Wenn wir davon sprechen, dass wir ETWAS verstehen, wird oft vorausgesetzt, dass wir verstehen, was dieses ETWAS verursacht. Kennen wir Ursachen und Wirkung, sollten wir in der Lage sein, wiederholbar sich bewahrheitende Vorhersagen zu machen, beispielsweise in der Absatzplanung oder Zielvereinbarungen im Vertrieb. In der Bestimmung der Auftragswahrscheinlichkeit eines Angebots – und: wie sich diese ändert wenn wir Preise, Lieferzeiten verändern. Sozusagen die Preisbereitschaft des Kunden basierend auf Vergangenheitsdaten und externen Daten ermitteln.
Quomatic liefert diese externen Daten regelmäßig, gleicht sie mit ihren internen Daten (Maschinen Absätze) ab und findet mittels künstlicher Intelligenz Muster. Also welche Faktoren Einfluss auf ihren Maschinen-Absatz oder andere Kennzahlen haben. Darauf aufbauend erzeugt die künstliche Intelligenz Vorhersagemodelle. Klingt anstrengend? War es auch. Bis jetzt. Moderne Technologien ermöglichen Millionen Daten bereitzustellen und mit ihren Daten abzugleichen. Pro Tag entstehen aktuell rund 2,3 Trillionen GB an externen Daten. In Unternehmen teils deutlich über 100.000 GB pro Tag, insbesondere in Prozessindustrien. Abgleich externe & interne Daten war bisher häufig nicht möglich, da die Datenmenge zu sammeln, strukturieren, analysieren, visualisieren Mensch und Systeme ans Limit brachte. In Menge, Komplexität und für gute Entscheidungen erforderlicher Aktualität, um Muster zu erkennen. KI: Mustererkennung und Ermittlung der Einfluss(stärke) auf laufend gesammelten Daten.
Angenommen Sie erkennen, dass mit steigendem Produktionsvolumen Ihrer Kunden, der Absatz an Ihren Produkten (z.B.Prüfmaschinen) steigt. Hängen Ursache und Wirkung zusammen, zeigt sich eine Abhängigkeit bzw. (Wechsel)wirkung. Auch Korrelation genannt. Beispielsweise, dass mit X € Steigerung des Produktions-Volumens bei Ihren Kunden / Zielindustrien / Regionen Y Prüf-Maschinen verkauft werden.
Diese ist also ein Maß dafür, wie viel Kausalität (Ursache-Wirkung) wir wirklich verstehen. Wie hoch die Genauigkeit unserer Vorhersage ist. Korrelation bedeutet nicht unbedingt Kausalität. Kausalität jedoch stets Korrelation! Um die Genauigkeit von Vorhersagen (und damit wahres Verständnis von Ursachen und Wirkung) zu erhöhen, müssten wir idealerweise alle korrelierenden Einflüsse kennen. Deren Einfluss-Stärke auf ein zu untersuchendes Merkmal ermitteln. Bei mehreren Faktoren mit Einfluss eventuelle Wechselwirkungen berücksichtigen. Das alles in ein Modell gießen, das darauf basierend präzise Vorhersagen ableitet. Wir zeigen Ihnen Beispiele aus der Praxis wo dies erfolgreich gelang.
Christian Eberhardt-Motzelt