Optimization Analytics

Die Optimierung beschreibt ein perfekt ausbalanciertes System zu einem bestimmten Zeitpunkt. Sie definiert sich als das Verhältnis aus Energie- und Informationseingabe in das System und der daraus resultierenden Energie- und Informationsausgabe desselben.

Ein System kann dabei eine beliebige Einheit sein, die aus dynamischen Variablen aufgebaut ist. In diesem Sinne sind Menschen ebenso Systeme wie Maschinen und Prozesse oder jede skalierte Kombination davon. Je geringer der Wartungsaufwand und je stabiler das System, desto weniger Energie verbraucht es bei gleicher Leistung. Eine Einheit, die den gleichen Output mit weniger Energie und Information erzeugt, ist offensichtlich ein produktiveres System. Das gleiche Prinzip gilt natürlich für jedes Unternehmen.

Ein zentraler Aspekt der Systemoptimierung sind Störungen in Form von Ereignissen, die sich auf das Gleichgewicht der Systeme auswirken. Eine Schlüsselfrage bei der Optimierung komplexer Systeme lautet daher: Was ist die inhärente Reaktion auf eine Störung oder Trendänderung von außerhalb oder innerhalb des Systems, und wann kann sie zum Zusammenbruch desselben führen? Und weiter: Wie viel Ausfallsicherheit muss in ein System eingebaut werden, um es stabil zu halten und widerstandsfähig zu machen? Und schließlich vermutlich die wichtigste Frage überhaupt: wie muss das System beschaffen sein, dass es aus der Umgebung und sich selbst lernen und sich verbessern und anpassen kann?  

Das Hauptproblem bei der Optimierung von komplexen Unternehmenssystemen sind Einschränkungen unterschiedlichster Art. Diese müssen daher vor dem Beginn einer maschinellen Optimierung berücksichtigt werden.

Die aktive datenbasierte Modellierung von Rand-Bedingungen ermöglicht es, Systeme so zu entwerfen, dass sie auch sehr seltene und komplexe Störungen und Einflüsse von außen viel besser verarbeiten als klassische Methoden. Sie sind gegenüber unerwarteten Ereignissen viel widerstandsfähiger und passen sich automatisch an ihre Umgebung an.

Die Experten unseres Steering Labs haben ein umfangreiches Optimization Analytics Framework mit dem Namen OPTAAURUM entwickelt. Es kombiniert klassische Operations-Research-Modelle mit modernster Big-Data- und Machine-Learning(BDML)-Systemmodellierung.

OPTAAURUM hat sich gegenüber klassischen Operations-Research-Ansätzen als weit überlegen und kostengünstiger für viele komplexe Optimierungsprobleme erwiesen.

Big Data und Machine Learning machen den Unterschied zum klassischen Operations Research aus. Die BDML-Modellierung kann sehr ereignisresistente Systeme formen. Je komplexer das System ist, desto mehr BDML-basierte Optimierungsansätze sind erforderlich, um stabile und energieeffiziente Systeme zu konzipieren. Das können Transportsysteme oder komplexe Informationsmanagementsysteme sein. Der größte Hebel bei der Optimierung liegt aber immer in der Veränderung der Randbedingungen – ein Fakt, der leider meist vernachlässigt wird und den Horváth Digital durch die perfekte Zusammenarbeit von Beratern und Data Scientists maximal zu nutzen weiß.

Dynamische Preissetzung sind ein sehr wichtiges Feld, in dem sich BDML-basierte Optimization Analytics als überlegen erwiesen hat. In Kombination mit KI-Modellen haben wir äußerst effektive Preis- und Werbemodelle für Tausende von Produkten über beliebige Vertriebskanäle hinweg entwickelt.

Predictive Systems Maintenance ist ein weiteres wichtiges Optimierungsgebiet und beschreibt die Kombination von zwei BDML-Lösungsdomänen: Predictive Analytics und Optimization Analytics. Die Herausforderung besteht dabei nicht darin, vorherzusehen, dass ein System ausfällt, sondern welcher Teil des Systems, wann und warum ausfällt. Dies ist ein Quantensprung in der prädiktiven Wartung und eine Voraussetzung für die Eigenpflege (Self-Caring Machines) von Maschinen.

Business Cases zur quantitativen Optimierung sind eindeutig und leicht zu validieren. Die dahinterstehenden Modelle und Algorithmen sind jedoch komplex und ähneln Black Boxes. Darüber hinaus liefern viele der Modelle aus menschlicher Sicht kontraintuitive Ergebnisse, beispielsweise bei der Personaloptimierung. Deshalb werden diese Lösungen oft als mystisch oder sogar unheimlich empfunden. Dies ist eine emotionale Wahrnehmung, die leider häufig dazu führt, dass erhebliche Optimierungspotenziale in Prozessen nicht gehoben werden.