Machine Learning ist ein Teilbereich der künstlichen Intelligenz, mit dem IT-Systeme in die Lage versetzt werden, mithilfe von Algorithmen Muster und Gesetzmäßigkeiten in Datenbeständen zu erkennen und eigenständig Lösungen zu entwickeln. Damit das klappt, müssen die Systeme zunächst mit den relevanten Daten und Algorithmen versorgt werden. Je nach Anwendung sollte der Zeithorizont der Daten ein Jahr und mehr betragen, um belastbare Aussagen zu erhalten.
Zudem müssen Regeln für die Analyse des Datenbestands und das Erkennen der Muster definiert werden. Ist das erledigt, können die Systeme relevante Daten finden, extrahieren und zusammenfassen, Vorhersagen auf Basis der analysierten Daten treffen, Wahrscheinlichkeiten für bestimmte Ereignisse berechnen, sich eigenständig an Entwicklungen anpassen und Prozesse auf Basis erkannter Muster optimieren.
Fünf Typen von Algorithmen
Im Zentrum des maschinellen Lernens stehen die Algorithmen, da für das Erkennen von Mustern und das Generieren von Lösungen verantwortlich sind. Grundsätzlich lassen sie sich in fünf Bereiche unterteilen:
- Überwachtes Lernen: Hier wird der Algorithmus auf ein Ziel trainiert. Dafür ist es nötig, dass ein Daten-Analyst und ein Anwender die Daten im Vorfeld als korrekt bewerten. Dadurch schaffen sie eine so genannte Grundwahrheit (ground truth), aufgrund dessen der Algorithmus künftig Genehmigungsworkflows automatisiert.
- Unüberwachtes Lernen: Bei dieser Technik teilt der Algorithmus anhand von Mustern die Daten in Cluster oder Kategorien auf, jedoch ohne zu wissen, um welche Kategorien es sich handelt. Oft kommt dieses Verfahren zum Einsatz, wenn es um die Klassifizierung von Kunden geht.
- Teilüberwachtes Lernen: Dabei handelt es sich um einen Mix aus überwachtem und unüberwachtem Lernen.
- Bestärkendes Lernen: Das Bestärkende Lernen benötigt kein vorheriges Datenmaterial, sondern generiert Lösungen und Strategien auf Basis von erhaltenen Belohnungen im Trial-and-Error-Verfahren.
- Aktives Lernen: In dieser Variante erhält der Algorithmus die Möglichkeit, für bestimmte Eingangsdaten die gewünschten Ergebnisse zu erfragen. Um die Anzahl von Fragen zu minimieren, erfolgt zuvor eine Auswahl relevanter Fragen mit hoher Ergebnisrelevanz durch den Algorithmus selbst.
SAP-Portfolio ist ausbaufähig
Auch SAP setzt in vermehrtem Maße auf KI und Machine Learning bei seinen Lösungen. Das zeigt sich vor allem daran, dass mit jeder neuen Version von S/4HANA entweder neue Machine-Learning-Funktionen eingeführt oder bereits integrierte verbessert werden. Was viele Anwender beispielsweise nicht wissen: PP/DS und IBP nutzen im Hintergrund bereits Machine-Learning-Techniken, um Planungen und Kapazitätsbedarfe in der Fertigung beziehungsweise der Produktion zu optimieren.
Vor allem in S/4HANA finden sich verschiedenen Machine-Learning-Ansätze, die mit verschiedenen Anwendungen bereits verknüpft sind und auch explizit beworben werden. Dazu gehören beispielsweise aus dem Einkauf die Vorhersage des Lieferdatums für Bestellpositionen, die Vorhersage der Skontoverluste bei Fakturen mit Zahlungssperre oder die Vorhersage der Erfüllungsrate der Einkaufskontrakte. Beispiele im Bereich Supply Chain sind etwa die Vorhersage des Lieferverzugs bei Werksumlagerungen, die Früherkennung von nicht gängigen Materialien und Lagerhütern sowie die Vorhersage der Durchlaufzeit von Umlagerungsprodukten. Aber auch der Verkauf kann profitieren. Dafür hat SAP zum Beispiel die Vorhersage von Terminverzögerungen für ausgehende Lieferungen, die Vorhersage der Angebotsumwandlungsrate und die Prognose von Vertriebsergebnissen integriert.
All diese Szenarien sind vollständig in die Prozesse integriert und generieren Vorhersagen auf Basis der historischen Prozessdaten. Die Prognoseergebnisse werden in den operativen und analytischen FIORI-Apps eingeblendet und ermöglichen den Mitarbeitern, auf bestimmte Situationen zeitnah zu reagieren.
Ein Beispiel: Die SAP-FIORI-App „Vorhergesagter Lieferverzug“ zeigt je Kundenauftragsposition neben dem geplanten Auslieferungsdatum den Verzug in Tagen für die Auslieferungserstellung und -bearbeitung sowie den prognostizierten Gesamtstatus der Auslieferungsposition an. Außerdem stellt sie eine Statistik über alle Auftragspositionen grafisch dar. Vertriebsmitarbeiter ist es dadurch möglich, Verzögerungen in der Lieferkette frühzeitig zu erkennen, um dann bei kritischen Positionen rechtzeitig aktiv zu werden und so die Kundenzufriedenheit zu steigern.
CONSILIO sammelte bereits in verschiedenen Projekten Erfahrungen mit SAP-ML-Standardlösungen und weiß daher, wo die Stolpersteine bei der Implementierung liegen und welche Lösung wirtschaftlich am besten zum Unternehmen passt.
Partner sind essenziell
Zwar wächst die Anzahl der Lösungen, die SAP in seine Systeme integriert, mit jedem neuen Release, doch profitieren noch nicht alle Anwendungen in gleichem Maße von den neuen Technologien. Pioniere, die bereits jetzt mit dem Gedanken spielen, durch Machine Learning ihre Geschäftsprozesse großflächig zu optimieren, werden derzeit noch enttäuscht sein. Grund: Sie müssen selbst in Entwicklungsarbeit investieren. Die Schnittstellen, die sie dafür benötigen, sind jedoch bereits in S/4HANA mit der Predictive Analysis Library (PAL), der Automated Predictive Library (APL) und der external Machine Learning Library (EML) integriert. Um sich diese Programmierbibliotheken für das Entwickeln von ML-Modellen nutzbar zu machen und damit bestehende Prozesse zu automatisieren oder gar neue Geschäftsmodelle zu entwickeln, benötigen sie Expertenwissen, das das klassische Know-how der unternehmensinternen IT oftmals übersteigt. SAP-Kunden müssen daher entweder auf Mitarbeiter, die in Data-Science ausgebildet sind, oder die Unterstützung von Partnern mit entsprechendem Know-how zurückgreifen. SAP-Partner wie CONSILIO pflegen enge Verbindungen zu Universitäten und verfügen dadurch über die Expertise State-of-the-Art-Wissenschaft mit Anwendungs-Know-how optimal zu verknüpfen. In der Folge sind sie dazu fähig, mit dem Anwender die richtigen Fragen bezüglich der Datenanalyse zu entwickeln, anschließend die erforderlichen Daten zu sammeln und entsprechend aufzubereiten. Denn, erst wenn der Dreiklang aus Frage, Daten und Datenqualität stimmt, klappt es auch mit der Auswertung.
Um sich die Programmierbibliotheken für das Entwickeln von ML-Modellen nutzbar zu machen und damit bestehende Prozesse zu automatisieren oder gar neue Geschäftsmodelle zu entwickeln, benötigen Anwender Expertenwissen, das das klassische Know-how der unternehmensinternen IT oftmals übersteigt.
