Während Laien mit künstlicher Intelligenz (KI) meist Roboter in Fabrikhallen verbinden, vollzieht sich im Stammdatenmanagement eine schleichende Revolution. Als Werkzeug für hochspezialisierte Aufgaben eröffnet KI viele Use Cases, die schon heute ihr disruptives Potential erahnen lassen: Von der Erlangung wichtiger Erkenntnisse via Machine Learning über die Automatisierung manueller Aufgaben bis hin zur Nutzbarmachung unstrukturierter Daten.

Das Verständnis von künstlicher Intelligenz befindet sich in einem kontinuierlichen Wandel, denn die Grenze von dem, was wir Maschinen und Computern zutrauen, verschiebt sich ständig. Aktuell konzentriert sich die Wissenschaft hierbei auf die Nachahmung spezieller menschlicher Fähigkeiten wie etwa die Steuerung von Bewegungen (Robotics), die Wahrnehmung der Umgebung (Machine Perception) oder das Verstehen von Emotionen (Affective Computing). Im Kontext des Stammdatenmanagements wiederum ist das maschinelle Lernen (ML) eine der relevantesten KI-Fähigkeiten.

Konsistente Daten dank Machine Learning

Im Hinblick auf ML-Systeme steht insbesondere die Daten-Validierung im Fokus. Diese intelligenten Systeme erkennen inkonsistente Daten, z.B. so genannte „Ausreißer“, ohne dass dafür vorab klare Regeln definiert werden müssen. Auch die Stammdatenpflege an sich bietet sich als weitere Einsatzmöglichkeit an. Ohne den Einsatz von KI funktioniert das bisher wie folgt: In Stammdaten-Tools wie etwa SAP MDG lassen sich Geschäftsregeln definieren, die den Nutzer bei der Eingabe der Daten unterstützen und eine hohe Datenqualität gewährleisten. Die größte Herausforderung dabei ist es, dass jede anzuwendende Regel klar definierbar und von erfahrenen Anwendern hergeleitet werden muss.

Auch wenn sie es nicht begründen oder in eine definierte Regel fassen können, gibt es in jedem Unternehmen Kollegen, die ein Datenblatt prüfen und intuitiv erkennen, dass etwas nicht stimmt. Genau diese Fähigkeit ist es, die aus normalen Anwendern Datenexperten macht. Mit Hilfe von KI lässt sich ein System darauf trainieren, diese Fähigkeit zu adaptieren und basierend auf den Trainings durch Maschinelles Lernen inkonsistente Daten zu erkennen – ohne dafür vorab definierte Regeln zugrunde legen zu müssen.

Mit Blick auf ein einfaches Material mit seinen Dimensionen in Länge, Breite und Höhe lassen sich die Möglichkeiten eines solchen KI-Systems anschaulich darstellen: Obwohl jedem bewusst ist, dass gewisse Kombinationen dieser Werte im eigenen Produktportfolio valide sind und andere nicht, ist es äußerst komplex oder gar unmöglich in einer definierten Regel zu beschreiben, wie die Relation dieser drei Werte sein soll. KI und insbesondere das Maschinelle Lernen ermöglichen es, genau dieses Verhältnis zu prüfen, basierend auf dem jeweiligen Produktportfolio und nicht auf einem konkreten Regelwerk. ML-Systeme erstellen einen Algorithmus, der konsistente sowie inkonsistente Modell-Kombinationen aus bisherigen Datensätzen erlernt und somit nach einiger Zeit des Trainings neue Stammsätze validieren kann und Warnungen ausspricht, für den Fall, dass ein fehlerhafter Eintrag erfasst wird.

Auch wenn das Training der Modelle sowie der KI-Algorithmus nicht im SAP MDG selbst ausgeführt wird, beispielsweise auf einem R-Server, so ist die Validierung bei der Neuerfassung von Stammsätzen voll System-integrierbar, so dass sich diese über das SAP MDG Validierungs-Framework ausführen lassen. Für den Anwender ist es damit nicht zu unterscheiden, ob die Daten durch eine klassische Geschäftsregel oder ein KI-Modell validiert wurden.

Harmonisierung von ERP-Umgebungen: KI kann helfen

Bei ERP-Harmonisierungs- und Transformations-Projekten gilt neben der Standardisierung von Prozessen auch die Harmonisierung der Daten als besondere Herausforderung. Oftmals sind die ERP-Systeme nämlich über Jahrzehnte gewachsen, wurden durch verschiedene Personen und Partner erweitert und sind daher meist sowohl bzgl. der Prozesse als auch der Daten sehr heterogen. Von zentraler Bedeutung für derartige Projekte sind daher MDM-Teams, die sicherstellen, dass die Stammdaten der Systeme zusammengeführt und fortan nachhaltig verwaltet werden. Maschinelles Lernen kann hier als Ergänzung zu den klassischen ETL- (Extract, Transfer, Load) Anwendungen eine wichtige Rolle einnehmen – zum Beispiel beim Mapping der Daten. Anstatt die exakten Mapping-Logiken vorzugeben (Daten + Regel = Mapping), ermöglichen ML-Applikationen ein optimiertes Mapping auf Basis von Trainingsdaten (Daten + Training = Mapping). Die eigentlichen Regeln rücken dabei in den Hintergrund. Für die Konsolidierung von Kunden- und Lieferantendaten existieren bereits erste ML-basierte Standardsoftware-Lösungen. Auch bei der Harmonisierung der Stammdaten helfen ML-Ansätze dabei, Werte zu vereinheitlichen. Ein Beispiel dafür ist die Auswertung transaktionaler Lieferantendaten zur Ermittlung von optimalen Zahlungsbedingungen.

Stammdatenpflege mit Chatbot-Unterstützung

Benutzerfreundlichkeit und System-Performance spielen eine große Rolle, wenn es um die Akzeptanz von Stammdaten-Applikationen durch ihre Nutzer geht. Insbesondere in Bezug auf die User Experience müssen sich MDM-Applikationen dem Vergleich mit privaten Smartphone-Apps stellen – und ziehen meist den Kürzeren. Benutzer wünschen heutzutage, dass sich Stammdaten mit ein paar Klicks pflegen lassen. Eine große Anzahl an Stammdatenfeldern wird immer öfter kritisch hinterfragt. Persönliche Assistenten, die auf Maschinellem Lernen basieren, ermöglichen ein ganz neues Erlebnis für den Anwender. Sie nutzen meist Speech-to-Text- und Natural-Language-Understanding-Algorithmen.

Dank diesen lassen sich Eingaben, die normalerweise mehrere Klicks benötigen, über einen einfachen Sprachbefehl oder einen Chateintrag schnell erledigen. Bei Fragen bieten persönliche Assistenten über Buttons, Auswahl-Felder und -Werte Hilfestellung oder erfassen Benutzer-Feedback zu neuen Funktionen oder der Performance. Ein weiterer Vorteil: Sie ermöglichen die Stammdatenpflege unter Verwendung von Business-Sprache, ohne dabei spezifisch auf den Identifikationsschlüssel (Customizing-Wert) eingehen zu müssen.

KI Communities entwickeln neue Anwendungsfälle

Die KI-basierte Stammdatenpflege erfreut sich eines ständig wachsenden, branchenübergreifenden Interesses. Offene KI Communities, wie die von Camelot ins Leben gerufene „Global Community for Artificial Intelligence in Master Data Management“, dienen dabei der gemeinsamen Forschung und Entwicklung von Anwendungsfällen.

 

Kommentare

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Empfohlene Artikel

Future Value Chain

Chemieparks: Was China von Europa lernen kann – Teil II

In meinem ersten Blogbeitrag zu Chemieparks in Europa und China habe ich über das Entstehen von Chemieparks in Europa und ihre …

weiterlesen
Logistics

KI in der Logistik – Wie kann KI das Lademeterproblem lösen?

Künstliche Intelligenz (KI) kann einen wichtigen Beitrag zum Geschäftswert eines Unternehmens leisten. Die Transportlogistik bietet verschiedene Anwendungsszenarien mit wesentlichen …

weiterlesen
Data & Analytics

Künstliche Intelligenz im Master Data Management – es geht los!

Lesen Sie, wie künstliche Intelligenz (KI) auch komplexe MDM-Aufgaben übernehmen wird, die in der Vergangenheit allein durch Menschen zu bewä…

weiterlesen