Künstliche Intelligenz im Kontext des Stammdatenmanagements

Doch welchen Einfluss hat das Fortschreiten der KI auf diese Disziplinen? Und wie lassen sie sich fit für die Zukunft machen? Insbesondere der künstlichen Intelligenz (KI) wird großes disruptives Potenzial zugesprochen.

Allerdings lässt sich feststellen, dass sich das Verständnis von KI in einem kontinuierlichen Wandel befindet, da sich die Grenze von dem, was wir Maschinen und Computern zutrauen, ständig verschiebt.

Aktuell konzentriert sich die Wissenschaft hierbei auf die Nachahmung spezieller menschlicher Fähigkeiten wie etwa die Steuerung von Bewegungen (Robotics), die Wahrnehmung der Umgebung (Machine Perception) und das Verstehen von Emotionen (Affective Computing).

Im Kontext des Stammdatenmanagements wiederum ist das maschinelle Lernen (ML) eine der relevantesten Künstliche-Intelligenz-Fähigkeiten.

Datenkonsistenz durch KI

Die Daten-Validierung, basierend auf intelligenten ML-Systemen, steht hier besonders im Fokus. Diese Systeme erkennen inkonsistente Daten, zum Beispiel sogenannte Ausreißer, ohne dass dafür im Vorfeld klare Regeln definiert wurden.

Eine weitere Einsatzmöglichkeit für KI im Datenmanagement ist die Stammdatenpflege an sich. Wie es bisher ohne den Einsatz von KI gemacht wird: In Stammdaten-Tools wie etwa SAP MDG (Master Data Governance) lassen sich Geschäftsregeln definieren, die den Nutzer bei der Eingabe der Daten unterstützen und eine hohe Datenqualität gewährleisten. Die größte Herausforderung dabei ist es, dass jede anzuwendende Regel klar definierbar und von erfahrenen Anwendern hergeleitet werden muss.

In jedem Unternehmen gibt es Kollegen, die ein Datenblatt prüfen und intuitiv erkennen, dass etwas nicht stimmt. Meist können sie allerdings nicht genau begründen, warum das so ist, und ihre Annahme erst recht nicht in eine definierte Regel fassen.

Genau diese Fähigkeit ist es, die aus normalen Anwendern Datenexperten macht. Mithilfe von KI lässt sich ein System darauf trainieren, diese Fähigkeit zu adaptieren und basierend auf den Trainings durch maschinelles Lernen inkonsistente Daten zu erkennen – ohne dafür vorab definierte Regeln zugrunde legen zu müssen.

Als anschauliches Beispiel für die Fähigkeiten eines solchen KI-Systems dient im Folgenden ein einfaches Material mit seinen Dimensionen in Länge, Breite und Höhe. Es ist äußerst komplex oder gar unmöglich, in einer definierten Regel zu beschreiben, wie die Relation dieser drei Werte sein soll, obwohl jedem bewusst ist, dass gewisse Kombinationen dieser Werte im eigenen Produktportfolio valide sind und andere nicht.

KI und insbesondere das maschinelle Lernen ermöglichen es, genau dieses Verhältnis zu prüfen, basierend auf dem jeweiligen Produktportfolio und nicht auf einem konkreten Regelwerk.

ML-Systeme erstellen einen Algorithmus, der konsistente sowie inkonsistente Modellkombinationen aus bisherigen Datensätzen erlernt und somit nach einiger Zeit des Trainings neue Stammsätze validieren kann und Warnungen ausspricht.

Wenngleich der KI-Algorithmus sowie das Training der Modelle nicht im SAP MDG selbst ausgeführt werden, beispielsweise auf einem R-Server, so ist die Validierung bei der Neuerfassung von Stammsätzen voll in das MDG integrierbar, sodass sich diese über das MDG-Validierungs-Framework ausführen lassen.

Für den Anwender ist es damit nicht zu unterscheiden, ob die Daten durch eine klassische Geschäftsregel oder ein KI-Modell validiert wurden.

S/4-Transformation: KI kann helfen

Ein großes Thema in SAP-Umgebungen sind momentan zweifelsfrei S/4-Transformationsprojekte. Insbesondere jene, bei denen mit der Einführung eines neuen SAP-S/4-­Hana-Systems eine ERP-Harmonisierung einhergeht.

Als besondere Herausforderung bei solchen Harmonisierungs- und Transformationsprojekten gilt neben der Standardisierung von Prozessen auch die Harmonisierung der Daten.

Oftmals sind jene ERP-Systeme über Jahrzehnte gewachsen, wurden durch verschiedene Personen und Partner erweitert und sind daher meist sowohl bezüglich der Prozesse als auch der Daten sehr heterogen.

MDM-Teams sind bei diesen Initiativen von zentraler Bedeutung und stellen sicher, dass die Stammdaten der Systeme zusammengeführt und fortan nachhaltig verwaltet werden. Maschinelles Lernen kann hier als Ergänzung zu den klassischen ETL-Anwendungen (Extract, Transfer, Load) eine wichtige Rolle einnehmen – zum Beispiel beim Mapping der Daten.

Anstatt die exakten Mapping-Logiken vorzugeben (Daten + Regel = Mapping), ermöglichen ML-Applikationen ein optimiertes Mapping auf Basis von Trainingsdaten (Daten + Training = Mapping). Die eigentlichen Regeln rücken dabei in den Hintergrund.

Für die Konsolidierung von Kunden- und Lieferantendaten existieren bereits erste ML-basierte Standardsoftware-Lösungen. Auch bei der Harmonisierung der Stammdaten helfen ML-Ansätze dabei, Werte zu harmonisieren. Ein Beispiel dafür ist die Auswertung transaktionaler Lieferantendaten zur Ermittlung von optimalen Zahlungsbedingungen.

Chatbot: Die neue Stammdatenpflege

Auch MDM-System-Anwender erwarten, dass die Stammdatenapplikationen technologisch Schritt halten. User Experience und System-Performance sind dabei maßgeblich für deren Akzeptanz. Insbesondere in Bezug auf die User Experience müssen sich MDM-Applikationen dem Vergleich mit privaten Smartphone-Apps stellen – und ziehen meist den Kürzeren.

Benutzer wünschen heutzutage, dass sich Stammdaten mit ein paar Klicks pflegen lassen. Eine Konfrontation mit einer großen Anzahl von Stammdatenfeldern wird immer öfter kritisch hinterfragt.

Persönliche Assistenten, die auf maschinellem Lernen basieren, ermöglichen ein ganz neues Erlebnis für den Anwender. Sie nutzen meist Speech-to-Text- und Natural-Language-Understanding-Algorithmen.

Was für Nutzer normalerweise mehrere Klicks und Eingaben bedeutet, lässt sich so über einen einfachen Sprachbefehl oder einen Chateintrag erledigen. Bei Fragen bieten persönliche Assistenten über Buttons, Auswahlfelder und -werte Hilfestellung oder erfassen das Benutzer-Feedback zu neuen Funktionen oder der Performance.

Ein weiterer Vorteil: Sie ermöglichen die Stammdatenpflege unter Verwendung von Business-Sprache, ohne dabei spezifisch auf den Identifikationsschlüssel (Customizing- Wert) eingehen zu müssen.

Unternehmen, die mit meist kleinen Anwendungsfällen die Vision einer KI-basierten Stammdatenpflege verfolgen, nehmen eine Vorreiterstellung ein. Use Cases sind Mangelware, und auch auf MDM-Fachveranstaltungen spielt KI nur eine untergeordnete Rolle. Dennoch besteht ein ständig wachsendes Interesse an dem Thema.