Controller Magazin Special 6/2021

Controller Magazin _ Special 17 Möglichkeiten. Beispielsweise wie in Abb. 3 dargestellt, Berechnungen anzustellen, die Daten zu filtern und sie in verschiedenster Art gegenüberzustellen. Die potentiellen Probleme dieses bis heute weit verbreiteten Ansatzes sind of fensicht- lich. Auszugsweise seien genannt: <right> Eine rein deskriptive Beschreibung der Da- ten liefert keine eindeutigen quantitativen Erkenntnisse über die Wirkung der einzel- nen Einf lussgrößen / Indikatoren auf den Heizölverbrauch in Litern. <right> Es ist kaum beurteilbar, ob es Zusammen- hänge zwischen den Daten gibt. Ob diese linear oder nicht linear sind, oder ob diese Zusammenhänge nur für bestimmte Wer- tebereiche gelten. <right> Darüber hinaus ist nicht erkenn- geschwei- ge denn simulierbar, ob es Wechselwirkun- gen zwischen den Einf lussfaktoren gibt. Ob und wenn ja, wie stark sich diese Ef fek- te auf den Heizölerbrauch auswirken. <right> Grundsätzlich besteht daher bei der de- skriptiven Analyse – typisch für klassische BI-Systeme – ein großer Spielraum für Fehlinterpretationen, der zudem in ho- hemMaße davon abhängt, wer diese ma- nuellen Analysen durchführt. KPI Disruption durch AI/ML basierte Analysemethoden Hilfreich wären dagegen Modelle, die fol- gende Informationen bereitstellten: <right> Root-Cause-Analytics: Multivariate Ursa- che-Wirkungsmodelle, incl. der Abbildung nicht linearer Zusammenhänge und indi- rekter Ef fekte <right> Predictive Analytics: Vorhersagemöglich- keiten auf Basis dieser Ursache-Wirkungs- modelle <right> Simulation: Manuelle What-If Analysen durch Variation der Inputwerte <right> Prescriptive Analytics: Automatische How-To-Achieve Analysen, wie sich ein bestimmtes Ziel erreichen lässt Abb. 2: AuszugDatengrundlage / Erfahrungswerte Abb. 3: Sample Deskrip- tive Analyse Dämmung Temperatur Anzahl Bewohner Durchschnittsalter Wohnungsgröße Heizöl 6 23.333 4 23.800 4 132 10 6.111 4 56.700 4 263 3 27.222 2 28 6 145 9 10 4 45.100 3 196 2 26.667 5 20.800 2 131 5 24.444 3 21.500 3 129 5 22.222 4 23.500 3 131 6 31.111 2 38.200 6 161 5 25 3 42.500 3 184 … … … … … … Verfahren des maschinellen Lernens, wie z.B. KNN- oder GBT-Algorithmen, ermöglichen, auf Basis großer unverdichteter Datenräume, die Extraktion derartiger Modelle. Im Sinne von Explainable AI (Arriet et al. 2020) lassen sich zudem ausgewählte Modellparameter und Ergebnisse transparent darstellen, und damit für den Business User besser nutzbar machen. Diese Kombination von ML / AI und BI, sog. AI enabled BI, ermöglicht eine völlig andere Herangehensweise an die Unterneh- menssteuerung. Denkbar wären z.B.: