Use Cases für Machine Learning

Mit ML-Technologien wollen Entscheider vor allem Unternehmensprozesse optimieren, beispielsweise durch die Vernetzung von Anlagen in der Produktion (siehe Grafik). Lernende Systeme dienen 52 Prozent der Befragten zudem als Grundlage für die Entwicklung neuer Produkte. Knapp die Hälfte setzt Machine Learning im Bereich Customer Analytics ein. Dabei geht es beispielsweise um Funktionen der Bilderkennung (Inhalt eines Bildes verstehen und segmentieren) oder um die Analyse von abwandernden Kunden, um daraus Rückgewinnungsmaßnahmen abzuleiten.

Auch Robotic Process Automation ist für mehr als ein Drittel der Teilnehmer ein Use Case, ebenso die klassische Robotik in der Fertigung. Predictive Maintenance nennen in diesem Kontext nur 21 Prozent, weitere 19 Prozent sehen in Chatbots ein Einsatzfeld für Machine Learning.

Budgets - wie Machine-Learning-Projekte finanziert werden

Geht es um die Finanzierung von Machine-Learning-Projekten, verlassen sich 56 Prozent der Befragten auf das Digital-Budget in ihrem Unternehmen. Immerhin 40 Prozent arbeiten an strategischen Projekten mit eigenem Budget. Laut den Crisp-Analysten sind damit in der Regel klar definierte Ziele und messbare Ergebnisse verbunden. In 24 Prozent der Betriebe stammt die Investition aus den BI-Abteilungen. In solchen Einheiten sei die Integration von Machine-Learning-Vorhaben bereits ein Teil der Unternehmensstrategie, kommentieren die Studienautoren. Nur in 13 Prozent der Firmen stammt das Geld aus einer Fachabteilung oder einer eigenen Business Unit.

Aufschlussreich ist auch, wie sich die Ressourcen in ML-Projekten verteilen. Den größten Anteil verschlingt derzeit mit 25 Prozent die Strategie- und Technologieauswahl. Die eigentlichen Use Cases stehen mit 16 Prozent an zweiter Stelle. An dieser Reihenfolge wird sich aus Sicht der Befragten nur wenig ändern.

Die Aufbereitung der Daten frisst noch einmal 16 Prozent der Ressourcen, auf Modellentwicklung und Training entfallen 12 Prozent. Der Plattformbetrieb mitsamt der dazu nötigen Lizenzen nimmt dagegen nur noch acht Prozent der Mittel in Anspruch.

Crisp Research verweist in diesem Kontext auf den steigenden Wertschöpfungsanteil, den ML-Technologien in den Unternehmen beitrügen. Im Jahr 2022 werde sich jeder vierte Euro des "Digital-Umsatzes" auf Machine Learning zurückführen lassen. In den Premium-Modellen der Automobilbranche etwa erbringe die Software schon seit einigen Jahren einen hohen Wertanteil. Mit Machine Learning werde ein weiterer "softer" Anteil in physikalische Produkte einziehen und deren Wert definieren.

Praxis - wie Unternehmen Machine-Learning einführen

Wie treiben deutsche Unternehmen ML-Initiativen organisatorisch voran? - 60 Prozent der Befragten entwickeln dafür eigene Kompetenzen über interne BI- / Analytics-Abteilungen und die Unternehmens-IT. Weniger als die Hälfte setzt auf externe Berater und Experten. Beim Umsetzen von Projekten nehmen 41 Prozent die Hilfe eines erfahrenen IT-Dienstleisters in Anspruch.

Ein eigenes Team aus Data Scientists und ML-Experten in Digital Labs leisten sich nur 36 Prozent der Unternehmen. Ein Viertel arbeitet mit Universitäten und Forschungsinstituten zusammen, 18 Prozent suchen die Kooperation mit Startups (siehe Grafik).