Monat: Januar 2020

In meinen letzten Kolumnen habe ich meine Meinung über die Qualität der Daten geäußert, die viele Unternehmen in ihren Data Warehouses, Seen oder Sümpfen haben. Meiner Erfahrung nach sind die meisten der Daten, die Unternehmen so sorgfältig aufbewahren, nutzlos und werden nie einen Wert für das Unternehmen generieren. Die Daten, die tatsächlich potenziell nützlich sind, müssen in der Regel in großem Umfang vorverarbeitet werden, bevor sie z.B. für maschinelles Lernen verwendet werden können. Daher verbringen die meisten Data Science-Teams mehr als 90 Prozent ihrer Zeit mit der Vorverarbeitung der Daten, bevor diese überhaupt für Analysen oder maschinelles Lernen verwendet werden können.

In einer Arbeit, die wir kürzlich eingereicht haben, haben wir dieses Problem für Systemprotokolle untersucht. Praktisch jedes softwareintensive System erzeugt Daten, die den Zustand und wichtige Ereignisse im System zu wichtigen Zeitpunkten festhalten. Die Herausforderung besteht darin, dass die in den Protokollen erfassten Daten einerseits für den menschlichen Gebrauch bestimmt sind und daher eine hohe Variabilität in Struktur, Inhalt und Art der Informationen für jeden Protokolleintrag aufweisen. Andererseits ist die Menge der in den Protokollen gespeicherten Daten oft phänomenal groß. Es ist nicht untypisch, dass Systeme selbst für einen einzigen Betriebstag Gigabytes an Daten erzeugen.

Die offensichtliche Antwort auf dieses Rätsel ist die Verwendung von maschinellem Lernen, um die relevanten Informationen aus den Systemprotokollen abzuleiten. Dieser Ansatz ist aufgrund der Art und Weise, wie Protokolle erstellt werden, mit einer Reihe von Herausforderungen verbunden. Auf der Grundlage unserer Recherchen in der Literatur und von Unternehmensbeispielen haben wir mehrere Herausforderungen identifiziert.

Aufgrund der Art der Datenerzeugung erfordern die Protokolle eine umfangreiche Vorverarbeitung, was ihren Wert mindert. Außerdem schreiben häufig mehrere Systemprozesse in dieselbe Protokolldatei, was die Zeitreihenanalyse und andere Techniken des maschinellen Lernens erschwert, die von sequentiellen Daten ausgehen. Umgekehrt erzeugen viele Systeme mehrere Arten von Protokolldateien und die Ermittlung einer zuverlässigen Basiswahrheit erfordert die Kombination von Daten aus mehreren Protokolldateien. Diese Protokolldateien enthalten in der Regel Daten auf grundlegend verschiedenen Abstraktionsebenen, was das Training von Modellen für maschinelles Lernen erschwert. Sobald wir in der Lage sind, maschinelle Lernmodelle auf die vorverarbeiteten Daten anzuwenden, erfordert die Interpretation der Ergebnisse oft umfangreiches Fachwissen. Es steht den Entwicklern frei, dem System neuen Code hinzuzufügen, der Protokolleinträge in Ad-hoc-Formaten erzeugt. Das wechselnde Format der Protokolldateien erschwert die Verwendung mehrerer Protokolle für das Training von Modellen für maschinelles Lernen, da die Protokolle nicht unbedingt vergleichbar sind. Schließlich versagen alle Tools, die zur Verarbeitung von Protokolldateien entwickelt wurden, wie z.B. automatische Parser, unvorhersehbar und sind sehr spröde, so dass sie ständig gewartet werden müssen.

Wir haben das Problem speziell für Systemprotokolle untersucht, aber meiner Erfahrung nach sind unsere Ergebnisse ziemlich typisch für praktisch jede Art von automatisierter Datengenerierung. Obwohl dies für fast alle Unternehmen, mit denen ich zusammenarbeite, ein großes Problem darstellt und enorme Mengen an Ressourcen für die Vorverarbeitung von Daten aufgewendet werden, um einen Nutzen daraus zu ziehen, ist dies ein aussichtsloser Kampf. Die Menge an Daten, die in jedem Produkt, von Kunden, im gesamten Unternehmen usw. erzeugt wird, wird immer weiter ansteigen. Wenn wir dieses Problem nicht angehen, wird jeder Datenwissenschaftler, Ingenieur und Mathematiker bald nichts anderes mehr tun, als Daten vorzubearbeiten.

Die Lösung, die wir in dem Papier vorschlagen, ist ganz einfach: Anstatt die Daten erst zu generieren und dann vorzuverarbeiten, müssen wir eine Software entwickeln, die Daten in einem solchen Format generiert, dass eine Vorverarbeitung überhaupt nicht erforderlich ist. Alle Daten sollten so generiert werden, dass sie sofort und automatisch für maschinelles Lernen verwendet werden können. Vorzugsweise ohne jegliches menschliches Zutun.

Das Erreichen dieses Ziels ist etwas komplizierter, als ich in diesem Beitrag skizzieren kann, aber es gibt eine Reihe von Schlüsselelementen, die meiner Meinung nach für jeden Ansatz gelten, der dieses Ziel erreichen will. Erstens: Alle Daten sollten numerisch sein. Zweitens sollten alle Daten des nominalen Typs (verschiedene Elemente haben weder eine Reihenfolge noch eine Beziehung zueinander) einhändig kodiert werden, d.h. die Elemente werden auf eine binäre Zeichenfolge abgebildet, die so lang ist wie die Anzahl der Elementtypen. Drittens können Daten des ordinalen Typs den gleichen Ansatz verwenden oder, im Falle von nicht-dichotomen Daten, eine Vielzahl von Kodierungen verwenden. Viertens müssen Intervall- und Verhältnisdaten normalisiert (auf einen Wert zwischen 0 und 1 abgebildet) werden, damit sie von maschinellen und Deep-Learning-Algorithmen optimal genutzt werden können. Fünftens muss die statistische Verteilung der Daten bei Bedarf auf eine Gaußsche Standardverteilung abgebildet werden, um bessere Trainingsergebnisse zu erzielen.

Um dies bereits bei der Datengenerierung zu erreichen, müssen Ingenieure und Entwickler möglicherweise mit Datenwissenschaftlern zusammenarbeiten. Außerdem erfordert es eine Abstimmung im gesamten Unternehmen, was bisher nicht notwendig war. Auf diese Weise können Unternehmen jedoch Systeme entwickeln, die völlig autonom maschinelle Lernmodelle sammeln, trainieren und neu trainieren und diese ohne menschliches Zutun einsetzen können (siehe Abbildung).

Systemprotokollierung für maschinelles Lernen

Zusammenfassend lässt sich sagen, dass die meisten Daten in den meisten Unternehmen unbrauchbar sind, weil sie auf die falsche Art und Weise und ohne angemessene Struktur, Kodierung und Standardisierung erzeugt wurden. Vor allem für die Verwendung dieser Daten beim Training von Modellen für maschinelles Lernen ist dies problematisch, da sie eine umfangreiche Datenvorverarbeitung erfordern. Anstatt unsere Datenvorverarbeitung zu verbessern, müssen wir Daten so generieren, dass eine Vorverarbeitung überhaupt nicht mehr nötig ist. Datenwissenschaftler und Ingenieure würden davon profitieren, sich darauf zu konzentrieren, wie Daten generiert werden sollten. Anstatt zu versuchen, das Chaos im Nachhinein zu beseitigen, sollten wir versuchen, das Chaos erst gar nicht entstehen zu lassen.

In der Big-Data-Ära bestand einer der wichtigsten Grundsätze für die erfolgreiche Umsetzung Ihrer Big-Data-Strategie darin, ein zentrales Data Warehouse oder einen Data Lake einzurichten, in dem alle Daten gespeichert wurden. Die Datenanalysten konnten dann nach Herzenslust ihre Analysen durchführen und relevante Korrelationen, Ausreißer, Vorhersagemuster und dergleichen finden. In diesem Szenario steuert jeder seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung verwendet werden, um – in der Regel für die Geschäftsleitung – Entscheidungshilfen zu liefern (Abbildung 1).

Abbildung 1: Jeder steuert seine Daten zum Data Lake bei, die dann von einer zentralen Data-Science-Abteilung genutzt werden, um – in der Regel für die Geschäftsführung – Entscheidungshilfen zu liefern.

 

Obwohl dies in der Theorie gut aussieht, sieht die Realität in vielen Unternehmen natürlich ganz anders aus. Wir sehen mindestens vier Herausforderungen. Erstens erfordert die Analyse von Produkt- und Kundendaten vor Ort oft ein umfangreiches Fachwissen, das Datenwissenschaftlern in einer zentralen Abteilung in der Regel fehlt. Dies führt leicht zu falschen Interpretationen der Daten und folglich zu ungenauen Ergebnissen.

Zweitens: Verschiedene Abteilungen und Gruppen, die Daten sammeln, tun dies oft auf unterschiedliche Weise, was zu ähnlich aussehenden Daten mit unterschiedlicher Semantik führt. Dabei kann es sich um geringfügige Unterschiede handeln, wie z.B. die Häufigkeit der Datengenerierung, z.B. Sekunden, Minuten, Stunden oder Tage, aber auch um viel größere Unterschiede, wie z.B. Daten über einzelne Produkte im Feld gegenüber ähnlichen Daten über eine ganze Produktfamilie in einer bestimmten Kategorie. Da Datenwissenschaftler in einer zentralen Abteilung oft versuchen, Daten aus verschiedenen Quellen in Beziehung zu setzen, führt dies leicht zu falschen Schlussfolgerungen.

Drittens, insbesondere mit der zunehmenden Einführung von DevOps, wird sogar dieselbe Quelle im Laufe der Zeit andere Daten erzeugen. Wenn sich die Software weiterentwickelt, ändert sich in der Regel auch die Art und Weise, wie die Daten generiert werden, was zu ähnlichen Herausforderungen wie oben beschrieben führt. Das Ergebnis ist, dass sich das Versprechen der Big Data-Ära in den Unternehmen nicht immer bewahrheitet und fast nie in dem vollen Umfang, der zu Beginn des Projekts erwartet wurde.

Und schließlich erfordert die Nutzung von Big Data-Analysen ein hohes Maß an datenwissenschaftlichen Kenntnissen, und es gibt einfach nicht so viele Menschen, die über diese Kenntnisse verfügen. Die Schulung Ihrer bestehenden Mitarbeiter in Data Science ist eine ziemliche Herausforderung und sicherlich schwieriger als die Ausbildung von Ingenieuren und Entwicklern in maschinellem Lernen.

Viele in der Branche sind der Meinung, dass Anwendungen für künstliche Intelligenz und insbesondere maschinelle und Deep-Learning-Modelle unter den gleichen Herausforderungen leiden. Doch obwohl sowohl die Datenanalyse als auch ML/DL-Modelle in hohem Maße auf Daten basieren, besteht der Hauptunterschied darin, dass für ML/DL kein zentralisiertes Data Warehouse erstellt werden muss. Stattdessen kann jedes Team, jede Geschäftseinheit oder Produktorganisation mit KI beginnen, ohne dass eine aufwändige Koordination mit dem Rest des Unternehmens erforderlich ist.

Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist (Abbildung 2). Die Daten können aus dem Data Lake oder aus den lokalen Datenspeicherlösungen stammen. Sie müssen also nicht einmal den Ansatz der zentralen Datenspeicherung gewählt haben, bevor Sie mit ML/DL beginnen.

Abbildung 2: Jede Geschäftseinheit kann ihre eigenen ML/DL-Modelle erstellen und diese in dem System oder der Lösung einsetzen, für die sie verantwortlich ist.

Zusammenfassend lässt sich sagen, dass KI **keine** Datenanalyse ist und nicht die gleichen Voraussetzungen erfordert. Stattdessen können Sie schon heute mit den Daten beginnen, die Ihnen zur Verfügung stehen, selbst wenn Sie und Ihr Team nur an einer einzigen Funktion oder einem Teilsystem arbeiten. Künstliche Intelligenz und insbesondere Deep Learning bieten ein erstaunliches Potenzial zur Kostensenkung und zur Schaffung neuer Geschäftsmöglichkeiten. Es ist die aufregendste Technologie, die seit Jahrzehnten zur Reife gelangt ist. Warten Sie nicht darauf, dass der Rest der Welt Sie überholt, sondern beginnen Sie noch heute mit der Nutzung von KI und DL.

Praktisch alle Unternehmen, mit denen ich arbeite, haben Terabytes oder sogar Petabytes an Daten in verschiedenen Datenbanken und Dateisystemen gespeichert. In den letzten Monaten ist mir jedoch ein sehr interessantes Muster aufgefallen. Einerseits sind die Daten, die erzeugt werden, fast immer für die menschliche Interpretation bestimmt. Daher gibt es in diesen Dateien und Datenbanken viele alphanumerische Daten, Kommentare und andere unstrukturierte Daten. Andererseits ist der Umfang der gespeicherten Daten so phänomenal groß, dass es für einen Menschen unmöglich ist, sich einen Reim darauf zu machen.

Das hat zur Folge, dass enorme Mengen an Zeit für die Vorverarbeitung der Daten benötigt werden, um sie für das Training von maschinellen Lernmodellen oder für Inferenzen mit bereits trainierten Modellen nutzbar zu machen. Datenwissenschaftler in einer Reihe von Unternehmen haben mir gesagt, dass sie und ihre Kollegen weit über 90 Prozent ihrer Zeit und Energie darauf verwenden.

Für die meisten Unternehmen besteht daher die einzige Möglichkeit, aus den riesigen Datenmengen, die auf ihren Servern gespeichert sind, irgendeinen Wert zu generieren, darin, jede Menge Personal dafür einzusetzen. Da der Business Case dafür oft unklar oder unzureichend ist, ist die einzige logische Schlussfolgerung, dass die meisten Daten, die in Unternehmen gespeichert sind, einfach nutzlos sind. Sie sind totes Gewicht und werden nie einen relevanten geschäftlichen Nutzen bringen. Auch wenn das Sprichwort lautet, dass „Daten das neue Öl sind“, so ist die Realität doch, dass die meisten dieser Daten nur Schlamm sind, der vorgibt, Öl zu sein.

Selbst wenn die Daten relevant sind, gibt es mehrere Herausforderungen bei der Verwendung dieser Daten für Analysen oder maschinelles Lernen. Die erste ist die Aktualität: Wenn Sie über einen Datensatz zum Beispiel zum Kundenverhalten verfügen, der 24, 12 oder sogar nur 6 Monate alt ist, ist es sehr wahrscheinlich, dass sich Ihr Kundenstamm weiterentwickelt hat und dass sich Präferenzen und Verhaltensweisen geändert haben, wodurch Ihr Datensatz ungültig wird.

Zweitens besteht insbesondere in Unternehmen, die häufig neue Software herausbringen, wie z.B. bei der Verwendung von DevOps, das Problem, dass sich mit jeder Softwareversion die Art und Weise der Datengenerierung geändert haben kann. Vor allem, wenn die Daten für den menschlichen Gebrauch generiert werden, z.B. für Ingenieure, die Systeme im Betrieb debuggen, ist es zeitaufwändig, Datensätze zusammenzuführen, die von verschiedenen Versionen der Software erzeugt wurden.

Drittens werden in vielen Unternehmen ständig mehrere Datensätze erzeugt, sogar von demselben System. Um die Informationen abzuleiten, die für das Unternehmen tatsächlich relevant sind, müssen häufig Daten aus verschiedenen Datensätzen kombiniert werden. Die Herausforderung besteht darin, dass verschiedene Datensätze möglicherweise nicht dieselbe Art der Zeitstempelung von Einträgen verwenden, Daten auf sehr unterschiedlichen Abstraktionsebenen und mit unterschiedlicher Häufigkeit speichern und sich auf sehr unvorhersehbare Weise entwickeln können. Das macht die Zusammenführung der Daten mühsam und jede Automatisierung, die zu diesem Zweck entwickelt wird, sehr brüchig und kann unvorhersehbar fehlschlagen.

Meine Hauptaussage ist, dass wir uns nicht auf die Vorverarbeitung von Daten konzentrieren sollten, sondern viel mehr Zeit und Aufmerksamkeit darauf verwenden müssen, wie die Daten überhaupt erzeugt werden. Das Ziel sollte sein, Daten so zu erzeugen, dass sie überhaupt keine Vorverarbeitung benötigen. Dies eröffnet eine Vielzahl von Anwendungsfällen und Möglichkeiten, die ich in zukünftigen Artikeln erörtern werde.

Abschließend lässt sich sagen, dass bei aller Konzentration auf Daten die meisten Daten in den meisten Unternehmen nutzlos sind oder nur mit unverhältnismäßig hohem Aufwand nutzbar gemacht werden können. Stattdessen sollten wir uns darauf konzentrieren, wie wir Daten überhaupt erzeugen. Das Ziel sollte sein, dies so zu tun, dass die Daten ohne jegliche Vorverarbeitung für Analysen und maschinelles Lernen verwendet werden können. Bereinigen Sie also das Chaos, werden Sie die nutzlosen Daten los und generieren Sie Daten auf eine Weise, die tatsächlich Sinn macht.

 

Beim Verstärkungslernen (ein Bereich innerhalb der KI) müssen Algorithmen über einen unerforschten Raum lernen. Diese Algorithmen müssen ein Gleichgewicht zwischen Exploration (Lernen über neue Optionen und Möglichkeiten) und Exploitation (Nutzung des erworbenen Wissens, um ein gutes Ergebnis zu erzielen) finden. Die allgemeine Faustregel lautet: Je weniger über den Problembereich bekannt ist, desto mehr sollte sich der Algorithmus auf die Erkundung konzentrieren. Und je besser der Problembereich verstanden wird, desto mehr sollte sich der Algorithmus auf die Ausnutzung konzentrieren.

Das Gleichgewicht zwischen Erforschung und Ausbeutung gilt auch für Unternehmen. Die meisten Unternehmen haben lange Zeit in einem stabilen und gut verstandenen Ökosystem operiert. Natürlich gab es Konkurrenten, aber alle verhielten sich im Grunde genommen gleich, bekamen etwa zur gleichen Zeit Zugang zu neuen Technologien, reagierten auf die Kunden auf die gleiche Weise und so weiter. In einem solchen Kontext konzentriert sich ein Unternehmen natürlich mehr und mehr auf die Ausbeutung, da die Belohnung für die Erforschung gering ist. Genau das erlebe ich in vielen Unternehmen, mit denen ich zusammenarbeite: Bei allem Gerede über Innovation und Geschäftsentwicklung sind das Ergebnis fast immer nachhaltige Innovationen, die das bestehende Produkt- oder Lösungsportfolio ein bisschen besser machen.

Da die Digitalisierung und die sie begleitenden Technologien – Software, Daten und künstliche Intelligenz – eine Branche nach der anderen immer stärker in Beschlag nehmen, wird das stabile Ökosystem der Wirtschaft auf neuartige und unvorhersehbare Weise gestört. Viele Unternehmen stellen auf die harte Tour fest, dass ihre Kunden sich nie für ihr Produkt interessiert haben. Stattdessen hat der Kunde ein Bedürfnis und Ihr Produkt ist zufällig der beste Weg, um dieses Bedürfnis zu befriedigen. Wenn ein neuer Marktteilnehmer eine neue Lösung anbietet, die das Bedürfnis besser erfüllt, wird Ihr Produkt durch diese neue Lösung ersetzt.

Die einzige Möglichkeit, diese Herausforderung zu meistern, besteht darin, die Anzahl der Untersuchungen in Ihrem Unternehmen deutlich zu erhöhen. Wir sprechen hier von echten Untersuchungen, bei denen das Ergebnis der Bemühungen unbekannt ist und bei denen jedem klar ist, dass die meisten Initiativen scheitern werden. Um dies zu erreichen, brauchen Sie allerdings einen Spielplan. Dieser Plan muss mindestens vier Elemente enthalten: strategische Ressourcenzuweisung, reduzierter Aufwand für Standardfunktionen, Erkundung neuer Geschäftsökosysteme und/oder neuer Positionen im bestehenden Geschäftsökosystem und Erkundung disruptiver Innovationsbemühungen, die durch Daten und KI ermöglicht werden.

Viele Unternehmen verteilen den Großteil ihrer Ressourcen auf ihre größten Geschäftsbereiche. Das ist zwar intuitiv sinnvoll, lässt aber die Herausforderung der Ressourcenzuteilung aus einer langfristigen Perspektive außer Acht. Ein Modell, das in diesem Zusammenhang sehr hilfreich sein kann, ist das Drei-Horizonte-Modell. Bei diesem Modell werden die Geschäftsbereiche des Unternehmens in drei Bereiche unterteilt. Horizont eins sind die großen, etablierten Unternehmen, die heute die Rechnungen bezahlen. Horizont zwei sind die neuen, schnell wachsenden Unternehmen, die jedoch viel kleiner sind als die Unternehmen aus Horizont eins. Diese sollen unsere zukünftigen Horizont-Eins-Unternehmen sein. Horizont drei sind all die neuen, unerprobten Innovationsinitiativen und Unternehmen, bei denen es ungewiss ist, ob sie sich bewähren werden, die aber den Nährboden für künftige Horizont-zwei-Unternehmen bilden. Die Ressourcenzuweisung sollte die Ressourcen für Horizont eins auf maximal 70 Prozent der Gesamtressourcen beschränken. Horizont zwei sollte bis zu 20 Prozent erhalten und mindestens 10 Prozent der gesamten Unternehmensressourcen sollten für Horizont drei bereitgestellt werden.

Innerhalb des ersten Horizonts sollte jedes Unternehmen seinen Ressourcenverbrauch langsamer steigern als seinen Umsatz. Das könnte bedeuten, dass ein Unternehmen in Horizont Eins, das mit 5 Prozent pro Jahr wächst, seinen Ressourcenverbrauch mit 5 Prozent pro Jahr senken sollte, da dieses Unternehmen als Cash Cow für die Finanzierung der Entwicklung zukünftiger Unternehmen in Horizont Eins dienen soll.

In den meisten Unternehmen sind die Einnahmen und die Ressourcenzuweisung eng aufeinander abgestimmt, aber das ist aus einer langfristigen Perspektive ein Fehler. Ein neues Unternehmen benötigt jahrelange Investitionen, bevor es den Status von Horizont Eins erreichen kann, und dieses neue Unternehmen kann sich nicht selbst finanzieren. Natürlich können Sie es sich selbst finanzieren lassen, aber das Ergebnis wird in der Regel sein, dass Konkurrenten mit einer strategischeren Ressourcenzuweisung die Marktführerschaft in diesen neuen Geschäften übernehmen.

Zweitens: Reduzieren Sie die Investitionen in Standardfunktionen. Unsere Untersuchungen zeigen, dass Unternehmen 80-90 Prozent ihrer Ressourcen für Funktionen und Fähigkeiten ausgeben, die Kunden als Standard ansehen. Ich habe dies bereits in früheren Blogbeiträgen und Kolumnen erörtert, aber ich bin immer wieder erstaunt über die mangelnde Bereitschaft von Unternehmen, nach neuen Wegen zu suchen, um Investitionen dort zu reduzieren, wo sie sich nicht auszahlen. Seien Sie nicht dumm und überprüfen Sie stattdessen strategisch Ihr gesamtes Produktportfolio und die Funktionalität Ihrer Produkte und definieren Sie gemeinsam mit Kunden und anderen, was Standard ist und was sich von anderen unterscheidet. Sobald Sie das Standardprodukt definiert haben, **stoppen** Sie praktisch alle Investitionen in dieses Produkt. Sie brauchen diese Ressourcen für nachhaltige Innovationen, die die Differenzierung Ihrer Produkte vorantreiben.

Drittens betrachten viele Unternehmen ihr bestehendes Geschäftsökosystem als die einzige Möglichkeit, Kunden zu bedienen. In der Praxis werden Ökosysteme jedoch gestört und es ist weitaus besser, der Störer zu sein als der Gestörte. Dies erfordert eine ständige Suche nach Möglichkeiten, sich in Ihrem bestehenden Ökosystem neu zu positionieren, sowie eine Erkundung neuer Ökosysteme, in denen Ihre Fähigkeiten ebenfalls von Bedeutung sein könnten.

Und schließlich bieten digitale Technologien – insbesondere Daten und KI – neue Wege, um die Bedürfnisse der Kunden zu erfüllen, die Sie erforschen müssen, um nicht von neuen Marktteilnehmern gestört zu werden. Akzeptieren Sie, dass sich der Wert in fast jeder Branche von Atomen zu Bits verlagert, dass Daten zur Subventionierung des Produktabsatzes in vielseitigen Märkten genutzt werden können, dass KI die Automatisierung von Aufgaben ermöglicht, die noch vor einigen Jahren unmöglich zu automatisieren waren, und erkunden Sie ganz allgemein proaktiv den Wert, den digitale Technologien für Sie und Ihre Kunden bieten können. Dorthin sollte der Großteil der Ressourcen fließen, die Sie durch die Planung des Zeithorizonts und die Reduzierung der Investitionen in Standardfunktionen freigesetzt haben.

Zusammenfassend lässt sich sagen, dass Sie zu Beginn des Jahres 2020 einen Plan brauchen, um die Erkundung auf Kosten der Ausbeutung deutlich zu erhöhen, um neue Chancen zu identifizieren und Unterbrechungsrisiken zu erkennen und ausreichend in Bereiche zu investieren, die eine Wachstumschance bieten. Dies erfordert eine strategische Ressourcenzuteilung, die Identifizierung und Beseitigung von Rohstoffen, eine sorgfältige Überprüfung Ihrer Position in bestehenden und neuen Geschäftsökosystemen und große Erkundungsinitiativen im Bereich Daten und KI. Es ist riskant, es ist beängstigend, die meisten Initiativen werden sich nicht auszahlen und Ihre Kunden, Ihre Aktionäre und Ihre eigenen Mitarbeiter werden einen Aufschrei ausstoßen. Doch das größte Risiko besteht darin, gar nichts zu tun, denn das würde mit Sicherheit zum Untergang Ihres Unternehmens führen. Werden Sie das zulassen, wenn Sie dabei sind?