Am 24. Oktober 2018 drehte sich an der Technischen Hochschule (TH) Deggendorf alles um die Potenziale unserer Daten. Die gemeinsame Veranstaltung „Data Science“ der TH Deggendorf und des Kompetenzzentrums Software Engineering der Ostbayerischen Technischen Hochschule Regensburg (OTH Regensburg) wurde von Prof. Dr. Stephan Scheuerer, TH Deggendorf, und Prof. Dr.-Ing. Frank Herrmann, OTH Regensburg, organisiert. Gemäß dem Motto „aus der Praxis und Wissenschaft für die Praxis“ hielten Referentinnen beziehungsweise Referenten namhafter Firmen hierzu einschlägige Fachvorträge.
Nach der Begrüßung durch die beiden Organisatoren führte Prof. Dr. Herrmann von der Fakultät Informatik und Mathematik der OTH Regensburg in seinem Einführungsvortrag an die Thematik Data Science heran. Plakativ und populärwissenschaftlich zusammengefasst geht es in seinen Augen um das Ende der Bauchentscheidungen. Von den verschiedenen Verfahren zu Data Sciences fokussierte er sich auf "Predictive Analytics" und damit auf die Frage: Was wird passieren? Bereits heute verwenden vor allem große Unternehmen Predictive Analytics und beabsichtigen dies in Zukunft noch viel stärker zu tun, sodass Predictive Analytics die Zukunft gehört. Damit sollen die betrieblichen Prozesse und Entscheidungen optimiert werden.
Predictive Analytics gehört die Zukunft
Vielfältige Einsatzszenarien lassen sich bei Firmen feststellen. Primär werden die Ergebnisse aus Predictive Analytics von CIOs und CEOs für Geschäftsentscheidungen genutzt. Aufgrund der hohen Erfolgsquote lohnt sich der Aufwand. Firmen investieren vor allem in die IT-Infrastruktur, indem sie Hardware und Software zukaufen, sowie in die Implementierung der Analytics-Services oder die Vorbereitung und Migration von Daten. Zudem bevorzugen sie eigene Lösungen statt Partnerschaften. Für den weiteren Erfolg sind einige Herausforderungen zu meistern, vor allem die hohe Komplexität solcher Projekte, fehlende Ressourcen und mangelnde Skills beim Personal.
Wie sehen konkrete „Predictive Analytics“-Projekte aus?
Die nachfolgenden Fachvorträge stellten konkrete „Predictive Analytics“-Projekte vor. Prof. Dr. Benedikt Elser von der TH Deggendorf ging auf das Ärgernis vieler Bahnreisenden ein, plötzlich mit einer anderen Wagenreihung eines sehr langen ICE konfrontiert zu sein. Da die meisten Reisenden Platzreservierungen hätten, führe dies häufig zu „wildem Laufen“ auf dem Bahnsteig. Durch verschiedene gesammelte Daten über Züge und deren Fahrstrecken gelänge es nun, die tatsächliche Wagenreihung frühzeitig zu ermitteln und schließlich über digitale Anzeigetafeln oder in der DB-Navigator-App anzuzeigen.
Gestaltung passender Marketing-Aktionen
Andreas Berghammer und Dr. Nora Vollmers von der Procon IT Aktiengesellschaft zufolge wird Predictive Analytics auch bei der Untersuchung des Verhaltens von Autofahrerinnen und Autofahrern genutzt. Dies ermögliche es den Automobilunternehmen, strategische Entscheidungen zu fällen. Indem deutlich wird, welche Apps etwa regelmäßig genutzt werden, welche Dienste unnötig sind und gekündigt werden könnten, lassen sich Kundinnen und Kunden zielgerichteter ansprechen, was letztlich auch Auswirkungen auf die Kundenzufriedenheit und Kundentreue haben dürfte.
Konkret können durch intelligente Algorithmen passende Marketing-Aktionen gestaltet und automatisiert verbessert werden. Dies geschieht einerseits mit traditionellen Methoden, indem Nutzerinnen und Nutzer, die eine längere Zeit nicht aktiv sind, spezielle Angebote erhalten, und andererseits mit Verfahren aus dem Bereich Machine Learning. Ein Beispiel wären Empfehlungen auf Basis von Clustering-Algorithmen, bei denen bereits verwendete Dienste und möglicherweise interessante Systeme abgeglichen werden. Auch Deep-Learning-Verfahren können durch die Kennzahlen der aktiven Userinnen und User validiert und verbessert werden.
Starrheit der IT-Systeme überwinden
Bernhard Zeller von der Maschinenfabrik Reinhausen GmbH ging auf die Begrenzung der Flexibilität der Unternehmen im Hinblick auf neue Geschäftsprozesse durch die starren Strukturen in den bisher verwendeten IT-Systemen ein. Zwar haben die Softwarehersteller längst reagiert und bieten neue, flexiblere Versionen ihrer Produkte an. Allerdings stellt ein größerer Softwarewechsel immer noch eine Herausforderung für die Unternehmen dar und will wohlüberlegt und gut geplant sein.
Im Vortrag wurde deshalb ein Vorgehen vorgestellt, mit dem mittels In-Memory-Technologie und Virtualisierung zumindest die wichtigsten Ergebnisse der Transformation bereits auf den bestehenden Datenmodellen in Echtzeit generiert werden konnten. Dadurch kann man genug Zeit gewinnen, um die eigentliche Transformation der IT-Landschaft zu planen und mit der notwendigen Sorgfalt durchzuführen.
Geringere Herstellungskosten, bessere Ergebnisse
Die Osram Opto Semiconductors GmbH nutzt Predictive Maintenance, um die Herstellungskosten zu minimieren und gleichzeitig die Ausbeute zu maximieren. Im Mittelpunkt des Vortrags von Elmar Grandel und Tobias Wohland stand ein Regressionsmodell, mit dem die prädiktive Wartung einer Maschine zur Implantierung von Ionen realisiert werden konnte. Der Vortrag deckte den gesamten Prozess von der Machbarkeitsstudie bis zur Realisierung dieses konkreten Anwendungsbeispiels ab. In einem Ausblick spekulierte Elmar Grandel über die Grenzen des „Machine Learning“ und stellte hierbei die Frage: Wo fängt die Maschine an, wo hört der Mensch auf?
Mit der abschließenden Podiumsdiskussion konnten besonders durch die Fragen seitens der vielen Teilnehmerinnen und Teilnehmer aus der Industrie auch weitere Fakten und Potenziale rund um „Data Science“ ermittelt werden.
