Wer Machine Learning einsetzt, will damit vor allem Prozesse verbessern. So lautet das Ergebnis einer aktuellen Studie von Crisp Research in Kooperation mit Dell EMC und The unbelievable Machine Company. 60 Prozent der gut 150 befragten Entscheider aus deutschen Unternehmen nennen Prozessoptimierung als Use Case, gefolgt von digitalen Produkten (52 Prozent) und Customer Analytics (49 Prozent).
Foto: Crisp Resarch
Der Erhebung zufolge stecken 22 Prozent der Unternehmen noch in der Evaluierungs- oder Planungsphase, 19 Prozent haben mit Machine Learning noch gar nicht begonnen. Eine relative Mehrheit von 37 Prozent sammelt bereits erste Erfahrungen mit Prototypen. Die verbleibenden 21 Prozent nutzen Machine Learning "in ausgewählten Einsatzbereichen" oder in "weiten Teilen des Unternehmens".
Die Studienteilnehmer sehen eine ganze Reihe an Herausforderungen. Sie scheuen den Verlust von Kontrolle und fürchten Datenschutzprobleme (36 Prozent), sie verfügen nicht über genug Skills und qualifizierte Mitarbeiter (35 Prozent) und die Business-Nutzer können die Ergebnisse von Machine Learning nicht nachvollziehen (34 Prozent). Weitere 32 Prozent berichten von fehlendem Verständnis für Daten im Unternehmen.
Crisp Research hat erfragt, wann Entscheider Machine Learning-Projekte stoppen würden. Fast jeder Zweite (47 Prozent) nennt zwei Szenarien: die Modelle liefern falsche Vorhersagen, so dass das Unternehmen Verluste hinnehmen muss, oder es gibt Datenschutzprobleme. Weitere Szenarien: die Datenbasis reicht nicht für einen effizienten Einsatz von Machine Learning-Modellen aus (33 Prozent), Key Performance Indikatoren werden nicht erreicht oder die Kunden nehmen die Produkte nicht an (jeweils 25 Prozent).
Foto: Crisp Resarch
Die Daten für Machine Learning-Projekte stammen in erster Linie aus SAP-Systemen (59 Prozent). Es folgen Produktionsdaten (42 Prozent), Maschinendaten (35 Prozent), Daten aus dem Internet of Things (31 Prozent) und aus externen Quellen (30 Prozent). Die Machine Learning Teams sind meist in der Business Intelligence Unit angesiedelt (41 Prozent) oder bilden eine eigene Unit (36 Prozent). Viele Unternehmen stemmen solche Vorhaben nicht alleine: knapp zwei von dreien (64 Prozent) ziehen externe Berater hinzu oder kooperieren mit IT-Dienstleistern (55 Prozent). 45 Prozent bauen Teams aus Data Scientists und Machine Learning-Experten in Digital Labs oder arbeiten mit Universitäten (36 Prozent) und Startups (34 Prozent) zusammen.
Potenzial von 61 Milliarden Euro
Trotz der Bedenken in Sachen Datenschutz kommentiert Crisp Research: "Machine Learning und Künstliche Intelligenz werden 2022 ein Viertel der digitalen Wertschöpfung ausmachen: Bereits 2020 lassen sich 61 Milliarden Euro der digitalen Wertschöpfung auf den Einsatz von Machine Learning und intelligenten Algorithmen in Produkten und Diensten zurückführen." 40 Prozent der Unternehmen haben bereits einen eigenen Topf für Machine-Learning-Projekte eingeführt. 56 Prozent nehmen das Geld dafür aus dem Digitalisierungs-Budget.
Die Marktforscher raten Unternehmen aller Branchen, einen Chief Technology Officer (CTO) einzusetzen. Er soll "ein tiefes Verständnis moderner Cloud-Architekturen und Technologie-Stacks ("Stackology")" mitbringen. IT müsse Teil des Produkts und des Kundennutzens werden, schreibt Crisp Research. Mit Blick auf Machine Learning müssten Entscheider ihre IT-Strategie wie auch das Risiko-Management an juristische und gesellschaftliche Fragen anpassen. Dazu zählten auch Exit-Strategien für einzelne Produkte.