Automatisierte Datenanalysen mit APA

Im Gespräch mit Sharam Dadashnia von Scheer PAS

Sharam Dadashnia: Chief Data Scientist bei Scheer PAS Deutschland
Quelle: Scheer PAS
Sharam Dadashnia, Chief Data Scientist und Head of Advanced Technologies bei der Scheer PAS Deutschland GmbH in Saarbrücken, erklärt, wie Unternehmen von Analytic Process Automation profitieren.
Computerworld: Was zeichnet Analytic Process Automation aus?
Sharam Dadashnia: Wenn man das Ganze aus der Historie betrachtet, dann können wir uns zwei geteilte Bereiche anschauen. Zum einen das Thema Business Intelligence und auf der anderen Seite die operativen Tätigkeiten im Unternehmen. Im Idealfall sollten die Ergebnisse aus dem Bereich BI operativ genutzt werden. Zwar gab es eine Zeit lang «Operational BI», eine enge Verzahnung ist aber nicht geschehen, weil das in Bezug auf die verwendeten Software-Systeme zwei verschiedene Märkte waren. Es gab Tools im BI-Kontext und auf der anderen Seite Tools im operativen Kontext, ERP-Systeme, CRM und so weiter. Das Thema Analytic Process Automation ist aufgepoppt, weil Unternehmen in einem Geschäftsprozess auch die Daten nutzen wollen, die in anderen Systemen entstehen, um den operativen Prozess zu automatisieren. Zudem geht es um eine Ad-hoc-Nutzung von Datenanalysen.
CW: Welche Rolle spielt Data Science dabei?
Dadashnia: Das Thema Data Science ist historisch gesehen ein manuelles Thema. Sie müssen die Ärmel hochkrempeln und in die Daten reinschauen. Tools können inzwischen zunehmend den Data-Science-Prozess automatisieren. Nicht jedes Dashboard muss manuell erstellt oder jede Datenquelle von Hand zusammengeführt werden. Gerade im Bereich ETL, wo es darum geht, verschiedene Systeme zu vereinen, gibt es inzwischen gute Tools, um diesen Prozess zu automatisieren. Auch im Data- Science-Bereich lässt sich heute durch die Anwendung von Künstlicher Intelligenz viel automatisieren. Diese zwei Themen, operative Geschäftsprozesse zu automatisieren und die Automatisierung von Data-Science-Prozessen, sind in den letzten Jahren stark hochgekommen, im Kern durch KI.
CW: Diese Verzahnung grenzt APA von anderen Techniken wie RPA ab?
Dadashnia: Genau. Wenn Sie sich an Geschäftsprozessen oder einem Teilprozess wie dem Eingang von Rechnungen oder der Prüfung von Anträgen orientieren, dann haben Sie zum einen über RPA die Möglichkeit, eine Frontend-Integration vorzunehmen. Sie greifen Daten aus dem einem System ab und kopieren sie in ein anderes hinein. Sie können das Ganze auch im Back­end durchführen, indem Sie eine fundierte Integration von zwei IT-Systemen mit Hilfe von Integrationsplattformen durchführen.
Auf der anderen Seite können Sie Knowledge-Prozesse mittels KI automatisieren oder zumindest eine Unterstützung von Entscheidungen gewährleisten. Das geht weit über ein stupides Kopieren von Daten von einem in ein anderes System hinaus.
In unserem System verbinden wir die beiden Welten. Wenn man sagt, man möchte einen neuen Geschäftsprozess etablieren oder auf einem bestehenden aufbauen, dann kann man das mit dieser Plattform machen.
CW: Was haben die Firmen davon, die so etwas einsetzen?
Dadashnia: Der Hauptnutzen ist, dass das Gros der Geschäftsprozesse, die hochfrequentiert und repetitiv sind, zum grössten Teil automatisiert werden können. Im Beispiel der Antragsgenehmigung kann sich der Sachbearbeiter stärker auf Sonderfälle fokussieren, wenn die Standardfälle automatisiert sind. Man erreicht zudem eine bessere Transparenz, was die Prozesse angeht, und einen Effizienzgewinn. Die Analyse von verschiedenen Datenquellen bringt einen weiteren Vorteil für die Unternehmen, da sie so sehr schnell neue Erkenntnisse gewinnen können. Es ist nicht mehr ein mehrmonatiges Projekt nötig, um in verschiedenen Datenquellen zu schauen, ob da Musik drin ist. Sie haben Hypothesen, denen Sie sonst nicht nachgegangen wären, direkt verfügbar. Die Flut der Daten zu analysieren, ist definitiv eine Herausforderung.
CW: Welche Rolle spielt Selfservice dabei?
Dadashnia: Man spricht oft von Citizen Data Scientists. Mitarbeiter können aus der Fachanwendung heraus Daten selbst schnell analysieren. Jeder kann sich per Knopfdruck Analysen erstellen - ohne statistisches Wissen oder Data-Science-Ausbildung. So lassen sich schnell Erkenntnisse erzielen und relevante Informationen extrahieren. Grafisch visualisiert zeigt das, welche Informationen besonders für weitere Analysen geeignet sind. Kurz, der Analyse-Prozess wird automatisiert.
CW: Kann das jeder?
Dadashnia: Die Analysen kann jeder selbst machen. Bei der Interpretation der Ergebnisse ist jedoch der Fachanwender der erste Ansprechpartner. Für tiefergehende statistische Analysen sollten Sie Experten hinzuziehen. Die Datenintegration ist je nach Systemlandschaft eine andere Geschichte. Der Data Scientist wird dadurch nicht obsolet, er bekommt vielmehr eine sehr gute Unterstützung.

Andreas Dumont
Autor(in) Andreas Dumont



Das könnte Sie auch interessieren