Daten und Analysemodelle haben ein „Mindesthaltbarkeitsdatum“

Indem sie die Aktualität, Präzision und Relevanz von geschäftskritischen Daten und Analysemodellen kontinuierlich gewährleisten, können Unternehmen bessere Vorhersagen treffen und Lösungen für verschiedenste Herausforderungen finden. Je tiefere und genauere Einblicke ein Unternehmen generieren kann, desto besser kann es (intern und extern) die Wertschöpfung erhöhen.

Zum Beispiel kann eine Supermarktkette im Zuge der Pandemie ermitteln, welche Produkte sich in den Filialen am schnellsten verkaufen. So kann das Unternehmen sicher sein, dass es genügend Ware auf Lager hat, und diese nahe der Kassen platzieren, damit Kunden so wenig Zeit wie möglich im Laden verbringen müssen. Außerdem kann das dafür sorgen, dass Kunden verstärkt solche Produkte kaufen. Somit können Betriebe nicht nur ihre Überlebenschancen deutlich steigern, sondern auch größere Einnahmen und Gewinne erzielen. Ein Verständnis der Vergänglichkeit von Daten und Modellen geht weit über traditionelle Messwerte wie Alter oder Aktualität hinaus.

Welche Daten aktuell, präzise oder relevant sind, erläutert Bret Greenstein, SVP und Global Head of AI und Analytics bei Cognizant.

Aktualität

Aktuelle Daten spiegeln jüngste Veränderungen wider, die erhebliche Auswirkungen auf das Unternehmen haben können. Dazu könnten beispielsweise die Lockerung oder Verschärfung von COVID-19-Maßnahmen oder ein Aufruf in sozialen Medien zu einem Protest in der Nähe bzw. gegen das Unternehmen gehören. Hochmoderne Verfahren der künstlichen Intelligenz (KI) wie maschinelles Lernen können bei der Identifizierung solcher Daten helfen, indem zum Beispiel ermittelt wird, welche Datenquellen zur Erstellung eines Vorhersagemodells verwendet wurden.

Die Modelle werden kontinuierlich mithilfe fortgeschrittener KI an „virtuellen Zwillingen“ der realen Welt verfeinert, anstatt einmalig mit statischen Daten trainiert zu werden. Beispielsweise sind viele Vorhersagemodelle, die auf Verhaltensweisen von Verbrauchern oder Mitarbeitern vor der COVID-19-Pandemie basieren, offensichtlich nicht mehr relevant. Aber auch Modelle, die auf heutigen Verhaltensmustern beruhen, werden sich weiterentwickeln, wenn der Grad des Lockdowns, Infektionsraten oder andere Faktoren (wie Proteste und Naturkatastrophen) den Status quo verändern.

Präzision

Präzise Daten sind solche, die bereinigt und validiert wurden, um sicherzustellen, dass sie aus einer akkuraten Quelle stammen, nicht kompromittiert wurden und in einem brauchbaren Format vorliegen. Dies ist besonders wichtig bei Daten, die eine nicht traditionelle Form aufweisen, wie etwa bei unstrukturierten Daten bzw. Daten aus neueren Quellen wie sozialen Medien oder dem Internet der Dinge (IoT). Solche Daten können eine Quelle für wertvolle Einsichten sein, zum Beispiel, wenn zusätzlich zu COVID-19-Testdaten Daten zur Standortbestimmung von Mobiltelefonen verwendet werden. So lassen sich die Ausbreitung des Virus und Neuinfektionen besser verfolgen.

Genaue Modelle wurden nicht nur auf Präzision unter aktuellen Bedingungen getestet, sondern können unter Einsatz hochmoderner KI auch für akkuratere Vorhersagen oder Maßnahmen in der Zukunft sorgen. Wenn eine Vorhersage ein geringes Konfidenzniveau aufweist, aber enorme Folgen haben kann (so etwa eine Abwanderung von Millenials aus urbanen Regionen aufgrund von COVID-19), könnte sich ein Unternehmen kostengünstig Wettbewerbsvorteile verschaffen, indem es als erstes für einen solchen Trend plant. Zum Beispiel ist ein Analysemodell, das wöchentliche oder saisonale Muster im Finanzhandel „erkennt“, von geringem Nutzen, wenn Konkurrenten diese Muster bereits gefunden und Geschäftsabläufe entsprechend angepasst haben. Daher werden Modelle, die präzise sind, auch darauf trainiert, Muster in Daten zu ignorieren, wenn diese nicht mehr relevant sind.

Relevanz

Relevant sind Daten, die signifikant oder ursächlich genug sind, um großen Einfluss auf Vorhersagen der zukünftigen Bedingungen und/oder Schritte zu haben, die als Reaktion empfohlen werden. Vor Beginn der „MeToo“-Bewegung zum Beispiel waren unsensible Tweets eines CEO nicht unbedingt Datenpunkte, die es wert gewesen wären, verfolgt zu werden. Heute können Boykotte, die häufig die Folge eines solchen Tweets sind, wesentliche Auswirkungen auf Umsätze, Marktanteile und den Markenwert haben. Relevante Daten werden aus verschiedensten Quellen innerhalb und außerhalb des Unternehmens erfasst und können Firmen dabei helfen, Veränderungen als erste zu erkennen und darauf zu reagieren.

Fazit

Durch die Entwicklung und Verfeinerung relevanter Modelle können Unternehmen mit maschinellem Lernen ermitteln, welche Daten am nützlichsten sind und weniger hilfreiche Daten außer Acht lassen. Dadurch wird eine Verschwendung von Zeit, Geld und Aufwand beim Trainieren von Modellen mit irrelevanten Daten deutlich reduziert.

Bret Greenstein, SVP und Global Head of AI und Analytics bei Cognizant, www.cognizant.com