Macht AI MDM überflüssig?

Nachdem Unternehmen begriffen haben, dass Daten das Rückgrat ihrer operativen Geschäftsprozesse bilden, und CIOs und Führungskräfte mit großem finanziellen Aufwand den Ausbau ihres Stammdatenmanagements (MDM) vorangetrieben haben, sehen sich CIOs längst wieder mit den nächsten Herausforderungen konfrontiert. Die Digitalisierung ist in vollem Gange und schon sind die nächsten Schlagwörter in aller Munde: Smart Dust, Edge Computing, Digital Twin, Artificial Intelligence (AI), Machine Learning (ML) und vieles mehr. Gleichzeitig werden immer größere Mengen an Daten generiert, die wiederum strukturiert und in ein verständliches und interpretierbares Format gebracht werden müssen um Entscheidungsprozesse, etc. zu unterstützen.

Unternehmen wie Google und Amazon machen sich ML schon seit Jahrzehnten zu Nutze. Aber auch in traditionellen Branchen und im B2B-Geschäft wurden bereits erste Projekte erfolgreich auf den Weg gebracht und die ersten Ergebnisse sind bereits sichtbar. Beispielsweise konnte ein komplexer und energieintensiver Produktionsprozess auf Grundlage von Mustern innerhalb vieler verschiedener Variablen mithilfe von ML optimiert werden. Ergebnis war ein deutlich reduzierter und stabilerer Energieverbrauch. Ein weiteres Beispiel ist, dass eine AI anhand verschiedener Parameter wie Körpersymptomen (z. B. Herzfrequenz, Atmung usw.) sowie der Position einer Person innerhalb einer Wohnung (z. B. auf dem Küchenboden und nicht auf dem Bett liegend) gelernt hat, wann ein Notruf auszulösen ist und wann nicht. Dies sind nur zwei Beispiele dafür, wie AI und ML schon heute zum Einsatz kommen.


Lohnt sich eine Investition in MDM überhaupt noch oder ist es schon längst überholt?

Wenn wir das AI-Modell aus einem vorausgegangenen Blogbeitrag betrachten, stehen wir am Anfang der ersten Stufe für AI und ML für das Stammdatenmanagement. Wenn wir davon ausgehen, dass AI und ML die Zukunft sind und AI-Algorithmen in der Lage sein werden, Stammdaten für uns ohne oder mit nur sehr geringem manuellen Eingriffen zu steuern und zu verwalten – was der 3. Stufe in unserem Modell entspricht –, ist es dann überhaupt noch sinnvoll, in Stammdatenmanagement zu investieren? Und wie können AI und ML überhaupt im Stammdatenmanagement eingesetzt werden bzw. dem Stammdatenmanagement von Nutzen sein?

In unserem Beitrag „Künstliche Intelligenz im Master Data Management – es geht los!“ gehen wir auf die Anwendungsfälle von künstlicher Intelligenz und maschinellem Lernen für das Stammdatenmanagement ein.

Hier ist ein Auszug aus den Anwendungsfällen von AI in MDM, auf die CAMELOT derzeit einen Schwerpunkt legt:

  • ML-gestützte Datenermittlung für Migrationsinitiativen

Die Situation: Migrationen werden meist dann notwendig, wenn neue Systeme eingeführt werden oder Fusionen und Übernahmen anstehen. Dabei fallen stets große Aufwände für die Datenbereinigung und -transformation an.

Der Ansatz: Ein Algorithmus analysiert die Daten der Zielstruktur, baut Entscheidungsbäume auf und ermittelt dann die Werte für die neuen Datensätze, die aus dem/den Altsystem(en) migriert werden. Die Idee dahinter ist es, möglichst viele Feldwerte durch die Beantwortung möglichst weniger Fragen zu bestimmen.

Der Vorteil: Reduzierung der Datenbereinigungs- und -transformationssaufwände für die Migration.

  • Erkennung von Stammdatenausreißern

Die Situation: Stammdaten sind in verschiedene Tabellen verteilt ohne die Abhängigkeiten der Daten zu kennen (so z. B. wenn ein Satz von Attributen in einer bestimmten Kombination gepflegt werden, ist ein weiterer Satz von Attributen immer gleich befüllt).

Der Ansatz: Erkennung von unternehmensspezifischen Mustern innerhalb der Stammdaten und Stammdatenstrukturen.

Die Vorteile: Erkennung von unternehmensspezifischen

    • Mustern: global, pro Werk, pro Verkaufsorganisation;
    • Klassifizierungen, ob ein Datensatz ein Ausreißer ist oder nicht;
    • Kombinationen von Feldern/Werten, die einen Datensatz zum Ausreißer machen;
    • Empfehlung von Werten zur Sicherstellung der Materialkonformität;
      und Identifizierung von Stock Keeping Units (SKUs), die nicht ins Muster passen
  • Ontologisches Modell für standardisierte Arbeitsabläufe (SOP) zur Validierung & Unterstützung

Die Situation: Dokumente werden in allen Unternehmen verwendet, z. B. technische Spezifikationen, Produktinformationsblätter, Zertifikate etc. Die in diesen Dokumenten enthaltenen Informationen müssen oftmals manuell in Systeme übertragen werden.

Der Ansatz: Der maschinelle Lernalgorithmus analysiert die Dokumente und wandelt die Informationen (z. B. Richtlinien, Kontextinformationen, Produktinformationen, Spezifikationen usw.) in ein ontologisches Modell um, das von MDM-Anwendungen gelesen werden kann.

Der Vorteil: Bessere Unterstützung der Anwender, Metadaten werden beim Upload der Dokumente ohne manuellen Aufwand eingepflegt.

Dies sind nur einige Beispiele für AI-Anwendungsfälle für das Stammdatenmanagement, die bereits von unserer AI in MDM Community in die Praxis umgesetzt wurden. Wenn Sie mehr über die AI in MDM Community erfahren möchten oder sich einbringen möchten, finden Sie unter www.ai-mdm.com weitere Informationen. In unserem Artikel „Mit kollaborativer Innovation zu künstlicher Intelligenz (KI) im Stammdaten Management (MDM)“ stellen wir Ihnen die Proof-of-Concept-Phase vor.


Die derzeitigen Initiativen zur Umsetzung von AI/ML im Master Data Management zeigen, dass wir uns noch in einer frühen Phase befinden; aber es wird auch deutlich, dass dies mehr als nur der neueste Hype ist, sondern bereits konkrete Maßnahmen ergriffen werden, um den Weg in die Zukunft von AI in MDM zu beschreiten. Einige Mitglieder der Community ergänzen ihre MDM-Teams schon jetzt um Data Scientists, ein Beweis für das hohe Engagement, diese Vision in die Tat umzusetzen.

Um also auf meine Eingangsfrage zurückzukommen: Ist es überhaupt noch sinnvoll, in Stammdatenmanagement zu investieren? Die Antwort lautet definitiv ja! AI und ML sind die Zukunft und ihre Weiterentwicklung wird uns über kurz oder lang in eine Welt führen, in der AI-Algorithmen Stammdaten für uns ohne große manuelle Eingriffe steuern und verwalten. Aber jede Investition in MDM und in hochwertige Daten bereitet schon heute den Weg für zukünftige Entwicklungen in der Digitalisierung und jede Implementierung von AI- und maschinellen Lernverfahren profitiert von nachhaltigen Investitionen in die Datenqualität, die sie heute tätigen. Auch Unternehmen, die eine andere Innovationsstrategie verfolgen und als Follower oder Late Follower und heute noch nicht in Proof-of-Concepts investieren möchten, sollten schon heute Überlegungen anstellen, wie sie die Maschinenlesbarkeit ihrer Daten erhöhen können um sich für zukünftige Entwicklungen aufzustellen. Schon kleine Veränderung im Umgang mit Informationen/Daten stellt einen wichtigen Beitrag für den zukünftigen Erfolg Ihres Unternehmens dar.

Hier erhalten Sie weitere Informationen zu MDM and Enterprise Information Management.

Klicken Sie hier, um weitere „AI in MDM“-Anwendungsszenarien zu entdecken.

written by
Marcel Leclaire
Marcel Leclaire is a Consultant for Enterprise Information Management (EIM) at CAMELOT Management Consultants. He leads MDM Strategy, Blueprint and implementation projects and is looking back onto a broad experience in various industries (e.g. pharmaceuticals, chemicals, automotive, food & beverage, manufacturing, etc.). As part of CAMELOT’s AI in MDM Community, he supports the integration of digitalization and AI into EIM topics.

Dieser Post ist außerdem verfügbar in: Englisch