In der heutigen schnelllebigen Geschäftswelt sind Daten im Überfluss vorhanden, aber die Fähigkeit, daraus verwertbare Erkenntnisse abzuleiten und fundierte Entscheidungen zu treffen, macht den Unterschied zwischen erfolgreichen Unternehmen aus.
Der Wechsel von Business Intelligence (BI) zu Decision Intelligence (DI) stellt eine Weiterentwicklung der Entscheidungsfindung dar und ermöglicht es Unternehmen, über historische Analysen hinaus zu kontextbezogenen Erkenntnissen in Echtzeit zu gelangen.
Eine derartige Umstellung, die durch stark ausgeprägte Data-Governance-Praktiken unterstützt werden sollte, versetzt Unternehmen in die Lage, Entscheidungen zu treffen, die nicht nur auf der Grundlage von Daten getroffen werden, sondern durch diese aktiv gesteuert werden.
Was ist Decision Intelligence und „Decision Model & Notation“?
Decision Intelligence (DI) ist eine aufstrebende Disziplin, die Data Science, soziale und umweltbezogene Daten und Wissenschaft sowie Managementwissen kombiniert, um Entscheidungsmodelle und -prozesse innerhalb eines Unternehmens zu entwerfen, zu modellieren, auszurichten, auszuführen und zu verfolgen.
DI zielt darauf ab, die „Komplexitätsgrenze“ bei der Entscheidungsfindung zu überwinden, bei der traditionelle Methoden Schwierigkeiten haben, immer komplexere Situationen zu bewältigen. Durch die Integration von maschinellem Lernen, künstlicher Intelligenz und Business Intelligence ermöglicht DI es Unternehmen, mit dieser Komplexität besser umzugehen und fundiertere, formalisierte und damit effektivere Entscheidungen zu treffen.
Das Decision Model & Notation (DMN) ist eine von der Object Management Group (https://www.omg.org/spec/DMN) veröffentlichte Formalisierung hierfür, während das „Constraint Decision Model and Notation“ (cDMN ) eine Notation zur Darstellung von Wissen in einem tabellarischen, intuitiven Format definiert.
Beide Notationen können Prozessmodelle , die auf dem Standard BPMN (Business Process Modell Notation) basieren, integriert werden (https://www.omg.org/spec/BPMN).
„Das Hauptziel von DMN ist es, eine gemeinsame Notation bereitzustellen, die für alle Geschäftsanwender leicht verständlich ist, von den Business Analysten, die erste Entscheidungsanforderungen und dann detailliertere Entscheidungsmodelle erstellen müssen, über die technischen Entwickler, die für die Automatisierung der Entscheidungen in den Prozessen verantwortlich sind, bis hin zu den Fachbereichen, die diese Entscheidungen verwalten und überwachen werden. DMN schafft eine standardisierte Brücke für die Lücke zwischen dem Entwurf von Geschäftsentscheidungen und der Implementierung von Entscheidungen. Die DMN-Notation ist so konzipiert, dass sie neben der standardmäßigen BPMN-Notation für Geschäftsprozesse verwendet werden kann.
Dieser Standard umfasst drei Schlüsselkomponenten:
- Diagramme für Entscheidungsanforderungen: Diese Diagramme veranschaulichen die Verbindungen zwischen den verschiedenen Elementen der Entscheidungsfindung und bilden ein Netz von Abhängigkeiten.
- Entscheidungstabellen: Diese Tabellen beschreiben die spezifischen Kriterien und Regeln, die für jede Entscheidung innerhalb des Netzes gelten.
- Geschäftskontext: Dazu gehören Überlegungen wie die Rollen und Verantwortlichkeiten innerhalb von Organisationen und die möglichen Auswirkungen auf Leistungskennzahlen.
Darüber hinaus enthält der Standard eine benutzerfreundliche Sprache namens Friendly Enough Expression Language (FEEL), die zur Auswertung von Ausdrücken in Entscheidungstabellen und anderen logischen Strukturen verwendet wird.
Einige Anwendungsfälle und Beispiele für Decision Intelligence
- Strategische Ressourcenallokation in komplexen Umgebungen: Ein globales Energieunternehmen nutzt DI, um die Ressourcenzuweisung in Regionen mit unterschiedlichen Risiken und Marktbedingungen zu optimieren. Durch die Integration verschiedener Datenquellen in ein einheitliches Entscheidungsmodell kann das Unternehmen auch Szenarien simulieren, Ergebnisse vorhersagen und optimale Strategien empfehlen, die mit langfristigen Zielen übereinstimmen.
- Echtzeit-Krisenmanagement: In einer Krise, z. B. bei Marktturbulenzen oder einer großen Naturkatastrophe, integrieren DI-Systeme Echtzeitdaten, um die Situation zu bewerten und Sofortmaßnahmen zu empfehlen. Dank dieses strukturierten Ansatzes kann das Unternehmen schnell und effektiv reagieren und sicherstellen, dass die Entscheidungen auf den aktuellsten und relevantesten Informationen beruhen.
- Optimierung komplexer Lieferketten: Ein Fertigungsunternehmen nutzt DI, um Störungsszenarien zu modellieren und deren Auswirkungen auf die Lieferkette vorherzusagen. DI-Systeme empfehlen präventive Maßnahmen, wie z. B. die Diversifizierung von Lieferanten, und helfen dem Unternehmen, angesichts dynamischer Herausforderungen widerstandsfähig zu bleiben.
Die Rolle von Governance und Semantic Survival
Effektive DI erfordert mehr als nur fortschrittliche Analysen und KI; sie hängt von einem robusten Data-Governance-Rahmen ab, der die Datenqualität, Konsistenz und Vertrauenswürdigkeit im gesamten Unternehmen sicherstellt, insbesondere in heterogenen und verteilten Datenstrukturen.
Governance umfasst die Richtlinien, Verfahren und Standards, die Daten während ihres gesamten Lebenszyklus verwalten und sicherstellen, dass die richtigen Daten zur richtigen Zeit und im richtigen Kontext zur Verfügung stehen.
Einer der wichtigsten Aspekte der Governance in der DI ist das semantische Überleben (semantic survival), d. h. die Erhaltung der Bedeutung und des Kontexts von Daten, während sie verschiedene Systeme durchlaufen und in unterschiedlichen Entscheidungsszenarien verwendet werden. Eine solide Semantik gewährleistet, dass die Daten im Laufe der Zeit konsistent und aussagekräftig bleiben, auch wenn sie umgewandelt, mit anderen Datenquellen kombiniert oder in unterschiedlichen Geschäftskontexten verwendet werden.
In größeren und komplexeren Szenarien, in denen Daten aus zahlreichen Quellen stammen und in verschiedenen Datenspeichern verwendet werden, sind eine starke Governance und Semantik von noch größerer Bedeutung. Andernfalls besteht die Gefahr, dass Daten ihre beabsichtigte Bedeutung verlieren oder fälschlicherweise uminterpretiert werden, was zu fehlerhaften Erkenntnissen und potenziell schädlichen Entscheidungen führen kann.
Governance-Praktiken, die sich auf die Aufrechterhaltung der semantischen Integrität konzentrieren, tragen dazu bei, eine solide Informationsgrundlage zu schaffen, die es der DI ermöglicht, effektiv zu arbeiten und sicherzustellen, dass die getroffenen Entscheidungen auf zuverlässigen und kontextuell korrekten Daten beruhen.
Die Rolle von Process Intelligence in Decision Intelligence
Process Intelligence (PI), eine etwas jüngere Disziplin der Geschäftsanalytik, die auch unabhängig davon ausgeführt werden kann, konzentriert sich auf die Analyse und Verbesserung der Art und Weise, wie Geschäftsprozesse ausgeführt werden, auf die Ermittlung von Ineffizienzen und die Optimierung von Arbeitsabläufen.
In Kombination mit Decision Intelligence stellt PI sicher, dass datengestützte Entscheidungen auf einem tiefen Verständnis der bestehenden betrieblichen Prozesse beruhen. Diese Integration unterstützt Unternehmen bei der effektiven Ausführung von Entscheidungen, indem sie diese an die betrieblichen Realitäten anpasst und eine kontinuierliche Verbesserung im Laufe der Zeit ermöglicht.
Indem PI Einblicke in die Auswirkungen von Entscheidungen auf laufende Prozesse liefert, unterstützt es die DI dabei, die Lücke zwischen Entscheidungsfindung und Prozessausführung zu schließen. Dadurch wird sichergestellt, dass Entscheidungen und die entsprechenden Auswirkungen auf die Prozesse nicht nur fundiert, sondern auch praktisch umsetzbar sind, was zur Effizienz der Organisation insgesamt beiträgt.
Technische und organisatorische Aspekte von Decision Intelligence
DI ist sowohl ein technischer als auch ein organisatorischer Ansatz. Sie stützt sich auf fortschrittliche Technologien wie KI und maschinelles Lernen zur Modellierung und Vorhersage von Entscheidungsergebnissen und erfordert gleichzeitig eine Veränderung der Unternehmenskultur in Richtung datengesteuerte Entscheidungsfindung.
Dazu gehört eine stark ausgeprägte Data Governance, um Datenqualität und -konsistenz zu gewährleisten, sowie die Integration von Prozessintelligenz, um Entscheidungen mit der betrieblichen Realität in Einklang zu bringen.
Schlussfolgerung
Die Entwicklung von Business Intelligence zu Decision Intelligence stellt einen evolutionären Wandel in der Art und Weise dar , wie Unternehmen die Entscheidungsfindung angehen. Durch die Integration kontextbezogener Echtzeit-Empfehlungen mit zusätzlichen Erkenntnissen aus nicht-klassischen Quellen versetzt DI Unternehmen in die Lage, fundiertere und umsetzbare Entscheidungen zu treffen.
Dieser Ansatz verbessert nicht nur die Entscheidungsfindung, sondern stellt auch sicher, dass diese Entscheidungen effektiv umgesetzt werden können, so dass Daten zu einem nachhaltigen Wettbewerbsvorteil werden.
Autor: Philipp Nell, Solution Architect Datenmanagement und KI, August 2024
Fragen?
Nehmen Sie jetzt Kontakt auf!
