Interviews

Wie beeinflusst Künstliche Intelligenz das Customer Data Management heute

Lothar Henkes - VP Product Management EDW, SAP AG

Lothar Henkes - Innovative 2018

Kurzbiografie:

Lothar Henkes ist 1990 als Berater für Materialmanagement und Produktionsplanung bei der SAP eingestiegen und hat bis dato in verschiedenen sowohl nationalen als auch internationalen Positionen gearbeitet. In den letzten 20 Jahren hat er sich als Know-How-Träger für das Thema SAP Business Warehouse einen Namen gemacht und leitet das Produkt-Management für SAP BW seit 2000.

Herr Henkes, Sie nehmen auf der Innovative an der Podiumsdiskussion „Wie beeinflusst Künstliche Intelligenz das Customer Data Management heute“ teil. Auch SAP nutzt intelligente Algorithmen in Form von Machine Learning (ML) in seinen Produkten. Warum ist ein zentrales EDW wichtig und wie wird sich seine Rolle für das Kundendatenmanagement künftig entwickeln?

Ein zentrales Enterprise Data Warehouse ist wichtig, um Daten aus verschiedenen, heterogenen Kanälen an einer zentralen Stelle zu konsolidieren, die vielfach auch als der „Single Point of Truth“ bezeichnet wird. Hier werden also Informationen aus sämtlichen Unternehmensbereichen zusammengeführt, etwa Kundendaten aus dem Vertrieb, aber auch Daten aus der Logistik oder aus der Finanzbuchhaltung, der Produktion und so weiter. Die Datenquellen können dabei sowohl SAP Systeme als auch nicht-SAP Systeme sein, der Zugriff auf die Daten kann virtuell erfolgen, oder durch Extraktion und physische Ablage in SAP BW/4HANA. In diesem Zusammenhang ist auch die Integration externer Data Marts, wie etwa eines Custom Data Mart, unterstützt oder die Anbindung von Data Lakes mit unstrukturierten Daten.

Künstliche Intelligenz (KI) und maschinelles Lernen (Machine Learning, ML) schaffen darüber hinaus noch einen zusätzlichen Mehrwert. KI und ML können autonom Zusammenhänge in den Daten erkennen und so Vorhersagen und mögliche Entwicklungen ableiten, aber auch Prozesse optimieren. Wir von SAP sehen hier eindeutig einen Trend, mit dem das Kundendatenmanagement und die Unternehmenssteuerung verbessert werden können. 

Was sind Beispiele für ML-basierte Anwendungen auf SAP BW/4HANA oder SAP BW on HANA -Daten, die heute bereits eingesetzt werden? 

ML-basierte Anwendungen, ob für das Kundendatenmanagement oder das Datenmanagement im weiteren Sinne, sind in vielen Bereichen eines Unternehmens einsetzbar, und das unabhängig von der Unternehmensgröße oder der Branche. Egal, ob Banken, Versicherungen, Telekommunikationsunternehmen oder Retail. Häufig nutzen diese Machine Learning Funktionalitäten auf SAP BW/4HANA, um eine individuellere Interaktion mit ihren Kunden zu erreichen, Stichwort „Best Upsell für Kunden“. Andere wiederum wollen bestimmte Prozessabläufe optimieren. Gerne nenne ich hier konkrete Beispiele:

Mercedes hat letztes Jahr auf der Messe SAP TechEd in Barcelona und auf der letzten SAPPHIRE gezeigt, wie das Unternehmen basierend auf seinen Daten in SAP BW/4HANA die hochkomplexe Preisermittlung für Gebrauchtwagen verbessert hat. Die intelligenten ML-Algorithmen sind im Gegensatz zum Menschen deutlich schneller in der Lage, Informationen zu Gebrauchtfahrzeugen, wie Anzahl der Vorbesitzer, Kilometerstand oder Unfälle auszuwerten und darauf basierend den Wert des Wagens zu berechnen. Dieser ursprünglich zeitintensive Vorgang dauert dank ML nur noch halb so lange.

Ein weiteres Beispiel von einem führenden Technologieunternehmen, dessen Produkte in zahlreichen Industrien verwendet werden. Auf der DSAG-Konferenz hat das „Data Science Lab“ des Unternehmens vorgestellt, wie sie basierend auf den Daten des SAP BW on HANA und der engen Integration mit SAP HANA ML Algorithmen Prognosen zu Auftragseingängen erstellt und dabei eine Genauigkeit von 95-99% erreicht haben. 

Doch nicht nur für große Unternehmen lohnt sich der Einsatz von ML. Eine lokale, mittelständische Bank mit etwa 750 Mitarbeitern nutzt beispielsweise ebenfalls SAP HANA Machine-Learning-Technologien, um auf Basis historischer Daten in SAP BW on HANA Kaufwahrscheinlichkeiten für Finanzprodukte zu ermitteln. 

Was denken Sie, wo hier die Reise hingeht? Wie planen Sie, Ihre Produkte mit ML künftig weiterzuentwickeln?

Die Automatisierung wird in den nächsten Jahren weiter zunehmen. Der Trend geht dahin, dass Algorithmen immer mehr Prozesse übernehmen können. Denn die Tatsache, dass KI und ML künftig in alle Lebens- und Arbeitsbereiche einziehen wird, ist nicht mehr aufzuhalten. Die Technologie wird also zunehmend in Anwendungen integriert werden und unser Leben deutlich leichter machen.

Auch unsere SAP Produkte, wie beispielsweise S/4HANA Cloud oder On Premise oder SAP Hybris nutzen bereits jetzt Machine Learning, um aufwändige manuelle Prozesse zu automatisieren. Gleichzeitig planen wir die HANA-ML-Algorithmen mit der SAP Leonardo ML Foundation zu integrieren. 

Gleiches gilt natürlich auch für den Data-Warehouse-Kontext. Hierzu zwei Beispiele aus den Bereichen SAP BW/4HANA und SAP-HANA-Plattform: SAP BW/4HANA SP8 setzt Machine-Learning-Technologien ein, um für Query-Abfragen den optimalen Zugriffsmodus zu finden. Bisher waren an dieser Stelle manuelle Einstellungen eines Administrators notwendig. Und wir wollen Administratoren weiter entlasten, indem wir zum Beispiel planen, ML-Algorithmen auch in der Verwaltung des BW/4-Systems einzusetzen, um potentielle Engpasssituationen vorher zu sagen.

Im Bereich SAP HANA Platform ist es geplant, mit Hilfe von Machine Learning das Datenbank Management zu optimieren. Das System soll zum Beispiel in Zukunft für CPU- und Speicherauslastung der Datenbank Engpässe und Peaks frühzeitig erkennen und damit proaktiv von Seite des DBA eingreifen. Darüber hinaus ist geplant, Ressourcen mittels eines ML/Predictive-Systems auf zukünftige Situationen besser anzupassen.

Weiterhin arbeiten wir an der kontinuierlichen Erweiterung und Optimierung der HANA Predictive Analysis Library (PAL) sowie an einem Schnittstellen-API für die Programmiersprache Python, mit der Data Scientists gerne arbeiten. Mithilfe dieses APIs können sie in Python-Skripten HANA-PAL-ML-Modelle entwickeln.

Vielen Dank für das Gespräch!

Das könnte Sie auch interessieren