Machine Learning in deutschen Unternehmen - HubSpot
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
SPECIAL REPORT
Prognose:
Digitale Wertschöpfung von Machine Lear ning
Studie
Machine
Learning in
deutschen
Unternehmen
Eine empirische Studie zu Betrieb und
A nwendung von Künstlicher Intelligenz
Ein aktuelles Research- und Studienprojekt durchgeführt mit der Dell EMC und
The unbelievable Machine Company
2 3
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
Inhalt/
Studienreport von Vorwort 05
Crisp Research Executive Summary 06
in Kooperation
mit Dell EMC und #01 Machine Learning, Digitalisierung & Industrie 4.0 08
The unbelievable #02
#03
Methodik und Stichprobe 14
19
Machine Company
Studienergebnisse - Teil 1
#04 Special Report 34
#05 Studienergebnisse - Teil 2 37
#06 Ausblick und strategische Empfehlungen 56
Über die Unternehmen 59
Über die Autoren 62
Machine
Learning in Kontakt 64
deutschen
Unternehmen Copyright 64
Eine empiri-
sche Studie zu
Betrieb und
Anwendung
von Künstlicher
Intelligenz
www.crisp-research.com www.crisp-research.com
4 5
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
Vorwort/
Liebe Leser,
Machine Learning und Künstliche Intelligenz stehen bei Digitalisierungsent-
scheidern, CEOs, CIOs und Produktionsleitern aktuell ganz oben auf der
Agenda. Unternehmen wollen von den neuen Technologien zur intelligenten
und automatisierten Datenanalyse und -verarbeitung profitieren.
Dabei sind die Ziele vielfältig, welche sich mittels Machine Learning erreichen lassen: mehr
Umsatz, weniger Personaleinsatz, bessere Entscheidungsfindung, höherer Automatisierungsgrad,
usw. Das Spektrum der Einsatzbereiche wird immer breiter, und die Anzahl der so genannten
Proves of Concepts und Projekte nimmt in Deutschland rasant zu. In dem der Studie beiliegenden
Special Report zum Thema „Prognose Digitale Wertschöpfung von Machine Learning“ hat Crisp
Research erste Prognosen für den Wertschöpfungsanteil von Machine Learning berechnet.
Ausgehend von diesen Prognosen beträgt bereits 2020 der Anteil von Machine Learning an
digitaler Wertschöpfung rund 61 Milliarden Euro. Damit ist Machine Learning und Künstliche
Intelligenz zum Pflichtprogramm für alle CEOs geworden.
“Die Frage, ob ein Data Scientists und Machine-Learning-Experten werden händeringend gesucht. Hinzu kommt
Computer denken
der operative Betrieb und die Optimierung der meist hochkomplexen Plattformen und deren
Integration in bestehende BI-/Data-Lake-Umgebungen. Vor diesem Hintergrund stellen sich viele
Unternehmen die entscheidende Frage, wie und wo sie zukünftig ihre Machine-Learning-basier-
kann, ist nicht
ten Anwendungen und Algorithmen betreiben und weiterentwickeln. Dabei existieren vielfältige
Möglichkeiten, Machine Learning in die eigenen Produkte zu integrieren – vom Betrieb GPU-ba-
sierter Cluster im eigenen Rechenzentrum, über das Hosting bis hin zur Nutzung von Machine
interessanter als
Learning Services aus der Cloud via API. Mit der nun vorliegenden Studie bieten Crisp Research,
The unbelievable Machine Company (*um) und Dell EMC fundierte empirische Erkenntnisse zum
aktuellen Stand und dem Betrieb von Machine-Learning-Plattformen in deutschen Unternehmen.
die Frage, ob ein Wir wünschen Ihnen viel Spaß beim Lesen
U-Boot schwim- Dr. Carlo Velten Ravin Mehta Roman Mohry
men kann.”
Crisp Research AG Gründer & Managing Director Dell EMC
CEO The unbelievable Machine Company HeadofGlobalAlliancesDeutschland
Edsger W. Dijkstra,
Informatikpionier
www.crisp-research.com www.crisp-research.com
6 7
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
Executive Summary/ Executive Summary/
• Machine Learning ist in deutschen Unternehmen angekommen: Aktuell • Neue Datenquellen sind auf dem Vormarsch: Schon ein Drittel der
beschäftigt sich bereits die Hälfte der deutschen Unternehmen (50 Unternehmen nutzt mittels Machine Learning Wertschöpfungs- und
Prozent) aktiv mit Machine Learning. Vor zwei Jahren lag der Anteil noch Effizienzpotenziale auf Basis von IoT-Daten (31 Prozent) sowie externen
bei 28 Prozent. Mehr als jedes fünfte Unternehmen (22 Prozent) setzt Datenquellen (30 Prozent).
bereits Machine Learning produktiv im Unternehmen ein.
• Nicht ohne meinen Partner: Die Mehrheit der befragten Unternehmen
44%
Machine Learning wird zum festen Bestandteil realisiert die Machine-Learning-Projekte nicht im Alleingang, sondern
digitaler Produkte: Fast die Hälfte der Entscheider gemeinsam mit Partnern. Bei der Umsetzung sind vor allem erfahre-
(44 Prozent) geht davon aus, dass bis 2020 Machine ne IT-Dienstleister unverzichtbar (75 Prozent) – und dabei weitaus
Learning mehr als 20 Prozent der Wertschöpfung relevanter als Universitäten (18 Prozent), Startups (21 Prozent) oder
der neuen digitalen Produkte und Dienstleistungen Unternehmensberater (25 Prozent).
ausmachen wird. Dies entspricht allein für die 100
umsatzstärksten Unternehmen in Deutschland rund • Machine Learning as a Service: Den Einstieg in das Thema findet für ein
61 Milliarden Euro im Jahr 2020. Großteil der Unternehmen über die Cloud mittels „Machine Learning
as a Service” (55 Prozent) statt. In produktiven Einsatzszenarien spielen
aber auch das Hosting (25 Prozent) sowie der eigene Betrieb von Fra-
• Machine Learning und Künstliche Intelligenz werden 2022 ein Viertel meworks in der Cloud (36 Prozent) eine wichtige Rolle.
der digitalen Wertschöpfung ausmachen: Bereits 2020 lassen sich 61
Milliarden Euro der digitalen Wertschöpfung auf den Einsatz von Machine • Große Verantwortung: Deutsche Unternehmen sind sich der Herausfor-
Learning und intelligenten Algorithmen in Produkten und Diensten zu- derungen im Bereich Machine Learning bewusst. Datenschutzprobleme
rückführen. Digitalisierungsentscheider, CEOs, CIOs und Produktions- oder falsche Prognosen wären für knapp die Hälfte (47 Prozent) der be-
leiter müssen jetzt handeln, um in Zukunft wettbewerbsfähig zu bleiben. fragten Entscheider mögliche Auslöser, ihre Machine-Learning-Projekte
zu stoppen.
• Hardware rückt wieder in den Fokus: Beim Trainieren und Processing
von Machine-Learning-Algorithmen liegt Spezial-Hardware im Trend. • Digitalisierung in vollem Gange: Beinahe jeder dritte Datensatz für
So plant rund ein Drittel (31 Prozent) der Entscheider den Einsatz von Machine-Learning-Projekte kommt bereits aus IoT-Projekten. Damit
GPU-Clustern. Zudem will jeder vierte Entscheider zukünftig auch ASIC/ ist dies die viertwichtigste Datenquelle in deutschen Unternehmen
TPU- bzw. FPGA-Cluster im Rahmen seiner Machine-Learning-Projekte und damit ein klares Indiz für die digitale Evolution der Unternehmen
einsetzen. in Deutschland.
• Volle Digitalisierungs-Töpfe: Mehr als die Hälfte der Unternehmen
(56 Prozent) greift für Machine-Learning-Projekte auf die Digitalisie-
rungs-Budgets zu. Immerhin 40 Prozent verfügen bereits über dedizierte
Budgets für Machine-Learning-Projekte.
• Vorhandene Daten sind und bleiben unverzichtbar: In vielen Anwen-
dungsfällen für Machine Learning steht die Optimierung bestehender
Geschäfts- und Produktionsprozesse im Fokus. Für die Entwicklung
entsprechender Modelle und Algorithmen bilden daher Produktions-
daten (42 Prozent), Maschinendaten (38 Prozent) sowie SAP-Daten (59
Prozent) die Grundlage.
www.crisp-research.com www.crisp-research.com
8 9
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
Künstliche Intelligenz ist kein Hype- und Marketing-Trend für die Internet-
konzerne, sondern eine der wesentlichen Stellschrauben für die zukünftige
Wettbewerbsstärke und Profitabilität fast aller Unternehmen. Doch lernende
Maschinen sind keine Erfindung unserer Generation. Die Einführung in die
Gesellschaft und auch die Vision von einer künstlichen Intelligenz ist bereits
Jahrzehnte alt. Bereits in den 1940er und 1950er Jahren wurden wichtige
#01
Grundlagen für Machine Learning und Künstliche Intelligenz gelegt. Doch
obschon die theoretischen Grundlagen recht früh gelegt worden sind, dauerte
es noch einige Jahrzehnte, bis der Aufschwung von Machine Learning seinen
Weg fand. Nach Jahren in der akademischen Nische erlebt das Thema Künst-
liche Intelligenz eine neue Innovations- und Wachstumsphase. Und dies nicht
nur für eine Handvoll globaler Internetfirmen. Die maßgeblichen Gründe sind:
M achine
• Cloud Computing: Nahezu unbegrenzt verfügbare und flexible
Rechenleistung
L earning, • Big Data: Verfügbarkeit riesiger Datenmengen als Grundlage der
Modellentwicklung und des Trainings
D igitalisierung • Forschung: Investitionen in Verbesserung der Verfahren, Tools
und Frameworks
und I ndustrie 4.0 Dennoch kommt Google, Facebook, Microsoft und Co. eines zu Gute – der
Zugriff auf riesige Mengen an Kundendaten, die die Grundlage zur Modell-
bildung und zum Training der neuen Modelle und lernenden Systeme sind.
Ein Innovationsvorsprung, den nur wenige der anderen Akteure aktuell in
diesem Umfang vorweisen können. An die Resultate dieser neuen Machi-
ne-Learning-Fähigkeiten in unseren Produkten und Diensten haben wir uns
bereits gewöhnt. Digitale Assistenten, ob nun im Smartphone oder im neuen
Auto, stellen nur die Spitze des Eisbergs dar, denn unser Alltag ist bereits mehr
vom maschinellen Lernen durchzogen, als vielen bewusst ist. Kein Wunder
also, dass viele Unternehmen in diese Technologie massiv investieren. Treiber
der Investitionswelle in den letzten Jahren waren die großen Internet- und
Cloud-Konzerne. Allen voran Google, Facebook, Microsoft und IBM. Diese
investierten allein im Jahr 2015 mehr als 10 Milliarden USD in Forschung
und Entwicklung im Bereich der Künstlichen Intelligenz. Der Grund liegt
auf der Hand. So bieten neue Verfahren im Bereich von Machine Learning,
Deep Learning oder auch der kognitiven Systeme nicht nur die Basis für neue
Dienste und Geschäftsmodelle, wie z.B. intelligente Assistenten à la Siri und
Google Now oder auch Industrie-Lösungen im Gesundheitsbereich. Sondern
vor allem einen direkten ROI, wenn sich mittels optimierter Verfahren und
Algorithmen die Service Performance sowie die User Experience der eigenen
Internet- und Suchdienste optimieren lässt. Die optimierte Vermarktung von
Werbeplätzen oder die schnellere Berechnung relevanter Suchergebnisse
liefern einen direkten Business Value für Google, Facebook oder Microsoft
– und zwar in Milliardenhöhe.
www.crisp-research.com www.crisp-research.com
10 11
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#01
Doch mittlerweile ist die Künstliche Intelligenz nicht mehr nur ein Teil der // Einsatzbereiche von Machine-Learning-Technologien nach Branchen
Machine Learning, Digitalisierung und Industrie 4.0
Innovationskraft für die großen Internetkonzerne, sondern auch für deutsche
Unternehmen ein wichtiger Baustein innerhalb der eigenen Digitalisierungs-
// Quelle: © crisp research AG, 2018
Industrie 4.0 / E-Commerce / Logistics /
strategie. Das Thema Machine Learning nimmt dabei eine wichtige Rolle als Manufacturing Retail Banking Health Care Automotive Legal Media Goverment Mobility
weiterer Baustein innerhalb der IT-Strategie eines Unternehmens ein. Neben Bildanalyse
Big Data, Cloud, Container und Serverless Technology, Data Warehouses Textanalyse / Keyword-Extraktion
und Datenbanken reiht sich dieses neue Element zunehmend in Produkte
Videoanalyse
und Infrastrukturlandschaften ein.
Sentiment-Analyse
Spracherkennung & Steuerung
// Digitale Infrastruktur mit Baustein Machine Learning Intelligente Assistenten / Bots
Übersetzungen / Transskription
IoT Social Web Mobile Scalable ML Partners
Gesichtserkennung / Mimik /
Gestik
Public Event-based Ranking
Cloud Architectures Mustererkennung (Medizin,
Fabriken, Automotive)
Infrastructure-as-a-Service Enabler for
Dynamic IT Software-as-a-Service geringe Einsatzmöglichkeiten erhöhte Einsatzmöglichkeiten
hohe Einsatzmöglichkeiten starke Einsatzmöglichkeiten
// Quelle: © crisp research AG, 2018
Container
Platform-as-a-Service Streaming Data
Hybrid Integration
via API access
Business Rules Über alle Branchen hinweg steigt mit zunehmender Digitalisierung auch der
Data
and Events wertschöpfende Anteil der IT. Industrieunternehmen werden immer mehr
Storage
Static IT zu IT- und Softwareunternehmen. Wer nicht mitmacht, wird abgehängt. Ob
Data
Lake Database Smart Farming, Predictive Maintenance oder Smart Manufacturing – die
Private Cloud / Anwendungsfälle sind mannigfaltig. Beim Predictive Maintenance beispiels-
On-Premise
weise können Unternehmen durch den Einsatz von Sensoren und vernetzten
Self-Service Analytics
Anlagen in Echtzeit Informationen zu Anlagen sammeln und auswerten. So kann
Machine Learning Custom Applications
BI zum Beispiel der Verschleiß von Bauteilen überwacht und der Wartungsplan
automatisiert optimiert werden. Predictive Maintenance kann dabei helfen
die Lebensdauer von Maschinen zu verlängern und ungeplante Stillstände
Durch die Möglichkeiten des Machine Learning entstehen eine Vielzahl an zu vermeiden. Beim Smart Manufacturing werden Daten über den gesamten
neuen Use Cases sowie die Notwendigkeit, die im Rahmen von Big Data an- Produktionsprozess gesammelt und zur Optimierung verwendet. Hierbei
fallenden Datenmengen zu beherrschen und kosteneffizient zu verarbeiten geht es zum einen darum, die Produktion aktueller Produkte effizienter zu
und zu analysieren. Und dies gilt für nahezu alle Branchen und Unternehmen, gestalten, zum anderen aber auch darum, die gewonnenen Erkenntnisse dazu
die im Kontext der digitalen Transformation dabei sind, aktiv neue Geschäfts- zu nutzen künftige Produkte so zu gestalten, dass sie effizient produziert
prozesse, Kundenbeziehungen und Business-Modelle aufzubauen. werden können. Die flexible Reaktion auf eine geänderte Nachfragesituation
und die Verbesserung der Qualität der Produkte sind ebenfalls Ziele die mit
dem Ansatz verfolgt werden.
Auch das Autonome Fahren und Smart Cars sind durch den Einsatz von
maschinellem Lernen und Künstlicher Intelligenz für die Industrie nutzbar
geworden. Hierzu werden Fahrzeuge mit Technologie ausgestattet, die
immer mehr Fähigkeiten hat, den Fahrer zu unterstützen oder den Fahrer
komplett zu ersetzen. Populärstes Beispiel ist sicherlich Tesla mit seinem
Autopilot – der nach wie vor einen Menschen als Aufpasser braucht. Mit
www.crisp-research.com www.crisp-research.com
12 13
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#01
jedem gefahrenen Kilometer wächst der Datenbestand, der den Algorith- Die Transformation vom Industrie- zum Softwarekonzern und die Integration
Machine Learning, Digitalisierung und Industrie 4.0
men zum Lernen zur Verfügung steht. Es gibt allerdings neben Tesla weitere von Verfahren der Künstlichen Intelligenz in den Produktentwicklungspro-
spannende Entwicklungen auf dem Gebiet des autonomen Fahrens. Nahezu zess verlangen von den Industriekonzernen à la Bosch, GE, Siemens, ABB
alle größeren Autohersteller haben bereits Assistenzsysteme im Einsatz und oder Toyota vor allem:
entwickeln diese weiter bzw. investieren in neue intelligente Technologien.
Es gibt auch viel Dynamik im Bereich Gütertransport. Ebenso wie bei den • Ein neues Denken („Digital Mindset”) und eine neue Art und Weise IT
PKWs gibt es verschiedene Akteure die an selbstfahrenden LKWs arbeiten. bereitzustellen und die IT zum festen Bestandteil der Product Experience
Auch hier werden die bestehenden Branchengrößen durch Start-ups heraus- zu machen (IT ist Teil des Produktes und des Kundennutzens).
gefordert. Während wirklich autonomes Fahren auf öffentlichen Straßen
aufgrund der Komplexität sicher noch etwas Zeit braucht, gibt es allerdings • Einen Chief Technology Officer (CTO) wie in einem klassischen Software-
in kontrollierten Umgebungen bereits vollständig automatisch fahrende unternehmen, der über ein tiefes Verständnis moderner Cloud-Archi-
Fahrzeuge. Automatisierte Containertransportfahrzeuge werden längst tekturen und Technologie-Stacks („Stackology”) verfügt.
schon in Häfen (z.B. Hamburg) eingesetzt. Die Firma Komatsu hat einen
LKW vorgestellt, der im Bergbau selbstständig Lasten transportieren soll. • Ein auf Software- und Service-basierte Geschäftsmodelle ausgelegtes
Product Lifecycle Management – hier haben die Industriekonzerne
In der Landwirtschaft sind die Automatisierung und Digitalisierung bereits bislang wenig Erfahrung und können im Hinblick auf Entwicklung, Testing,
seit Längerem relevante Themen. Die smarte Farm ist hochgradig vernetzt. Release Management, Operations, Maintenance, Licensing, Support etc.
Software sammelt Sensordaten, Umweltdaten und überwacht bzw. steuert viel von den erfolgreichen Cloud Providern lernen, die wiederum wenig
die eingesetzten Landmaschinen. Das Ganze mit dem Ziel der Optimierung. Erfahrung im Kontext Industrie 4.0 haben.
So laufen alle Daten in Echtzeit zusammen und bieten tiefe Einblicke in den
aktuellen Zustand. Mithilfe der Daten können Vorhersagen getroffen oder Mit der vorliegenden Studie möchten Crisp Research, The unbelievable
Empfehlungen zur Optimierung angebracht werden. Moderne Landmaschinen Machine Company (*um) und Dell EMC einen Diskussionsbeitrag, empirisch
sind bereits hochgradig technologisiert und beinhalten Assistenzsysteme. fundierte Erkenntnisse sowie konkrete Handlungsempfehlungen liefern, um
So werden zum Beispiel mithilfe von GPS die Landmaschinen präzise über CIOs bei der Aufgabe rund um den Betrieb von Machine-Learning-Techno-
die Anbaufläche gesteuert. Mehrere Anbieter wie z.B. Claas, John Deere, logien im Unternehmen zu unterstützen.
Fendt, ATC und Case IH arbeiten an selbstfahrenden Traktoren.
Damit ist klar, dass Industrieunternehmen sich immer stärker hin zu einem
Softwareunternehmen transformieren müssen. Agilität und Effizienz machen
in hart umkämpften Märkten unter Umständen den Unterschied aus. Die
Möglichkeiten der Digitalisierung und der Automatisierung auszuschöpfen,
ist damit längst nicht mehr optional. Digital First ist daher die Lösung in vielen
Industrieunternehmen.
“If we don‘t start becoming and behaving like a true software company we don‘t
have a future” - Abhi Kunte, General Electric
www.crisp-research.com www.crisp-research.com14 15
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#02
Die vorliegende Studie basiert auf einer empirischen Untersuchung und be-
trachtet den Bedeutungs- und aktuellen Reifegrad deutscher Unternehmen
hinsichtlich Machine-Learning-Technologien, welche Umsetzungskonzepte
und Einsatzszenarien sie verfolgen und insbesondere, welche Chancen und
Hürden bei der Nutzung und im Betrieb entstehen können.
Für die vorliegende Studie hat Crisp Research im Auftrag der The unbe-
#02
lievable Machine Company (*um) und Dell EMC von März bis April 2018
eine Befragung von 154 IT- und Business-Entscheidern aus Unternehmen
verschiedener Branchen und Größen durchgeführt. Regional lag der Fokus
der Untersuchung auf Deutschland. Für die Umsetzung der Befragung und
die Adressierung der Entscheider wurde seitens Crisp Research ein renom-
miertes und international tätiges Marktforschungsinstitut beauftragt. Zur
Selektion und als Basis für weitere Untersuchungen wurden die Interviewten
anhand der Branche und Größe ihrer Unternehmen sowie ihrer Position im
Unternehmen unterschieden.
Methodik und Zusammensetzung der Stichprobe
Stichprobe
Insgesamt wurden im Rahmen der Studie 190 IT- und Business-Entscheider
für die Studie ausgewählt. Die tatsächliche Teilnehmerzahl reduzierte sich
anhand einer vorab definierten Frage hinsichtlich der Nutzung von Machi-
ne-Learning-Technologien um 36 Unternehmensentscheider auf die ge-
nannten 154 Befragten. Somit gaben lediglich 19 Prozent der Unternehmen
an, sich weder heute noch in Zukunft mit Machine-Learning-Technologien
zu beschäftigen und beendeten die Befragung nach Beantwortung dieser
Ausschlussfrage.
Von den verbliebenen 81 Prozent der Unternehmen beschäftigen sich 50
Prozent bereits aktiv mit dem Thema, und 31 Prozent haben Interesse an
einer zukünftigen Auseinandersetzung mit Machine Learning. Diese 154
Teilnehmer haben entsprechend den gesamten Fragebogen beantwortet.
// Zusammensetzung der Stichprobe
// Quelle: © crisp research AG, 2018
Gesamtstichprobe(n) 190
Einsatz oder Planung von Machine Learning 154
95 59
Aktive Auseinandersetzung Zukünftige
Auseinandersetzung
www.crisp-research.com www.crisp-research.com16 17
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#02
Charakteristika der Stichprobe Jeweils 10 Prozent der Befragten kamen aus den Bereichen der professionel-
Methodik und Stichprobe
len Dienstleistungen und des Handels. Weitere 9 Prozent der interviewten
Teilnehmer gaben an, im Bereich Automobil und Automobilzulieferer tätig
Die Studie zeichnet ein repräsentatives Bild zum aktuellen Planungs- und zu sein.
Einsatzgrad von Machine-Learning-Technologien. Die Interviews wurden
verteilt über 12 Branchen, fünf Unternehmensgrößenklassen und vier Unter- // In welcher Branche ist Ihr Unternehmen tätig?
nehmenstypen geführt. Dabei sind 68 Prozent aller befragten Entscheider
// Quelle: © crisp research AG, 2018
dem IT-Bereich und 32 Prozent dem Business-Bereich zuzuordnen.
Banken und Versicherungen 14%
Innerhalb der abgefragten Verantwortungsbereiche dominieren CIOs bzw.
IT, Telekommunikation & Media 14%
IT-Leiter (30 Prozent). Die zweitgrößte Gruppe (12 Prozent) stellen Geschäfts-
führer/Management der jeweiligen Unternehmen dar. Mit 10 Prozent sind
Verantwortliche aus den Bereichen Big Data und Analytics die drittgrößte Metallverarbeitende Industrie 11%
Entscheider-Gruppe. Ähnlich stark vertreten sind die Bereiche Softwareent-
wicklung und Service, Support, Kundendienst mit jeweils 8 Prozent sowie Konsumgüter und Handel 10%
Marketing und Vertrieb mit 7 Prozent. Die übrigen Unternehmensbereiche
sind relativ gleichmäßig verteilt. Professionelle Dienstleistungen 10%
// In welchem Bereich des Unternehmens sind Sie als Entscheider oder Automobil und Automobilzulieferer 9%
Entscheidungsbeeinflusser tätig?
// Quelle: © crisp research AG, 2018
8% Leiter IT / CIO Öffentlicher Sektor und Bildung 8%
7% Leiter eCommerce / Digitales Marketing
30% CTO Logistik und Verkehr 7%
4% Leiter BI / Reporting
IT
1% Leiter Big Data / Analytics
Leiter Data Science
Maschinen- und Anlagenbau 7%
Leiter Software Entwicklung
12% Leiter Infrastruktur / Platforms Chemische Industrie 6%
4% Geschäftsführung / Management
2% Leiter F&E / Innovationmanagement / Versorger & Energiewirtschaft 2%
BUSINESS
3% Produktentwicklung
Leiter Fertigung / Operations
8% 5%
3% 3%
Leiter Marketing / Vertrieb Pharma und Gesundheitswesen 2% n = 154
Einfachnennung
10% Leiter Service / Support / Kundendienst
n = 154
Einfachnennung
Die abgefragten Branchen geben einen ganzheitlichen Einblick in die deutsche
Wirtschaft. Nicht mehr nur die Branche im Umfeld von IT, Telekommunikation
und Medien, der ohnehin eine höhere Affinität zum Thema Machine-Lear-
ning-Technologie zugeschrieben wird, ist mit 14 Prozent stark vertreten,
sondern in gleichen Maßen auch die Banken- und Versicherungsbranche
sowie die metallverarbeitende Industrie mit 11 Prozent.
www.crisp-research.com www.crisp-research.com18 19
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#02
Auch bei den Unternehmensgrößen spiegelt sich die Ganzheitlichkeit der
Methodik und Stichprobe
Stichprobe wider. Die in der Studie abgebildeten Unternehmen verteilen
sich stark auf mittelständische Unternehmen der Größenklassen von 0 bis
500, 501 bis 999 und 1.000 bis 5.000 Mitarbeitern. Diese repräsentieren
insgesamt 70 Prozent der befragten Unternehmen. Große Unternehmen,
mit mehr als 5001 Mitarbeitern, sind mit 30 Prozent vertreten.
#03
// Wie viele Mitarbeiter waren Ende 2017 in Ihrem Unternehmen beschäftigt?
// Quelle: © crisp research AG, 2018
Bis 500 Mitarbeiter 12%
21%
Studien-
501 bis 999 Mitarbeiter
38%
ergebnisse
1.000 bis 5.000 Mitarbeiter
5.001 bis 10.000 Mitarbeiter 15%
über 10.001 Mitarbeiter 15%
n = 154
- Teil 1
Einfachnennung
Bei der Verteilung der vier Unternehmenstypen ist der Konzern mit 58
Prozent am stärksten vertreten. Die Familienunternehmen und der Mittel-
stand sind mit 29 Prozent ebenfalls stark repräsentiert. Unternehmen aus
dem Bereich der Öffentlichen Hand bilden zwölf Prozent der Teilnehmer.
Lediglich ein Prozent der Unternehmen sind Start-ups.
// Welchem Typ gehört Ihr Unternehmen an?
// Quelle: © crisp research AG, 2018
12% 1%
Startup / Internet
29% Konzern
Familienunternehmen / Mittelstand
58% Öffentliche Hand
n = 154
Einfachnennung
www.crisp-research.com www.crisp-research.com20 21
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Machine Learning in deutschen Unternehmen Im Vergleich zur Machine-Learning-Studie aus dem vergangenen Jahr1 ist
Studienergebnisse - Teil 1
dieser Trend und die Entwicklung im Bereich Machine Learning in deutschen
Die Bedeutung von Machine Learning im Unternehmen ist in den letzten Unternehmen auch noch einmal klar zu erkennen.
Jahren immer weiter gewachsen. Dies bestätigt auch das Ergebnis dieser
empirischen Untersuchung. // In welcher Phase der Machine Learning-Nutzung befinden Sie sich?
// Quelle: © crisp research AG, 2018
Mit 44 Prozent gab nahezu die Hälfte aller Befragten an, dass Machine Learning
oo
ein wesentlicher Aspekt ihrer zukünftigen Analytics- und Big-Data-Strate-
gien ist. Immerhin 31 Prozent erachten Machine Learning für den Einsatz
in begrenzten Einsatzbereichen als sinnvoll. Dies kann beispielsweise ein
Anwendungsfall im Bereich Predictive Maintenance sein. Für 15 Prozent
o
der Unternehmen hat Machine Learning im Unternehmen eine sehr hohe
o
Bedeutung, da dies eine Kerntechnologie für ein vollkommen digitales Unter-
nehmen darstellt. Lediglich fünf Prozent der Unternehmen gaben an, dass
es sich um einen reinen Hype handle und keinerlei sinnvolle Anwendungs-
szenarien im eigenen Umfeld zu identifizieren seien.
o o o o o
n = 190
Damit ist das Bild in deutschen Unternehmen klar gezeichnet: Machine
Learning ist für die Unternehmen von großer Bedeutung. Zu diesem Umstand Waren im Jahr 2017 noch 36 Prozent der befragten Entscheider der Ansicht,
dürften neben den technologischen Entwicklungen im Bereich der Hardware keinen Einsatz und auch keine Planung von Machine-Learning-Technologien
auch viele neue Analytics- und Business-Intelligence (BI)-Lösungen sowie im eigenen Unternehmen für sinnvoll zu erachten, so sind es aktuell nur noch
die Machine-Learning-as-a-Service-Angebote der Public-Cloud-Hersteller 19 Prozent. Damit hat sich die Sichtweise im Markt deutlich verlagert und die
beigetragen haben. Denn nichts schafft mehr Vertrauen als Standardange- Unternehmen sehen zunehmend mehr Potential für Anwendungsbereiche
bote im Markt. Und dass dies nicht nur Lockangebote für die Kunden sind, in eigenen Produkten oder Diensten. Stark gewachsen ist dementsprechend
zeigt die eigene Produktpalette der Hersteller. Mit Sprachassistenten wie auch der Anteil der Unternehmen, die sich aktiv mit Machine-Learning-Proto-
Alexa, Google Home und Co. im privaten Haushalt überfluten die Herstel- typen und damit mit einem potentiellen Einsatz in produktiven Umgebungen
ler geradezu die Konsumenten, um die eigene technologische Expertise im beschäftigen. 37 Prozent befassen sich derzeit in Implementierungspro-
Bereich Machine Learning klar zu verdeutlichen. Nebenbei entstehen so jekten mit einem gezielten Einsatz von Machine Learning in Produkten und
Vertriebskanäle für neue digitale Geschäftsmodelle von Amazon und Co.. Diensten. Das ist ein Plus von zwölf Prozent gegenüber dem letzten Jahr und
damit ein deutliches Zeichen, dass Machine Learning in den Unternehmen
// Wie schätzen Sie den Bedeutungsgrad von Machine Learning in angekommen ist und die Reife der Tools und Frameworks ausreicht, um für
Unternehmen ein? einen produktiven Einsatz im Unternehmen in Frage zu kommen.
// Quelle: © crisp research AG, 2018
5% 5% Überzeugt wurden also im Vergleich zum Vorjahr die bisher Unentschlos-
senen, denn die Anzahl der Entscheider, die Machine Learning bereits pro-
15%
duktiv nutzen, ist nahezu gleich geblieben. Nur bei der unternehmensweiten
31% Machine Learning ist ein reiner Marketing-Hype –
es lassen sich noch keine sinnvollen Produkte ableiten Nutzung gab es einen Anstieg um ein Prozent. Dies zeigt, dass die bisherigen
Machine Learning ist in einzelnen Implementierungen auch weiterhin stabil im Einsatz sind und neue Projekte
begrenzten Einsatzbereichen sinnvoll in anderen Unternehmen nachziehen.
Machine Learning ist ein wesentlicher Aspekt
zukünftiger Analytics- und Big Data-Strategien
Machine Learning ist eine der Kerntechnologien für ein
vollständig digitales Unternehmen
Kann ich keine Einschätzung zu abgeben
1 Machine Learning im Unternehmenseinsatz - https://www.crisp-research.com/publication/machi-
n = 154 ne-learning-im-unternehmenseinsatz-kunstliche-intelligenz-als-grundlage-digitaler-transformations-
44% Einfachnennung prozesse
www.crisp-research.com www.crisp-research.com22 23
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Budgets für Machine Learning Die eigentliche Arbeit der Data Science Teams beginnt meist erst im Anschluss
Studienergebnisse - Teil 1
mit der Modellentwicklung und dem Training (zwölf Prozent). Danach geht es
Eigene Budgets im Aufwind dann in die Phase des Betriebs mit elf Prozent. Und dafür müssen sich auch
zehn Prozent der Ressourcen mit Lizenzen und Kosten für externe Daten
„Woher nehmen, wenn nicht stehlen?” heißt es im Volksmund. Ebenso ist beschäftigen. In die Produkt- und Markteinführung fließen dann noch einmal
es im Bereich von Machine Learning, wenn es um die Frage geht, woher die neun Prozent der verwendeten Ressourcen, und für die noch offenen anderen
Ressourcen stammen und wie diese dann eingesetzt werden sollen. Die Aufgabenfelder bleiben zukünftig noch fünf Prozent übrig.
Frage danach beantworteten die Entscheider aktuell und zukünftig relativ
konstant. Das bedeutet, die Strategie ist klar definiert. Größere Verschie- // Wie verteilen sich die Ressourcen in Ihren Machine-Learning-Projekten
bungen gab es lediglich im Bereich der Strategie- und Technologieauswahl. und -Initiativen heute?
Nachdem diese einmal grundsätzlich getroffen wurde, geht es nur noch um
// Quelle: © crisp research AG, 2018
die kontinuierliche Bewertung von neuen Technologien. Daher wandern hier heute zukünftig
von den ursprünglich 25 Prozent bereits nach kurzer Zeit sechs Prozent in 0 -10% 11 -30% 31 -50% 51 -70% ab 71% 0 -10% 11 -30% 31 -50% 51 -70% ab 71%
andere Bereiche (Plattformbetrieb & Processing inkl. Lizenzen, Datenauf-
bereitung und Sonstige), um hier sinnvoll zu unterstützen. Die Einordnung Strategie & 16% 55% 19% 9% 25% 60% 7% 7%
der Relevanz der unterschiedlichen Aufgabenfelder ist dabei jedoch konstant. Technologieauswahl 1% 1%
// Wie verteilen sich die Ressourcen in Ihren Machine-Learning-Projekten
und -Initiativen heute? Use Cases 26% 66% 8% 0% 0% 24% 65% 9%
1% 1%
// Quelle: © crisp research AG, 2018
*25%
Strategie & Technologieauswahl *19%
Datenaufbereitung 31% 62% 6% 0% 27% 65% 6%
*16% 1% 1% 1%
Use Cases *17%
*16%
Datenaufbereitung *17% Modellentwicklung & 45% 51% 3% 0% 44% 53% 3% 0% 0%
Training 1%
*12%
Modellentwicklung & Training *12%
*8%
Plattformbetrieb & Processing inkl. Lizenzen Plattformbetrieb & 66% 33% 0% 0% 47% 50% 0%
*11% Processing inkl. Lizenzen
2%
1% 1%
*9% heute
Lizenzen / Kosten für externe Daten *10% zukünftig
*9% Lizenzen / 67% 32% 0% 0% 59% 39% 0% 0%
2%
Produkt-/ Markteinführung *9%
Kosten für externe Daten 1%
*4% n = 154
Sonstige *5% *Mittelwerte
Produkt-/ Markteinführung 65% 32% 0% 67% 29% 3% 0%
2% 1% 1%
Die Strategie- und Technologieauswahl liegt auch künftig mit 19 Prozent vor
den Use Cases mit 17 Prozent. Anschließend geht es um die Datenauswahl
und die darauffolgende Datenaufbereitung mit 17 Prozent. Diese drei Auf-
Sonstige 86% 12% 0% 86% 11% 0%
gabenbereiche zeigen bereits eine gute Gewichtung in der Wirtschaft und 1% 1% 1% 1%
das Verständnis für Machine-Learning-Technologien.
www.crisp-research.com www.crisp-research.com24 25
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Bei der Finanzierung von Projekten im Bereich Machine Learning stammt ein Die Machine-Learning-Technologien werden in immer mehr Anwendungs-
Studienergebnisse - Teil 1
Großteil der Gelder aktuell noch aus den Töpfen der digitalen Budgets (56 bereichen zum Einsatz kommen und die Wettbewerbsfähigkeit und Innova-
Prozent). Strategische Projekte (40 Prozent) stellen beinahe ebenso häufig tionskraft der Unternehmen in den digitalen Märkten nachhaltig beeinflussen.
das Budget für Projekte mit abgesteckten und wohldefinierten Zielen und Doch dies geht nicht ohne eine langfristige strategische Ausrichtung, die
einem messbaren Ergebnis bereit. erfolgreiche Integration in interne Prozesse und ein gesichertes Budget.
Bei 24 Prozent der Unternehmen stammt die Investition bereits aus den Die befragten Unternehmensentscheider dieser Studie meinen zu einem
BI-Abteilungen. In diesen Unternehmen ist die Integration von Machine-Lear- Großteil, dass bis 2020 der Wert eines Produktes bereits zwischen elf und
ning-Vorhaben in diese Abteilung bereits ein Teil der Unternehmensstrategie. 20 Prozent durch Machine Learning erlangt wird (44 Prozent). 37 Prozent
Lediglich bei 13 Prozent der Unternehmen kommt das Geld bereits aus einer schätzen diesen Anteil sogar auf 21 bis 50 Prozent ein. Weitere sieben
eigenen Business Unit. Je nach Erfolg der Machine-Learning-Initiativen wird Prozent sehen in den Produkten 51 bis 80 Prozent des Wertanteils aus
sich das Budget weg von den digitalen Budgets hin zur Projekt oder Business dem Bereich der Künstlichen Intelligenz einfließen. Lediglich ein Prozent
Unit entwickeln, denn die Strategie wird in Zukunft entweder zu einer ganz- geht hier mit seiner Einschätzung noch darüber hinaus. Und zehn Prozent
heitlichen Machine-Learning-Integration in alle Unternehmensbereiche führen der interviewten Entscheider schätzen den Anteil auf bis zu zehn Prozent.
oder nur innerhalb von gezielten Projekten weiter zum Einsatz kommen.
Abhängig dürfte diese Entscheidung bei vielen Unternehmen wohl von Art
und Umfang der digitalen Wertschöpfung sein. // Die Wertschöpfung neuer digitaler Produkte erfolgt heutzutage
zu einem hohen Grad aus Software (z.B. im Automobilbereich). Wie
// Wie werden Ihre Machine Learning-Projekte finanziert? schätzen Sie die Entwicklung des Wertanteils von Machine Learning bei
neuen digitalen Produkten und Services im Jahr 2020 ein?
// Quelle: © crisp research AG, 2018
// Quelle: © crisp research AG, 2018
40% 56% 24% 13% 44%
Bis 500 Mitarbeiter
35% 501 bis 999 Mitarbeiter
Strategisches Projekt Teil des Digital Budgets Teil aus dem BI Budget Budget von Business
mit eigenem Budget Unit / Fachabteilung
37% 1.000 bis 5.000 Mitarbeiter
n = 154 26%
Mehrfachnennung
35% 5.001 bis 10.000 Mitarbeiter
über 10.001 Mitarbeiter
50%
Digitale Wertschöpfung Gesamt
48%
Treiber der digitalen Wertschöpfung
41%
Ein Blick auf den zukünftigen Wertschöpfungsanteil verrät, dass Machi- 40%
ne-Learning-Technologien einen immer wertvolleren Beitrag leisten werden. 11%
So prognostiziert Crisp Research, dass im Jahr 2022 jeder vierte Euro des 17%
„Digital-Umsatzes” auf Machine Learning zurückgeführt werden kann. Im 34% 7%
9% 67% 4%
5%
Automobilbereich beispielsweise wird bei den Premium-Modellen der Her- 17%
16%
steller bereits seit einigen Jahren ein hoher Wertanteil rein durch Software 22% 5% 1%
11% 9% 9%
erbracht. Mit Machine Learning wird also ein weiterer softer Anteil in phy- n = 154
Mehrfachnennung
0 bis 10 % 11 bis 20 % 21 bis 50 % 51 bis 80 % 81 bis 100 %
sikalische Produkte einziehen und deren Wert definieren.
www.crisp-research.com www.crisp-research.com26 27
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Kleine Unternehmen mit bis zu 500 Mitarbeitern sind noch etwas zurück- // Wie treibt Ihr Unternehmen die Einführung von Machine Learning
Studienergebnisse - Teil 1
haltender, was diese Frage betrifft. So glauben 67 Prozent der Unternehmen organisatorisch voran?
dieser Größe, dass der Wertanteil von Machine Learning bis 2020 bei elf bis
// Quelle: © crisp research AG, 2018
20 Prozent liegen wird. Größere Unternehmen hingegen schätzen den Anteil Aufbau eigener Kompetenzen über interne
BI-/Analytics-Abteilung und/oder 60%
deutlich höher ein. Fast die Hälfte (48 Prozent) aller befragten Unternehmen, Unternehmens-IT
deren Mitarbeiterzahl zwischen 5001 und 10.000 Mitarbeiter liegt, sehen den
Einsatz externer Berater und Experten 45%
Machine-Learning-Wertanteil bereits bei 21 bis 50 Prozent. Diese Antwort
wird mit 37 Prozent von einem großen Anteil der befragten Unternehmen Umsetzung von Projekten mit
41%
repräsentiert. Besonders hoch (81-100 Prozent) schätzen den Wertanteil erfahrenem IT-Dienstleister
aktuell nur Entscheider, deren Unternehmen mehr als 10.001 Mitarbeiter Aufbau Team von Data Scientists und
Machine Learning-Experten in Digital Labs 36%
haben. Um diese Ziele zu erreichen, stellt sich die Frage, wie die Unternehmen
Machine Learning in das Unternehmen einführen. Zusammenarbeit mit Universitäten
25%
und Forschungsinstituten
Einführung im Unternehmen
Zusammenarbeit mit Startups 18%
Das strategische Vorhaben, Machine-Learning-Technologien in den eigenen
Einkauf / Bodyleasing von Experten
Produkten oder Dienstleistungen bzw. auch zur internen Optimierung 8% n = 154
über Personalvermittler Mehrfachnennung
nutzen zu wollen, ist die eine Sache. Diese Teams und Technologien jedoch
langfristig und sinnvoll in das Unternehmen zu integrieren, eine andere.
Wie treibt man also in Deutschland diese Integration voran? 60 Prozent
der befragten Unternehmen gehen diese Aufgabe direkt, technisch und Die wichtigste Gruppe von Partnern bei diesen und anderen Themen stellen
zielfokussiert mit dem Aufbau eigener Kompetenzen über interne BI- und mit 75 Prozent IT-Dienstleister für den Bereich Machine Learning dar. Die
Analytics-Abteilungen bzw. der Unternehmens-IT an. 45 Prozent der befrag- Anbieter von Technologien (27 Prozent) selbst müssen nicht nur Rede und
ten Unternehmen setzen hingegen auf externe Berater und Experten. Bei 41 Antwort beim Einkauf stehen, sondern auch weitergehender unterstützen,
Prozent der Befragten ist die Erfahrung von Dienstleistern ein Weg, dieses da oftmals viele technische Details des Angebots wichtig und entscheidend
Problem zu adressieren. Den Aufbau eines neuen Teams auch im Zuge von sind. Die unabhängige Einschätzung zu vielen Themen holen sich die be-
Digital Labs oder einer entsprechenden Unit verfolgen lediglich 36 Prozent. fragten Unternehmen gerne bei Analysten (26 Prozent) ein. Aber auch
Mit Universitäten und Forschungseinrichtungen versuchen ein Viertel der Unternehmensberatungen sind mit 25 Prozent als Informationsquelle und
Unternehmen dieses Problem anzugehen. 18 Prozent der Befragten setzen Sparringspartner gefragt. Die Wissensschmiede und Grundlagenforschung
bei der organisatorischen Aufgabe auf Start-ups. Für den vielleicht nahelie- kann besonders in schwierigen und neuen Technologiebereichen unterstüt-
genden Einkauf von Experten entscheiden sich nur wenige Unternehmen (8 zen. So sehen es auch 21 Prozent und holen sich hier Partner mit an Bord,
Prozent), vermutlich weil hier der Markt recht dünn ist und auch, weil intern um Fragestellungen zu diskutieren.
gute Leute vorhanden sind und diese vielmehr ihr eigenes Wissen durch die
Zusammenarbeit mit Experten von extern erweitern sollen, um langfristig Viele kreative und innovative Ideen zu neuen Technologien finden sich bei
komplett zu übernehmen. Start-ups, und diese suchen wiederum oftmals Erfahrung und starke Partner
aus der Industrie für die eigenen Lösungen und Produkte. Daher sind in 18
Prozent der Nennungen Startups wichtige Partner. Forschungseinrichtungen
befragen lediglich 14 Prozent, und auch Partnerunternehmen werden selten
und in ebenso hoher Nennung hinzugezogen. Dies mag daran liegen, dass die
Partner vielleicht auch gerade erst beim Aufbau der eigenen Kompetenzen
sind und hier nicht entsprechend tief und fundiert unterstützen können.
www.crisp-research.com www.crisp-research.com28 29
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
// Wer sind die wichtigsten Partner bei der Umsetzung Ihrer Machine skalierbar implementiert werden müssen. Zudem besitzt der Data Engineer
Studienergebnisse - Teil 1
Learning-Projekte? ein tiefgehendes Wissen in den Bereichen Software Engineering, verteilte
Systeme und Algorithmen.
IT-Dienstleister 75%
Technologieanbieter Der Data Scientist bedient sich der aufbereiteten und zur Verfügung ge-
27%
stellten Daten, erstellt Analysen, wertet Sachverhalte aus und generiert
Analysten 26% schlussendlich die Modelle für die Produkte und Dienste. Dazu müssen tiefe
mathematische Kenntnisse vorhanden sein und ein profundes Wissen im
Unternehmensberatung 25%
Bereich Künstliche Intelligenz.
// Quelle: © crisp research AG, 2018
Universitäten 21%
// Übersicht Data Scientist, Data Engineer und Platform Operations
Start-Ups 18%
// Quelle: © crisp research AG, 2018
Partnerunternehmen 14% Platform Operator Data Engineer Data Scientist
Forschungseinrichtungen 14% n = 15 4
Mehrfachnennung
Machine Learning
Plattformdesign Big Data Systeme Statistische Daten
Analyse
Softwareentwicklung Datenmanagement
Bayessche Statistik und
Von der Idee zum Produkt Rechnernetzwerke Datenanalyse Datenassimilation
Netzwerkinfrastruktur Datenvirtualisierung Dateninfrastrukturen
Ob mit oder ohne Partner müssen die Lösungen dennoch entwickelt, die und Software
Infrastruktur bereitgestellt und auf Skalierung hin optimiert werden. Um ein IT-Sicherheit Software Engineering Engineering
Projekt im Bereich Machine Learning oder Künstliche Intelligenz entspre- Datenschutz Verteilte Algorithmen Neuronale Netze
chend erfolgreich umzusetzen, benötigt man also entsprechend gut geschulte
personelle Ressourcen. Dazu zählen in der Regel die Data Scientists, die Data API- und API- und Angewandtes Machine
Servicemanagement Servicemanagement Learning
Engineers und eben die Platform Operators. Im Silicon Valley zeichnet sich
noch eine weitere Rolle ab: der sogenannte Beruf des Machine Learning Application Monitoring Application Monitoring Business Analytics
Engineers. Dieser sei jedoch nur der Vollständigkeit halber angeführt und
Application Monitoring
beschäftigt sich mit der eher operativen Seite des Machine Learnings, der
ebenso vom Data Scientist oder dem Data Engineer übernommen werden
kann. Doch welche Aufgaben übernehmen die einzelnen Funktionen? Den richtigen Mix an Fähigkeiten für das eigene Unternehmen zu finden ist
also nicht so einfach. Oftmals wird hier, zum Teil auch strategisch längerfris-
Immerhin sind diese Berufe schon seit einigen Jahren, konkret seit tiger, mit externer Unterstützung gearbeitet. In der Regel kann man mit zwei
Beginn des Big Data Hypes, in aller Munde – und auch in vielen Stellen- bis drei Data Engineers pro Data Scientist rechnen und planen. Sollte es noch
anzeigen zu finden. Zunächst wurde zu Beginn über den Betrieb der härtere Anforderungen im Bereich Big Data geben, kann das Verhältnis auch
IT-Landschaft gesprochen. Dieser wird auch weiterhin von den Platform auf vier bis fünf ausgeweitet werden. Oftmals wird aber gerade diese wichtige
Operators übernommen. Dies beinhaltet alle bekannten Tätigkeiten Rolle des Data Engineers bei der Strategie und der Konzeption vergessen.
rund um den operativen Betrieb von Plattformen und Rechenzentren.
Der Data Engineer erfüllt zunächst eine wichtige Aufgabe im Bereich der Data Scientists sind eine rare Ressource. Selbst wenn Unternehmen an
Data Pipelines oder auch ETL-Prozesse. Ohne Daten in einem Data Lake dieser Stelle keine oder wenig Kompetenz haben und die Entwickler ledig-
nämlich, kann auch ein Experte keine Modelle erstellen. Daher kümmert lich Machine-Learning-as-a-Service-Angebote nutzen, gilt es dennoch, den
sich der Data Engineer um die Prozesse des Datenmanagements inklusive Übergang des Machine-Learning-Modells in den Produktivbetrieb möglichst
des Lifecycle Managements, der Big-Data-Plattform und der verteilten effizient voranzutreiben. In 32 Prozent der befragten Unternehmen wird das
Algorithmen und Systeme, wenn die Modelle dann entsprechend verteilt und Modell als Produkt von den Data Science Teams abgeliefert.
www.crisp-research.com www.crisp-research.com30 31
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Dieses kann dann in die Produkte oder Lösungen integriert werden. Wichtig // In welcher Form / Deliverable liefert Ihr Data Scientist Team die Ergeb-
Studienergebnisse - Teil 1
ist hierbei, auf die Auswahl der Technologie bzw. der Frameworks zu achten, nisse an das Data Engineering für den Produktivbetrieb?
da zwar mehr und mehr Modelle der Frameworks kompatibel und konvertier-
// Quelle: © crisp research AG, 2018
barer werden, dies jedoch erst bei wenigen Frameworks der Fall ist. So kann Als Modell zur direkten Verwendung in Produkten oder Lösungen 32%
man beispielsweise mit TensorFlow lite erzeugte und trainierte Modelle in Als Funktion in einer Programmiersprache 28%
Core-ML-Modelle für die iOS-Plattform von Apple konvertieren und dort
nutzbar machen. Dennoch bietet bisher nur ein kleiner Teil der Tools diese Teil der IoT-Lösung 27%
Möglichkeiten. Und auch Initiativen zu offenen Austauschformaten, wie Notebooks (á la Jython) 26%
beispielsweise ONNX²1, bieten bisher nur für wenige Frameworks, Konver-
Python Script 26%
tierungslösungen oder Laufzeitumgebungen eine Unterstützung an.
Teil einer Branchenlösung/ Digitallösung 25%
Bei 28 Prozent der befragten Unternehmen erfolgt die Übergabe direkt als
Hardware-Komponente 23%
Funktion in einer Programmiersprache. Dies kann sinnvoll sein, wenn die Data
Scientists das mathematische Modell erstellt haben, ein Data-Engineering- oder Wissenschaftliche Paper 22%
Entwicklerteam aber für die Umsetzung auf einer Plattform verantwortlich
R-Script 14%
ist. Die Teams tragen dann dafür Sorge, dass die Modelle auf der Plattform
n = 15 4
letztlich auch skalieren. Oftmals kennen sich diese Teams auf bzw. mit der Mehrfachnennung
Plattform besser aus. In 27 Prozent der Fälle handelt es sich schon um fertige
IoT-Lösungen und in 25 Prozent bereits um eine Branchen- oder Digitallö-
sung, die in den Labs der Unternehmen in cross-funktionalen Teams entsteht. Datenquellen für neue Geschäftsmodelle
Python-Skripte (26 Prozent), Notebooks (26 Prozent) oder auch R-Skripte (14
Prozent) sind ebenso beliebt, wenn auch seltener das Ende der Algorithmen- Ohne Daten nützt jedoch der eleganteste Algorithmus nichts. Nicht zu einem
schmieden. In Hardware gießen 23 Prozent die Machine-Learning-Modelle. einzigen sinnvollen Modell würde man gelangen ohne eine angemessene große
Dies ist generell ein hoher Anteil, in einem stark produzierenden Land wie Menge an Daten. Doch woher können Unternehmen die Daten nehmen, die
Deutschland jedoch nicht verwunderlich. Ebenso verhält es sich mit den für die neuen Use Cases benötigt werden?
wissenschaftlichen Papern. 22 Prozent der Data Science Teams liefern diese
als Ergebnis der eigenen Arbeit ab. Dies zielt sicherlich in Richtung Patentie- Die meisten Unternehmen bleiben ihren bestehenden Datenquellen treu
rung und zum anderen in Richtung Thought Leadership. Fraglich ist, ob diese und entnehmen die Daten ihren etablierten ERP-Systemen – allen voran die
Paper auch veröffentlicht werden oder lediglich intern Verwendung finden. SAP-Systeme. Bei 59 Prozent der befragten Unternehmensentscheider ist
Vielleicht könnte Deutschland der USA und China mit den entsprechenden dies die bevorzugte Datenquelle. Danach folgen bereits die zuvor erwähn-
Veröffentlichungen hier noch den Rang³2ablaufen ten Produktionsdaten. Diese werden in riesigen Mengen und auch in einem
enormen Tempo erzeugt und laden geradezu zu einer Analyse ein. Immerhin
42 Prozent der befragten Entscheider nutzen diese Datenquelle für Machi-
ne-Learning-Verfahren. Ebenso verhält es sich mit den Maschinendaten. 35
Prozent versuchen hier mittels der erzeugten Daten einen Mehrwert für die
Produktion zu erzielen oder die Wartungsintervalle und die Laufzeiten der
Maschinen zu optimieren.
Dass die Digitalisierungswelle volle Fahrt aufgenommen hat, zeigt sich
darin, dass 31 Prozent der Befragten ihre Daten bereits aus IoT-Projekten
2 https://onnx.ai/
3 https://ec.europa.eu/growth/tools-databases/dem/monitor/sites/default/files/DTM_AI%20USA-
beziehen. Damit ist dies bereits die viertwichtigste Datenquelle in deut-
China-EU%20plans%20for%20AI%20v5.pdf schen Unternehmen und damit ein klares Indiz für die digitale Evolution
der Unternehmen in Deutschland. Dass zur Anreicherung und Analyse von
Daten auch externe Datenquellen notwendig sind, zeigen die Antworten
von 30 Prozent der interviewten Studienteilnehmer, die externe Daten als
www.crisp-research.com www.crisp-research.com32 33
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
#03
Quelle für ihre Modelle einsetzen. Exemplarisch lassen sich hier Wetterdaten damit zum Beispiel nicht zu hohe Kosten und zu viele Duplikate entstehen
Studienergebnisse - Teil 1
anführen, die für sehr viele unterschiedliche IoT-Anwendungsfälle benötigt und somit auch Compliance-, Security- und Governance-Themen adressiert
werden. Diese Daten können mittels API von unterschiedlichen Anbietern werden können. Bei der Speicherung gilt es zunächst, nach zwei Möglichkeiten
für Wetterdaten im Pay-Per-Use-Modell bezogen und direkt in die eigene zu unterscheiden. Daten können entweder im On-Premises-Umfeld – also
Anwendung integriert werden. im eigenen oder outgesourcten Rechenzentrum – aufbewahrt werden oder
in der Public Cloud.
Digitale Quellen werden von 29 Prozent der Befragten verwendet. Egal, ob
Webbrowser, App auf dem Smartphone oder Fitnesstracker, Nutzerdaten In beiden Fällen zeigt sich wiederum das SAP-System als eine wertvolle Mög-
werden auf unterschiedliche Art und Weise ständig erhoben und archiviert. lichkeit, Daten dort zu nutzen und aufzubewahren. Im On-Premises-Umfeld
In Deutschland laufen außerdem zahlreiche Bestrebungen für die Bereit- sind es 36 Prozent und im Public-Cloud-Umfeld sogar 64 Prozent. Diese
stellung öffentlicher Datenquellen wie Finanzdaten, öffentlicher Haushalte, Zahlen sind schon enorm beeindruckend, wenn man an die Big-Data-Hy-
Geodaten oder wissenschaftlich erhobene Daten. Die bereits existierenden pe-Zeiten zurückdenkt oder auch an die neuen digitalen Use Cases. Hier
öffentlichen Datenquellen nutzen derzeit 19 Prozent der Entscheider. würde man instinktiv vermuten, dass viele Daten in neuen digitalen Use
Cases erzeugt werden und dementsprechend auf andere Alternativen zur
Eigene Master-Data-Management-Systeme leisten sich immerhin 18 Prozent Speicherung der Daten zurückgegriffen wird. In der Realität sind es jedoch
der Befragten als eine Quelle für Machine-Learning-Daten. Dies ist sicher- erstmal die Daten, die bereits im Unternehmen vorhanden sind. Der Objekt-
lich nicht immer der Hauptgrund für die Etablierung eines solchen Systems speicher folgt hier auf Platz zwei. Mit 41 Prozent im Public-Cloud-Umfeld
gewesen, aber auf jeden Fall ein guter Anlass, dieses Unterfangen endlich sind die Hersteller gut für die Aufbewahrung von Daten positioniert. Aber
in Angriff zu nehmen. Das Schlusslicht bilden mit 11 Prozent die klassischen auch im On-Premises-Umfeld sind Objektspeicher mit 18 Prozent eine gern
Data-Warehouse-Systeme. Diese stellen also nur bedingt Daten für die genutzte Technologie.
aktuellen Anwendungsfälle bereit.
Im On-Premises-Bereich folgt das Hadoop Cluster mit 12 Prozent und dann
// Aus welchen Quellen stammen die Daten Ihres Machine-Learning- erst das Data Warehouse mit 11 Prozent. Im Public-Cloud-Bereich genießen
Projektes? moderne Data-Warehouse-Lösungen der Anbieter anscheinend mehr Ver-
trauen und kommen hier mit 23 Prozent deutlich vor dem Hadoop Cluster
SAP 59%
// Quelle: © crisp research AG, 2018
mit 19 Prozent zum Einsatz. Dennoch sind auch hier die SAP-Systeme der
Produktionsdaten 42% Dreh- und Angelpunkt in deutschen Unternehmen.
Machinendaten 35%
// Wo erfolgt die Speicherung der Daten für den Machine Learning
IoT-Projekte 31% Workflow?
// Quelle: © crisp research AG, 2018
Externe Datenquellen 30%
Objektspeicher 21%
Digitale Quellen 29%
Hadoop Cluster 25%
Cloud
Öffentliche Datenquellen 21% SAP 7%
Enterprise Systeme 19% Data Warehouse 14%
Master Data Management Systeme 18%
Objektspeicher 18%
On Premise
Data Warehouse Systeme 11% n = 15 4 Hadoop Cluster 12%
Mehrfachnennung
SAP 36%
n = 154
Data Warehouse 11% Mehrfachnennung
Nachdem man im Unternehmen die Quelle von wertvollen Daten identifiziert
und nutzbar gemacht hat, geht es darum, diese auch sinnvoll zu speichern,
www.crisp-research.com www.crisp-research.com34 35
Machine Learning in deutschen Unternehmen Machine Learning in deutschen Unternehmen
Prognose Digitale Wertschöpfung von Machine Learning
Basierend auf den Ergebnissen der vorliegenden empirischen Erhebung hat
Crisp Research eine erste Prognose des Wertschöpfungsanteils von Machine
Learning an den digitalen Produkten und Lösungen der führenden deutschen
Unternehmen vorgenommen (TOP 100).
#04
So werden nach Einschätzung der befragten Entscheider im Jahr 2020 schon
rund 61 Milliarden Euro an digitaler Wertschöpfung auf den Einsatz von
Machine Learning und intelligenten Algorithmen zurückzuführen sein. Eine
immense Größe, wenn man bedenkt, dass in vielen Unternehmen der Einsatz
von Machine Learning und Künstlicher Intelligenz gerade erst begonnen hat.
Special Report
// Market Forecast - Wertanteil von Machine Learning
// Quelle: © crisp research AG, 2018
*3000
*25 104
79
61
27 359 416
13 303
*20 169
98
*15
1960 1989 2019 2049 2080
*10 Wirtschaftswachstum von 1,5%
p.a. der Top 100 Unternehmen
*5 Wertanteil Machine Learning
Umsatzanteil digitaler Produkte
Umsatz Bill.
*Bill. €
Die Annahmen und der Kontext der Prognose lauten wie folgt:
• Ausgangsbasis ist der aggregierte Konzernumsatz der TOP-100-Unter-
nehmen in Deutschland.
• Das Umsatzwachstum der kommenden Jahre wurde auf Basis der kon-
junkturellen Entwicklung mit 1,5 Prozent pro Jahr angenommen.
• Der Anteil des „Digital-Umsatzes” (digitale Produkte, Lösungen, Ge-
schäftsmodelle) wurde als Konsensus aus 4 empirischen Erhebungen
zur digitalen Transformation in deutschen Unternehmen gebildet und
entwickelt sich von 5 Prozent in 2018 auf 20 Prozent in 2022.
www.crisp-research.com www.crisp-research.comSie können auch lesen
