Über Predictive Analytics und Machine Learning wird heute in dem geschäftlichen Alltag oft diskutiert. Auch wenn die Begriffe für Viele etwas abstrakt klingen, ist es sehr spannend, welche Probleme heute Predictive Analytics und Machine Learning für die Industrie und die Geschäftswelt lösen können.
Zunächst eine kurze Begriffsklärung bzw. Erklärung:
- Predictive Analytics ist ein Verfahren, bei dem riesige Datenmengen (Big Data) in Informationen umgewandelt werden, die der Mensch verstehen und verwenden kann. Deskriptive Analysen, die auf Informationen aus vergangenen Ereignissen basieren, haben sich zu Vorhersageanalysen entwickelt, bei denen versucht wird, die Zukunft anhand historischer Daten vorherzusagen.
- Machine Learning (ML) gilt als moderne Erweiterung von Predictive Analytics. Effiziente Mustererkennung und Selbstlernen sind das Rückgrat von ML-Modellen, die sich auf der Grundlage sich ändernder Muster automatisch weiterentwickeln, um entsprechende Aktionen zu ermöglichen.
Wir haben einige Szenarien kurz zusammengefasst, welche wir bei unseren Kunden immer häufiger wahrnehmen und umsetzen:
- Predictive Maintenance: Die Implementierung von „Predictive Maintenance“ ermöglicht nun die permanente Überwachung von Bauteilen direkt an der Maschine im Feld – durch Sensoren, die zum Beispiel die Vibration, Temperatur oder Feuchtigkeit messen. Die Machine Learning Lösung wertet diese Sensordaten aus und erkennt frühzeitig einen möglichen Ausfall von Komponenten. Defekte Bauteile, die womöglich bald zum Stillstand der Anlage führen, werden so unabhängig von den üblichen Wartungszeiten identifiziert und können ausgetauscht werden, bevor tatsächlich Schaden entsteht. Der wesentliche Vorteil der „Predictive Maintenance“ lässt sich auf ein zentrales Schlagwort reduzieren: Wirtschaftlichkeit. Dies bedeutet für den Hersteller, dass er unter Umständen seinen Kunden einen völlig neuen Customer Service anbieten kann. Für den Maschinenbetreiber bedeutet dies, dass er Ausfallzeiten der Produktion reduzieren kann.
- Predictive Customer Journey: Die Umsetzung von „Predictive Customer Journey“ ermöglicht es, z.B. Kundenverhalten und die Kundenpotentiale im Vorfeld zu kategorisieren. Dadurch ist es möglich, festzustellen, wann welche Kunden eines Betriebes die so genannte Sättigung erreichen und keine signifikante Umsatzsteigerung mehr generieren werden und welche Kunden noch enormen Entwicklungspotential haben. Das Verfahren kann natürlich nicht nur auf bestehende Kunden, sondern auch auf so genannten Leads angewandt werden. Das Ziel der Umsatz- und Gewinnsteigerung wird durch eine präzisere Steuerung von Vertrieb und Marketing ermöglicht.
- Predictive Customer Service: Die Etablierung von „Predictive Customer Service“ ermöglicht, z.B. aufkommende Probleme auf Kundenseite in der Aftersales-Phase frühzeitig zu erkennen und entsprechend gegen zu steuern. Ein erfolgreiches Gegensteuern erfolgt meist noch, bevor der Kunde das Problem erkannt hat. Eine Vorhersage über das künftige Anrufaufkommen im Call-Center lässt sich auch durch dieses Verfahren einschätzen. Als Vorteile dieses Verfahrens werden die Reduzierung der Call-Center-Kapazitäten (in der Theorie ist die Abschaffung der Call-Center-Ressourcen möglich) und die exakte Kapazitätsplannung im Call-Center-Ressourcen. Das führt im Endeffekt zu Kostenreduzierung und erhöhter Kundenzufriedenheit.
Folgendes müssen Sie beachten
Die Analyse und die Rückschlüsse daraus sind nur so gut, wie die Datenqualität der Roh- bzw. Basisdaten. So beginnt alles bereits bei einer erfolgreichen Datenintegration. Dieser Punkt muss bei Ihrem Projekt ernsthaft beachtet werden.
Denken Sie daran, dass z.B. die IT-Systeme innerhalb der Vertriebsabteilung (z.B. die ERP-Systeme), meistens etwas älter sind und Daten anders behandeln als die neuen Marketing-Tools, die Sie kürzlich im Unternehmen eingeführt haben, um Kundenreaktionen im Netz zu analysieren. Eine weitere Herausforderung sind z.B. die Maschinen- und Sensordaten draußen im Feld, welche je nach Hersteller eine spezielle Einbindung erfordern.
Bei der heterogenen Datenintegration im Predicitve-Kontext müssen Sie auf jeden Fall „Klarschiff“ machen! Dabei können Microsoft Azure Technologien Ihnen helfen, das gewünschte Vorhaben schnell umzusetzen.
Die Lösung - Microsoft Technologien und DATA Passion Referenzarchitektur
Das Team der DATA Passion hat sich mit der Herausforderung von KI und Datenintegration oft beschäftigt. Als Ergebnis stellen wir unsere Referenzarchitektur (s. Skizze) vor, welche für die meisten Predictive-Szenarien Ihr Lotse sein kann. So lassen sich Ihre Prozesse von den Geräten draußen im Feld über das Machine Learning bis zur Auslösung und Verfolgung der Customer Service Aktionen im CRM oder die Vertriebsaktivitäten im ERP nahtlos integrieren.
Um die Herausforderung der „Predictive Szenarien“ mit unserer Referenzarchitektur im Unternehmen zu bewältigen, werden Sie gezielt auf folgende Microsoft Technologien zurückgreifen:
- Azure Machine Learning Studio: Azure Machine Learning Studio ist die Entwicklungsumgebung, mit der Sie Lösungen für Ihre predictive Szenarien einfach per Drang & Drop erstellen, testen und bereitstellen können, die mit Ihren Daten arbeiten. Wenn Sie kein ausgeprägtes ML-Knowhow haben oder einfach im Rahmen eines PoCs Ihr Szenario testen wollen, dann ist das der einfache und schnelle Einstieg.
- Azure Machine Learning Service: Der Azure Machine Learning-Dienst bietet unterschiedliche Möglichkeiten, um Ihr trainiertes Modell bereitzustellen. Dabei können Sie Ihr Modell als Webdienst in der Azure-Cloud oder auf IoT-Edge-Geräten bereitstellen.
- Azure Cognitive Services: Azure Cognitive Services sind APIs, SDKs und Dienste, die Entwicklern beim Erstellen intelligenter Anwendungen helfen, ohne direkte KI- oder Data Science-Fähigkeiten oder -Kenntnisse zu haben. Mit Azure Cognitive Services wird das wachsende Portfolio der Machine Learning-APIs von Microsoft erweitert, und Entwickler können ihren Anwendungen leicht kognitive Features hinzufügen, z. B. Emotions- und Videoerkennung, Gesichtserkennung, Spracherkennung, maschinelles Sehen sowie Sprachverständnis. Das Ziel von Azure Cognitive Services ist es, Entwicklern zu helfen, Anwendungen zu entwickeln, die sehen, hören, sprechen, verstehen und sogar schlussfolgern können. Der Katalog der Dienste innerhalb von Azure Cognitive Services kann in fünf Hauptkategorien unterteilt werden: Bildanalyse, Spracheingabe, Sprache, Suche und Wissen.
- Azure Data Lake: Azure Data Lake umfasst alle erforderlichen Funktionen, die Entwickler, Data Scientists und Analysten benötigen, um Daten problemlos speichern zu können – und zwar unabhängig von der Größe, vom Format und von der Geschwindigkeit der Daten. Darüber hinaus können die Daten mit Data Lake auf verschiedene Art, auf verschiedenen Plattformen und unter Verwendung verschiedener Sprachen verarbeitet und analysiert werden.
- Azure Data Lake Analytics: Mit Azure Data Lake Analytics können Sie Ihre Analysen im Rahmen des großen Datenbestandes, welcher auf Azure Data Lake gespeichert ist, innerhalb weniger Sekunden durchführen. Um die Infrastruktur müssen Sie sich dabei keine Gedanken machen – die optimale Skalierung übernimmt Microsoft. Sie müssen lediglich Rahmenbedingungen schaffen.
- Azure Data Factory: Mit der Azure Data Factory sorgen Sie dafür, dass die Daten aus den unterschiedlichen Quellen zur Azure Data Lake übertragen werden. Gleichzeitig können die Ergebnisse der Analysen anschließend an Ihre IT-Systeme übertragen werden.
- Azure Logic Apps: Azure Logic Apps bieten Ihnen ein gutes Integrationsmittel, wenn Ihre Prozesse nachrichtenbasiert arbeiten und begrenzte Datenmengen austauschen. Die Logic Apps bieten von Haus aus sehr viele Connectoren, die die Integration vereinfachen können.
- Azure Functions: Azure Functions sind in diesem Kontext als Erweiterung der Logic Apps zu betrachten und ermöglichen Ihnen noch bessere Flexibilität bei der Integration.
- Azure Data Factory: Azure Data Factory setzen Sie bei der Integration ein, wenn es sich um ETL-Prozesse mit größeren Datenmengen handelt.
- Azure Event Hub: Azure Event Hubs ist eine Big Data-Streamingplattform und ein Ereigniserfassungsdienst, der pro Sekunde Millionen von Ereignissen empfangen und verarbeiten kann. Event Hubs kann Ereignisse, Daten oder Telemetriedaten, die von verteilter Software und verteilten Geräten erzeugt wurden, verarbeiten und speichern.
- Azure Service Bus: Azure Service Bus ist ein mehrinstanzenfähiger Cloudmessagingdienst, mit dem Sie Informationen zwischen Anwendungen und Diensten senden können. Die asynchronen Vorgänge ermöglichen ein flexibles Brokermessaging sowie strukturiertes First-In-First-Out-Messaging (FIFO) und Funktionen zum Veröffentlichen/Abonnieren.
- Azure Iot Hub: Mit dem Azure IoT Hub lassen sich Geräte (Devices), welche sich im Feld befinden (z.B. Siemens, ABB oder Honeywell PLCs) über verschiedene Protokolle anbinden und steuern.
- Azure Stream Analytics: Azure Stream Analytics kann nahtlos in Azure IoT Hub und Azure IoT Suite integriert werden, um die leistungsstarke Echtzeitanalyse von Daten aus Ihren IoT-Geräten und -Anwendungen zu ermöglichen.
Je nach konkretem Szenario, lässt sich die Architektur etwas vereinfachen oder verändern. Ziel der Architektur ist die nahtlose und optimale Integration der „predictive Prozesse“ in Ihre Unternehmenslandschaft. Denn nur auf diesem Wege lassen sich die Vorteile wie Wirtschaftlichkeit, Umsatzsteigerung und verbesserte Kundenzufriedenheit erzielen, messen und für das Management Ihres Unternehmens veranschaulichen.
