Was Data Analytics mit Service zu tun hat

Im Interview: Sebastian Klemm, Head of Digital Transformation Office bei thyssenkrupp Materials Services

Data Analytics ist ein Bereich, der nicht mehr aus unserem Alltag wegzudenken ist. Wenn auch nicht immer offensichtlich sind Datenanalyse und Machine Learning an den meisten Technologien und Produkten, die uns heute umgeben, in der ein oder anderen Form beteiligt. Sebastian Klemm, Head vom DTO bei thyssenkrupp Materials Services, sprach mit uns darüber, warum wir bei thyssenkrupp von „Data Analytics as a Service“ sprechen:

Herr Klemm, wir sprechen heute über „Data Analytics as a Service“. Inwiefern würden Sie Datenanalyse und Machine Learning als Dienstleistung/Service verstehen?

Als Service verstehen wir eine kontinuierliche Leistung, die exakt auf die Bedürfnisse unserer Kunden zugeschnitten ist. Nehmen wir als Beispiel Machine Learning (ML):

Unsere Kunden möchten entscheidungsrelevante, ML-generierte Forecasts genau dann, wenn eine Entscheidung zu fällen ist oder eine Aktion eingeleitet wird. Auf einem Wege, der sich optimal in die Arbeitsabläufe integriert. Kaum jemanden interessiert, wie der Python Code aussieht oder welches Modell genau zur Anwendung kommt. Es muss sich genauso „normal“ anfühlen und intuitiv sein wie zum Beispiel die Gesichtserkennung beim Handy.

Was beinhaltet „Data Analytics as a Service“ im Digital Transformation Office (DTO) von thyssenkrupp Materials Services?

Zum einen den sogenannten Kern, also die Algorithmen. Typischerweise wurden diese in einem Vorprojekt auf Basis eines definierten Datensatzes und Hypothesen aus dem Fachbereich entwickelt. Wir nennen diese Phase Data Lab. Im Rahmen des Service werden die Algorithmen kontinuierlich verfeinert. Viel wichtiger allerdings ist das Integrieren neuer Disziplinen beim Service Design. Neben Data Engineers und Data Scientists sind hier Software Architekten und User Experience Designer (UX) gefragt. Denn der Fokus hier lautet: Wie stellen wir die Ergebnisse der Algorithmen möglichst effizient den Kunden zur Verfügung? E-Mail, Microsoft Teams, Apps, Webservices, Messages, Datenbankeinträge – hier ist vieles möglich. Der Kunde entscheidet.

Welche Vorteile und Potentiale bieten Data Analytics und Machine Learning für das operative Geschäft?

Genau genommen ist Data Analytics ein alter Hut. Unsere Kollegen führen schon seit Jahrzehnten gute, datenbasierte Analysen und Verbesserungen durch. Ein Beispiel ist Six-Sigma, eine sehr standardisierte und verbreitete Methode zur datengetrieben Prozessverbesserung, die seit über 20 Jahren im Einsatz ist.

Meiner Auffassung nach war dies schon immer ein entscheidender Wettbewerbsvorteil und bleibt dies auch. Was heute jedoch fundamental anders ist, sind die technischen Möglichkeiten der Datenanalyse. Neben Cloud Services und wachsenden open-source Bibliotheken, z.B. für maschinelles Lernen, lässt sich das daran erkennen, dass Data Analytics eine ganz eigene Disziplin ist. Hier sagen also z.B. Teilchenphysiker dem operativen Logistikplaner, wo welche Materialien am besten eingelagert werden. Wer hier die Skepsis schnell überwindet, hebt genau die Potentiale, die nach Jahrzehnten der operativen Verbesserung noch übrig sind. Für sich und seine Kunden.

Vor welchen Herausforderungen stehen thyssenkrupp Materials Services aber auch Kunden von thyssenkrupp heute, bei denen sie das Know-how von Data Analytics Experten benötigen?

Auch die Welt von morgen baut auf Hardware. Autos, Häuser, Mobiltelefone, Roboter, überall wird Material benötigt. Dabei werden die Lieferketten komplexer, da auch die Produkte selber immer komplexer werden und z.B. immer mehr Bauteile und/oder mehr Varianten enthalten. Das macht die Sicherstellung der Versorgung zu global wettbewerbsfähigen Preisen herausfordernd.

Die resultierenden Optimierungsprobleme, wie zum Beispiel das Finden guter Lösungen in einem sehr breiten Parameterraum, sind schwer. Zudem gilt abzuwägen, worauf optimiert wird, z.B. Preis, Geschwindigkeit oder Risiko. Data Analytics bietet hier entscheidende Lösungsansätze, z.B. durch Simulationen sehr vieler Szenarien oder die Erkennung komplexer Muster, die dem menschlichen Auge verborgen sind. Moderne Supply Chain Lösungen sind ohne Data Analytics in meinen Augen nicht möglich.

Was fasziniert Sie an der Arbeit im Bereich Data Analytics?

Es ist erfrischend sachlich, da rein datengetrieben und es gibt immer wieder Überraschungen.

Ich habe lange im Bereich Operational Excellence, Schwerpunkt Serienfertigung gearbeitet. Als das erste Machine-Learning unterstützte Dashboard in einem unserer internationalen Standorte auf einem Bildschirm in der Fertigung lief, ging mir schon das Herz auf.

Data Analytics ist an fast jeder großen neuen Technologie von heute beteiligt. Welchen Stellenwert hat Data Analytics für die Industrie und Wirtschaft von heute?

Wie bereits gesagt, haben uns Datenanalysen seit jeher geholfen, besser zu werden. Abhängig von der Industrie und dem Markt, in dem man sich befindet, ist das Beherrschen von modernen Methoden wie Big Data Analytics und Machine Learning heute jedoch der entscheidende Erfolgsfaktor. Aber halt nicht überall. Und nicht immer sind Datenanalysen die Lösung, manchmal liegt das Problem auch in viel trivialeren Dingen.

Wie wird sich, Ihrer Meinung nach, die Bedeutung von Daten- und Datenanalyse in Zukunft verändern (und warum)?

Die Bedeutung ist bereits heute sehr hoch und wird meiner Ansicht nach noch steigen.  Sehr spannend wird die Entwicklung im Bereich der Datenstandards und Plattformen sein. Noch sind die meisten Unternehmen zurückhaltend dabei, ihre Daten zu teilen. Das kann ich gut verstehen. Denn die Sorge ist, dass jemand anderes den Datenschatz hebt und man selber nur zu einem Datenlieferanten wird. Doch mit der nötigen Sicherheit und Mehrwert für jeden Teilnehmer könnte ein gemeinsames Eco-System um Daten innerhalb einer Wertschöpfungskette die aktuellen Strukturen massiv verändern. Dahinter verbergen sich große Potentiale und ich bin gespannt, was die nächsten Jahre in diesem Bereich mit sich bringen werden. Jedes Unternehmen sollte sich auf digitale Lieferketten vorbereiten und mit datengetriebenen Geschäftsmodellen auseinandersetzen.

Herr Klemm, vielen Dank für das interessante Gespräch!