Wie Machine Learning das Master Data Management optimieren kann
Mit dem fortschreitenden Wandel hin zum intelligenten und datengetriebenen Unternehmen wachsen auch die Anforderungen an ein hochqualitatives Master Data Management (MDM). Wir erklären, welche Herausforderungen dabei bestehen und wie Machine Learning (ML) und Künstliche Intelligenz (KI) dafür gewinnbringend eingesetzt werden können.
MDM-Herausforderungen mit ML und KI bewältigen
In zahlreichen mittelgroßen und großen Unternehmen sind Support-Prozesse, wie z.B. MDM, ausgelagert in Shared-Service-Center. Dies führt allerdings sowohl zu Wissensverlust und komplexerer Kommunikation aufgrund der Teilhabe mehrerer Parteien als auch zu Schwierigkeiten bei der Master Data Governance. Ein effizientes MDM wird somit erheblich eingeschränkt. Um diese und weitere Probleme zu umgehen und zu einem optimierten sowie zentralisierten Master Data Management zu gelangen, existieren mehrere Ansatzpunkte:
- Zusammenführen verschiedener Systeme: Durch ein suboptimales MDM werden in Unternehmen häufig mehrere Daten zu ein und derselben Entität (z.B. ein Produkt oder ein Kunde) in verschiedenen Systemen gepflegt. Daher müssen auf dem Weg zu einem zentralisierten MDM Einträge verschiedener Systeme zusammengeführt werden. Ein KI-gestützter intelligenter Datenabgleich („Data Matching“ bzw. „Record Linking“) erleichtert hier das automatisierte Auffinden verwandter Datensätze in unterschiedlichen Systemen.
- Anlegen neuer Einträge: Gibt beispielsweise ein Interessent eine Bestellung auf und soll nun als Kunde in die Stammdaten gepflegt werden, können mit ML fehlende Einträge automatisiert aus anderen (internen und externen) Datenquellen ergänzt werden. Dadurch werden die manuelle Arbeit drastisch reduziert und Zeitverzögerungen verhindert, was insbesondere im E-Commerce-Bereich oft entscheidend ist.
- Sichern der Datenqualität: KI-Systeme können dabei unterstützen, bestehende Masterdaten regelmäßig auf Richtigkeit, Plausibilität und Duplikate zu überprüfen. Zugriff auf die vergangene (manuelle) Korrektur-Historie hilft diesen Systemen darüber hinaus, typische Fehler automatisiert zu korrigieren.
Wie sieht der Implementierungsprozess von KI im MDM aus?
An erster Stelle steht die Analyse der individuellen MDM-Ausgangslage des Unternehmens. Darauffolgend wird eine Roadmap entwickelt, die aufzeigt, welche Anwendungsfälle mit ML/KI unterstützt werden können und in welcher Reihenfolge ihre Optimierung vorzunehmen ist. Als nächstes werden Anwendungsfälle ausgewählt und Konzepte zur Umsetzung entworfen. Abschließend steht die Entwicklung von ML-Prototypen in Bezug auf die ausgewählten Anwendungsfälle. Sofern diese erfolgreich sind, kann eine skalierte Implementierung begonnen werden.
Frühzeitiges Handeln sichert Vorteile
Es ist entscheidend, dass sich Unternehmen möglichst früh Gedanken über potenzielle Use Cases von ML/KI im Master Data Management machen. Je früher dies geschieht, desto schneller entsteht eine optimierte Datenbasis für zukünftige Entscheidungen sowie ein Vorsprung gegenüber Unternehmen mit einem suboptimalen MDM. Darüber hinaus wird der zukünftige Datenpflegeaufwand erheblich reduziert und Mitarbeiter können sich durch freiwerdende Kapazitäten um andere wertsteigernde Aufgaben kümmern.
