Trends

Sind Data Science Plattformen eine gute Idee?

Frei nach Karl Valentin gilt: Plattformen sind schön und schaffen einem jede Menge Arbeit vom Hals. Da kommt die Idee von Plattformen für die automatische Datenanalyse gerade recht. Passend dazu hat Gartner nun einen „Magic Quadrant for Data Science and Machine Learning Platforms“ veröffentlicht. Das Dokument selbst ist nur hinter einer Paywall einsehbar, aber im Netz bieten einige der im Report erwähnten Unternehmen den Zugriff auf das Dokument gegen Angabe der eigenen Adresse an.

Besonders hebt Gartner hervor, dass so eine Plattform alles was man braucht, aus einem Guss bereitstellen sollte; im Unterschied also zu diversen einzelnen Bausteinen, die nicht unmittelbar aufeinander abgestimmt sind.

Hört sich gut an! Allerdings: Data Science ist kein Bereich, in dem man mit einem Tool oder selbst einer Plattform wie von Zauberhand weiterkommt. Die Entwicklung von Lösungen – etwa für Predictive Maintenance der Maschinen, die ein Unternehmen anbietet – durchläuft verschiedene Phasen, wobei Cleansing/Wrangling und Preprocessing den größten Teil der Arbeit ausmachen. In diesem Bereich sind ETL(Extract, Transform, Load )- und Visualisierungstools wie Tableau einzuordnen. Und jenseits der gedachten Komfortzone von Plattformen, die sich Manager so vorstellen, sind Datenbankabfragen und Skripte für die Transformation und Aggregation etwa in Python oder R schlicht das Mittel der Wahl. Ein Blick auf Data Science Online-Tutorials der top-Anbieter wie Coursera unterstreicht die Bedeutung dieser – nun ja – bodenständigen Werkzeuge. „Statistical analysis, Python programming with NumPy, pandas, matplotlib, and Seaborn, Advanced statistical analysis, Tableau, Machine Learning with stats models and scikit-learn, Deep learning with TensorFlow“ lautet ein Kursprogramm von Udemy.

Hinzu kommt: Oft bleiben die Projekte in diesem Vorfeld stecken oder werden abgebrochen. Das hat viele Gründe:

man findet keinen analytischen/statistischen Ansatz
die ursprüngliche Idee erweist sich als nicht durchführbar
die Daten sind nicht in der Menge oder Qualität, die man braucht, vorhanden
einfache Analysen und Visualisierungen reichen schon aus und alles weiter wäre „oversized“

Das ist nicht schlimm, bedeutet es doch nur, dass der automatisierte Einsatz von Machine Learning und KI nicht aus jedem Datensatz gleich einen Datenschatz macht. Zeichnet sich allerdings der produktive Nutzen ab, gilt es, sich für die Production-Pipeline und Zeit- oder Ressourcen-Constraints zu rüsten. Meist fängt man dafür neu an und bildet alles nochmals z.B. in Tensorflow für Neuronale Netzwerke oder in Custom-Libraries ab.

Das Missverständnis ist, dass man a) ansatzlos Data Science bis zum produktiven Einsatz treiben kann und b) einen one-stop-shop for Data Science (hier „Plattform“) sucht, der alles in einem Aufwasch macht. Das wird es nie geben.

Das ist tatsächlich auch eine gute Nachricht, bedeutet es doch, dass Organisationen – ohne gleich zu großen Plattformen greifen zu müssen – ihre ersten Ziele erreichen können. Die einigermaßen sorgfältige Auswahl passender Werkzeuge (viele davon Open Source) hilft dabei.

Auch interessant:
In meinem Video „KI braucht Strategie“ erläutere ich, welche Schritte Unternehmen konkret gehen können, um KI-Technologie zielführend einzusetzen.

Design Thinking – Hype oder Hilfe?

Ende Januar veranstaltet CONTACT gemeinsam mit The Dark Horse, eine der führenden und bekanntesten Design Thinking Agenturen, einen exklusiven Design Thinking Workshop.

Der Hintergrund: Neue Technologien wie IoT, 3D-Druck und Virtual Reality, serviceorientierte Geschäftsmodelle und die Digitale Transformation überhaupt stellen herkömmliche Angebote infrage. Das Hasso-Plattner Institut schreibt dazu: „Design Thinking … avanciert heute zu einer ganz neuen Art, den Menschen in Bezug zur Arbeit zu sehen, das Konzept der Arbeit zu denken und zu fragen, wie wir im 21. Jahrhundert leben, lernen und arbeiten wollen. Die Strahlkraft von Design Thinking besteht darin, neue und überraschende Formen der kreativen Zusammenarbeit zu ermöglichen. Wir-Intelligenz ist das neue Schlagwort, Kollaboration wird die Grundlage für ein neues Arbeitsbewusstsein.“

„Ganz neue Art zu denken“, „21.Jahrhundert“, „Wir-Intelligenz“. Bei solchem Drang ins Esoterische gibt brand eins so richtig Contra. Individualistisch geprägte Gesellschaften sind weniger erfolgreich als kollektivistische? Kreativität gedeiht am besten in Gruppen? Nicht unbedingt, und da kann man schnell mal was falsch verstehen. Und dann noch: Der Erfolg hängt von der Exzellenz in unterschiedlichen Disziplinen ab, also holt man diese Disziplinen mit ins Boot? Produkte mache ich für Kunden und – Revolution! – frage sie also nach ihren Bedürfnissen? Als wenn es Ideen wie Human Centered Design nie gegeben hätte.

Ignorieren wir lieber die Marketingstrategen und betrachten Design Thinking ganz pragmatisch:

Der Ausgangspunkt: komplexe Produkte und Systeme in einem eher unbekannten Terrain
Die unbedingte Ausrichtung an meine Kunden untere Berücksichtigung technischer und wirtschaftlicher Zielvorgaben
Die enge Zusammenarbeit der unterschiedlichen Disziplinen, die einen Beitrag leisten
Iteratives, auch spielerisch/experimentelles Vorgehen und lernen aus Feedback und Fehlern.

Design Thinking ist also wie gemacht für die Herausforderungen der Digitalen Transformation. Deswegen sind wir mit dabei.

PLM ist tot – lang lebe PLM!

PLM hat im Laufe der Jahre nicht nur Freunde gewonnen. Weil man PLM nicht gut erklären kann, Projekte aus dem Ruder gelaufen sind und der PLM-Alltag – nun ja – anstrengend sein kann.

Man könnte meinen, der eine oder andere wechselt nun schon mal das Klingelschild mit der Aufschrift „PLM“. Bekannte PLM-Player reduzieren ihre Belegschaft, ziehen in die Cloud um und setzen scheinbar alle ihre Chips auf das Thema IoT: „Is PTCs CEO Jim Heppelmann Playing with Fire?“

Passend dazu hat jetzt eine ProSTEP iViP Initiative das Thema unter dem Titel „Hat PLM im Zeitalter der Digitalisierung ein Zukunft“ aufs Korn genommen und dazu ein sehr lesenswertes Thesenpapier veröffentlich. Dies ist hier als PDF zugänglich. Unser Blog-Mitstreiter Michael Wendenburg ist einer der Autoren und hat das Thema mit seinem vorangegangenen Blog-Beitrag schon mal eröffnet.

Der Titel mag auf den ersten Blick nicht optimal sein, denn im Mittelpunkt stand ja eigentlich schon immer das virtuelle – also digitale – Produkt. Es geht darum, was passiert, wenn die Produkte selbst und ihre Verwendung durch die Kunden und Nutzer immer digitaler werden. Anhand von insgesamt 22 Thesen zeigen die Autoren, wie der PLM-Begriff im Zeitalter der Digitalen Transformation fortgeschrieben werden sollte. Auf den Punkt bringen sie es mit dem Schlagwort „Future PLM“.

Nun aber: Chefsache PLM

Meine Favoriten aus der Thesensammlung:

„Future PLM ist Chefsache.“ Eigentlich hätte das schon immer so sein sollen (was sollen wir als Lieferant auch anders sagen). Die gute Nachricht: jetzt wird es so kommen, denn die Prozessketten und Implikationen sind nochmal eine Größenordnung bedeutender.

„PLM-Architekturen machen nicht an der Unternehmensgrenze halt. Die Unterstützung der Kollaboration mit Joint Ventures, Entwicklungspartnern, Lieferanten von Systemen, Software und Services etc. ist eine Kernanforderung an die zukünftige PLM-Architektur.“

Eine Lanze für Offene Systeme

Weiter beleuchten die Autoren, wie sich Software und Systeme wandeln müssen: „Monolithische Systeme haben ausgedient.“ „PLM Systeme müssen offener werden.“ „Future PLM muss veränderbar sein … Künftige PLM-Architekturen müssen … flexibel an veränderte Prozesse und Organisationsstrukturen anpassbare Funktionsbausteine bieten.“

Und schließlich: „Future PLM muss kostengünstiger werden“. Den Seitenhieb kann ich mir dann doch nicht verkneifen: Das Papier zeigt ja sehr schön: die Ansprüche an das Management des Produktlebenszyklus wachsen noch einmal deutlich. Da gilt es, die Kosten egal ob aus Erwerb oder Subskription von PLM-Software im Vergleich zum Hebel für die Prozesse und Business Cases nüchtern ins Verhältnis zu setzen. Wie sagt der Schwabe: „Was nix kostet, ist nix“.

Fazit

PLM ist tot – lang lebe PLM! Es geht nicht darum, die PLM-Idee zu begraben, sondern sie im Gegenteil konsequent zu Ende zu denken. Das erfordert gute Kommunikation in der Community und in den Unternehmen, um auf die neuen Herausforderungen mit tragfähigen innovativen Lösungen zu antworten, die auch auf den vorhandenen PLM-Fundamenten aufbauen. Sonst wird das eine wackelige Angelegenheit!