Vorheriger Artikel
Process Mining: Der fehlende Zusammenhang zwischen Daten- und Prozesswissenschaften
Wir leben in einer extrem vernetzten Welt, einer Gesellschaft, in der der Zugang zu Informationen und Daten einfacher ist als jemals zuvor in der Geschichte. Begriffe wie "Big Data" und "Data Science" sind so schnell in die Umgangssprache eingetreten, dass nur wenige Menschen die damit verbundenen tiefgreifenden Veränderungen verstehen. Veränderungen, die den Alltag von uns allen betreffen und die Unternehmen offensichtlich zur Weiterentwicklung anregen.
Diejenigen, die sich nicht schnell genug entwickeln, sind unweigerlich dazu verurteilt zu verschwinden.
Beratungsunternehmen wie neosight haben die Aufgabe, diese Entwicklungen zu verstehen und zu erfassen, unseren Kunden zu helfen, sie zu nutzen und zu transformieren: ihre Informationssysteme zu transformieren, ihre Prozesse zu transformieren, ihre Organisation zu transformieren. Deshalb möchte ich in diesem Blogbeitrag einige Gedanken zu einer Reihe dieser Schlüsselthemen teilen.
Big Data, eine Realität, die über Fiktion hinausgeht
Big Data bezieht sich auf Datensätze, die so groß geworden sind, dass sie die Intuition und die analytischen Fähigkeiten des Menschen übersteigen, sogar die der traditionellen Datenbank- oder Informationsmanagement-Computerwerkzeuge.
Big Data ist die direkte Folge einer Explosion von Informationen, die durch das Internet der Menschen (soziale Netzwerke) und das Internet der Dinge erzeugt werden, was zu einer drastischen Größenveränderung führt. Um Ihnen eine Vorstellung zu geben: Das weltweit entstehende Volumen an digitalen Daten wurde 2010 auf 1,2 Zetabyte pro Jahr geschätzt. Laut IDC (Digital Universe Study of 2014) werden es im Jahr 2020 44 Zetabytes sein (ein Zetabyte sind 1021 oder 1.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000 Bytes).
Mit anderen Worten, allein in den letzten 2 Jahren sind mehr Daten entstanden als seit Beginn der Menschheit! Im Jahr 2020 werden jede Sekunde und für jeden Menschen 1,7 Mb Daten erzeugt.
Big Data im Unternehmen
Natürlich, mit Ausnahme einiger weniger Giganten, die das heutige Web prägen und mit der Verbreitung von Daten ihr Geschäft machen (Facebook: täglich mehr als 500 Terabyte neue Daten; YouTube: 400 Stunden Videos, die jede Minute online gestellt werden usw.), hat Big Data in den meisten Unternehmen eine bescheidenere Dimension.
Aber auch die Explosion des zu verwaltenden Datenvolumens ist spürbar: Bis Mitte der 2000er Jahre erreichten oder überschritten nur wenige SAP-R/3-Systeme 1 Tb. Heute ist es mit SAP ERP ein alltägliches Volumen (eine "Basisinstallation" repräsentiert bereits fast 250 GB mit 100 bis 150 GB reserviertem Platz für Kundendaten). Einige Systeme überschreiten 50 TB.
Eine IDG Data & Analytics-Übersicht aus dem Jahr 2016 zeigt, dass ein KMU/SMI durchschnittlich 47,8 TB Daten verwaltet, während es für große Unternehmen 347,6 TB (7 mal mehr) sind. Weniger als 19 % der befragten Unternehmen verwalten ein Datenvolumen von weniger als 1 Terabyte, während es bei 7 % mehr als 1 Petabyte ist). Für die meisten dieser Unternehmen ist dieses Volumen inzwischen von 60 auf 150 % gestiegen.
Data Science ist die Gegenwart!
In einem solchen Kontext ist es natürlich, dass Data Science, eine sehr junge Disziplin (25 Jahre alt), zu einem Muss geworden ist. Seit 2012 boomt sie. Data Science ermöglicht es einem Unternehmen, Rohdaten zu erforschen und zu analysieren, um sie in wertvolle Informationen zur Lösung von Geschäftsproblemen zu verwandeln.
Data Science wurde nicht aus Big Data geboren, aber sie macht diese umso wichtiger. Ihr Ziel lässt sich ganz einfach formulieren: Es geht darum, Daten einen Wert zu geben!
Dazu greift Data Science auf verschiedene Bereiche zurück:
Mathematik: Modelle, Statistik
Technologie: insbesondere IT-Technologie (Algorithmen, maschinelles Lernen, etc.)
Geschäft: Die Datenanalyse muss zu nützlichen Schlussfolgerungen für das Unternehmen führen, um seine Funktionsweise zu verbessern und ihm zu helfen, höhere Gewinne zu erzielen.
Es ist daher nicht einfach, Datenwissenschaftler mit einem so breiten Spektrum an Fachgebieten zu finden.
Vor allem aber darf der Datenwissenschaftler das eigentliche Ziel nicht aus den Augen verlieren: dem Unternehmen die Möglichkeit zu geben, Werte zu schaffen.
„Process Science“ ist die Zukunft!
Daher entwickeln sich andere Ansätze, die für dieses Ziel besser geeignet sind. Besonders die, die wir Prozess-Wissenschaft nennen können.
Wie Data Science nutzt sie Informationstechnologie und mathematische Verarbeitung, aber auch Methoden des Prozessmanagements und des Betriebsmanagements.
Während Data Science häufig und freiwillig auf eine "agnostische" Weise verwendet wird, ist Prozess-Wissenschaft auf End-to-End-Prozessmodelle ausgerichtet und hängt stark davon ab. Sie verwendet die Daten, um die Prozesse detailliert zu analysieren.
Process Science ermöglicht es somit, den Fortschritt der Unternehmensprozesse perfekt zu verstehen und mögliche Fehlfunktionen oder Abweichungen zu analysieren. Noch besser ist, dass sie es ermöglicht, Antworten zu deren Beseitigung zu geben, wie z.B. Business Process Management (BPM) oder Business Process Improvement (BPI).
Process-Mining: der fehlende Link
Es gibt eine Disziplin, die eine echte Brücke zwischen Data Science und Process Science bildet: Process-Mining. Ihr Prinzip besteht darin, die Prozesse des Unternehmens dank der Spuren zu erkennen, die bei der Ausführung im Informationssystem hinterlassen wurden. Process-Mining ermöglicht den Vergleich der tatsächlichen Ausführung von Prozessen mit bereits erstellten oder automatisch neu erstellten Modellen.
Bei neosight sind wir uns als Experten für Unternehmens-Informationssysteme (insbesondere SAP) der erheblichen und weitgehend ungenutzten Masse an Informationen bewusst, die dort schlummern.
Aus diesem Grund sind wir ein starker Befürworter von Process-Mining, der es uns ermöglicht, unseren Kunden den Wert ihrer eigenen Daten offenzulegen und vor allem diese Daten zur Verwaltung und Erleichterung der Transformationen zu verwenden, die sie durchführen müssen, um auf ihren Märkten wettbewerbsfähig zu bleiben.
Weitere Blogeinträge über Process in Practice
