KI in der Datenanalyse und Softwareentwicklung: praktische Anwendungen für Unternehmen
Bei Cloud Levante haben wir eine LinkedIn-Umfrage gestartet, um die wichtigsten Einsatzbereiche von KI bei der Arbeit herauszufinden. Die Ergebnisse zeigten einen Gleichstand zwischen Datenanalyse (33 %) und Programmierung und Entwicklung (33 %), gefolgt von Texterstellung und Inhalten (17 %) und Aufgabenautomatisierung (17 %).
Auch wenn die Umfrage nur eine begrenzte Teilnehmerzahl hatte, dient sie uns als Ausgangspunkt, um zwei Anwendungen genauer zu betrachten: den Einsatz von KI, um aus Daten nützliche Erkenntnisse zu gewinnen, und ihren Einsatz, um Software effizienter zu entwickeln.
Schauen wir uns an, was diese Technologien wirklich ermöglichen, wie sie eingesetzt werden und worauf wir achten müssen, um zuverlässige Ergebnisse zu erzielen.
KI für die Datenanalyse: Informationen in Entscheidungen verwandeln
Unternehmen erzeugen über ihre Abrechnungssysteme, CRM, ERP und Verwaltungstools ständig Daten. Diese Informationen zu besitzen, bedeutet jedoch nicht, sie auch nutzen zu können.
KI ermöglicht es, große Datenmengen abzufragen, Muster zu erkennen und Prognosen zu erstellen. Das sind drei ihrer nützlichsten Anwendungen.
1. Informationen in natürlicher Sprache abfragen
Um Informationen aus einer Datenbank zu erhalten, braucht man normalerweise SQL-Kenntnisse — die Sprache für Datenbankabfragen — oder man ist auf bereits konfigurierte Berichte angewiesen.
KI kann diesen Prozess erleichtern, indem sie alltägliche Fragen in strukturierte Abfragen umwandelt.
Zum Beispiel könnte eine Vertriebsleitung fragen:
„Bei welchen Produkten sind die Verkäufe in den letzten drei Monaten zurückgegangen, und in welchen Regionen war der Rückgang am stärksten?“
Ein System, das mit den Unternehmensdaten verbunden ist, könnte die benötigten Informationen identifizieren, die entsprechende Abfrage erstellen und die Ergebnisse als Tabelle oder Diagramm darstellen.
Das erleichtert den Zugriff auf Daten, ohne wissen zu müssen, wie die Datenbanken aufgebaut sind.
Kennzahlen wie Nettoumsatz, Rücksendungen oder Vergleichszeiträume korrekt zu definieren. Interpretiert die KI diese Konzepte falsch, kann sie eine technisch gültige Abfrage mit falschen Ergebnissen erzeugen.
2. Anomalien erkennen, bevor sie zu Problemen werden
Modelle zur Anomalieerkennung ermöglichen es, Verhaltensweisen zu identifizieren, die von den üblichen Mustern abweichen. Zum Beispiel:
Diese Modelle bestimmen nicht zwangsläufig, was das Problem verursacht hat, helfen aber dabei, zu erkennen, wo man ansetzen sollte. Um Fehlalarme zu vermeiden, ist es wichtig, Faktoren wie Saisonalität, Aktionen oder Aktivitätsänderungen zu berücksichtigen.
3. Nachfrage prognostizieren und Ressourcen planen
Prognosemodelle nutzen historische Daten, um zukünftige Szenarien abzuschätzen.
Stellen wir uns ein Unternehmen vor, das entscheiden muss, wie viel Lagerbestand es für den nächsten Monat einkaufen soll. Ein Modell kann frühere Verkäufe, Aktionen, Feiertage und Wiederbeschaffungszeiten analysieren, um Nachfrageprognosen pro Produkt zu erstellen.
Diese Schätzungen können genutzt werden, um Einkäufe zu planen und das Risiko zu verringern, dass der Lagerbestand ausgeht oder unnötiger Bestand entsteht.
Prognosen sind keine Gewissheiten. Sie müssen mit den tatsächlichen Ergebnissen abgeglichen und regelmäßig überprüft werden, um festzustellen, ob sie weiterhin zuverlässig sind.
KI in Programmierung und Entwicklung: Code schreiben ist nur ein Teil
In der Softwareentwicklung kann KI dabei helfen, Funktionen zu erstellen, Fehler zu untersuchen, Tests zu erzeugen und bestehende Anwendungen zu verstehen. Ihr Nutzen sollte nicht nur daran gemessen werden, wie viel Code sie erzeugt, sondern daran, ob dieser Code korrekt funktioniert, sicher ist und sich leicht warten lässt.
1. Code aus Anforderungen generieren
Programmier-Assistenten können Anweisungen in eine erste Implementierung umwandeln. Zum Beispiel:
„Erstelle eine API, die Bestellungen entgegennimmt, prüft, ob die Produkte existieren, die Mengen validiert und einen Fehler zurückgibt, wenn Pflichtangaben fehlen.“
Die KI kann die Struktur der API, die Validierungen und die notwendigen Funktionen vorschlagen.
Das beschleunigt Prototypen und sich wiederholende Aufgaben, aber der generierte Code muss überprüft werden. Aspekte wie Berechtigungen, Fehlerbehandlung und Datenschutz müssen geprüft werden, bevor er produktiv eingesetzt wird.
2. Fehler finden und die Leistung verbessern
KI kann auch Code-Ausschnitte und Ausführungsprotokolle analysieren, um mögliche Ursachen eines Fehlers zu identifizieren.
Nehmen wir an, eine Anwendung braucht zu lange, um eine Kundenliste anzuzeigen.
Ein Assistent könnte feststellen, dass das System für jeden Kunden eine zusätzliche Datenbankabfrage ausführt — ein Problem, das als N+1-Queries bekannt ist. Darauf aufbauend könnte er eine effizientere Abfrage vorschlagen, die die zugehörigen Informationen mit weniger Operationen abruft.
Um zu bestätigen, dass die Lösung funktioniert, müssen Antwortzeit und Anzahl der Abfragen vor und nach der Änderung verglichen werden.
KI hilft dabei, Lösungen zu finden und vorzuschlagen. Tests zeigen, ob sie wirklich wirksam sind.
3. Automatisierte Tests erstellen
Eine Anwendung kann in üblichen Situationen korrekt funktionieren und bei unerwarteten Daten versagen. KI kann dabei helfen, Tests zu erzeugen, die verschiedene Szenarien überprüfen.
Für eine Funktion, die Rabatte berechnet, kann sie zum Beispiel Prüfungen vorschlagen, die bestätigen, dass:
- Ein Rabatt von 10 % korrekt angewendet wird.
- Negative Prozentsätze abgelehnt werden, wenn sie nicht erlaubt sind.
- Der Endbetrag nie unter null liegt.
- Bei Geldberechnungen die richtige Genauigkeit verwendet wird.
Diese Tests erleichtern es, Fehler bei Änderungen an der Software zu erkennen. Die erwarteten Ergebnisse müssen jedoch auf geprüften Anforderungen basieren. Andernfalls könnte die KI eine fehlerhafte Funktion erzeugen und Tests, die genau diesen Fehler bestätigen.
Wenn Datenanalyse und Softwareentwicklung zusammenkommen
Eine der interessantesten Anwendungen entsteht, wenn beide Disziplinen Teil derselben Lösung sind.
Stellen wir uns ein Vertriebsunternehmen vor, das seine Bestandsverwaltung verbessern möchte.
Das Ergebnis ist eine Anwendung, die Informationen, Analyse und Betrieb in einem einzigen Prozess verbindet.
Nicht jeder Teil braucht generative KI: Prognosen können mit statistischen Modellen erstellt werden, Nachbestellregeln können auf herkömmliche Weise programmiert werden, und ein KI-Assistent kann die Abfrage von Ergebnissen erleichtern.
Der Schlüssel liegt darin, jede Technologie dort einzusetzen, wo sie wirklich einen Mehrwert bringt, ohne unnötige Komplexität hinzuzufügen.
Worauf vor dem Einsatz von KI in einem Unternehmen zu achten ist
Bevor KI in die Datenanalyse oder die Softwareentwicklung integriert wird, lohnt es sich, vier Aspekte zu prüfen:
Am Anfang ist es am sinnvollsten, einen konkreten Prozess auszuwählen und festzulegen, wie die Verbesserung gemessen wird.
Zum Beispiel zu prüfen, ob ein Analyse-Assistent zuvor festgelegte geschäftliche Fragen korrekt beantwortet oder ob ein Programmier-Tool es ermöglicht, automatisierte Tests zu erweitern, ohne die Fehlerzahl zu erhöhen.
Fazit: von der Nutzung von KI zu ihrer richtigen Integration
Datenanalyse und Programmierung stellen zwei sich ergänzende Wege dar, künstliche Intelligenz zu nutzen.
Die erste ermöglicht es, Informationen abzufragen, Anomalien zu erkennen und Prognosen zu erstellen. Die zweite hilft dabei, Anwendungen zu entwickeln, zu testen und zu warten. Wenn beide kombiniert werden, lassen sich Lösungen aufbauen, die nicht nur Informationen anzeigen, sondern auch dabei helfen, sie in den täglichen Prozessen eines Unternehmens zu nutzen.
Dabei liegt der Wert der KI nicht darin, mehr Antworten oder mehr Code zu erzeugen, sondern zuverlässige, überprüfbare und für einen konkreten Bedarf nützliche Ergebnisse zu erzielen.
Bei Cloud Levante helfen wir Organisationen dabei, Daten, künstliche Intelligenz und Softwareentwicklung in Lösungen zu integrieren, die auf ihre Prozesse zugeschnitten sind — von der Aufbereitung der Informationen bis zu ihrer Inbetriebnahme.