Die wachsende Bedeutung von KI und ML in BI

Das Wichtigste in Kürze:
– KI und ML sind keine Buzzwords mehr – Augmented Analytics, NLP und prädiktive Modelle sind produktiv einsetzbar
– Make or Buy: Eigene Modelle kosten im Mittelstand schnell 300.000+ EUR in 6 Monaten – Personal dominiert die Rechnung
– b-imtec-Entscheidung: Buy – Partnerschaft mit Data Courage liefert erprobte KI-Bausteine ohne Data-Science-Team
– Microsoft Azure bietet die technische Basis, aber der Implementierungsaufwand wird häufig unterschätzt
– Für den Mittelstand gilt: Erst Datenbasis sauber machen, dann KI-Bausteine ergänzen – nicht umgekehrt

Die Integration von Künstlicher Intelligenz (KI) und Machine Learning (ML) in Business-Intelligence-Tools (BI) hat in den letzten Jahren stark zugenommen. Diese Technologien ermöglichen es Unternehmen, große Datenmengen effizient zu analysieren, Muster zu erkennen und fundierte Vorhersagen zu treffen. Hier sind einige der wichtigsten Anwendungsfälle:

Augmented Analytics

Durch KI-gestützte automatisierte Datenanalyse werden Erkenntnisse generiert, die bisher nur von Datenwissenschaftlern erzielt werden konnten.

Praxisbeispiel: Ein Einzelhandelsunternehmen nutzt Augmented Analytics, um Verkaufstrends vorherzusagen und Bestände entsprechend zu optimieren, was zu einer Reduzierung von Lagerkosten führt.                                                     

Natürliche Sprachverarbeitung (NLP/NLQ)

Diese Technologien ermöglichen es Benutzern, komplexe Datenabfragen durch einfache Spracheingaben zu stellen.

Praxisbeispiel: Ein Vertriebsleiter kann mithilfe von NLP und NLQ einfachfragen: „Wie waren unsere Verkaufszahlen im letzten Quartal?“ und sofort eine detaillierte Analyse erhalten.

Prädiktive Analytik

Bietet Vorhersagen über zukünftige Trends und Ereignisse, um proaktive Geschäftsentscheidungen zu treffen.

Praxisbeispiel: Ein Finanzdienstleister verwendet prädiktive Analytik, um Kreditrisiken zu bewerten und geeignete Maßnahmen zur Risikominimierung zu ergreifen.

Make or Buy? Eigenes Modell entwickeln oder fertige bewährte Modelle nutzen

Unternehmen stehen oft vor der Entscheidung, ob sie eigene KI- und ML-Modelle entwickeln (Make) oder bewährte, fertige Modelle nutzen sollen (Buy). Diese Entscheidung hängt von vielen Faktoren ab, darunter spezifische Geschäftsanforderungen, Ressourcenverfügbarkeit, Zeitdruck und langfristige Strategien.

Vorteile und Nachteile des „Make“-Ansatzes

„Make“ (Eigenes Modell entwickeln)

Vorteile:

• Maßgeschneiderte Lösungen: Eigene Modelle können speziell auf die Bedürfnisse und Anforderungen des Unternehmens zugeschnitten werden.
• Eigentum und Kontrolle: Volle Kontrolle über die Modellentwicklung, Anpassung und Verbesserung.
• Wettbewerbsvorteil: Ein einzigartiges Modell kann zu einem bedeutenden Wettbewerbsvorteil führen.

Nachteile:

• Hohe Kosten und Ressourcenbedarf: Entwicklung eigener Modelle erfordert erhebliche Investitionen in Fachpersonal, Zeit und Infrastruktur.
• Komplexität und Risiko: Höheres Risiko von Fehlschlägen und technischen Herausforderungen.

Notwendige Skills und Technik für den „Make“-Ansatz

1. Datenwissenschaft (Data Science)

2. Kenntnisse in Statistik und Mathematik

3. Programmierfähigkeiten (Python, R)

4. Kenntnisse in ML-Algorithmen

5. Datenengineering

6. Datenverarbeitung und -reinigung (ETL)

7. Kenntnisse in Datenbanken (SQL, NoSQL)

8. Softwareentwicklung

9. Software-Engineering-Prinzipien

10. API-Entwicklung

11. Infrastruktur und DevOps

12. Cloud-Plattformen (AWS, Google Cloud, Azure)

13. Containerisierung und Orchestrierung (Docker, Kubernetes)

14. CI/CD (Continuous Integration/Continuous Deployment)

15. Business User

16. Verständnis für Geschäftsprozesse und Anforderungen

17. Fähigkeit, Anforderungen klar zu kommunizieren und Ergebnisse zu interpretieren
18. Zusammenarbeit mit Data Scientists und Entwicklern zur Validierung und Implementierung von Modellen
19. Nutzung von BI-Tools zur Erstellung von Berichten und Dashboards

Kostenaufstellung für die Entwicklung eigener Modelle

Angenommen, ein mittelständisches Unternehmen möchte ein prädiktives Modell zur Verkaufsprognose entwickeln. Hier ist eine grobe Kostenaufstellung, wobei wir davon ausgehen, dass der Business User keine zusätzlichen Kosten verursacht: 

Annahmen

Team: 2 Datenwissenschaftler, 1 Dateningenieur, 1 Softwareentwickler, 1 DevOps-Ingenieur

Zeitraum: 6 Monate Entwicklungszeit

Personalnebenkosten: 25% der Bruttolöhne

Kostenaufstellung

Personalkosten

• Datenwissenschaftler: 2 Personen x 6 Monate x 8.000 EUR/Monat = 96.000 EUR
• Dateningenieur: 1 Person x 6 Monate x 7.000 EUR/Monat = 42.000 EUR
• Softwareentwickler: 1 Person x 6 Monate x 7.000 EUR/Monat = 42.000 EUR
• DevOps-Ingenieur: 1 Person x 6 Monate x 7.500 EUR/Monat = 45.000 EUR

Gesamtkosten Bruttolöhne: 225.000 EUR

Personalnebenkosten (25% der Bruttolöhne)

25% von 225.000 EUR = 56.250 EUR

Gesamtkosten Personal inkl. Nebenkosten: 225.000 EUR + 56.250 EUR = 281.250 EUR

Kostenaufstellung bei der Entwicklung auf Microsoft Azure

Wir haben hier einmal exemplarisch die möglichen Kosten mit den wesentlichen Komponenten und deren geschätzte Kosten:

Azure Virtual Machines: Für Rechenleistung und Modelltraining

• Beispiel: Standard_D8s_v3 (8 vCPUs, 32 GB RAM)
• Kosten: Ca. 0,40 EUR/Stunde
• Nutzung: 2 VMs x 8 Stunden/Tag x 22 Tage/Monat x 6 Monate = 2.112 Stunden

Gesamtkosten: 2.112 Stunden x 0,40 EUR = 844,80 EUR/VM

Gesamtkosten für 2 VMs: 2 x 844,80 EUR = 1.689,60 EUR

Azure Storage: Für Datenlagerung (z.B. Blob Storage)

• Kosten: Ca. 0,02 EUR/GB/Monat
• Datenvolumen: 5 TB (5000 GB)
• Nutzung: 6 Monate

Gesamtkosten: 5.000 GB x 0,02 EUR x 6 Monate = 600 EUR

Azure Machine Learning Service: Für Modellentwicklung und -management

• Kosten: Grundgebühr + Compute
• Beispiel: Basic Plan (kostenlos), Compute (wie oben beschrieben)
• Zusätzliche Kosten: Für Managed Endpoints und andere Services ca. 200 EUR/Monat

Gesamtkosten: 200 EUR/Monat x 6 Monate = 1.200 EUR

Azure SQL Database: Für strukturierte Daten

• Beispiel: Standard Tier, S3 (100 DTUs)
• Kosten: Ca. 0,25 EUR/DTU/Stunde
• Nutzung: 100 DTUs x 24 Stunden x 30 Tage/Monat x 6 Monate = 432.000 DTU-Stunden

Gesamtkosten: 432.000 DTU-Stunden x 0,25 EUR/DTU/Stunde = 1.080 EUR

Netzwerk- und Datenübertragungskosten

Kosten: Geschätzt ca. 500 EUR

Sonstige Softwarelizenzen und Tools

Entwicklungs- und Datenverarbeitungstools (z.B. Visual Studio, Databricks)

Kosten: 10.000 EUR

Gesamtkosten Technik

• Azure Virtual Machines: 1.689,60 EUR
• Azure Storage: 600 EUR
• Azure Machine Learning Service: 1.200 EUR
• Azure SQL Database: 1.080 EUR
• Netzwerk- und Datenübertragungskosten: 500 EUR
• Sonstige Softwarelizenzen und Tools: 10.000 EUR

Gesamtkosten Technik: 1.689,60 EUR + 600 EUR + 1.200 EUR + 1.080 EUR + 500 EUR + 10.000 EUR = 15.069,60 EUR

Zusammenfassung der Gesamtkosten

Personalkosten

Gesamtkosten Personal inkl. Nebenkosten: 281.250 EUR

Technikkosten auf Microsoft Azure

Gesamtkosten Technik: 15.069,60 EUR

Sonstige Kosten

Schulungen und Weiterbildung: 5.000 EUR

Gesamtkosten

Total: 281.250 EUR (Personal inkl. Neben) + 15.069,60 EUR (Technik) + 5.000 EUR (Sonstige) = 301.319,60 EUR

Microsofts Versprechen und die damit verbundenen Aufwände

Microsoft bietet mit Azure eine umfassende Cloud-Plattform, die zahlreiche Dienste für KI und ML umfasst. Dazu gehören vorgefertigte Modelle, die sofort einsatzbereit sind, sowie Tools zur Entwicklung eigener Modelle. Auch wenn Microsofts Angebote vielversprechend sind, entstehen dennoch nicht unerhebliche Aufwände, wenn man diese nutzen möchte.

Vorteile der Nutzung von Microsoft Azure

• Schnellere Implementierung: Vorbereitete Dienste und Modelle ermöglichen eine schnellere Umsetzung.
• Skalierbarkeit: Azure bietet eine skalierbare Infrastruktur, die flexibel an die Anforderungen des Unternehmens angepasst werden kann.
• Integrationsmöglichkeiten: Nahtlose Integration in bestehende Microsoft-Produkte und -Services.

Herausforderungen und Aufwände

• Kosten: Cloud-Dienste sind oft mit laufenden Kosten verbunden, die bei intensiver Nutzung erheblich sein können.
• Know-how: Auch bei der Nutzung von Microsoft-Diensten ist spezialisiertes Wissen erforderlich, um die Dienste effizient zu implementieren und zu betreiben.
• Anpassungsaufwand: Vorbereitete Modelle müssen möglicherweise angepasst und optimiert werden, um die spezifischen Anforderungen des Unternehmens zu erfüllen.

Fazit zum Einsatz der Microsoft-Technik

Die Integration von KI- und ML-Technologien auf Microsoft Azure bietet viele Vorteile, darunter schnelle Implementierung und Skalierbarkeit. Dennoch entstehen dabei erhebliche Aufwände und Kosten, die sorgfältig abgewogen werden müssen. 

Unsere Entscheidung, den Buy-Ansatz zu verfolgen und auf die bewährten Lösungen von Data Courage zu setzen, ermöglicht es uns, die Vorteile von KI und ML effizient zu nutzen und gleichzeitig Kosten und Risiken zu minimieren.

Unser Ansatz: „Buy“ und Partnerschaft mit Data Courage

Nach sorgfältiger Abwägung der „Make or Buy“-Entscheidung haben wir uns für die Partnerschaft mit Data Courage entschieden. Data Courage bietet spezialisierte KI- und ML-Lösungen, die optimal auf die Geschäftsanforderungen unserer Kunden abgestimmt sind. Durch diese Partnerschaft können wir folgende Vorteile nutzen:

• Erprobte Expertise: Data Courage verfügt über umfangreiche Erfahrung und Fachwissen in der Entwicklung und Implementierung von KI- und ML-Lösungen.
• Kosteneffizienz: Anstatt erhebliche Ressourcen in die Entwicklung eigener Modelle zu investieren, können wir bewährte Lösungen von Data Courage nutzen, was die Gesamtkosten reduziert.
• Schnelle Implementierung: Die Zusammenarbeit mit Data Courage ermöglicht eine schnellere Umsetzung unserer KI- und ML-Initiativen, wodurch wir schneller von den Vorteilen profitieren können.
• Anpassbare Lösungen: Data Courage bietet maßgeschneiderte Lösungen, die auf unsere spezifischen Bedürfnisse zugeschnitten sind und flexibel angepasst werden können.

Beispiel für Data Courage Leistungen:

Data Courage bietet eine Vielzahl an KI- und ML-Dienstleistungen, darunter:

• Predictive Analytics: Vorhersage zukünftiger Trends und Ereignisse zur Unterstützung proaktiver Geschäftsentscheidungen.
• Customer Intelligence: Detaillierte Analyse des Kundenverhaltens zur Steigerung der Kundenzufriedenheit und -bindung.
• Sales & Demand Forecasting: Prognose von Verkaufs- und Nachfrageentwicklungen zur Optimierung der Bestandsverwaltung und Vertriebsstrategien.
• Fraud Detection: Identifikation und Prävention von betrügerischen Aktivitäten durch Anomalieerkennung und Musteranalyse.
• Churn Prediction: Analyse zur Vorhersage von Kundenabwanderung, um gezielte Maßnahmen zur Kundenbindung zu ergreifen.
• Recommendation Engines: Entwicklung von Empfehlungssystemen zur Personalisierung von Angeboten und Steigerung des Umsatzes.
• Natural Language Processing (NLP): Verarbeitung und Analyse natürlicher Sprache zur Verbesserung von Kundeninteraktionen und Serviceleistungen.

Diese Lösungen ermöglichen es uns und unseren Kunden, fundierte Entscheidungen zu treffen und ihre Effizienz zu steigern, ohne die erheblichen Aufwände und Risiken, die mit der Entwicklung eigener Modelle verbunden sind.

Weitere Anbieter und ihre Angebote

Andere Cloud-Anbieter (GCP, AWS, IBM Watson) bieten vergleichbare Dienste – für den Microsoft-fokussierten Mittelstand sind sie selten die erste Wahl. b-imtec konzentriert sich auf das Microsoft-Ökosystem (Azure, Fabric, Power BI) und die Data-Courage-Partnerschaft.

Fazit

Die Entwicklung eigener KI- und ML-Modelle erfordert erhebliche Investitionen in qualifiziertes Personal und technische Infrastruktur. Unternehmen müssen diese vollständigen Kosten gegen den potenziellen Nutzen und Wettbewerbsvorteil abwägen, den maßgeschneiderte KI- und ML-Modelle bieten könnten. 

Unsere Entscheidung, auf die bewährten Lösungen von Data Courage zu setzen, ermöglicht es uns, die Vorteile von KI und ML effizient anzubieten – ohne eigene Ressourcen für Modellentwicklung zu binden und so gleichzeitig Kosten und Risiken zu minimieren. So bieten wir unseren Kunden State-of-Art-Technologie zu einem angemessenen Kosten-Nutzen-Verhältnis. Wer mehr über die technische Basis erfahren möchte: Microsoft Fabric bildet die moderne Daten- und Analyseplattform, auf der viele unserer KI-Projekte aufsetzen.

Häufige Fragen zu KI und ML in BI

Was kostet es wirklich, ein eigenes KI-Modell zu entwickeln?
Im Mittelstand sind 250.000–350.000 EUR für 6 Monate ein realistischer Rahmen – dominiert von Personalkosten für Data Scientists, Data Engineers und DevOps. Hinzu kommen Cloud-Kosten und Schulungen. b-imtec hat das durchgerechnet und rät fast immer zu Buy-Ansätzen.

Was liefert Data Courage konkret?
Data Courage bietet vorgefertigte KI-Module: Customer Intelligence, Sales Forecasting, Churn Prediction, Anomalieerkennung. Diese werden an bestehende BI-Systeme angebunden – kein eigenständiger KI-Stack nötig. b-imtec implementiert und wartet.

Brauche ich für KI in BI ein Data Warehouse?
Ja. Ohne saubere, zentrale Datenbasis arbeiten KI-Modelle auf schlechtem Input – und produzieren schlechten Output. b-imtec baut zuerst das Fundament, dann die KI-Schicht.

Was ist der Unterschied zwischen Augmented Analytics und klassischem BI?
Klassische BI zeigt, was war. Augmented Analytics erkennt Muster und gibt Hinweise, warum etwas passiert ist oder was wahrscheinlich passieren wird – automatisch, ohne manuelle Analyse. Der Nutzer bekommt Erkenntnisse statt Rohdaten.

Mehr zu unserem KI-Partner auf der Data Courage-Seite. Alle BI-Lösungen im Zusammenspiel – von Analytics bis KI-Bausteine – gibt es auf unserer BI-Lösungsseite.