So können auch kleine und mittlere Unternehmen von KI und ihren Daten profitieren

Seit Jahren wird über Big Data und Künstliche Intelligenz diskutiert. Trotzdem sind sich gerade kleine und mittlere Unternehmen oft nicht bewusst, über welche Datenschätze sie verfügen. Und was sie aus diesen rausholen könnten, wenn sie auf KI, maschinelles Lernen und Zusammenarbeit setzen.

Ein Expertenbeitrag von Dr. Wolfgang Faisst, Plattform Lernende Systeme

Noch sind deutsche Mittelständler beim Einsatz von KI-Systemen zurückhaltend. Das zeigt eine 2019 veröffentlichte Studie der Universität des Saarlands, für die europaweit 200 große Mittelständler mit einem Jahresumsatz zwischen zehn und 50 Millionen Euro befragt wurden. Mit Künstlicher Intelligenz beschäftigt sich danach erst ein Drittel der Unternehmen. Lediglich 13 Prozent verfügen nach eigener Einschätzung über fortgeschrittene Kenntnisse zum Thema. Bei kleineren Firmen dürfte noch weniger Wissen vorhanden sein. Dabei ist Künstliche Intelligenz keine Technologie, die nur für große Unternehmen interessant ist.

Auch für den Mittelstand versprechen KI-basierte Systeme enorme Potenziale. Durch die intelligente Verknüpfung von Daten ermöglichen sie es, neue Erkenntnisse zu gewinnen, mit denen sich bestehende Prozesse effizienter und ressourcenschonender gestalten oder neue Geschäftsmodelle entwickeln lassen. Entscheidend dabei ist es, die Daten verschiedener Akteure entlang der Wertschöpfungskette intelligent miteinander zu kombinieren. So entstehen datenbasierte Wertschöpfungsnetzwerke innerhalb digitaler Ökosysteme, in denen die beteiligten Akteure auf Basis geteilter Daten und der Implementierung von Methoden der Künstlichen Intelligenz Mehrwert schaffen und so insgesamt messbaren Nutzen erzielen.

In unserer aktuellen Publikation „Von Daten zu Wertschöpfung: Potenziale von Daten- und KI-basierten Wertschöpfungsnetzwerken “, die die Plattform Lernende Systeme gemeinsam mit acatech veröffentlicht hat, beleuchten wir, wie solche datenbasierten Wertschöpfungsnetzwerke funktionieren und welche Hürden sich für Konzerne und Mittelständler in der unternehmensübergreifenden Zusammenarbeit stellen können. Mögliche Ausprägungen von Datenökosystemen werden anhand von praktischen Beispielen aus unterschiedlichen Branchen illustriert.

Vom Senken des Stromverbrauchs bis zum gezielteren Einsatz von Pestiziden

In einem Wertschöpfungsnetzwerk bietet etwa ein Plattform-Unternehmen Energieversorgern eine innovative Kundenbeziehung mit Privathaushalten. Die Endkunden erhalten eine App im Design des Energieversorgers, in der der Stromverbrauch in Echtzeit einzusehen ist. Durch diese Informationen kann der Endkunde ineffiziente Geräte erkennen, austauschen und damit seinen Energieverbrauch senken. In einem anderen Anwendungsfall hilft die KI-basierte Datenanalyse, den Einsatz von Pflanzenschutzmitteln in Gewächshäusern um bis zu 30 Prozent zu reduzieren. Ein intelligenter Sensor misst Temperatur, Lichtintensität, Feuchte und andere Bedingungen im Gewächshaus, verknüpft diese Informationen mit den Daten eines Wetterdienstes und ermittelt daraus das Risiko für einen Krankheitsbefall der Nutzpflanzen. Auf diese Weise können die Landwirte die Wachstumsbedingungen optimieren und müssen seltener mit Pflanzenschutzmitteln auf Krankheiten reagieren.

Auch der Austausch von Nachhaltigkeitsinformationen lässt sich über eine KI-basierte Datenplattform verbessern. Um ihrer Nachhaltigkeitsberichtspflicht nachzukommen, müssen Unternehmen die unterschiedlich zur Verfügung gestellten Informationen von Herstellern und Lieferanten sammeln und aufwändig angleichen. Eine Non-Profit-Organisation bietet eine cloud-basierte Plattform zum einheitlichen und EU-konformen Austausch der benötigten Nachhaltigkeitsdaten entlang der gesamten Supply Chain. Jeder Teilnehmer kann seine Informationen und Nachweise einpflegen und individuell anderen Nutzern der Plattform zugänglich machen, was den Austausch erheblich vereinfacht.

In ihrem Bericht hat die Plattform Lernende Systeme neben den genannten noch weitere Datenökosysteme analysiert. Die Erkenntnisse über deren Funktionsweise gelten für viele andere Sektoren. Vor allem für die heute im B2B-Bereich führenden Unternehmen aus Europa eröffnen sich über Wertschöpfungsnetzwerke in der so genannten „zweiten Halbzeit“ der Digitalisierung große Chancen.

Ohne gegenseitiges Vertrauen funktioniert es nicht

Die Beispiele für datenbasierte Wertschöpfungsnetzwerke mögen unterschiedlich sein, gemeinsam ist ihnen die Herausforderung, die Geschäftspartner zu gewinnen und dauerhaft einzubinden, quasi in Form eines „virtuellen Unternehmens“ mit einer gemeinsamen Dateninfrastruktur. In solchen Kooperationsverbünden kommt dem „fokalen“ Unternehmen (oftmals mit gutem Endkunden-Zugang) die zentrale Aufgabe zu, aus einer losen Gruppe eine funktionierende Einheit zu formen.

Die technischen Herausforderungen lassen sich gut lösen und es gibt geeignete Referenz-Architekturen (inkl. Schnittstellen und gemeinsamen Datenformaten), an denen man sich orientieren kann. Über den Erfolg entscheidet am Ende, ob die Geschäftspartner die notwendige Vertrauensbasis aufbauen und ein geeignetes Geschäftsmodell definieren können, das Nutzen für alle Beteiligten stiftet.

Typischer Ausgangspunkt bei der Definition von innovativen Geschäftsmodellen ist, ein vom Endkunden ausgehendes klares und direktes Nutzenversprechen („Value Proposition“) für jeden einzelnen Beteiligten zu schaffen.

Viele Unternehmen lassen sich durch die notwendige KI-Expertise abschrecken oder weil ihnen keine Data Scientists zur Verfügung stehen. Dieser Mangel lässt sich aber kompensieren, indem die Unternehmen mit KI-Experten aus dem akademischen Bereich bzw. der Forschung kooperieren oder mit Unternehmensberatungen mit eigenen KI-Fachleuten zusammenarbeiten.

Daten müssen gesammelt, aufbereitet und verarbeitet werden – DSGVO-konform

Eine größere Herausforderung ist dagegen, die für die Anwendung von KI-Verfahren notwendigen Daten in geeigneter Form bereitzustellen. Deshalb sollten die beteiligten Unternehmen eine Inventur ihre Datenbestände vornehmen, und eine Daten-Landkarte für die später in den KI-Verfahren genutzten Daten-Objekte (z.B. „Kunde“, „Produkt“) und deren Quell-Systeme (z.B. Unternehmenssoftware, mobile bzw. Web-Anwendungen, IoT-Systeme mit Sensoren zu technischen Geräten und deren Nutzern) und -Formate erarbeiten.

Während die traditionellen IT-Abteilungen im Bereich der relationalen Datenbanken gute Kenntnisse mitbringen, werden für den Einsatz von KI typischerweise viel größere Datenmengen verarbeitet, so dass hier Technologien aus dem Bereich „Big Data“ bzw. Daten-Management-Plattformen zurückgegriffen werden muss, welche eher selten im Repertoire einer typischen IT-Abteilung enthalten sind. Sollen personenbezogene Daten verarbeitet werden, so sind die Vorgaben der DSGVO zu beachten. Dazu ist die Zustimmung der privaten Datenerzeuger einzuholen und diese nachvollziehbar abzuspeichern, etwa in Form eines „Daten-Vertrages“, der einem Daten-Pool zugeordnet ist.

Wie bei jedem Start-up, so ist es auch hier erfolgskritisch, einen sog. Minimum Viable Product (MVP)-Scope zu definieren, und zwar im Zusammenspiel mit initialen, oftmals eng in die Produktentstehung eingebundenen „Co-innovations“-Kunden. Der MVP ist der minimale Produktumfang, für die die ersten Kunden bereit sind, Geld zu bezahlen.

Da sich die Ökosysteme der avisierten Wertschöpfungsnetzwerke sehr dynamisch verändern können, sollten die Projekte durch einen agilen Roll-out möglichst frühzeitig auf den Markt gebracht werden. So können Methoden und Erwartungen der Teilnehmer – beispielsweise bezüglich Effizienzvorteilen und Nutzerversprechen des Produkts – früh geprüft, angepasst und so gewährleistet werden. Daher sollte das Wertschöpfungsnetzwerk anfangs so zusammengestellt werden, dass es schnell handlungsfähig ist und sich bei Markterfolg sukzessive erweitern lässt. Dabei sollte man sich nicht scheuen, auch mit traditionellen Wettbewerbern zu kooperieren und gemeinsamen gegen die digitalen Wettbewerber aufzutreten. Während gegenüber dem Endkunden ein „as-a-Service“-Geschäftsmodell immer beliebter wird, werden die in der Wertschöpfung beteiligten Parteien über eine Erfolgsbeteiligung in Form eines Umsatzanteils dazu motiviert, ihre Daten zu teilen – der wesentliche Produktionsfaktor in der Datenökonomie.

Fünf Empfehlungen, wie aus Daten erfolgreiche Geschäftsmodelle entstehen

Zusammenfassend lassen sich fünf Empfehlungen für den erfolgreichen Aufbau von datenbasierten Wertschöpfungsnetzwerken geben:

• Transparenter Aufbau des Netzwerks mit klar formulierter Value Proposition aller Beteiligten
• Definition einer klaren Datenstrategie, welche Qualität, Relevanz und Verfügbarkeit der für die Wertschöpfung nötigen Daten festlegt
• Strategisch und langfristig angelegte (Forschungs-) Kooperation zur Generierung von eigenen Kompetenzen im Bereich Data Science
• Agiler Roll-out des Produkts, um Hürden frühzeitig zu erkennen und das Produkt anpassen zu können
• Kontinuierliche Prüfung und Anpassung des Geschäftsmodells und geeigneter Finanzierungsmodelle, z. B. Revenue Sharing

Expertenbeitrag erschienen in:

1E9.community
Oktober 2020