Mit Data Thinking lassen sich Daten analysieren, Muster erkennen und Erkenntnisse gewinnen, um fundierte Entscheidungen zu treffen und Probleme zu lösen. In Kombination mit Large Language Models (LLMs) kann Data Thinking dazu beitragen, komplexe Datenanalysen durchzuführen, Muster zu identifizieren und Erkenntnisse zu gewinnen. Welche Vorteile Unternehmen aus dem Konzept ziehen können, erklärt Konrad Schreiber von MaibornWolff im Gespräch.

Foto: MaibornWolff Konrad Schreiber ist als stellvertretender Bereichsleiter für den Bereich Data und AI bei MaibornWolff tätig. Als IT-Experte berät und unterstützt er Kunden beim Aufbau komplexer IT-Systeme deren zentraler Bestandteil Künstliche Intelligenz ist. Large Language Models (LLMs), insbesondere GPT, sind vielfältig einsetzbar und es gibt für Unternehmen zahlreiche Möglichkeiten sie für das eigene Business zu verwenden. Diese sind allerdings vielen noch nicht bekannt. Wie man LLMs zu seinem Vorteil nutzt, beantwortet Konrad Schreiber, Deputy Head of Data and AI bei dem IT-Unternehmen MaibornWolff.

it&t business: Herr Schreiber, worum genau handelt es sich bei Data Thinking?

Konrad Schreiber: Durch die fortschreitende Digitalisierung gibt es eine Unmenge an Daten in Unternehmen. Diese Daten können sich enorm positiv auf die Wirtschaftlichkeit auswirken, wenn sie effektiv gesammelt und gut strukturiert sind. Eine Methode, die bei der Datenverarbeitung unterstützt, ist das sogenannte Data Thinking. Bei diesem Ansatz werden Data Science und Design Thinking miteinander kombiniert. Er leitet Unternehmen dazu an, ihre vorhandenen Daten zu reflektieren und möglichst gewinnbringend einzusetzen. Ziel ist es dabei, nutzerorientierte und datenbasierte Produkte oder Lösungen zu entwickeln.

it&t: Wie geht man dabei am besten vor?

Schreiber: Beim Data Thinking geht auch um ein ganzheitliches Verständnis des Kontexts, in dem Daten existieren und darum, wie sie genutzt werden können, um bestimmte Ziele zu erreichen, z.B. einen höheren Automatisierungsgrad bestimmter Geschäftsprozesse. Damit dies gelingt, werden immer mehrere Fachbereiche eines Unternehmens miteinbezogen, um so die Datenbasis von verschiedenen Blickwinkeln aus zu betrachten. Die in den einzelnen Fachbereichen gesammelten Daten, die beispielsweise Auskunft über das Käuferverhalten geben, aber auch betriebsinterne Controlling Daten sein können, werden strukturiert und konsolidiert. Während des Prozesses klären alle Beteiligten, welche Erkenntnisse die Daten liefern, welche Ergebnisse zu erwarten sind oder an welchen Stellen Informationen noch fehlen.

it&t: Wie revolutionieren LLMs den Prozess?

Schreiber: Mit der Entwicklung von Large Language Models gibt es nun Technologien, mit denen sich schon im kreativen Prozess KI einsetzen lässt. GPT ist zum Beispiel recht einfach zu bedienen und kann direkt auf unstrukturierten Textdaten eingesetzt werden um „schnell etwas auszuprobieren“. Der Data Thinking Prozess kann so um ein Vielfaches beschleunigt werden. LLMs werden dann oft Teil der Lösung, weil viele Geschäftsprozesse textbasiert sind. Kompetenzen und Wissen aus unterschiedlichen Fachabteilungen werden zusammengebracht, die benötigten Daten extrahiert und verarbeitet. Langwierige Geschäftsprozesse schrumpfen so erfahrungsgemäß um bis zu 50 Prozent. Gerade, wenn es darum geht, große Dokumente auszuwerten, mehrfach zu lesen und nach bestimmten Informationen zu suchen, birgt der Einsatz von LLMs großes Potenzial, Zeit zu sparen. Im Data Thinking Prozess zeichnet sich so etwas sehr schnell ab.

it&t: Welche Voraussetzungen muss ein Unternehmen erfüllen?

Schreiber: Unternehmen sollten dieses Projekt langfristig und strategisch planen. Vor allem zwei Punkte entscheiden am Ende über Erfolg oder Misserfolg des Vorhabens:

Oberste Priorität muss die Weiterbildung der Projektbeteiligten der einzelnen involvierten Fachbereiche sein. Empfehlenswert ist es, eine verantwortliche Person für den Umgang mit der Technologie zu benennen. Noch besser wäre es, ein Kompetenzteam zu etablieren. So bleibt Fachwissen eher im Haus, sollte es zu Personalwechseln kommen. Weiterbildungen selbst können etwa über externe Beratung, aber auch im Zuge einer internen Qualifizierung stattfinden. Setzt ein Unternehmen auf externe Beratung, muss gewährleistet sein, dass es sich um einen vertrauenswürdigen und erfahrenen Partner handelt, der den Umfang realistisch einschätzen kann.

Ein zweiter Punkt ist die technische Umsetzbarkeit. Dafür ist ein Unternehmen auf IT-Fachleute angewiesen. Im Idealfall haben die einen Background im Deep Learning oder sogar im Natural Language Processing. Verfügt ein Unternehmen über gut aufgestellte Entwicklungsteams und eine Data Science Abteilung, sind die Chancen sehr hoch, dass das erforderliche Knowhow zu LLMs und Data Thinking bereits vorhanden ist. Diese Teams stecken derzeit meistens schon „mittendrin“ und sind mit der Vielzahl an Möglichkeiten und Ideen stark gefordert. Sollten entsprechende Kompetenzen nicht vorhanden sein, muss frühzeitig entschieden werden, ob Stellen dafür geschaffen werden oder ob externe Experten mit ins Boot geholt werden.

it&t: Welche Risiken birgt der Prozess in puncto Datenschutz?

Schreiber: Tatsächlich sind die langfristigen Auswirkungen, die diese Modelle auf unser Privatleben und unsere Geschäftswelt haben, noch nicht vollumfänglich absehbar. Fakt ist jedoch: Die Tools werden bleiben und Unternehmen sollten lernen, mit ihnen umzugehen, um sie für sich zu nutzen. Wichtig in diesem Zusammenhang: Im wirtschaftlichen Kontext sollten Anwender von GPT auf eine Cloud-Partnerschaft setzen, die garantiert, dass unternehmensinterne Daten nicht weitergegeben werden und regulatorische Vorgaben bezüglich DSGVO eingehalten werden. Derzeit bietet z.B. Microsoft Azure über die OpenAI Services entsprechende Möglichkeiten. Ebenso sind aber auch Unternehmen selbst angehalten, mit ihren Daten verantwortungsvoll umzugehen.

it&t: Wie verschaffen sich Unternehmen mit Data Thinking und LLMs dann einen Wettbewerbsvorteil?

Schreiber: LLMs können große Datenmengen verarbeiten, um wertvolle Erkenntnisse zu gewinnen. Durch die Analyse von Trends, Kundenstimmungen, Marktveränderungen können Unternehmen schnell fundierte Entscheidungen treffen. So können Kundenerfahrungen besser personalisiert werden. Denn LLMs können Vorlieben, Verhaltensweisen und Interaktionen analysieren, um Produkte, Dienstleistungen und Marketingstrategien auf die individuellen Bedürfnisse zuzuschneiden. Die Analyse von Daten kann helfen, potenzielle Risiken und Schwachstellen in verschiedenen Bereichen wie Cybersicherheit, Compliance und Marktvolatilität zu erkennen. Auf diese Weise sind Unternehmen in der Lage, proaktiv Maßnahmen zu ergreifen, um diese Risiken zu mindern. Durch kontinuierliche Automatisierung von Geschäftsprozessen bleiben Unternehmen effizient, können eigene Wachstumspotenziale ausschöpfen und so sicherstellen, dass sie relevant bleiben.