Kategorie: Unternehmenssoftware

IIoT (Industrial IoT)-Geräte generieren wichtige, teils sensible Informationen. Diese verlangen nach einer schnellen Analyse und sofortigen Entscheidung auf Basis der erfassten Daten. Ohne hohe Übertragungsraten, niedrige Latenzen und Datenverarbeitung direkt vor Ort lassen sich diese Anforderungen nicht erfüllen. NTT Ltd., ein führendes IT-Infrastruktur- und Dienstleistungsunternehmen, zeigt, warum 5G und Edge Computing eng miteinander verbunden und damit die Grundpfeiler für IIoT sind. ​

5G und Edge Computing: ein starkes Team

Das Industrial IoT ermöglicht es den Herstellern, die Produktionstransparenz und -effizienz durch die Vernetzung von Maschinen und Werkzeugen zu verbessern. Dabei sind die riesigen Datenmengen, die IIoT-Geräte generieren, die Grundlage für die Optimierung der Produktion, die Verbesserung der Lieferqualität, die Implementierung von Systemen zur vorausschauenden Wartung oder auch die Automatisierung der Lieferkette. Um diese Daten in Echtzeit zu sammeln und zu verarbeiten, braucht es die Kombination von 5G und Edge Computing. Die Datenverarbeitung am Netzwerkrand (Edge) hebt die Einschränkungen und zeitlichen Verzögerungen zentralisierter Systeme auf. Zudem lassen sich erst mit Latenzzeiten im Bereich von wenigen Millisekunden Roboter sicher kontrollieren und die Zusammenarbeit von Maschinen exakt steuern. 

Ihre Stärken können 5G und Edge Computing in ganz unterschiedlichen Bereichen ausspielen, wie die folgenden drei Beispiele zeigen: 

Wachsames Auge auf Unregelmäßigkeiten. 

Eine Paradedisziplin für 5G und Edge Computing ist das Monitoring von kritischen Bereichen. Dazu gehören neben den herkömmlichen Sensoren für Temperatur, Feuchtigkeit, Druck, Spannung sowie für den Zustand von Reglern und Steuerventilen auch Audio-, Video- oder Lidar-Systeme, die deutlich höhere Datenraten liefern und dennoch in Echtzeit ausgewertet werden müssen. Mit Hilfe von Hochgeschwindigkeitskameras und Software auf Basis von künstlicher Intelligenz lassen sich Unregelmäßigkeiten auf dem Fertigungsband, die für das menschliche Auge nicht mehr wahrnehmbar sind, erkennen. Die Datenverarbeitung direkt vor Ort garantiert, dass keine unnötigen Latenzen entstehen. Ansonsten wären schadhafte Produkte bereits auf dem Band weitergewandert, bevor ein Roboter-Arm überhaupt zugreift und das entsprechende Teil ausmustert. Stehen nur Millisekunden für eine Entscheidung zur Verfügung, ist der Zeitverlust bereits zu groß. 

Schutz sensibler Informationen. 

Grundsätzlich können Daten am Netzwerkrand (Edge) ein Problem für die Sicherheit darstellen. Insbesondere dann, wenn die Datenverarbeitung verschiedene Geräte miteinbezieht, die einzeln deutlich schlechter abgesichert sind als zentralisierte Systeme. Ein privates 5G-Netz kann jedoch bereits dadurch die Sicherheit erhöhen, dass die Daten auf dem Campus durch gezielte, individuell konfigurierbare Maßnahmen optimal gegen Angriffe geschützt werden können. Werden die sensiblen Daten zudem gleich auf dem Gelände verarbeitet und wandern nicht in die Cloud, haben Unternehmen einen sehr hohen Schutzwall gegen Cyberkriminelle und Risiken jeder Art errichtet. Wertvolle Firmengeheimnisse geraten nicht in Gefahr. 

Puffer für unerwartete Ereignisse. 

Klassische Roboter-Aufgaben wie etwa die Ansteuerung unterschiedlicher Lackierpistolen in der Automobilfertigung lassen sich mit 5G durchaus über die Cloud regeln. Bei einem weitgehend automatisierten Drei-Schicht-Betrieb sind die Anforderungen in puncto Übertragungsgeschwindigkeit, Latenz und Ausfallsicherheit aber extrem hoch. Immer wieder kommt es zu Störungen bei der Netzwerkverbindung oder die Datenübertragung erfolgt nicht mit der notwendigen Geschwindigkeit. Mit einer zusätzlichen Edge-Computing-Infrastruktur sichern sich Unternehmen die erforderliche Rechenleistung direkt vor Ort und können so für Stabilität in der Produktion sorgen. Die Sicherstellung eines durchgängigen Betriebs durch die Kombination von Cloud und ergänzender Lösung direkt auf dem Werksgelände lässt sich deutlich kostengünstiger umsetzen als es herkömmliche Ansätze ermöglichen. 

Fazit

Die Kombination aus 5G und Edge Computing bietet der Fertigungsindustrie zahlreiche Möglichkeiten, ihre Prozesse und damit Wertschöpfungsketten zu optimieren. Das schließt genauere Vorhersagen für Anlagenausfälle, eine höhere Fertigungseffizienz und -sicherheit, minimierte Ausfallzeiten, niedrigere Kosten, einen geringeren Wartungsbedarf und Produkte mit höherer Qualität ein. Daneben öffnet das Zusammenspiel beider Technologien die Tür für noch innovativere Lösungen. Diese drängen nun Stück für Stück auf den Markt. Natürlich benötigt der Schritt von der Labor- in die Produktionsumgebung immer auch ein stabiles Betriebsmodell.

Deshalb ist eine ganzheitliche Analyse entlang der Möglichkeiten von 5G in Kombination mit Edge Computing unvermeidlich, um individuelle, rentable Einsatzbereiche für das Unternehmen zu identifizieren. Das erklärt Marcus Giehrl, Practice Director Innovations and Smart Technologies bei NTT Ltd. „Ausgehend von einem wirtschaftlich sinnvollen Anwendungsfall sollten die Verantwortlichen zudem auch den Punkt Nachhaltigkeit nicht aus dem Auge verlieren. Technik nur um der Technik willen sollte dabei nicht die einzige Motivation sein. Wenn etwa bei der Chip- oder Monitorherstellung die Ausschussquote deutlich reduziert werden kann, profitiert die Umwelt. Es gehen weniger wertvolle Rohstoffe verloren.“

Der Beitrag wurde ursprünglich hier veröffentlicht …

In den Jahren 2020 und 2021 haben viele Büroangestellte erfolgreich auf die Arbeit von zu Hause aus umgestellt. Hybrides Arbeiten ist damit eindeutig zum Trend geworden. Nicht zuletzt der digitale Wandel schafft mehr persönliche Freiheiten für Mitarbeitende, was ihren Arbeitsort betrifft. Mit mobilen Geräten sind wir fast überall arbeitsfähig – zum Beispiel auf Reisen. Es stellt sich nicht mehr die Frage, wo man arbeitet, sondern wie und womit. Doch ohne die passende Software klappt hybrides Arbeiten nicht. Wir geben einen Überblick über passende Lösungen!

Hybrides Arbeiten – Die richtige Software zur Unterstützung

Die Digitalisierung verändert die Arbeitswelt. Die Welt wird nicht nur digitaler, sondern auch mobiler. Home-Office und andere New-Work-Trends verändern immer mehr Arbeitsplätze. In Zukunft werden diese modernen Arbeitsformen an Bedeutung gewinnen und Unternehmen weiterhin mit Herausforderungen konfrontieren, aber auch durch effizientere Geschäftsprozesse und zufriedene Mitarbeitende belohnen. Doch der Einsatz von Home-Office ist oft leichter gesagt als getan: Nicht nur Prozesse müssen angepasst werden, auch die IT-Struktur bedarf einer Umgestaltung, um flexibler zu werden. Cloud-Technologie ist hierbei die stärkste Waffe, sie bildet den Grundstein für effektives mobiles Arbeiten in der Cloud.

Projektmanagement mit Asana

Projekte begegnen uns überall. Abhängig von der Komplexität müssen wir mal mehr, mal weniger organisieren und koordinieren, dabei unterstützt uns das Projektmanagement. Um auch im Home-Office den Überblick über alle Projekte zu behalten, benötigt man eine passende Software-Lösung. Asana gehört zu den beliebtesten Lösungen zur Verwaltung von Teamprojekten und Aufgaben. Das Tool vereint Funktionen für Projektmanagement, Aufgabenverwaltung und Kommunikation unter einer Oberfläche.

Die Software entstammt einer Idee des Facebook-Mitbegründers Dustin Moskovitz und Justin Rosenstein, die 2008 auch das gleichnamige Unternehmen gründeten. Asana sollte ursprünglich die Produktivität der Facebook-Mitarbeiter steigern und entwickelte sich daraufhin zu einer der erfolgreichsten Lösungen für gemeinsames Projektmanagement.

Echtzeit-Kommunikation und Zusammenarbeit mit MS Teams

Microsoft Teams ist eine praktische und intuitive Ergänzung der Office 365-Suite, mit der viele Teams täglich arbeiten. Microsoft Teams hilft Ihnen dabei, durch Videokonferenzen, Chats und Dateispeicherfunktionen effizienter zu arbeiten.

Ein schnelle und unkomplizierte Kommunikation ist das A und O, wenn sich die Mitarbeitenden eines Teams nicht gegenübersitzen. E-Mails sind häufig zu umständlich und das Kosten-Nutzen-Verhältnis ist nicht optimal. Microsoft Teams ist ein Kommunikations- und Kollaborationstool zur Zusammenarbeit in und zwischen Unternehmen. Es basiert auf vorhandenen Microsoft Technologien und kann andere Microsoft 365 Dienste integrieren.

Erfahren Sie mehr über die passenden Lösungen für hybrides Arbeiten!

Der Beitrag wurde ursprünglich hier veröffentlicht …

Unternehmen sind auf passende Software-Lösungen angewiesen, die ihre spezifischen Probleme lösen. Hier stellt sich schnell die Gretchenfrage: Die Software selbst schreiben oder lieber vorgefertigte Lösungen kaufen? Avision zeigt, warum Unternehmen heute überhaupt noch eigenen Code schreiben und über Jahre hinweg behalten sollten.

Vier Gründe, warum Unternehmen ihre Software selbst schreiben sollten

Zugegeben, zahlreiche Legacy-Anwendungen sind heute nicht mehr State-of-the-Art. Sie verwenden antiquierte Technologien und das Lesen des Codes erinnert an das Entschlüsseln von Hieroglyphen. Dennoch: Es gibt viele Vorteile, warum Unternehmen auch heute auf selbst geschriebene Software setzen und sich den Griff zu externen Standardlösungen zweimal überlegen sollten. Mit der richtigen Wartung lässt sich schließlich Legacy-Software von Anfang an verhindern. IT-Dienstleister Avision nennt die Vorteile von hauseigenen Anwendungen.

Standard-Software löst nur Standard-Probleme

Der Griff zu vorgefertigten Lösungen ist reizvoll und die Angebote auf dem Markt sind vielfältig. Aber auch unter Beachtung der Individualisierungsmöglichkeiten dieser Produkte gilt, dass eine maßgeschneiderte, selbst geschriebene Software auf die Anforderungen eines Unternehmens exakter abgestimmt ist und sich von Standardlösungen deshalb deutlich abhebt.
Eigener Code verhindert Abhängigkeiten. Wer sich bei der Unternehmens-Software auf die Technologien externer Anbieter verlässt, gibt ein Stück weit die Kontrolle darüber ab und ist beispielsweise darauf angewiesen, dass der Betreiber Sicherheitslücken rechtzeitig schließt und das Produkt auch zukünftig noch unterstützt.

Interne Lösungen beugen Architektur-Puzzle vor

Das problemlose Zusammenspiel zwischen verschiedenen Anwendungen von unterschiedlichen Anbietern ist keine Selbstverständlichkeit. Die Verknüpfung mehrerer Technologien und Applikationen erfordert zudem eine offene Umgebung mit passenden Schnittstellen, was schnell zu Problemen führt. Selbst geschriebene Software verhindert einen Architektur-Flickenteppich und Unternehmen können sie von Grund auf mit den passenden Schnittstellen versehen.

Die richtige Strategie verhindert Legacy-Software

Das Bild der verstaubten Alt-Anwendungen, die im Hintergrund ihren Dienst verrichten, ist allgegenwärtig. Unternehmen, die ihre eigene Software allerdings up to date halten, lückenlos dokumentieren und Sicherheitslücken schließen, verhindern bereits von Anfang an die Entstehung von Legacy-Software.

Software selbst schreiben – unschlagbare Vorteile

„Die Vielzahl an vorgebauten Lösungen auf dem Markt versprechen Abhilfe für alle Arten von Problemen und Anforderungen im IT-Bereich, aber deswegen sollten Unternehmen nicht blind auf Einkaufstour gehen“, erläutert Nadine Riederer, CEO von Avision. „Wenn die Option besteht, die eigene Software schreiben zu können, will der Kauf externer Programme unbedingt überdacht sein – denn die Vorteile von individuellen, hauseigenen Lösungen sind unschlagbar.“

Der Beitrag wurde ursprünglich hier veröffentlicht …

Hyperautomatisierung ist die konsequente Weiterentwicklung der laufenden Prozessautomatisierungsinitiativen vieler Unternehmen. Aus teil- oder vollautomatisierten Prozessen werden – unterstützt durch künstliche Intelligenz – sich selbst optimierende Abläufe oder wichtige digitale Ratgeber für Prozessverantwortliche. Hyperautomation steht damit für die nächste Evolutionsstufe bei der Automatisierung von Geschäftsprozessen, den nächsten Schritt bei der Digitalisierung von Unternehmen. Durch Hyperautomatisierung möchten Unternehmen nachhaltiges Wachstum gewährleisten, ihre Effizienz steigern, die Folgen des Fachkräftemangels mildern, ein attraktiverer Arbeitgeber sein und sich Wettbewerbsvorteile verschaffen. Nur: Der Weg dorthin ist alles andere als trivial. Ein strukturiertes Vorgehen und eine sorgfältige Auswahl der relevanten Prozesse sind für den Erfolg einer Hyperautomationsstrategie unverzichtbar.

KI als zentraler Bestandteil

Eine tragende Rolle als Enabler für Hyperautomatisierung kommt der künstlichen Intelligenz (KI) zu. Mit KI lassen sich heute bereits Aufgaben automatisieren, bei denen dies vor einigen Jahren noch undenkbar gewesen wäre. So ist es beispielweise möglich, Unterschriften einer Person vollautomatisch abzugleichen, was es erlaubt, diese Person mit hoher Wahrscheinlichkeit zu authentifizieren. Solche und ähnliche neue KI-Services ermöglichen es, unterschiedlichste repetitive Tätigkeiten auf allen Unternehmensebenen zu automatisieren. In der Vergangenheit wurde KI so unter anderem bei der Auswahl von Bewerbern und Bewerberinnen eingesetzt. Wenngleich gerade hier Vorsicht geboten ist. So hatte eine KI-Lösung zur Bewerbervorauswahl aufgrund von „Noise“ in den Trainingsdaten das weibliche Geschlecht diskriminiert. Im Sinne einer ethischen KI ist es darum wichtig, die Ergebnisse zu monitoren und das KI-Modell bei systematischen Irrtümern anzupassen.

Chatbots liefern ein weiters Beispiel für KI-gestützte Automatisierung. Nicht selten sind sie heute bereits gut trainiert. So dass es einem mitunter schwerfällt, zu identifizieren, ob es sich bei dem Partner im digitalen Chat um eine echte Person oder doch um einen Robot handelt. Das Prinzip von Hyperautomatisierung ist, dass sie diese technischen Features in einen Businesskontext rückt. So gelingt es ihr, im Rahmen von kundenzentrierten Prozessen Mehrwerte zu schaffen – für interne und externe Kunden eines Unternehmens. Weitere Dynamik erfährt das Thema durch den mittlerweile etablierten Ansatz, über Low- bzw. No-Code-Plattformen die Hürde für die Automatisierung deutlich zu senken.

Der grundsätzliche Business Case

Der Business Case hinter der Automatisierung eines Geschäftsprozesses ist relativ einfach zu berechnen. Das Investment in den Geschäftsprozess muss durch die Einsparungen, die dadurch über die Zeit entstehen, gedeckt sein. Deswegen empfiehlt es sich meist, Prozesse mit hohem Durchsatz zu priorisieren. Dies können beispielsweise Kontoeröffnungen in der Finanzindustrie, Kundenanfragen im Servicebereich oder Prozesse in Feldern wie Datenstrukturierung und Governance sein. Mitunter können geeignete Softwarelösungen – unter Einsatz von Self-Services mit KI-basiertem Dokumenten-, E-Mail-, Telefonie- und Chat-Routing – einen fast vollständig hyperautomatisierten Geschäftszweig schaffen, zum Beispiel indem basierend auf Prozessdurchsätzen automatisch Werbung geschaltet wird oder Cloud-Ressourcen hinzugebucht oder verringert werden. Nicht zuletzt in Branchen wie Finanzdienstleistung, Hotellerie und Tourismus sowie im öffentlichen Sektor ist das Nutzenpotenzial grundsätzlich groß, da Entscheidungen hier nach klaren Regeln und Mustern getroffen werden.

Hyperautomatisierung in der Praxis

Das Nutzenversprechen von Hyperautomatisierung ist in vielen Fällen hoch, aber der Weg zu einer erfolgreichen Einführung ist alles andere als trivial. Marketingtexte der beteiligten Akteure preisen Hyperautomatisierung gern als direkt verfügbares Allheilmittel für ineffiziente Prozesse und gegen die Überlastung der Mitarbeiter und Mitarbeiterinnen an. In der Praxis wird jedoch schnell klar, dass Unternehmen, die keine digitale DNA mitbringen, vor einer enormen Transformationsaufgabe stünden, bis sie Hyperautomatisierung flächendeckend und wirtschaftlich einsetzen könnten. Oft bietet es sich an, zunächst nur bestimmte Prozesse mit überschaubarem Aufwand weiterzuentwickeln. Wer ein Hyperautomationsprojekt zum Erfolg führen will, sollte es also sorgfältig auswählen und bei der Umsetzung klar strukturiert vorgehen. Sonst ist die Gefahr zu scheitern erheblich.

So konstatiert etwa eine Studie von McKinsey (Driving impact at scale from automation and AI | McKinsey Digital | McKinsey & Company), dass die Verantwortlichen in mehr als der Hälfte ihrer Automatisierungsprojekte mit deren Resultaten nicht zufrieden sind. Dies hat schon damit zu tun, dass die Projekte deutlich länger dauern als zu Beginn geplant. Dafür gibt es Gründe: Entweder priorisiert die Hyperautomationsstrategie die falschen Geschäftsprozesse, oder die Anforderungen der Fachbereiche haben nicht den Detailgrad, der nötig wäre, um Automatisierungsprojekte anzustoßen. Zudem verlangt Hyperautomatisierung von der Organisation die Bereitschaft, Unternehmensprozesse komplett umzubauen. Auch muss die Datenbasis eines Unternehmens über den Reifegrad verfügen, der für eine auf KI-Analysen gestützte Hyperautomatisierung unabdingbar ist. Herkömmliche Reportingstandards sind da unzureichend.

Das Beispiel Callcenter-Prozess

Eine gute Hyperautomationsstrategie beginnt also damit, zu priorisieren, welche Prozesse relevant sind. In der Regel empfiehlt es sich, zunächst den Backbone des Geschäftsmodells zu bauen. Denn Automatisierung ist dann besonders lohnend, wenn sie Funktionalitäten adressiert, die in zahlreichen Prozessen des Unternehmens wiederverwendet werden. So entsteht der erforderliche Impact auf die Projektziele. Wählen wir Callcenter-Prozesse als Beispiel, wären in deren Umfeld, im Bereich der Telefonie, vor allem das Telefonrouting (IVR) und die stabile Anbindung an den Telefonprovider mögliche Einsatzfelder. Erst im nächsten Schritt wird die Hyperautomationsstrategie dann Services betrachten, die einen höheren Grad an Komplexität aufweisen, stärker fachspezifisch sind und einen signifikanten Impact auf die Projektziele haben.

Um im Callcenter-Beispiel zu bleiben: Hier wäre ein lohnendes nächstes Projekt etwa die KI-gestützte, automatische und eindeutige Identifikation eines Kunden oder einer Kundin bereits anhand der Stimme. Diese automatische Stimmerkennung ermöglicht es, im Folgenden noch weitere Services zu implementieren: beispielsweise die Visualisierung der Kontakthistorie und die KI-gestützte Bestimmung der Next Best Action (NBA). Das Resultat dieser Automatisierung: Die Callcenter-Agenten und -Agentinnen könnten ihre First Resolution Rate steigern. Hyperautomation in diesem Zusammenhang wäre dann die komplette Vermeidung des Anrufs durch proaktives Anbieten von Self-Services mithilfe von Mustererkennung oder eben eine komplett automatisierte Next Best Action mit entsprechendem Abschluss.

Anforderungen an die digitale Reife

Nicht nur eine falsche Priorisierung kann sich als Show-Stopper bei der Hyperautomatisierung von Geschäftsprozessen erweisen, sondern auch die Unkenntnis über die digitalen Reifegrade von Prozessen und Anforderungen. So ist es wichtig, im Detail zu beschreiben, welche Schritte die automatisierte Software bzw. der Roboter sequenziell, parallel oder rekursiv abarbeiten muss. Zur digitalen Reife sind noch etliche weitere Fragen zu stellen: Welche Umsysteme sind an den Prozessen beteiligt, und was ist die Aufgabe der Systeme in den Prozessabschnitten? In welchem Teil des Produktlebenszyklus befindet sich das System, und wird es zukünftig eventuell abgelöst? Welchen Einfluss haben fachliche und technische Anpassungen auf Vorgänger- und Folgeprozesse? Gegebenenfalls ist auch noch wichtig, welche regulatorischen Anforderungen an einen Prozess bestehen.

Der Neukundenprozess beim Krankenversicherer

Ein Beispiel aus dem Bereich Krankenversicherung: Wenn es um den Wechsel von Kunden und Kundinnen aus einer gesetzlichen Krankenversicherung in eine private geht, könnte die operative Einheit des privaten Versicherers Automatisierungsanforderungen wie etwa diese formulieren: „Wir möchten unsere Zielkunden in kürzester Zeit über eine KI-gestützte, vollautomatische Prüfung anlegen können und die Versicherungskarten an die geeigneten Versandadressen bereitstellen.“

Die Erfahrung zeigt: Nach den Rückfragen zur Definition eines Zielkunden oder einer Zielkunden und den Anforderungen an die Modifizierbarkeit der technischen Beschreibung von Kunde oder Kundin ist bereits wenigstens eine weitere Abteilung des Krankenversicherers involviert – beispielsweise der Vertrieb. Der Vertrieb beschreibt die Neukunden aus fachlicher Sicht, etwa indem er festlegt, über welche Merkmale Zielkunden und -kundinnen idealtypisch verfügen und welche Schwankungsbreiten es gibt. Unser Beispiel zeigt, wie wichtig es für Hyperautomationsprojekte ist, auf ein ganzheitliches Wissen über den Prozess zurückzugreifen. Dies bedeutet: Der zu automatisierende Prozess und die darin verarbeiteten Business-Objekte müssen hervorragend dokumentiert sein.

Minimal Viable Product und Business Case

Eine andere Hürde für die Hyperautomatisierung kann sein, dass es im Unternehmen an der Bereitschaft zum Reengineering von Geschäftsprozessen mangelt. Bleiben wir beim Beispiel der privaten Krankenversicherung. Für die vollautomatische Ausgestaltung des Prozesses sind unter anderem Anpassungen im Vertrieb erforderlich, im Risikomanagement, in der zentralen Datenverwaltung sowie eventuell Neuschnitte in der Organisation. All diese Bereiche müssen sich bereiterklären, ihre – mitunter hohen und detaillierten – Anforderungen an die Projekt- und Unternehmensziele anzupassen. Dem Ansatz des Minimal Viable Product (MVP) entsprechend ist es sinnvoll, zunächst nur die unbedingt nötigen funktionalen Anforderungen umzusetzen. Hier hat es sich bewährt, die Wichtigkeit von Anforderungen anhand eines Business Cases für die technische Umsetzung zu bewerten. Gut zu automatisieren, heißt weniger zu tun – und das Richtige.

Machine Learning und Deep Learning

Bei unserem Beispiel der Auswahl der gewünschten Kunden und Kundinnen eröffnet die KI-gestützte Hyperautomatisierung noch eine weitere Möglichkeit, diese Kunden zu identifizieren. Wenn Unternehmen KI in Form von Machine Learning oder sogar Deep Learning einsetzen, können sie ihre Systeme dadurch zu einer automatisierten Klassifizierung befähigen. Das maschinelle Lernen (ML) würde in unserem Beispiel auf den Bestandsdaten der Krankenversicherung aufbauen. Auf Basis der Daten über bereits gewonnene und abgelehnte Kunden und Kundinnen lassen sich ML-Modelle trainieren, die zukünftig zu jedem Fall eine positive oder negative Empfehlung zur Geschäftsbeziehung geben können. Wie bereits erwähnt, ist es allerdings essenziell, dass die Bestandsdaten, die dem Training des ML-Modells dienen, nicht nur die Vergangenheit widerspiegeln, sondern auch zur zukünftigen Unternehmensstrategie passen.

Will man beispielsweise bei der KI-gestützten Vorauswahl von Bewerbern und Bewerberinnen im Human Resources-Bereich Verzerrungen vermeiden, die sich durch Bestandsdaten ergeben können – etwa in Gestalt von Vorurteilen –, ließe sich auch Deep Learning anwenden. Denn Deep Learning (DL) arbeitet mit neuronalen Netzen. Dadurch können Business-Anwender und -Anwenderinnen komplexe Entscheidungskriterien über mehrere Stufen implementieren, die in der Lage sind, auch zukünftige Produktspezifikationen zu bedienen. Die Voraussetzung für einen DL-Ansatz ist allerdings, dass die Business-Anforderungen bereits eine hohe Reife aufweisen und schon ein tiefes Prozessverständnis über die Regeln und die Produktspezifikationen im Geschäftsmodell existiert.

Fazit

Auf dem Weg zur Hyperautomatisierung ist es entscheidend, dass Unternehmen die richtigen Dinge mit der richtigen Priorität angehen und klein anfangen. Es ist wichtig, zunächst die Reifegrade von Business-Anforderungen, Daten, IT-Architektur und Organisation zu bestimmen, um festlegen zu können, bei welchen Prozessen eine Hyperautomatisierung bereits möglich, sinnvoll und erfolgversprechend ist. In den meisten Fällen und Branchen wird die Transformation zum hyperautomatisierten Unternehmen nur Schritt für Schritt erfolgen. Denn letztlich ist Hyperautomatisierung nicht bloß ein Werkzeug, sondern eine strategische Vision von der Zukunft des Unternehmens. Sie ist die nächste Stufe in der fortschreitenden digitalen Evolution von Unternehmen.

Der Beitrag wurde ursprünglich hier veröffentlicht …

Der Wechsel zu einer neuen Analyselösung bedeutet, dass ein klassisches „Fortsetzen“ einer ähnlich gestalteten Analyse meist nicht möglich ist. Denn die Systeme funktionieren unterschiedlich, meist ändert sich die komplette Struktur der erfassten Daten. Das heißt, für eine erfolgreiche Migration benötigen Sie zunächst einmal die richtige Analyselösung. Um mit den aktuellen Datenschutzanforderungen Schritt zu halten, sollten Sie auf einen Anbieter achten, für den Datenschutz an erster Stelle steht. Dieser sollte dieselbe Definition verwenden und zum Beispiel Cookie-IDs und IP-Adressen als personenbezogene Daten einschließen. Zudem sollte er die privaten Daten der europäischen Nutzer in Europa speichern und nur dort verwenden.

Um die neue Lösung schnell zu implementieren, ohne die Daten Ihrer User zu gefährden, müssen Sie einem bewährten Prozess folgen. Diese vier Schritte können dabei helfen:

1. Datenmodellierung, Tagging und Dokumentation

Auf Basis der ermittelten Geschäftsanforderungen sowie der bereits vorhandenen Berichte, Website-Strukturen, Datenströme und Event-Definitionen sollten Sie das Datenmodell festlegen, das sich für Ihr Unternehmen am besten eignet. Je flexibler, umso besser können Sie die notwendigen Anpassungen vornehmen, wenn sich Ihre Bedürfnisse und Anforderungen im Laufe der Zeit weiterentwickeln. Beziehen Sie sowohl Technikexperten als auch Geschäftspartner in Ihre Analysegespräche ein, dann erhalten Sie einen ganzheitlichen Überblick darüber, wonach Sie suchen und wie Analysen und Erkenntnisse in Ihrer gesamten Firma genutzt werden.

Erstellen Sie auf der Grundlage des Datenmodells, für das Sie sich entschieden haben, einen Tagging-Plan. So erkennen Sie alle Elemente, die Sie zum Erreichen Ihrer Messgrößen benötigen. Um schnell loslegen zu können, können Sie eine schrittweise Implementierung in Betracht ziehen. Ereignisse wie Seitenaufrufe und Klicks können in wenigen Stunden implementiert werden und Ergebnisse liefern. Technisch und konzeptionell komplexere Tags können hingegen erst im Laufe der Zeit hinzukommen, wenn Ihre Analyseanforderungen anspruchsvoller werden. Mit diesem Ansatz erzielen Sie sofort einen Nutzen und im Laufe der Zeit können Sie auf dieser Grundlage aufbauen.

Sobald Sie Ihr Datenmodell eingerichtet haben, stellen Sie sicher, dass Ihre Dokumentation benutzerfreundliche Beschreibungen der einzelnen Metriken enthält. In diesen soll stehen, welche Informationen ein bestimmter Datensatz enthält. Oft wird übersehen, dass nicht nur spezialisierte Analysten mit einer Analyselösung arbeiten, sondern Mitarbeiter aus verschiedenen Abteilungen wie Marketing und Vertrieb, und die Geschäftsführung: Sie brauchen eine stärkere Einordnung der Daten in den Kontext mit weiteren Erklärungen, um diese effektiv interpretieren zu können.

2. Implementierung

Zu den wichtigsten Komponenten Ihrer Implementierung zählt die Verbindung Ihrer bisherigen Ressourcen (wie Metriken und Taxonomien) mit Ihrem neuen System. Dies ermöglicht einen nahtlosen Übergang für Ihre Endbenutzer, indem sie das neue System auf demselben Niveau bewegt, wie das alte. Um dies zu erreichen, sollten Sie ein paar Dinge beachten:

• Der gleichzeitige Austausch aller Tools kann zu Verwirrung in den Teams führen und die Kontinuität der Berichterstattung beeinträchtigen. Falls Sie bereits Business-Intelligence-Tools verwenden, können Sie sich für eine Analyselösung entscheiden, die sich in diese Plattformen integrieren lässt. Eine Integration dieser Art ermöglicht einen schnelleren Beginn der Arbeit, indem Sie Daten aus dem neuen System in bestehende Berichte, Dashboards und Visualisierungen einspeisen, die den Anforderungen Ihrer Teams entsprechen.

• Unabhängig von den von Ihnen verwendeten Business-Intelligence-Tools sollten Sie auch alle Reports berücksichtigen, die in Ihrem bisherigen Analysetool enthalten sind und ersetzt werden müssen. Wenn Sie sich für ein neues Tool mit leistungsstarken, sofort einsetzbaren Berichts- und Datenvisualisierungsfunktionen entscheiden, können Sie direkt loslegen, ohne kostbare Zeit mit dem Aufbau und der Anpassung neuer Schnittstellen zu vergeuden.

Falls Ihr neuer Analytics-Anbieter über einen Onboarding- oder Implementierungs-Support verfügt, ist das in dieser Phase von unschätzbarem Wert für Sie: So ist spezifisches Fachwissen verfügbar, wenn es nötig ist und die Implementierung entspricht den gesetzlichen Vorschriften. So können oft langwierige Korrekturen vermieden werden und die Dauer der Migration und des Onboardings drastisch verkürzt werden – was eigene Ressourcen bindet, die sonst für die Optimierung der Unternehmensziele verwendet werden könnten.

3. Qualitätssicherung und Prüfungen

Nach der Implementierung sollten Sie eine Reihe von Tests durchführen. So stellen Sie sicher, dass die Tags korrekt implementiert sind und Ihr Datenmodell so funktioniert, wie konzeptioniert. Oft ist das die Phase in der Konzeptfehler auftauchen, da man bestimmte Anforderungen übersehen hat und man bestimmte Analysen nicht abbilden kann können.

Bei den meisten Implementierungsprojekten gibt es eine Überschneidungsphase, in der Sie Zugriff auf die Analysen sowohl Ihrer alten als auch Ihrer neuen Lösung haben. Nutzen Sie diese Zeitspanne, um identische Datensätze in beiden Lösungen zu testen. So verstehen Sie, wie sie sich vergleichen lassen und ob die Ergebnisse korrekt sind. Auftretende Probleme lassen sich anschließend beheben.

Je nachdem, zwischen welchen Systemen Sie wechseln, kann es zu Diskrepanzen zwischen Ihren Datensätzen kommen. Ihr neuer Anbieter sollte jedoch in der Lage sein, Ihnen zu vermitteln, wie diese aussehen könnten.

4. Schulung und Onboarding

Da alle Beschäftigten – von Webanalysten und Produktmanagern bis hin zu Marketingteams, Vertriebsmitarbeitern und Unternehmensleitern – das digitale Analysetool nutzen, zählen Schulungen zum Pflichtprogramm. Jeder, der die Plattform nutzt, sollte verstehen, wie sie funktioniert. Alle sollten Zugang zu den Informationen haben, damit sie Entscheidungen treffen können.

An dieser Stelle kommt auch Ihre Dokumentation ins Spiel. Wenn Sie Ihre Definitionen in ein zentral verwaltetes Datenmodell einbetten, erleichtern Sie Ihrem Team den Verständnisprozess, und zwar in einer sinnvollen Sprache.

Sobald die digitale Analyse erst einmal eingerichtet ist, gehört sie zum Tagesgeschäft. Sie entwickeln spezifischen Berichte, Dashboards und Visualisierungen, die den Anforderungen Ihrer Geschäftsanwender entsprechen. Ihr Analytik-Anbieter, sowie alle externen Experten oder Berater, die Sie beschäftigen, sollte Ihnen dabei helfen können, über neue Entwicklungen und Möglichkeiten auf dem Laufenden zu bleiben. Das stellt sicher, dass Sie weiterhin das Beste aus Ihren Daten herausholen und gleichzeitig die gesetzlichen Anforderungen erfüllen.

Der Beitrag wurde ursprünglich hier veröffentlicht …

Zofia Woźniak, Business Solution Manager bei Comarch, hat 3 Tipps, wie KI dabei helfen kann, Cyber-Attacken auf Treueprogramme zu verhindern.

KI hilft, Cyber-Attacken auf Treueprogramme zu verhindern

Unentdeckte Angriffe auf Kundenbindungsprogramme können die Schadenshöhe für Unternehmen in die Milliarden treiben, so die Loyalty Security Association. Ganz zu schweigen vom Imageschaden, wenn Bonusprogramme eingeschränkt oder gar eingefroren werden oder Kundendaten verloren gehen. Zofia Woźniak, Business Solution Manager mit Schwerpunkt auf Loyalty-Programme bei Comarch, hat deshalb drei Tipps zusammengefasst, die aus ihrer Erfahrung mit Kundenbindungsprogrammen großer, teilweise weltweit agierender Einzelhändler stammen. Die Tipps helfen, Cyber-Attacken zu verhindern.

Tipp 1: Testen Sie die Logiken der Prozesse im Kundenbindungsprogramm gründlich.

Nur so können Sie im Vorfeld ausschließen, dass Kunden legal von Fehlern profitieren und womöglich Kriminelle angelockt sind. Rechnen Sie aber damit, dass Sie nicht alle Eventualitäten mit Tests erfassen können. Kunden sind sehr verschieden und Kriminelle sehr findig. Bei Änderungen der Logiken sollten Sie genau beobachten, wie sich diese auf das Verhalten der Kunden auswirken.

Führen Sie starre Regeln ein, wenn Sie sich sicher sind, dass sich bestimmte Prozesse oder Muster praktisch nie verändern. Etwa, dass nicht alle Prämienpunkte auf einmal eingelöst werden können oder nur ein definierter Punktestand verwendet werden kann. Es kann aber auch die Zahl der zu erreichenden Bonuspunkte oder die Zahl der Einkäufe, bei denen sich Punkte erzielen lassen, pro Tag begrenzt werden. Hier kann eine Auswertung mit Hilfe Künstlicher Intelligenz schnelle Hinweise über die normalen Verhaltensmuster der Programmteilnehmer geben, so dass die Regeln dementsprechend eingerichtet werden können und möglichst lange Bestand haben. Umgekehrt ist damit die Basis für KI geschaffen, ein ungewöhnliches Verhalten zu erkennen und entsprechend Alarm zu schlagen, siehe Tipp 3.

Tipp 2: Behandeln Sie Ihre Kundendaten wie einen wertvollen Schatz – der Vergleich passt wirklich.

Schützen und sichern Sie die Ihnen anvertrauten Informationen des Kunden gegen Diebstahl und unberechtigten Zugriff. Denn wenn Kunden das Vertrauen in die Sicherheit ihrer Daten – und damit in Ihr Unternehmen – verlieren, sind sie (wahrscheinlich) nicht mehr bereit, so viel über sich zu verraten. Ihr Schatz ist dann weniger wert oder wird schlimmstenfalls sogar wertlos. Auch hier kann die KI helfen, Cyber-Attacken zu verhindern.

Bonus-Tipp: Helfen Sie den Kunden, ihre eigenen Daten zu schützen; bieten Sie am besten Zwei-Faktor-Authentifizierung auch zum Einloggen in das Loyalty-Programm an.

Erzwingen Sie starke Passwörter und wägen Sie genau zwischen Komfort und Sicherheit ab. Denken Sie daran, dass der sichere und vertrauensvolle Umgang mit Kundendaten auch auf das Image Ihres Unternehmens einzahlt.

Tipp 3: Prävention ist besser als Reaktion

Mit Business-Intelligence-Methoden können Sie all Ihre gesammelten Kunden- und Transaktionsdaten zur Auswertung nutzen. Darauf basierende Analysen helfen, den Kunden relevante Angebote zu machen, Kundenbindungsprogramme zum Erzielen neuer Umsätze zu nutzen und eventuell sogar neue Geschäftsmodelle zu entwickeln. Dafür müssen die Kunden jedoch bereit sein, viel über sich und ihre Vorlieben preiszugeben.

Verhindern Sie deshalb aktiv, dass Betrüger Ihr Treueprogramm ausnutzen. Gerade hier gilt es, Cyber-Attacken zu verhindern. Setzen Sie auf neueste Technologien, um den Cyberkriminellen einen Schritt voraus zu sein. Machine Learning hilft dabei, ungewöhnliche Verhaltensmuster sehr schnell zu erkennen. Konfigurierbare Aktionen reagieren dann automatisch auf verdächtiges Verhalten, beispielsweise, indem sie zweifelhafte Transaktionen verhindern, den zugehörigen Account sperren oder die Transaktion zur manuellen Überprüfung schicken. Eine umfassende Beobachtung aller mit dem Kundenbindungsprogramm verbundener Daten und Aktivitäten verschafft darüber hinaus einen Vorsprung gegenüber Kriminellen. Dafür können beispielsweise Logdateien des Systems und übergreifende Statistiken und Meta-Daten ausgewertet werden oder die Datenübergabe an Schnittstellen zu anderen Programmteilen gefiltert werden – ganz nach dem Motto: „be proactive not reactive“.

Wenn Sie diese drei Tipps beherzigen, können Sie die größten Achillesfersen gut schützen und die Angriffsfläche Ihres Loyalty-Programms reduzieren. So verhindern Sie Cyber-Attacken!

Der Beitrag wurde ursprünglich hier veröffentlicht …