternehmen nutzen bereits ein Manufacturing Execution System (MES) für die Prozesse im Schneidebereich. Nun möchten sie den nächsten logischen Schritt gehen und auch die Folgeprozesse der Vor- und Endmontage mit einem solchen System steuern, optimieren und dokumentieren. Eine große Herausforderung ist dabei die Komplexität. Im Gegensatz zum hochautomatisierten Schneidebereich sind die Montagebereiche durch heterogene Materialien, Artikel, Prozesse und Geräte gekennzeichnet.

Wenn Unternehmen diese Komplexität mit einem individuellen MES abbilden möchten, bekommen sie es nicht nur mit kostspieligen Entwicklungsprojekten zu tun, sondern haben auch einen hohen Aufwand mit der laufenden Wartung und Pflege des Systems. Eine bessere Alternative können Standard-MES für die kabelverarbeitende Industrie sein – wenn sie die richtigen Eigenschaften mitbringen. 

DiIT, Spezialist für integrierte Softwaresysteme in der Kabelsatzproduktion, erläutert, worauf Unternehmen bei der Auswahl achten müssen:

• Die zentralen Elemente des Systems wie Materialien, Prozesse, Artikel, Produktionspläne, prozessbezogene Daten, Maßnahmen zur Qualitätssicherung sowie Geräte sollten von Grund auf definiert werden können. Wenn sich die Elemente zudem auch jederzeit komplett neu konfigurieren lassen, haben Unternehmen die Möglichkeit, schnell und unkompliziert auf veränderte Anforderungen zu reagieren.

• Das MES sollte die Rückverfolgung der Produkte ermöglichen und dafür ein entsprechendes Modell mitbringen. Dann können Unternehmen die Zusammensetzung jedes produzierten Artikels jederzeit nachverfolgen. Idealerweise lässt sich das Modell mit zusätzlichen prozessbezogenen Daten anreichern, um die Prozesshistorie nachzuvollziehen und für Qualitätsverbesserungen zu nutzen. 

• Die Unternehmen müssen eine Vielzahl unterschiedlicher Geräte anbinden können. Das MES sollte nicht nur die nativen Schnittstellen verschiedener Maschinenhersteller unterstützen, sondern auch allgemeine Konnektivitätslösungen mitbringen. Nur dann haben die Unternehmen die Möglichkeit, auch Geräte anzubinden, die nur über rudimentäre oder gar keine Schnittstellenfunktionalitäten verfügen.

• Um das MES darüber hinaus in die vorhandene IT-Landschaft zu integrieren, benötigt die Software entsprechende Schnittstellen. Dazu zählt neben einer modernen API auch ein klassischer Datenaustausch per File-Integration. Dieses Instrumentarium gibt Unternehmen die Möglichkeit, etwa Stamm-, Artikel- und Auftragsdaten aus PLM- und ERP-Systemen einzulesen oder Qualitätsparameter an Reporting-Lösungen zu übertragen. 

• Aus Kostengründen sollte das MES plattformunabhängig sein und den Endanwendern ausschließlich Web-Frontends als Benutzeroberflächen zur Verfügung stellen. Dadurch sind Unternehmen nicht gezwungen, jeden Arbeitsplatz mit einem vollwertigen PC auszustatten. Sie können etwa günstigere Tablets nutzen, die sich von einem Arbeitsplatz zum anderen transportieren lassen.

Prozesssicherheit und Rückverfolgbarkeit durch Standard-MES

„Mit einem geeigneten Standard-MES können kabelverarbeitende Unternehmen über alle Produktionsbereiche hinweg für einen reibungslosen und prozesssicheren Betrieb sorgen und ihre Produkte jederzeit rückverfolgen“, erklärt Bernd Jost, Geschäftsführer von DiIT. „Das ist insbesondere für Bordnetzhersteller immens wichtig. Wegen der zunehmenden Elektrifizierung der Autos und dem autonomen Fahren steigen die Anforderungen der OEM an die Qualität und Rückverfolgbarkeit der Bordnetze nämlich erheblich.“

Der Beitrag wurde ursprünglich hier veröffentlicht …

Elektronische Signaturen haben den Geschäftsalltag revolutioniert und ermöglichen schnelle, papierlose Vertragsabschlüsse. Doch mit der fortschreitenden Digitalisierung steigen auch die Anforderungen an Sicherheit und Effizienz.

Elektronische Signaturen im Wandel: Der Einfluss von KI auf die Rechtswelt

Künstliche Intelligenz (KI) spielt hier eine Schlüsselrolle, indem sie Signaturprozesse optimiert und sicherer macht. In diesem Artikel wird beleuchtet, wie KI die fortgeschrittene elektronische Signatur vorantreibt.

Die Evolution der elektronischen Signatur

Die elektronische Signatur hat sich von einfachen digitalen Unterschriften zu komplexen, rechtsverbindlichen Verfahren entwickelt. Anfangs lag der Fokus auf grundlegenden Verschlüsselungstechniken. Heute sorgt KI dafür, dass Signaturen sicherer und benutzerfreundlicher werden, indem sie die Datensicherheit verbessert und Manipulationen verhindert.

Von der handschriftlichen zur digitalen Signatur

Die handschriftliche Unterschrift war über Jahrhunderte das wichtigste Mittel zur Bestätigung von Verträgen und Vereinbarungen. Mit der Digitalisierung wuchs der Bedarf nach einer sicheren elektronischen Alternative. Digitale Signaturen ermöglichen es, Dokumente elektronisch rechtsverbindlich zu unterschreiben, ohne physische Anwesenheit. Diese Entwicklung hat den Geschäftsverkehr beschleunigt und ist in vielen Branchen unerlässlich geworden.

Herausforderungen der bisherigen Signaturverfahren

Frühere elektronische Signaturverfahren litten oft unter Sicherheits- und Authentifizierungsproblemen, da die Verschlüsselungstechniken nicht immer zuverlässig vor Manipulation schützten. Auch die zweifelsfreie Feststellung der Identität des Unterzeichners stellte eine Herausforderung dar, was das Vertrauen in diese Systeme verringerte.

Hinzu kam die schwierige Integration in bestehende Unternehmensprozesse, die oft zusätzliche Software oder Schulungen erforderte. Diese Hürden führten dazu, dass viele Unternehmen zögerten, elektronische Signaturen umfassend zu nutzen.

Künstliche Intelligenz als Treiber für innovative Signaturlösungen

Künstliche Intelligenz bringt frischen Wind in die Welt der elektronischen Signaturen. Sie ermöglicht nicht nur eine höhere Sicherheit, sondern auch eine spürbare Effizienzsteigerung. Unternehmen können ihre Prozesse durch KI-gestützte Signaturverfahren beschleunigen und den Verwaltungsaufwand minimieren. Besonders im Bereich der Authentifizierung und Dokumentenprüfung eröffnet KI neue Möglichkeiten.

Automatisierung und Effizienz durch KI

KI-basierte Systeme erlauben die weitgehende Automatisierung von Signaturprozessen. Dadurch lassen sich Dokumente schneller prüfen und unterzeichnen, was die Bearbeitungszeit deutlich verkürzt. Gleichzeitig reduziert die Automatisierung den manuellen Aufwand, wodurch Mitarbeiter entlastet und Fehlerquellen minimiert werden können. Diese Effizienzgewinne machen KI besonders für Unternehmen attraktiv, die große Mengen an Dokumenten verwalten.

Der Einfluss von maschinellem Lernen auf digitale Authentifizierungsprozesse

Maschinelles Lernen revolutioniert die Art und Weise, wie elektronische Signaturen authentifiziert werden. KI-Modelle können anhand von Verhaltensmustern und Datenspuren die Identität eines Unterzeichners präziser feststellen. Diese Technologie verbessert die Sicherheit erheblich, da sie in der Lage ist, Unregelmäßigkeiten oder Betrugsversuche frühzeitig zu erkennen. Dadurch wird der gesamte Signaturprozess nicht nur sicherer, sondern auch schneller und zuverlässiger.

Erhöhte Sicherheit durch KI-gestützte Verschlüsselung

KI-gestützte Verschlüsselung bietet dynamischen Schutz für elektronische Signaturen, da sie sich kontinuierlich an neue Bedrohungen anpasst. Besonders bei der fortgeschrittenen elektronischen Signatur ist dieser Schutz entscheidend, da sie eine höhere Sicherheitsstufe bietet und manipulationssicherer ist. Unternehmen profitieren davon, dass ihre Dokumente selbst in risikoreichen Umgebungen geschützt bleiben.

Manipulationserkennung und Betrugsprävention mit KI-Algorithmen

KI-Algorithmen ermöglichen es, Manipulationen und Betrugsversuche frühzeitig zu erkennen und zu verhindern. Durch die Analyse von Verhaltensmustern und Unregelmäßigkeiten im Signaturprozess identifizieren KI-Systeme automatisch verdächtige Aktivitäten. Diese Echtzeit-Erkennung minimiert das Risiko, dass gefälschte Signaturen oder manipulierte Dokumente den Prozess durchlaufen.

Die Rolle von KI bei der Automatisierung von Signaturprozessen

KI verändert die Art, wie Signaturprozesse in Unternehmen ablaufen, grundlegend. Sie automatisiert viele Schritte von der Dokumentenprüfung bis zur Vorbereitung der Unterschrift, was den gesamten Ablauf schneller und effizienter macht.

Dennoch wird die finale Unterschrift, insbesondere bei wichtigen Verträgen, weiterhin von autorisierten Personen geprüft und freigegeben. Die KI reduziert den manuellen Aufwand, übernimmt Routineaufgaben und sorgt so für eine reibungslose Abwicklung.

Rechtliche Aspekte und regulatorische Herausforderungen

Der Einsatz von KI in elektronischen Signaturprozessen bringt rechtliche Fragen mit sich. Da die Regulierung in verschiedenen Ländern variiert, müssen Unternehmen die geltenden Gesetze einhalten. Besonders in regulierten Branchen ist es wichtig, dass KI-basierte Signaturen den rechtlichen Anforderungen entsprechen, um rechtsverbindlich zu sein.

KI und die Einhaltung internationaler Signaturstandards

Die Integration von KI in elektronische Signaturprozesse muss internationalen Signaturstandards wie der eIDAS-Verordnung in der EU oder dem ESIGN Act in den USA entsprechen. KI hilft dabei, diese Standards einzuhalten, indem sie sicherstellt, dass die verwendeten Technologien den jeweiligen rechtlichen Vorgaben gerecht werden.

Durch automatisierte Prüfungen können Signaturprozesse länderübergreifend normgerecht gestaltet werden. Dies erleichtert es Unternehmen, rechtlich konforme Dokumente weltweit zu unterzeichnen.

Wie beeinflusst KI die rechtliche Gültigkeit elektronischer Signaturen?

KI kann die rechtliche Gültigkeit elektronischer Signaturen stärken, indem sie den Signaturprozess sicherer und nachvollziehbarer macht. Algorithmen sorgen dafür, dass die Identität des Unterzeichners eindeutig verifiziert wird, was die Rechtssicherheit erhöht. Auch die lückenlose Dokumentation des Signaturvorgangs durch KI trägt zur Nachweisbarkeit bei. Damit wird gewährleistet, dass elektronische Signaturen vor Gericht anerkannt werden können.

Künftige Entwicklungen in der Signaturtechnologie

Die Zukunft der Signaturtechnologie wird stark von KI und maschinellem Lernen geprägt sein. Künftig könnten noch sicherere und benutzerfreundlichere Verfahren entwickelt werden, die den gesamten Signaturprozess weiter automatisieren. Denkbar sind auch intelligente Systeme, die Verträge selbstständig analysieren und Handlungsempfehlungen geben. Diese Innovationen könnten die Effizienz und Sicherheit von Transaktionen weiter steigern.

Fazit

Die Integration von KI in rechtliche Prozesse bietet großes Potenzial, birgt jedoch auch Risiken. Einerseits kann KI durch Automatisierung die Effizienz und Genauigkeit rechtlicher Verfahren verbessern. Andererseits besteht die Gefahr, dass komplexe rechtliche Entscheidungen zu stark von Algorithmen abhängen, was zu Fehlern führen könnte. Ein ausgewogenes Verhältnis zwischen menschlicher Kontrolle und technischer Unterstützung ist daher weiterhin wichtig.

Der Beitrag wurde ursprünglich hier veröffentlicht …

Artjom Bruch, CEO von Trusted Returns gibt uns Einblicke zur Rolle von Retouren-Warenhäusern und die Relevanz eines effizienten Retourenmanagements

Retouren-Warenhäuser – Auf dem Weg zu einem ganzheitlichen Retourenmanagement

Retouren von Onlineshopping-Artikeln sind Teil des Einkaufserlebnisses. Sie können bei Kunden immer wieder für Frustration sorgen, für Onlinehändler bieten sie aber viel ungenutztes Potenzial. Davon abgesehen stellen sie nicht nur eine große Herausforderung für viele Unternehmen dar, sondern sind auch für die Umwelt problematisch. Steigende Retourenquoten werfen Fragen über die Nachhaltigkeit und Effizienz des Onlineshoppings auf und erfordern innovative Ansätze, um sowohl den ökonomischen als auch den ökologischen Aspekt zu berücksichtigen. Der Onlineversandhandel für Mode und Accessoires gehört zu den am meisten betroffenen Segmenten, die mit hohen Retourenquoten zu kämpfen haben.

Zu den größten Kostentreibern bei der Bearbeitung von Retouren gehören die Prüfung der zurückgesendeten Ware, die Sortierung und die Qualitätskontrolle. Laut einer Studie des EHI können circa 50 bis 75 Prozent der retournierten Produkte als A-Ware weiterverkauft werden. Das bedeutet, dass in bis zur Hälfte aller Fälle ein retourniertes Produkt nicht mehr als A-Ware bezeichnet werden kann und daher als B-Ware weiterverkauft wird. Etwa 20 Millionen  retournierte Artikel landen pro Jahr im Müll, was nicht nur ökonomisch, sondern auch ökologisch bedenklich ist. 

Um dies in Europa zu verhindern, hat die EU eine Ökodesign-Richtline erlassen, die nach Umsetzung in Rechtsprechung der Länder, die Vernichtung unverkaufter Kleidung verbietet. Durch diese EU-Richtlinie sind viele Onlinehändler gezwungen, neue Lösungen für den Umgang mit zurückgesendeter Ware zu finden. Hier kommen Retouren-Warenhäuser ins Spiel, die unverkaufte oder sogenannte B-Ware zu günstigen Preisen weiterverkaufen oder sogar in Form von Spenden weitergeben. 

Retouren-Warenhäuser sind effektiv, behandeln aber nicht die Ursache

Die Ökodesign-Richtlinie der EU hat neuen Handlungsdruck erzeugt: Einige Online-Händler haben bereits Maßnahmen ergriffen, um die Auswirkungen von Retouren auf ihre Profitabilität zu reduzieren. Bestehende Modelle wie Amazon Retourenkauf (ehemals Amazon Warehouse), Zalando und H&M, die gebrauchte Ware zu reduzierten Preisen anbieten, sind in diesem Zusammenhang von Vorteil. Damit versuchen die Online-Händler, retournierte Ware weiterzuverkaufen, anstatt sie zu entsorgen. Somit spielen Retouren-Warenhäuser von Dritten, aber auch eigene Kanäle für B-Ware, eine bedeutende Rolle im E-Commerce, da sie einen effizienteren und umweltfreundlicheren Umgang mit zurückgesendeter Ware unterstützen. Sie gelten als ein Teil der Lösung zum Umgang mit Retouren und daraus resultierender B-Ware. 

Um die Ursachen von zurückgesendeten Produkten zu adressieren und die Retourenabwicklung effektiver zu gestalten, ist eine umfassende Strategie notwendig. Nur so ist es für Online-Händler möglich, mithilfe der EU-Regulatorik und der Retouren-Warenhäuser, auf lange Sicht die Belastungen durch Retouren zu minimieren und gleichzeitig ökonomische und ökologische Nachhaltigkeit sicherzustellen. Einerseits können die EU-Richtlinie und Retouren-Warenhäuser zur Milderung des Problems beitragen, indem sie die Menge der sonst zu entsorgenden Textilien – und damit die Umweltbelastung – reduzieren. Andererseits befassen sie sich nur mit einem Teil des Problems. Die zugrundeliegenden Ursachen für die hohen Retourenquoten und Möglichkeiten für eine effizientere Aufbereitung der zurückgesendeten Ware werden dabei noch nicht beachtet.

Nachhaltige Retourenabwicklung: Gemeinsame Verantwortung von Händlern und Konsumenten

Die Auslöser von Retouren sind vielfältig und betreffen viele Bereiche, in denen neue Strategien und Lösungen notwendig sind. Neue Wege, um den Umgang mit Retouren zu erleichtern, sind erforderlich. Die EU-Ökodesign-Richtlinie soll dazu beitragen, dass nicht-gekaufte Kleidung nicht mehr nur entsorgt wird und stellt dabei eine Herausforderung für die Online-Händler dar. Dennoch ist dabei nicht nur die Rolle der Online-Händler, sondern auch die der Konsumenten wichtig – in diesem Sinne gehören zwei dazu: Überproduktion und Überkonsum sind zwei der größten Herausforderungen in der Modeindustrie. Es wird mehr produziert als notwendig ist, was ein rapides Konsumverhalten befeuert, während mehr bestellt als behalten wird. In Extremfällen entsteht dabei die Illusion, dass die Warenflut auf die notwendige Nachfrage trifft, jedoch werden in der Praxis eben nicht alle von Verbrauchern bestellten Waren behalten und damit auch verkauft. Daher ist ein Engagement von Seiten der Online-Händler und der Konsumenten unerlässlich.

Nicht nur neue Ansätze seitens der Online-Händler, sondern auch ein bewussteres Agieren der Verbraucher sollen dazu beitragen, das Retourenmanagement effizienter zu gestalten. Die Möglichkeit eines gezielten Austauschs mit Kunden und Kundinnen auch nach dem Kauf sollte dabei helfen. Dies unterstreicht die Bedeutung einer ganzheitlichen Herangehensweise, die sowohl die Verhaltensweisen der Verbraucher als auch die Geschäftspraktiken der Händler berücksichtigt. Mehr Transparenz auf Seiten der Onlinehändler und ein besseres Management der Kundenerwartungen an Produkte sind dabei essenziell. Letztendlich, um eine ausgewogene Balance zwischen Kundenorientierung und einem effizienten Retourenmanagement zu erzielen, die entlang geltender Regulatorik umsetzbar ist, ist ein Gleichgewicht aus Effizienz, Transparenz und Umweltbewusstsein notwendig.

Ein effizientes Retourenmanagement sowie ganzheitliche Lösungen sind notwendig

Um Online-Shopping effizienter zu gestalten und parallel ökonomische und ökologische Pflichten zu erfüllen, ist ein optimiertes Retourenmanagement bedeutend. Es erfordert eine klare Kommunikation der Rückgaberichtlinien und Produktdetails, um die Erwartungen der Kunden zu managen, sowie die Optimierung von Prozessen, um den Umgang mit retournierter Ware umweltfreundlicher und effizienter zu gestalten. Insgesamt verdeutlicht dies die Komplexität des Problems von Retourenquoten im E-Commerce innerhalb des geringen Handlungsspielraums, den gängige Praktiken wie der Paketbeileger ermöglichen. Eine umfassende Strategie, die verschiedene Akteure einbezieht und sowohl ökonomische als auch ökologische Aspekte berücksichtigt wird durch die EU-Öko-Designrichtlinie verpflichtend. Allerdings adressieren einzelne Ansätze wie Retouren-Warenhäuser lediglich die Symptome und nicht die eigentlichen Ursachen des Problems. Eine umfassendere und vielschichtiger Lösung ist zusätzlich erforderlich.

Eine durchdachte Strategie für effizienteres Retourenmanagement ist dabei ein Werkzeug, durch welches alle Seiten profitieren können. Digitale Ansätze für das Retourenmanagement im After-Sales stärken die Kundenbindung mittels mehr Transparenz und zusätzlichen Kommunikationsschnittstellen. Während optimierte Prozesse sowohl die Umweltbelastung reduzieren als auch wirtschaftliche Vorteile ermöglichen können. Unternehmen müssen nicht nur die unmittelbaren Auswirkungen von Retouren mildern, sondern auch die Ursachen hoher Retourenquoten adressieren, um strategischen und effizienten After-Sales zu betreiben. Obwohl Retouren-Warenhäuser helfen, die Umweltbelastung durch weggeworfene Produkte zu mindern, bleibt das häufige Unwissen über die Ursache der Rücksendungen weiterhin eine Herausforderung. Insgesamt zeigt sich, dass effizientes Retourenmanagement im Onlinehandel unerlässlich ist und durch innovative Strategien ein großes Potenzial entfalten kann.

Der Beitrag wurde ursprünglich hier veröffentlicht …

Im Kundenservice spielt KI eine Schlüsselrolle für die Produktivität und die Zufriedenheit

KI sollte Beschäftigte in Contact Centern befähigen statt sie zu ersetzen

Das größte Potenzial beim Einsatz Künstlicher Intelligenz im Contact Center liegt in der Produktivitätssteigerung der Beschäftigten, postuliert die Schweizer Spitch AG, einer der führenden Anbieter von KI-basierten Sprach- und Textdialogsystemen für diesen Zielmarkt. Der Chief Innovation Officer von Spitch, Josef Novak, verweist auf eine Prognose der Gartner Group, wonach „bis 2026 ganze 60 Prozent der KI-Software für Konversationen proaktive Intelligenzfunktionen enthalten wird, während es 2023 noch weniger als 5 Prozent waren.“

Er skizziert den Einsatz dieser sogenannten „proaktiven Intelligenzfunktionen“: Das KI-Tool antizipiert Kundenbedürfnisse, stellt dem Beschäftigten im Call Center die dazugehörigen Informationen am Bildschirm zur Verfügung und schlägt gleich geeignete Maßnahmen vor, um den Kunden besser bedienen zu können. Das Spektrum reicht von der schnelleren Lösung eines Problems bis hin zur Umsatzsteigerung durch Up-Selling. Spitch konzentriert sich eigenen Angaben zufolge zusehends auf dieses Konzept, Contact Center bei der Steigerung ihrer Produktivität und des Kundenerlebnisses durch KI-Funktionen zu unterstützen. „Häufig werden KI-Systeme im Service mit Automatisierung und Rationalisierung gleichgesetzt“, sagt Josef Novak, „doch es gibt noch eine viel wichtigere Komponente, nämlich die Befähigung und Motivation der Beschäftigten im Kundenservice durch KI.“

Spitch verweist auf das „enorme Potenzial“ generativer KI. Moderne generative KI-Lösungen unterstützten Contact Center heute schon vielfach erfolgreich bei unterschiedlichen Aspekten, vom Onboarding und Training bis hin zum Echtzeit-Support bei Kundeninteraktionen.

Onboarding mit KI 

Ein Schlüsselbereich, in dem generative KI einen erheblichen Einfluss haben kann, ist nach Erfahrungen von Spitch das Onboarding und Coaching der Beschäftigten in Contact Centern. Während herkömmliche Schulungsmethoden zeit- und ressourcenaufwändig seien, können neue Mitarbeiter mittels generativer KI ein personalisiertes, interaktives Training erhalten, das sich an ihr Lerntempo und ihren Lernstil anpasst. Virtuelle Assistenten, die von generativer KI unterstützt werden, können Neulinge effektiv durch Produktwissen, Unternehmensrichtlinien und Best Practices führen und dadurch sicherstellen, dass sie vom ersten Tag an gut gerüstet sind, um Kundenanfragen zu bearbeiten. Generative KI-Schulungsplattformen können Trainingsgespräche simulieren oder wiederholen, die auf einem bestimmten Bereich des Contact Centers, auf Richtlinien oder auf früheren realen Gesprächen basieren. Laut McKinsey & Company „könnte die Anwendung generativer KI auf Kundenbetreuungsfunktionen die Produktivität um 30 bis 45 Prozent steigern bei gleichbleibenden Kosten.“ 

Über die anfängliche Schulung hinaus vermögen diese Ansätze eine kontinuierliche Betreuung der Beschäftigten im Contact Center zu gewährleisten. Während der Kundeninteraktion können KI-gestützte Tools die Konversation in Echtzeit analysieren und relevante Informationen, Antwortvorschläge und Anleitungen zur Behandlung bestimmter Probleme anbieten. Auf diese Weise können sich die Beschäftigten auf den Aufbau von Beziehungen zu den Kunden konzentrieren, während sie stets über das erforderliche Wissen und die erforderlichen Tools verfügen.

Qualitätsmanagement und Leistungsbewertung

Große Sprachmodelle (Large Language Models, LLM) und ihre Erweiterungen revolutionieren das Qualitätsmanagement und die Leistungsbewertung der Mitarbeiter im Contact Center, urteilt Spitch. Durch die Analyse von Anrufprotokollen und Kundenfeedback können LLMs komplexe natürlich­sprachliche Interaktionen effektiv analysieren, verbesserungswürdige Bereiche identifizieren und personalisierte Coaching-Empfehlungen generieren. 

Dieses datengesteuerte Konzept ermöglicht laut Spitch, dass die Beschäftigten gezieltes Feedback und Unterstützung erhalten, um ihre Fähigkeiten kontinuierlich zu verbessern – sowohl vor Ort als auch in der Cloud. Dieser Ansatz stellt zudem sicher, dass Feedback und Überprüfung der Mitarbeiter in Übereinstimmung mit neuen EU- und internationalen Richtlinien für den verantwortungsvollen Einsatz von generativer KI bereitgestellt werden können.

Selbstlernende Ressourcen

Generative KI trägt zur Erstellung von selbstlernenden Ressourcen für die Beschäftigten bei. Durch die Analyse gängiger Kundenfragen und erfolgreicher Lösungsstrategien können KI-Agenten schnell verlässliche Knowledge-Base-Artikel, FAQs und Best-Practice-Anleitungen erstellen. Dadurch können die Mitarbeiter bei Bedarf selbstständig auf relevante Informationen zugreifen, was die Abhängigkeit von Vorgesetzten verringert und die Beschäftigten in die Lage versetzt, Probleme effizienter zu lösen.

Generative KI als Katalysator für die Steigerung der Mitarbeiterzufriedenheit

Spitch rät darauf zu achten, dass die Einführung von generativer KI in Contact Centern ein gemeinsames Unterfangen von Management und Mitarbeitern ist. Offene Kommunikation und Transparenz sind demnach von entscheidender Bedeutung, um Bedenken oder Ängste der Mitarbeiter hinsichtlich der Auswirkungen von KI auf ihre Aufgaben zu zerstreuen. Unternehmen sollten zudem klare Richtlinien aufstellen, wie KI eingesetzt werden soll, um die Arbeit der Menschen zu ergänzen, anstatt sie zu ersetzen.

Josef Novak erklärt: „Contact Center müssen KI-Lösungen entwickeln, bei denen die Befähigung der Mitarbeiter im Vordergrund steht, indem sie eine unterstützende Beziehung zwischen Technologie und menschlichem Fachwissen ermöglichen. Generative KI kann Routineaufgaben übernehmen, so dass sich die Mitarbeiter auf komplexe Probleme konzentrieren können, die Einfühlungsvermögen, Kreativität und Problemlösungskompetenz erfordern. Dies verbessert nicht nur die betriebliche Effizienz, sondern erhöht auch die Arbeitszufriedenheit, reduziert den Stress und steigert das Engagement der Mitarbeiter.“

Vorteile sind schon heute sichtbar

Die potenziellen Vorteile der generativen KI in Contact Centern sind schon heute sichtbar, meint Spitch. McKinsey & Company berichtet, dass „Untersuchungen in einem Unternehmen mit 5.000 Kundendienstmitarbeitern ergaben, dass die Anwendung generativer KI die Problemlösungen um 14 Prozent pro Stunde steigerte und den Zeitaufwand für die Bearbeitung von Anfragen um 9 Prozent reduzierte. Außerdem sank die Fluktuation der Mitarbeiter und die Anzahl der Anfragen an den Vorgesetzten um 25 Prozent. Entscheidend ist, dass sich Produktivität und Servicequalität bei den weniger erfahrenen Mitarbeitern am stärksten verbesserten.“ Josef Novak betont: „Diese Ergebnisse unterstreichen die transformative Kraft der generativen KI bei der Stärkung der Mitarbeiter, insbesondere derjenigen, die neu in ihrer Rolle sind oder ihre Fähigkeiten noch entwickeln.“

Da Contact Center generative KI einsetzen, ist es wichtig, die Implementierung strategisch anzugehen und langfristig zu planen, empfiehlt Spitch. Die Zusammenarbeit mit erfahrenen Anbietern von KI-basierten Dialogsystemen und die Nutzung eines einheitlichen, plattformzentrierten Ansatzes seien entscheidend für eine reibungslose Integration in das bestehende IT-Ökosystem, die den spezifischen Bedürfnissen und strategischen Zielen des Unternehmens gerecht wird.

Josef Novak erklärt: „Wir bei Spitch sind davon überzeugt, dass Unternehmen, die sich auf die Befähigung und Unterstützung ihrer Mitarbeiter konzentrieren, ein Win-Win-Szenario schaffen können, in dem Technologie und menschliche Kompetenz Hand in Hand arbeiten. Mit dem richtigen Ansatz und den richtigen Partnerschaften wird generative KI Contact Center zunehmend von traditionellen Kostenstellen in Zentren der Innovation, der Geschäftsmöglichkeiten und der Zufriedenheit von Kunden und Mitarbeitern verwandeln.“

Der Beitrag wurde ursprünglich hier veröffentlicht …

Datenbanken sind die heimlichen IT-Helden in Zeiten von KI, Cloud und Edge. Sie arbeiten still, leise und effektiv im Hintergrund, sorgen für die richtigen Daten an den richtigen Stellen und liefern Datenanalysen in Echtzeit. Ein verantwortungsvoller Job, für den nur die Besten geeignet sind. Couchbase listet die entscheidenden Auswahlkriterien auf.

Die fünf wichtigsten Benefits, mit denen NoSQL-Datenbanken punkten

Moderne IT-Architekturen sind agil, schnell und komplex. Daten und Datenanalysen müssen jederzeit und überall für Applikationen verfügbar sein. Entsprechend anspruchsvoll sind die Anforderungsprofile für Datenbanken in Bezug auf Flexibilität, Agilität und Skalierbarkeit. NoSQL-Datenbanken haben sich dafür als besonders geeignet herauskristallisiert, da sie die Beschränkungen transaktionsorientierter relationaler Datenbanken mit ihren starren Zeilen/Spalten-Schemata hinter sich lassen. Couchbase, Anbieter einer Cloud-Datenbank-Plattform, erklärt die wichtigsten Vorteile:

1. Flexible Datenmodelle

Künstliche Intelligenz, Machine Learning, Echtzeit-Analytics und Cloud-Services lassen nicht nur die Datenaufkommen explodieren. Sie führen auch zu einer massiven Zunahme an unstrukturierten Daten wie Fotos, Videos oder Chat-Verläufen. Datenbanken müssen dafür ausgelegt sein. NoSQL-Datenbanken arbeiten mit flexiblen Datenmodellen wie dokumentenorientiert (JSON), Key-Value oder sogar Multi-Model mit einem Mix aus mehreren Modellen.

2. Unterstützung hybrider IT-Architekturen

Aktuelle IT-Architekturen sind mit ihrem Mix aus On-premises-, Cloud- und Edge-Komponenten zunehmend hybrid und verteilt. NoSQL-Datenbanken mit der Fähigkeit zur uni- und bidirektionalen Cross-Datacenter-Replikation sind dafür ideal geeignet. Darüber hinaus müssen sie dynamische Microservices-Architekturen wie Kubernetes mit flüchtigen (stateful) Datenbank-Services versorgen. Und für das besonders latenzsensible Edge Computing werden Datenbanken benötigt, die Edge-Daten direkt vor Ort speichern, analysieren und wieder bereitstellen.

3. Systemische Plattform-Agnostik

Cloud- und Microservices können auf einer Reihe von Plattformen wie AWS, Azure, Google oder Red Hat OpenShift bereitgestellt werden. Typischerweise vermeiden Unternehmen die Festlegung auf eine einzige Plattform und präferieren daher Hybrid- oder Multi-Cloud-Szenarien. Um die Interoperabilität sicherzustellen, muss die NoSQL-Datenbank ebenso unabhängig von der jeweils genutzten Plattform sein, wie die von der Datenbank bereitgestellten automatisierten Applikationen.

4. Multidimensionale Skalierbarkeit

In solchen Umgebungen müssen die Datenbank-Services unabhängig voneinander skaliert werden können – und das sowohl vertikal wie horizontal. Bei der linearen Skalierung steigt die Performance des gesamten NoSQL-Datenbankmanagement-Systems mit jedem zusätzlichen Knoten. Entsprechend geeignete Datenbanken können ihre Services zudem auf dedizierten Knoten laufen lassen und so eine Workload Isolation hinsichtlich CPU, RAM und Disk-Arbeitslast erreichen.

5. Automatisierung und Echtzeit-Management

Komplexe verteilte Architekturen benötigen zwangsläufig ein hochautomatisiertes Datenbank-Management. Das betrifft beispielsweise die Echtzeitverwaltung der Knoten und die Sicherstellung des ausfallsicheren Betriebs. NoSQL-Datenbanken, die den höchsten von der Cloud Native Computing Foundation (CNCF) definierten Automatisierungs-Reifegrad (Level 5) besitzen, verfügen über Features wie Auto Failover, Automated Provisioning, Automated Update, On-demand Dynamic Scaling oder Cross Datacenter Replication (XDCR).

SQL für NoSQL-Datenbanken: Effiziente Migration und reduzierte Schulungskosten

Darüber hinaus ist es sinnvoll, auch für NoSQL-Datenbanken die etablierte Abfragesprache SQL nutzen zu können. So wird das weit verbreitete Wissen von Entwicklern und Administratoren weiterhin genutzt und die Migration von SQL auf NoSQL vereinfacht, da die Datenzugriffsschicht nicht neu geschrieben werden muss. Zudem wird so der Aufwand für Schulung und Trainings bei der Implementierung von NoSQL reduziert. 

Fazit

„NoSQL-Datenbanken sind relationalen Datenbankmanagement-Systemen in praktisch allen Belangen deutlich überlegen. Sie sind flexibler und skalierbarer, Cloud-nativ und Microservices-affin“, erklärt Gregor Bauer, Manager Solutions Engineering CEUR bei Couchbase. „Aber auch innerhalb des NoSQL-Angebots gibt es große Unterschiede, etwa bei den Replikationsmöglichkeiten oder den Automatisierungsgraden. Daher ist es wichtig, für die eigenen Anforderungen die exakt passende NoSQL-Datenbank zu evaluieren.“

Der Beitrag wurde ursprünglich hier veröffentlicht …

Dank Künstlicher Intelligenz können Industrieunternehmen effizienter und kostengünstiger produzieren, die Produktionsqualität erhöhen und Produktionsstörungen vermeiden – die Einsatzmöglichkeiten für smarte Anwendungen in der Branche sind nahezu unbegrenzt. Doch wollen Unternehmen tatsächlich das volle Potenzial von KI ausschöpfen, benötigen sie dafür geeignete IT-Infrastrukturen. Dell Technologies erklärt, was diese bieten und leisten müssen. 

6 Voraussetzungen für den Einsatz von KI in der Produktion

KI ist das Herzstück der Smart Factory und vermag Produktionsumgebungen geradezu zu revolutionieren. Die Algorithmen machen Fertigungsroboter vielseitiger und sicherer, helfen bei der vorausschauenden Wartung von Maschinen und Anlagen und erkennen selbst kleinste Abweichungen von Produktionsparametern und Umgebungsbedingungen. Zudem helfen sie bei einer optimalen Produktionsplanung, die Leerlaufzeiten und Ressourcenverschwendung vermeidet. All das können sie allerdings nur, wenn die digitalen Infrastrukturen den hohen Anforderungen, die KI-Anwendungsfälle stellen, gewachsen sind. Dell Technologies nennt die entscheidenden Aspekte, auf die Industrieunternehmen achten müssen:

1. Datenverarbeitung am Edge

Ein Fertigungsroboter muss seine Umgebung in Echtzeit wahrnehmen, um Werkstücke korrekt zu bearbeiten oder zu montieren, und viele Steuersysteme müssen in Sekundenbruchteilen in die Produktion eingreifen, wenn sich Fertigungsparameter plötzlich verändern. Für eine Datenübertragung in die Cloud oder ein zentrales Rechenzentrum ist da schlicht keine Zeit – ausreichend niedrige Latenzen garantieren nur leistungsstarke Edge-Infrastrukturen, zu denen neben Server- und Storage-Systemen auch schnelle drahtlose Netzwerke zählen. In vielen KI-Anwendungsfällen ist der Mobilfunkstandard 5G die beste Wahl, da er hohe Bandbreiten und niedrige Latenzen bietet, problemlos tausende von Sensoren mit IT- und OT-Systemen verknüpft und eine synchronisierte Kommunikation zwischen diesen ermöglicht, damit alle Produktionsabläufe genau aufeinander abgestimmt werden können.

2. Leistungsstarke Systeme, die cool bleiben

KI-Anwendungen erfordern viel Rechenleistung, weshalb meist Server mit vielen GPUs und hoher Leistungsdichte zum Einsatz kommen. Diese Server setzen auf optimierte Kühlkonzepte, um die entstehende Abwärme effizient abzuleiten. Wo das mit der klassischen Luftkühlung nicht mehr funktioniert, werden CPUs und GPUs mit Flüssigkeiten gekühlt. Allerdings lassen sich die datenverarbeitenden Systeme am Edge nicht immer in geschützten und klimatisierten Räumlichkeiten unterbringen. In solchen Fällen sind Rugged-Server notwendig, die hohen Temperaturen, Staub, Erschütterungen und Vibrationen trotzen. Je nach Modell sind diese nur halb so tief wie Standard-Server und wahlweise von der Vorder- oder Rückseite zugänglich, sodass sie sich in kompakten Racks oder Schränken montieren lassen und Server-Techniker alle Anschlüsse und Komponenten gut erreichen.

3. Offene Schnittstellen und Standards

In der Smart Factory wachsen IT und OT zusammen. Damit die verschiedenen Systeme reibungslos miteinander kommunizieren können und die wertvollen Daten aus der Produktionsumgebung nicht in Silos feststecken, sind Unternehmen auf Plattformen angewiesen, die offene Schnittstellen und Standards unterstützen. Diese erleichtern es auch, Daten für die langfristige Aufbewahrung oder weiterführende Auswertungen, die nicht zeitkritisch sind, in die Cloud oder ein Rechenzentrum zu übertragen. 

4. Zentralisierte und automatisierte Verwaltung

Nicht nur die Edge-Systeme selbst, sondern auch die darauf laufenden Anwendungen müssen sich zentralisiert und weitgehend automatisiert bereitstellen und verwalten lassen. Schließlich werden KI-Anwendungen kontinuierlich weiterentwickelt und müssen daher regelmäßig auf den Edge-Systemen aktualisiert werden – oder es kommen neue KI-Anwendungen für neue Anwendungsfälle hinzu. Ideal ist es, wenn Unternehmen die Anwendungen zunächst zentral paketieren und konfigurieren und dann nebst Ressourcendefinitionen, Netzwerkeinstellungen und individuellen Workflows in einem Schritt an die gewünschten Edge-Systeme der verschiedenen Standorte ausrollen. Auf diese Weise sind sie auch in der Lage, schnell neue Versionen für Tests oder spezielle Tools für einzelne Projekte bereitzustellen.

5. Zugriff auf ein großes Ökosystem aus fertigen Anwendungen

Unternehmen müssen nicht alle KI-Anwendungen selbst entwickeln, denn für Anwendungsfälle wie Predictive Maintenance, Machine Vision, Edge Analytics und OT-Security gibt es bereits zahlreiche fertige Lösungen. Viele Anbieter solcher Lösungen arbeiten eng mit den Anbietern von Infrastrukturlösungen zusammen, um sicherzustellen, dass sich ihre Anwendungen nahtlos in die Edge-Systeme integrieren und optimal funktionieren. Unternehmen sollten daher auf Infrastrukturanbieter setzen, die ein großes Partnerökosystem vorweisen können, um gängige KI-Anwendungen schnell und ohne großes Risiko einzuführen.

6. Hohe Sicherheit

KI-Anwendungen am Edge sind geschäftskritisch – fallen sie aus oder liefern fehlerhafte Ergebnisse, drohen Produktionsunterbrechungen oder Qualitätseinbußen. Moderne Edge-Systeme bringen deshalb fest integrierte Sicherheitsfunktionen wie UEFI Secure Boot und vTPM mit. UEFI Secure Boot stellt sicher, dass nur vertrauenswürdige und autorisierte Software auf Edge-Systemen bootet, sodass sich keine Malware einnisten kann. vTPM wiederum ist ein virtuelles Trusted Platform Module (TPM), das kryptografische Funktionen und einen sicheren Speicher für Schlüssel, Zertifikate und Passwörter bereitstellt, um virtuelle Maschinen zu verschlüsseln oder ihre Identität und Integrität zu überprüfen. Darüber hinaus können Unternehmen ihr Sicherheitsniveau erhöhen, indem sie Zero-Trust-Konzepte umsetzen, also nur unbedingt notwendige Berechtigungen vergeben und alle Zugriffe konsequent verifizieren. Plattformen, die Security-Features wie Multifaktor-Authentifizierung und rollenbasierte Zugriffskontrollen fest integrieren, können die Umsetzung von Zero Trust erheblich erleichtern.

Modernisierung der Infrastruktur als Schlüssel zum Erfolg von KI in der Produktion

„KI kann für produzierende Unternehmen ein echter Gamechanger sein, doch die Einführung ist nicht immer einfach“, betont Chris Kramar, Director & General Manager OEM DACH bei Dell Technologies in Deutschland. „Das liegt unter anderem an veralteten Infrastrukturen, die nicht für die Performance- und Latenzanforderungen von KI-Anwendungsfällen ausgelegt sind. Um den Erfolg ihrer KI-Initiativen nicht zu gefährden, sollten Unternehmen deshalb parallel zur Anschaffung und Entwicklung von KI-Anwendungen ihre Infrastrukturen modernisieren und dabei auf einfach zu verwaltende und integrationsfreundliche Systeme und Plattformen achten.“  

Der Beitrag wurde ursprünglich hier veröffentlicht …

Planat zählt zu den erfolgreichsten ERP-Anbietern für mittelständische Fertigungsbetriebe

ERP-Systeme: Industrie im Wandel fördert spezielle Branchenlösungen für effiziente Prozesse

Die Herausforderungen für produzierende Unternehmen sind groß wie nie: Instabile Lieferketten, Fachkräftemangel, sich schnell verändernde Märkte und schwankende Einkaufspreise dominieren die täglichen Nachrichten.

Starre ERP-Systeme sind nicht in der Lage, den Betrieben eine optimale Hilfestellung zu geben. Besonders spürbar ist der Wandel für das Stuttgarter Software-Unternehmen Planat: „Der spezifische Bedarf in produzierenden Unternehmen für eine elastische und intelligente ERP-Lösung ist groß wie nie. Auf dieser Grundlage haben wir unser Geschäft deutlich ausbauen können und vor allem aus dem Bereich Maschinenbau eine Vielzahl mittelständischer Kunden gewinnen können“, erklärt Christian Biebl, Geschäftsführer von Planat.

Das Unternehmen ist Entwickler der speziell auf produzierende Betriebe zugeschnittenen ERP-Plattform FEPA und deckt bereits seit Jahrzehnten den Bedarf der Unternehmen an einer flexiblen ERP-Lösung, die in Unternehmen sämtliche Fertigungsmodelle – von der Massen- bis zur Einzelfertigung – abbilden kann. „Noch vor Jahren wurden in den meisten Unternehmen Aufträge in der Masse – also mit großer Stückzahl – abgebildet. Heute ist Flexibilität ab der Losgröße 1 ein völlig normaler Zustand, um vor allem als Zulieferbetrieb und Halbzeug-Hersteller mit den Ansprüchen der Kunden Schritt halten zu können“, sagt Christian Biebl weiter.

Deutliches Kundenwachstum

Für Planat steht der industrielle Wandel gleichzeitig für einen massiven Zuwachs an Kunden. Abgelöst werden dabei zumeist ERP-Altlösungen, die nicht mehr dem modernen Bedarf entsprechen. Nicht selten sind das spezifisch programmierte Systeme, die in den 1980er Jahren implementiert wurden. Der Aufwand zur Wartung ist meist immens, während die abgebildeten Prozesse längst nicht mehr den Erwartungen und Bedürfnissen entsprechen.

Manch Unternehmen entscheidet sich aber auch für eine ERP-Standardlösung, die ohne bestimmten Branchenfokus angeboten wird. „Jede Branche hat bestimmte Herausforderungen, die auch durch die Software abgebildet werden müssen. Unsere Lösung FEPA kommt aus der Fertigungsplanung – ob auf dem Shop Floor oder in der Verwaltung, wir kennen die Prozesse, die wir abbilden.

Daher greifen unsere Kunden auch gerne auf unsere Consulting-Dienste zurück, um wirklich optimal mit dem Werkzeug arbeiten zu können und auch die eigenen Prozesse kritisch zu hinterfragen“, erklärt der ERP-Experte Biebl. Nicht selten etablieren sich im Tagesgeschäft Vorgänge, die wenig effizient sind – um das zu erkennen, ist aber oft der Blick eines neutralen Beobachters gefragt.

Best Practice auf der Basis hunderter Installationen

In den vergangenen Jahren hat Planat mehrere hundert Installationen von FEPA durchgeführt – tausende Mitarbeiter von fertigenden Betrieben arbeiten mit der ERP-Lösung über Grenzen hinweg. Selbst an Produktionsstandorten in Asien ist FEPA im Einsatz. Jedes neue Software-Projekt profitiert von den Erfahrungen der vorangegangenen Installationen. „FEPA ist für uns und unsere Kunden die Essenz aus einigen Jahrzehnten Entwicklungs- und Projekterfahrungen.

Dieses Wissen um Prozesse und Anforderungen in Form unserer Best Practice für mittelständische Produktionsbetriebe geben wir mit jedem Projekt weiter an unsere Kunden“, beschreibt der Planat-Geschäftsführer Christian Biebl. Bereits mit dem ERP-Kern können Kunden einen umfangreichen Funktionsumfang nutzen.

Mit Branchenobjekten lässt sich FEPA optimal an den Unternehmensbedarf anpassen: Standardisierte Funktionen und Module erlauben die präzise Anpassung an ein Unternehmen. Mit Add-ons kann die ERP-Plattform weiter angepasst und die weiteren Schritte in die Digitalisierung erleichtert werden – vom modernen Dokumentenmanagement bis zu Business Intelligence-Funktionen oder App-basierten Funktionen wie der Personal- oder Arbeitszeiterfassung. 

Der Beitrag wurde ursprünglich hier veröffentlicht …

Künstliche Intelligenz kann große Datenmengen schnell und präzise analysieren, um Muster und Anomalien zu erkennen. Das ist auch im Security-Bereich sehr hilfreich. Forcepoint nennt sieben Beispiele, wie KI die Datensicherheit verbessert.

7 Beispiele, wie KI die Datensicherheit verbessert

Cyberkriminelle sind äußerst findig darin, ihre Angriffsstrategien und -tools immer wieder anzupassen, um an das Wertvollste zu gelangen, das Unternehmen besitzen: Daten. Traditionelle Sicherheitslösungen erreichen schnell ihre Grenzen, wenn es darum geht, die sich ständig wandelnden Bedrohungen zu erkennen und abzuwehren – zumal sich die zu schützenden Daten inzwischen nicht mehr nur innerhalb des Unternehmensnetzwerks, sondern auch in der Cloud und auf den Rechnern von remote tätigen Mitarbeitern befinden können. Mit KI steht jedoch eine vielseitige und leistungsfähige Technologie zur Verfügung, die den Schutz sensibler Daten effektiver macht. Hier sind einige Beispiele:

1. Datenklassifizierung

Unternehmen können nur Daten schützen, die sie auch kennen. Allerdings ist es in großen und verteilten Datenbeständen nahezu unmöglich, die schützenswerten Daten ohne technische Hilfsmittel zuverlässig aufzuspüren – ein Problem, das dadurch verschärft wird, dass Daten ständig neu generiert, bearbeitet, kopiert und über verschiedene Kanäle geteilt werden. Moderne Lösungen für Data Discovery scannen daher sämtliche Speicherorte und klassifizieren die Daten mit Hilfe von KI automatisch. Was schützenswert ist, wissen sie durch vorheriges Training, lernen anhand von unternehmensspezifischen Beispielen aber noch dazu und werden immer präziser.

2. Threat Detection

Da KI Muster und Anomalien in großen Datenmengen schnell und zuverlässig findet, ist sie ideal für die Erkennung von Bedrohungen geeignet. In Lösungen für Threat Detection integriert, kann sie den Netzwerkverkehr in Echtzeit überwachen und bei verdächtigen Aktivitäten umgehend das Sicherheitsteam benachrichtigen. Dabei ist sie nicht auf vordefinierte Bedrohungsmuster angewiesen, sondern lernt im Laufe der Zeit, was im Netzwerk des jeweiligen Unternehmens normal ist, und erkennt davon abweichende und möglicherweise gefährliche Aktivitäten. Zudem registriert die KI, wie die Sicherheitsexperten mit den gemeldeten Bedrohungen umgehen, um verdächtigen Netzwerkverkehr künftig noch besser bewerten zu können.

3. Security Information and Event Management (SIEM)

Eine KI-basierte Anomalie-Erkennung verbessert auch SIEM-Systeme deutlich. In diesen werden die Alarme von Sicherheitslösungen sowie die Logfiles von Netzwerkkomponenten und verschiedenen Anwendungen zusammengeführt. KI kann diese Daten aus unzähligen Quellen korrelieren und eine ganzheitliche Sicht bieten, die bei der Identifizierung komplexer Attacken hilft. Ein einziges Ereignis mag für sich genommen unverdächtig erscheinen, doch im Zusammenhang mit anderen Ereignissen durchaus auf eine Bedrohung hindeuten. SIEM-Systeme bewerten zudem deren Schweregrad, sodass das Sicherheitsteam priorisieren und kritische Bedrohungen als erstes bearbeiten kann.

4. Identity and Access Management (IAM)

Auch beim Zugriff auf Anwendungen und Systeme spielt KI eine immer wichtigere Rolle. Die smarten Algorithmen können das Benutzerverhalten analysieren und Risikoindikatoren entdecken, etwa unübliche Login-Zeiten, Zugriffe von ungewöhnlichen Orten oder auffällige Datenzugriffsmuster. In solchen Fällen ergreifen sie vordefinierte Maßnahmen und fragen beispielsweise einen weiteren Authentifizierungsfaktor ab, fordern eine Freigabe bei einem Vorgesetzten an oder sperren den Zugang.

5. Phishing-Schutz

Phishing ist eine immerwährende Bedrohung, und die betrügerischen Mails sind mittlerweile oft so gut gemacht, dass selbst erfahrene Nutzer sich schwertun, sie sofort zu erkennen – gerade in hektischen Arbeitsphasen. KI hilft, indem sie die Metadaten und mittels Natural Language Processing (NLP) auch die Sprache der Mails auswertet, um Anzeichen für Phishing zu entdecken, etwa gefälschte Absenderadressen, den Versand über verdächtige Mail-Server oder subtile Sprachanomalien.

6. Patch-Management

Das schnelle Einspielen von Sicherheitsupdates und Patches zählt zu den wichtigsten Aufgaben von Sicherheitsteams, aber auch zu den aufwändigsten. Das liegt vor allem an der wachsenden Anwendungsvielfalt in Unternehmen: Teilweise müssen Sicherheitsteams hunderte Anwendungen im Blick haben, deren Hersteller unregelmäßig sicherheitsrelevante Aktualisierungen veröffentlichen. Diese müssen sie finden, in Abhängigkeit vom Schweregrad der Schwachstellen und den betroffenen Systemen priorisieren, auf Kompatibilität testen und verteilen. KI kann viele dieser Schritte automatisieren und beispielsweise kritische Patches identifizieren, eigenständig auf Testsystemen installieren und, wenn keine Probleme auftreten, alles für den Roll-out vorbereiten.

7. Awareness-Trainings

KI ermöglicht personalisierte Lernerfahrungen, auch im Security-Bereich. Die Algorithmen können das Vorwissen von Mitarbeitern analysieren und passgenaue Lerninhalte zusammenstellen. Sie überwachen den Lernfortschritt und setzen Tests und Wiederholungen an, um das erworbene Wissen zu vertiefen. Bei Bedarf passen sie das Lernniveau und die Lerngeschwindigkeit an, damit die Schulungen nie langweilig oder überfordernd werden. Darüber hinaus lassen sich mit KI auch Bedrohungsszenarien simulieren, sodass normale Mitarbeiter, aber auch Sicherheitsexperten ihre Fähigkeiten unter realistischen Bedingungen – und ohne Risiko – anwenden und testen können.

Fazit

„Cyberkriminelle haben keine Scheu, KI für ihre Zwecke einzusetzen, also sollten Unternehmen das ebenfalls tun – sonst beschränken sie sich beim Schutz ihrer Daten nur selbst“, sagt Frank Limberger, Data & Insider Threat Security Specialist bei Forcepoint. „KI ist äußerst vielseitig, sodass sie Sicherheitsteams in vielen Bereichen entlasten kann, etwa bei der Klassifizierung von Daten oder der Erkennung und Abwehr von Bedrohungen. Da die Algorithmen kontinuierlich weiterentwickelt werden und stetig hinzulernen, liefern sie immer bessere Ergebnisse und heben die Datensicherheit auf ein ganz neues Level.“

Der Beitrag wurde ursprünglich hier veröffentlicht …