Ein Gepräch zwischen Dr. Andreas Becks und Brigitte Naylor-Aumayer. Beide gehen der Frage auf den Grund, worin die Bedeutung von Decision Management heute noch liegt. Klar ist, dass Unternehmen damit viel besser wissen, was ihre Kunden wollen, und dass diese dann entsprechend zufriedener werden. Denn: Wenn der Kunde bekommt, was er will, bleibt er. Doch die Einsatzmöglichkeiten sind noch vielschichtiger. So ist Decision Management bei Chatbots wichtig oder bei der Betrugserkennung und auch -vermeidung. IoT-Anwendungen wie prädiktive Wartung profitieren ebenfalls - Credit Scoring, Schadensmanagement oder einfach bei der Automatisierung von internen Prozessen gewinnt Decision Management in allen Branchen und Bereichen an Bedeutung. Warum das so ist, und wie es sich sinnvoll im Unternehmen etablieren lässt, darüber hat Brigitte Naylor-Aumayer sich mit Andreas Becks unterhalten.

Brigitte Naylor-Aumayer: Hat die Automatisierung von Enterprise Decision Management nicht schon mit der Computerisierung begonnen?

Andreas Becks: Ja, auf alle Fälle. Aber die Integration von Analytics und insbesondere von neuen Lernalgorithmen in Geschäftsprozesse werden das Decision Management noch mal auf eine ganz andere Ebene bringen. Operative Entscheidungen, die auf einer Kombination aus Analytics (oder Machine Learning), Geschäftsregeln und integrierter Entscheidungslogik basieren, haben sich als wesentlich relevanter, schneller und daher wertvoller erwiesen. Dafür gibt es eine ganze Reihe von Beispielen. Ein europäisches Telko-Unternehmen hat ein integriertes SAS Decision Management Framework implementiert, das automatisiert „Next Best Customer Actions“ auf der Basis aktueller Handlungen des Kunden vorschlägt. Eine große internationale Airline setzt ebenfalls Decision-Management-Technologie von SAS ein, um ihren Kunden personalisierte Produkte und Services anbieten zu können – und somit eine rundum positive Erfahrung für Passagiere zu schaffen.

Naylor-Aumayer: Das erscheint auf den ersten Blick schwierig in der Umsetzung. Wie lange dauert es im Durchschnitt, solche analytischen Entscheidungsregeln aufzubauen?

Becks: Eine schnelle „Time to Delivery” gehört zu den stärksten Argumenten für SAS Technologie. Modelle und Geschäftsregeln lassen sich ganz einfach in den operativen Entscheidungsfindungsprozess des Kunden einbinden – egal, ob für gespeicherte Daten oder Daten in Bewegung. Dafür ist lediglich ein Knopfdruck nötig, kein manuelles oder halbautomatisches Schreiben und Testen neuer Codes. Dadurch verringert sich die Time-to-Market enorm, und es wird verhindert, dass die analytischen Ergebnisse schon überholt sind, bevor sie überhaupt genutzt werden können. Wenn sich die Daten im Laufe der Zeit ändern, können Modelle zeitnah angepasst werden, sodass sie relevant bleiben und performant Ergebnisse liefern.

Naylor-Aumayer: In der Regel heißt schnell gleichzeitig teuer …

Becks: Das ist bei der SAS Platform nicht der Fall. Prozesskosten sind hier sehr viel geringer dank Automatisierung, gleichzeitig reduzieren sich die Fehlerquellen. Modelle lassen sich ohne manuelle Programmierung anpassen und anwenden. Alle Prozessschritte im Zusammenhang mit Daten, Modellen und Regeln sind sauber dokumentiert, die Regelanwendung wird zentral gesteuert. Damit passieren weniger Fehler, es gibt weniger Abhängigkeit von einzelnen Mitarbeitern – und schließlich entstehen sehr viel geringere IT-Kosten insgesamt.

Naylor-Aumayer: Und wie sieht es mit der Genauigkeit von Modellen aus?

Becks: Auch daran haben wir gedacht. Modelle müssen aktuell sein, sonst sind sie nicht effektiv. Technisch gesehen heißt das: Die Muster in den Daten müssen in den jeweiligen Modellen angepasst werden, damit sie auch im Laufe der Zeit noch relevant sind. Eine schnelle Operationalisierung und Anwendung der Modelle führt zu höherer Präzision. Und ein besseres Monitoring der Modelle (mit automatisch generierten Berichten) stellt sicher, dass schneller erkannt wird, wenn ein Umtrainieren oder eine Anpassung der Modelle notwendig ist. Automatisches Retraining oder Alerts an den Data Scientist schließen den Kreis im Analytics Lifecycle und führen zu einer Zukunftsfähigkeit der Modelle, was sich letztlich durch bessere Entscheidungen auszahlt.

Naylor-Aumayer: Das hört sich sehr spannend an für die Data Science Community. Aber was bringt dieser Ansatz für das Decision Management im regulären Business Workflow?

Becks: Ein effektiverer Einsatz von Analytics steht bei uns stets im Mittelpunkt. Die Möglichkeit, Analytics und Geschäftsregeln zusammenzubringen, hilft unseren Kunden dabei, komplexe Entscheidungsflüsse zu erstellen und anzuwenden. Die zentrale Steuerung von Modellen und Regeln über die SAS Platform gibt ihnen die Kontrolle darüber, wie Analytics eingesetzt wird. Die Decision Management Platform von SAS ist eine offene Umgebung, in der Modelle und Geschäftsregeln automatisch angewendet werden können – und zwar immer genau dort, wo sich die Daten befinden (egal, ob in der Datenbank, im Stream oder in einem Gerät). Die automatisierte Bereitstellung, optimierte Monitoring-/Auditing-Tools, Transparenz und Flexibilität sind die entscheidenden Faktoren, die zu mehr Effizienz bei Geschäftsprozessen führen.

Naylor-Aumayer: Inwieweit bringt das mehr Vertrauen in Algorithmen mit sich?

Becks: Vertrauen ist tatsächlich ein sehr wichtiger Aspekt. Zu jedem Zeitpunkt ist es nachvollziehbar, welche Entscheidung auf welcher Regel, welchen Daten und welcher Modellversion beruht. Unsere Kunden haben damit durchgängige Audit-Trails an der Hand und können ihre Governance auf die automatisierte Entscheidungsfindung anwenden.

Naylor-Aumayer: Unsere Entscheidungsmerkmale bestehen im Wesentlichen also aus den drei „G“s: Geschwindigkeit, Genauigkeit und Governance?

Becks: Ja, und darüber hinaus: Skalierbarkeit, KI-Bereitschaft – und ein Paket, das alles Notwendige bündelt. Es gibt eine Vielzahl von Softwarelösungen, darunter immer mehr Open-Source-Tools, die Data Scientists die Erstellung von Modellen ermöglichen – aber nur wenige lassen ein Teilen und Operationalisieren dieser Modelle zu. Unternehmen suchen nach Wegen, um mehr Schritte im Analytics Lifecycle zu automatisieren und dadurch Mitarbeiter zu entlasten sowie ihre Analytics-Investitionen schneller zu amortisieren. Unser Credo ist: Bessere Entscheidungen schneller treffen ist die Voraussetzung für geschäftliche Wertschöpfung.