Was sich wie eine zünftige Buzzword Stampede anhört, ist tatsächlich ein aktueller Blick in Richtung KI-gestützter Business Intelligence: Datenanalyse mit Weitblick bzw. mit ganzheitlichem 3D-Überblick. Der Nutzen: Geschäftsszenarien und deren darauf basierende strategischen Entscheidungen werden datenbasiert deutlich jenseits der üblichen Datendiagramme und Excel-Listen Visualisierungen beleuchtet.
Eine Vorstufe des längst vorausgesagten KI-Aufsichtsrats …
Tatsächlich hat Google Chef-Ideologe Ray Kurzweil schon 2019 einen ersten, rein-KI-basierten Aufsichtsratsposten eines Fortune-500 Unternehmens für das Jahr 2025 vorhergesagt. Zu ambitioniert? Mitnichten, denn der Fortschritt im Handlungsfeld „Graph Neural Networks“ und damit rund um das Thema KI-gestützter Datenanalysen ist rund um den Globus quasi explodiert. An jeder Ecke und in jedem halbwegs digital transformierten Unternehmen werden zusehends Analysen auf der Basis relationaler Datenbanken durch Graph-basierte Anwendungen ersetzt. Im Finanzbereich treibt die Paymentbranche und dazu die chinesischen Player rund um den Finanzarm von Alibaba & Co genauso das Thema voran, wie die Silicon Valley Veteranen Meta, Amazon, Apple, Netflix und Alphabet. Dazu kommen die zu Unrecht als Brick&Mortar verschrienen Industrieflaggschiffe, die zum Teil zwar spät, aber dafür umso ressourcenstärker in Talente und Infrastruktur investiert haben. Ergebnis sind mittlerweile Entwicklerkonferenzen wie der Ray-Summit oder die K1st World, die sich zu einem Rendezvous der unternehmerischen Outperformer gemausert haben. Meist mit am Tisch: Militär (wie z.B. das US Cybercom), NASA sowie eine Auswahl der besten Universitäten weltweit (Stanford, Toronto, Murcia, etc.). Sie alle treibt der Gedanke um, dass ein Management von immer globaleren und komplexeren Wertschöpfungsketten mit unseren menschlichen Denkfähigkeiten fast nicht mehr zu greifen ist. Die Datenbestände wachsen selbst den versiertesten Managern einfach über den Kopf und das „Dirigieren“ eines Weltkonzerns, so wie es einst Alfred Nobel aus einer Pferdekutsche über Postbrief-Kommunikation tat, ist längst undenkbar geworden. Aber selbst mit den schnellsten Computern und Horden von Beratern, die jede Vorstandssitzung Agendapunkt für Agendapunkt akribisch vorbereiten wird das Handling von Big Data nicht einfacher. „Mastering complexity“ ist das Gebot der Stunde, welches mit Exceltabellen, aufbereiteten Diagrammen und damit Ausschnitten eines Gesamtzusammenhanges sowie interpretierten Entscheidungsvorlagen nicht zu erfüllen ist.
„Ich glaube keiner Statistik, die ich nicht selbst gefälscht habe.“
Dieses geflügelte Wort von Sir Winston Churchill hat nichts von seiner Bedeutung verloren. Im Gegenteil. Denn selbst dem entschiedensten Unternehmenslenker wird nach und nach bewusst, dass Datengrundlagen für strategische Entscheidungen auf Basis von Exceltabellen mit 5000 Zeilen und 8000 Spalten nicht wirklich hilfreich sind. Die darin enthaltenen „Irregular Patterns“ zu erkennen gleicht dem sprichwörtlichen Finden der Nadel im Heuhaufen. Bleibt also das Interpretieren solcher relationalen Datenbestände, was im Normalfall Consultants oder Fachexperten überlassen wird, die dann aber natürlich ihre oftmals recht eingeschränkte Sicht auf die Datenlage zum Ausgangspunkt ihrer Entscheidungsvorlagen machen. Das wiederum ist nicht nur gefährlich, sondern auch fahrlässig bei strategischen Unternehmensentscheidungen. Spätestens wenn also die Manager-übliche DNO-Versicherung in den kommenden Jahren eine KI-gestützte Datenanalyse zu jeder geschäftskritischen Entscheidung verlangt, wird eine große Divendämmerung im Topmanagement von Konzernen einsetzen.
Aber was kann denn so eine KI-gestützte Datenanalyse wirklich besser?
Im Prinzip geht es um Beziehungen zwischen Datenpunkten. An Daten und damit Datenpunkten mangelt es ja meist nicht. Aber welche Beziehungen solche Daten im Gesamtzusammenhang eines komplexen Geschäftsmodells spielen – das ist das Ei des Kolumbus, welches man in der Vergangenheit schlichtweg als Managementkunst kannte. Mit der Explosion von Daten und der nun möglichen Umwandlung von unstrukturierten (z.B. Umgangssprache) in strukturierte Daten (eindeutige Aussagen) bzw. der Fortschritte in der Ontologie – also dem Computer ein Verständnis von Sachzusammenhängen einzuhauchen – ist es aber nunmehr schlichtweg unmöglich, solche Datenmassen und deren Beziehungen in einem Managergehirn zu fassen. Da überholt uns tatsächlich die Speicherfähigkeit von Computern und mit der Einführung des Quantencomputings werden uns auch die dazugehörigen Rechenleistungen für datenbasierte Schlussfolgerungen überholen. Alles eine Frage der Zeit.
Der Blick auf dynamische Beziehungen von Daten wird also zum entscheidenden Geschäftsvorteil. Das 3-dimensionale Outpainting von zweidimensionalen Datendiagrammen als Entscheidungsgrundlage wird früher oder später zum Standard. Dabei kommt der Begriff des Outpaintings eigentlich aus der Bildbearbeitung von Mediengestaltern. Outpainting erlaubt es Layoutern, die Größe von Grafiken über den ursprünglichen Bildrand hinaus fortzusetzen. Mit visuellen Elementen im selben Stil oder Schatten, Texturen, Farbgebung, Stil, Stimmung, Technik und Spiegelungen werden dargestellten Szenen kontextuell weitergeführt. So bleibt das Thema und der Inhalt des ursprünglichen Bildes nahtlos erhalten, wie am folgenden Beispiel KI-gestützter Outpaintings berühmter Schallplatten-Cover:
Ein solches, KI-gestütztes Outpainting ist also im übertragenden Sinne auch für Datenblätter (Spreadsheets) und Diagramme möglich. Der Blick über den Tellerrand ist dabei ein Blick auf einen dreidimensional dynamischen Datengraphen, der Datenpunkte in Beziehungen zueinander setzt und Auswirkungen auf Eingriffe und strategische Entscheidungen in Echtzeit sichtbar macht. Der sperrige Fachbegriff dafür: Graph Neural Network based spreedsheet outpainting. Anwendung finden solche Enterprise-Graph Applikationen für Management Recommendations derzeit bei den globalen Tech-Leadern. Aber auch die herstellenden Groß-Industrien fangen an, erste Business Units mit Graph-basierten Datenanalysen zu unterstützen.
Die Vorteile liegen einfach auf der Hand.
Wo früher eine Restrukturierung einer Business-Unit mit recht einfachen Berechnungen zur Kosteneinsparung entschieden wurde, sind heute tiefere Einblicke solcher personellen Eingriffe innerhalb global vernetzter Supply Chains existenziell wichtig. Schließlich wissen wir nicht erst seit gestern in der Managementlehre, dass es zwischen Schwarz und Weiß auch noch eine Menge Grautöne gibt, die es abzuwägen gilt. Insofern werden Spreadsheets früher oder später von Graph-Visualisierungen disruptiert. Das schmeckt nicht jedem und zugegeben wird eine Kavallerie an Beratern inkl. ihrer Jugend-Forscht-Folienmalern ein auskömmliches Betätigungsfeld verlieren. Aber dafür werden auch neue Fähigkeiten gefragt sein, wie zum Beispiel das Erkennen, Analysieren und Bewerten von Irregular Pattern in Graph-Strukturen. Somit ist es also nur eine Frage der Zeit, bis sich die derzeitig recht große Lücke zwischen technologischer Machbarkeit und real umgesetzter Nutzung verkleinert oder gar schließt. Denn machbar sind „Spreadsheet Outpaintings“ mittels KI-gestützter Datenanalysen längst. Nur kosten solche Projekte derzeit noch eine Menge Geld und Ressourcen sowie rar gesätes Talent, so dass aktuell erst ein paar Frontrunner die Früchte des Fortschritts für ihr weiteres Wachstum ernten können. Im Marketing und Sales allerdings ist der Druck zur Veränderung bereits so hoch, dass ein Verharren in der Komfortzone bestehender Abläufe keine Option ist. Wer mit Big Data zukünftig gekonnt umgeht, wird zum Treiber des Unternehmenserfolgs. Das gilt auch und insbesondere für das Marketing Engineering der Zukunft!
