Machine Learning und Künstliche Intelligenz stehen bei Digitalisierungsentscheidern ganz oben auf der Agenda. Laut einer Studie von Crisp Research in Kooperation mit The unbelievable Machine Company (*um) und Dell EMC beschäftigt sich bereits die Hälfte der deutschen Unternehmen (50 Prozent) mit diesen Themen. Fast die Hälfte der Entscheider (44 Prozent) erwartet, dass Machine Learning bis 2020 mehr als 20 Prozent der Wertschöpfung der neuen digitalen Produkte und Dienstleistungen ausmachen wird. Dies entspricht allein für die 100 umsatzstärksten Unternehmen in Deutschland rund 61 Milliarden Euro im Jahr 2020. Weiterhin kommt die Umfrage zu dem Ergebnis, dass der Großteil der befragten Unternehmen Machine-Learning-Projekte nicht im Alleingang umsetzt, sondern gemeinsam mit Partnern – insbesondere erfahrenen IT-Dienstleistern (75 Prozent).

Laut Gartner werden bis 2020 20,4 Milliarden Geräte mit dem Internet der Dinge verbunden sein. 2016 waren es noch 6,4 Milliarden. Mit der Anzahl der IoT-Geräte wächst auch die schiere Menge an Daten – und damit auch der (potenzielle) Wert, der in den Daten steckt. Entsprechende IoT-Lösungen zu entwerfen und umzusetzen, wird also immer anspruchsvoller.

Gibt es etwas Digitaleres als Daten in einer Datenbank? Natürlich nicht – dennoch sind Data Warehouses, die vor fünf, zehn oder mehr Jahren eingerichtet wurden, auf die Ära der Digitalen Transformation nicht vorbereitet. Sie sind begrenzt, schwerfällig sowie schwer zu bedienen und zu administrieren. Damit können sie mit den heutigen Ansprüchen oftmals nicht mithalten: Agilität, Schnelligkeit und Flexibilität sind die Anforderungen an Data Warehouses in einer Zeit, in der alle Prozesse digital abgewickelt werden und Käufer nur einen Mausklick von der Konkurrenz entfernt sind.

Die Innovationsfähigkeit eines Unternehmens gehört heute zu den zentralen Wettbewerbsfaktoren. In einer Welt, die sich immer schneller dreht, müssen Geschäftsmodelle je nach Trends und Entwicklungen konstant erneuert werden. Die Basis hierfür bildet ein kluger Umgang mit Daten, der durch moderne Data-Innovation-Plattformen möglich gemacht wird. Was müssen solche Plattformen leisten? Und welche Tools kommen dabei häufig zum Einsatz? Wir haben nachgefragt bei Olaf Nimz, Verantwortlicher für Data Science bei Trivadis.