Daten, Machine-Learning und KI – mit Augenmass und in drei Horizonten

Welchen Wert haben die Nutzungsdaten aus dem Feld über das einzelne Serviceangebot hinaus, etwa für Produktverbesserung und Innovation?

J. Meierhofer: Aus Servicesicht haben die Daten zunächst einen Trainingscharakter: Wenn ich mit KI- oder Machine-Learning-Modellen etwas vorhersagen oder einen Zustand beurteilen will, brauche ich Trainingsdaten – sogenannte annotierte, also «gelabelte» Daten aus der Vergangenheit. Im laufenden Betrieb brauche ich die Daten, um im laufenden Servicefall zu entscheiden, was gerade vorliegt. In die Zukunft gedacht haben die Daten immer einen Wert, um zu verstehen, wo es in der nächsten Produkt- oder Servicegeneration wiederkehrende Probleme gab. Das untersucht man dann in der Root-Cause-Analyse. Oder innovationsgetrieben: Gibt es Funktionen, die kaum genutzt werden, oder solche, die so stark genutzt werden, dass man sie ausbauen sollte? Das sind drei Horizonte: erstens Daten zum Lernen von Modellen, zweitens zur situativen Entscheidungsunterstützung im laufenden Servicefall und drittens Daten als strategische Ressource für Produkt- und Serviceinnovation der nächsten Generation.

Und dabei Predictive Analytics anwenden?

J. Meierhofer: Ja, genau. Meist meint man damit Predictive Maintenance. Das setzt beim ersten der genannten Zeitelemente an, also in der Vergangenheit: Was hat drei Tage später den Ausfall verursacht? Welche Muster sind bei Vibrationen, Stromverbräuchen und Ähnlichem zu erkennen? Im Moment selbst trifft man dann eine Prediction beziehungsweise Vorhersage: Der Stromverbrauch beziehungsweise die Klassifikation sieht so und so aus, also fällt die Anlage voraussichtlich in drei Tagen aus. Man kann Prediction auch im übertragenen Sinn verwenden für den oben genannten dritten Horizont: Was könnte die nächste Produktgeneration brauchen? Im engeren Sinn meint Predictive Maintenance jedoch genau diese Ausfallvorhersage.

Wie viel KI braucht ein Unternehmen wirklich, um den Einstieg in datengetriebene Services beziehungsweise seine Digitalisierungsstrategie zu schaffen?

J. Meierhofer: Eine etwas provokative Ansage, aber ich sage: a priori gar keine. Warum? Natürlich braucht es irgendwann KI oder Machine Learning. Aber ich empfehle nicht, mit der KI zu starten. Denn das können relativ grosse Vorhaben sein, mit Datenaufbereitung, Algorithmen und so weiter, nach dem Motto: zuerst entwickeln und dann schauen wir, was wir damit im Service machen. Es ist sinnvoller, man startet umgekehrt und versucht zuerst, zu verstehen, mit welchen Services man den Kundenunternehmen überhaupt helfen kann. Und erst wenn man das verstanden hat, giesst man es in KI. Die braucht es dann schon, sonst skaliert der Service nicht. Häufig geht man zunächst mit einer erfahrenen Fachperson hin, die beurteilt: Das verursacht das Qualitätsproblem, das würde ich umstellen und hier setze ich eine Person ein, die es beobachtet und bei Veränderungen rasch alarmiert. So etwas macht man vielleicht drei Monate lang mit einer Fachperson. Vieles von dem, von dem man glaubt, dass es den Kunden hilft, hilft dann gar nicht, während man bei anderen Punkten sieht: Davon sollten wir mehr haben. Das ist genau diese Phase der Customer-Insights und Pain-Analyse, die ich am Anfang erläutert habe. Hat man das verstanden, unterstützt man die Person allmählich mit KI und macht sie zeiteffizienter. Wenn eine qualifizierte Fachperson die Analysen beim Kunden bereits mit einem KI-Tool vorwegnehmen kann, wird das Kundengespräch kürzer oder erübrigt sich. Die Beobachtung lässt sich zudem oft vom Schreibtisch aus erledigen. Dadurch wird die Person immer effizienter, bis die Aufgabe vielleicht ganz durch KI abgedeckt und automatisiert ist. Dann skaliert der Service vollständig. Mein Best-Practice-Rat lautet deshalb: personenbasiert starten und dann schrittweise mit KI unterstützen.

(ID:50921092)