Aktueller Channel Fokus:

IT-Security

Die guten ins Töpfchen, die schlechten ins Kröpfchen

Welche Daten gehören in die Cloud?

| Autor / Redakteur: Dr. Dietmar Müller / Florian Karlstetter

Mit welchen Daten sollen die Unternehmen ihre Clouds befüllen, um gewinnbringende Einblicke in die bestehenden Geschäftstätigkeiten zu erlangen?
Mit welchen Daten sollen die Unternehmen ihre Clouds befüllen, um gewinnbringende Einblicke in die bestehenden Geschäftstätigkeiten zu erlangen? (Bild: gemeinfrei, 3844328 / Pixabay)

Vor nicht allzu langer Zeit standen deutsche Unternehmen vor der Frage, wohin sie mit all ihren Daten sollten, die im Zuge neuer Gesetzgebungen und neuer Verfahren zum Sammeln von Informationen (Social Media, Smartphones, Sensoren in Internet of Things/IoT) angefallen sind. Im Zuge der massiven Verbreitung von Hybrid und Multi Clouds stellt sich die Frage neu und gerade andersherum: Mit welchen Daten sollen die Unternehmen ihre Clouds befüllen?

Ziel der „Befüllung“ einer Cloud ist es natürlich, gewinnbringende Einblicke in die bestehenden Geschäftstätigkeiten zu erlangen, so dass sich im Zuge agiler Entwicklungen vielleicht sogar neue Geschäftsoptionen auftun und bestehende Geschäftsmodelle raffiniert werden können. Die Crisp-Analystin Anna-Lena Schwalm drückt es auf ihre Art aus: „Getreu dem Motto ‚Was man nicht messen kann, kann man nicht lenken‘ wird für Unternehmen die Quantifizierung der Daten immer wichtiger, um die Geschäftsprozesse zu messen, sodass sie ihren Wert genau widerspiegeln können. Dabei spielt zunächst die Qualität der Daten eine fundamentale Rolle.“

Gerade für Machine-Learning-Funktionalitäten (ML) ist eine gesunde Datenbasis unerlässlich. Nach dem Sammeln kommt nämlich immer das Auswerten, sonst kann man sich das Sammeln im Prinzip sparen. Unternehmen versuchen mit Machine Learning, relevante Daten zu extrahieren und zusammenzufassen, um so Muster zu erkennen und auf deren Basis Vorhersagen abzuleiten. Zudem werden Wahrscheinlichkeiten berechnet, um sich besser an Trends anzupassen und Prozesse optimieren zu können.

Die Datenbasis muss stehen

Clevere IT-Entscheider stehen heute also vor der Frage: Welche Daten muss ich sammeln, so dass ich mit Künstlicher Intelligenz gewinnbringende Einblicke in das Unternehmen und seine Geschäftstätigkeiten erhalte? Darauf gibt es Antworten – Crisp-Analystin Schwalm hat sich angesehen, welche Art von Daten vorrangig zur Auswertung herangezogen werden.

Demnach sind „die meisten Unternehmen ihren existierenden Datenquellen treu und entnehmen die Daten bereits etablierten ERP-Systemen“. Allen voran – wer hätte das gedacht? – den SAP-Anwendungen. Finanzkennzahlen standen schon immer im Fokus der zahlreichen Business-Intelligence- und Analytics-Lösungen, deren Zahl laut Dr. Carsten Bange vom Business Application Research Center (BARC) in den vergangenen zehn Jahren – vermutlich korrelierend zur wachsenden Zahl an vorhandenen Daten – von 300 auf rund 600 (!) zugelegt hat.

Laut einer von Schwalm und Crisp durchgeführten UntersuchungMachine Learning in deutschen Unternehmen“ befüttern 59 Prozent aller deutschen Unternehmen ihre Machine-Learning-Systeme mit Finanzdaten. Darauf folgen mit 43 Prozent die Produktionsdaten, wie sie üblicherweise und selbstverständlich entlang der Supply Chain anfallen.

„Beim Smart Manufacturing werden Daten über den gesamten Produktionsprozess gesammelt und zur Optimierung verwendet. Hierbei geht es zum einen darum, die Produktion aktueller Produkte effizienter zu gestalten, zum anderen aber auch darum, die gewonnenen Erkenntnisse dazu zu nutzen künftige Produkte so zu gestalten, dass sie effizient produziert werden können. Und dies gilt für nahezu alle Branchen und Unternehmen, die im Kontext der digitalen Transformation dabei sind, aktiv neue Geschäftsprozesse, Kundenbeziehungen und Business-Modelle aufzubauen“, so Schwalm.

Da das IoT sich immer weiter in die deutschen Produktionsstätten hineinfrisst, werfen auch Maschinen beziehungsweise Sensoren immer mehr Daten aus. Sie bilden oftmals die Grundlage für die Entwicklung entsprechender Modelle und Algorithmen für das Machine Learning. „Im Rahmen von Predictive Maintenance können Unternehmen beispielsweise durch den Einsatz von Sensoren und vernetzten Anlagen in Echtzeit Informationen über diese sammeln und auswerten. So kann zum Beispiel der Verschleiß von Bauteilen überwacht und der Wartungsplan automatisiert optimiert werden“, berichtet die Crisp-Analystin.

Mit 66-prozentigem Anteil machen Daten aus Maschinen und IoT-Sensoren mittlerweile sogar den Großteil der für das Machine Learning genutzten Daten aus. „So entstehen zahlreiche Quantifizierungsmöglichkeiten für Unternehmen und Bewertungsmethoden, die Aufschluss über bestimmte Prozesse oder aber Mitarbeiter geben können“, so Schwalm.

Agile Entwicklung auf Basis von Maschinendaten

Die Verwendung dieser Daten zur Messung wichtiger Geschäftsprozesse sei aber nicht nur die Grundlage für eine nachhaltige Datenstrategie, sondern könne zur neuen Produktivitätsquelle werden – Stichwort: agile Entwicklung. Dabei liegt der Fokus ganz auf der Entwicklung neuer Anwendungen, die für das Unternehmen neue Umsatz- und Gewinnquellen erschließen sollen. „Insbesondere IT-Abteilungen stehen heute in großen Unternehmen mit mehr als 2.000 Mitarbeitern unter hohem Druck, kürzere Innovations-, Release- und Markteintrittszyklen zu unterstützen“, erläuterte der Principal Consultant bei PAC Joachim Hackmann bereits vor geraumer Zeit. Dafür muss die Software-Entwicklung unter dem Schlagwort „DevOps“ flexibel und schlank aufgestellt sein.

Das aus „Development“ und „Operations“ zusammengesetzte Kunstwort beschreibt ein Entwicklungskonzept, dessen Ziel die möglichst schnelle Bereitstellung und Inbetriebnahme neuer Anwendungen, von Software-Funktionen, Produkten und Services ist. Mancherorts ist daher zu lesen, DevOps sei die Implementierung agiler Prozesse der Software-Entwicklung in den IT-Betrieb. Während die Software-Entwicklung dem immensen Bedarf an kurzfristig verfügbarer Anwendungs-Software mit besagten agilen Methoden begegnet, hat die IT auch die Usability, Performance, Stabilität, Sicherheit und Verfügbarkeit im Auge.

Cloud-Storage gerät in den Fokus

Machine Learning, Predictive Maintenance, agile Entwicklung und DevOps – das alles ist nur möglich, wenn ausreichend Daten in der Cloud oder den Clouds vorgehalten werden. Und das werden sie – wie gesehen, vor allem gespeist durch das IoT sowie SAP-Systeme – zuhauf in Cloud-Speichern aller Art. Für Machine Learning eignen sich besonders schnell reagierende Storage-Systeme, die sich einfach skalieren lassen. Für die Anwenderunternehmen sind zudem einerseits die Kosten, andererseits der Grad an Sicherheit und Schutz für die Daten maßgeblich bei der Wahl einer entsprechenden Lösung.

Für ML muss die Storage-Lösung auch modernen Ansprüchen genügen; vor allem Software-basierte Storage-Lösungen und hyperkonvergente Umgebungen gehören zu den heute vielversprechenden Technologien. Appliances sind ebenfalls oft sinnvoll einsetzbar, gerade bei KI- und ML-Lösungen. Der Speicher muss in jedem Fall die Anbindung an die Cloud genauso unterstützen, wie den Betrieb im eigenen Rechenzentrum. Laut Crisp beschäftigt sich gerade die Hälfte der deutschen Unternehmen aktiv genau mit dieser Frage – Ihres gehört auch dazu, stimmt’s?

Kommentare werden geladen....

Sie wollen diesen Beitrag kommentieren? Schreiben Sie uns hier

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46134042 / Cloud)