IM537 - Digitale Transformation und Digitalisierung von Geschäftsprozessen - Technologien zur Unterstützung der digitalen Transformation

Technologien zur Unterstützung der digitalen Transformation

Die technologischen Entwicklungen im Rahmen der Digitalisierung sind weitreichend und umfassend.

Die wichtigsten Entwicklungen sind in einem Portfolio an Basistechnologien der Digitalisierung zusammengefasst, wobei dieses Portfolio weiterwächst und sich dementsprechend verändert.

Zu den wichtigsten Basistechnologien zählen nach Kress Data Analytics, Cloud- und Mobile-Computing, Social Media, das Internet der Dinge IoT, Additive Manufacturing und Advanced Robotics, sowie Data Lakes und Blockchain.

Auch Krcmar sieht Big Data, Cloud-Computing, das Internet und Dinge und Blockchain als technologische Grundlagen für die digitale Transformation.

Die in weiterer Folge kurz vorgestellten Basistechnologien sind im Kern nicht neu, allerdings hat es die technologische Weiterentwicklung der letzten Jahre ermöglicht, dass diese Technologien eine weite Verbreitung innerhalb der Organisationen und zu Konsument*innen hin gefunden haben.

Hohe Rechenleistungen, günstige Speichermedien, weitreichende Vernetzung und die Verfügbarkeit großer Datenquellen in Kombination mit effizienteren Algorithmen und Datenstrukturen ermöglichen eine zielgerichtete Digitalisierung.

Cloud-Computing und Mobile-Computing

Eine eigene IT-Infrastruktur im eigenen Rechenzentrum zu betreiben, bedeutet für Unternehmen erheblichen Ressourceneinsatz.
Vor allem bei auftretenden Spitzen benötigter Rechenleistung oder Speicherbedarf muss Infrastruktur vorgehalten werden, die möglicherweise außerhalb dieser Spitzen nicht benötigt wird.

IT-Infrastruktur aus der Cloud oder hybride Systeme bieten Ansätze, um Skalierungsanforderungen abzudecken und IT-Infrastruktur kosteneffizient nutzen zu können. Viele Softwarehersteller bzw. Anbieter mobiler Lösungen und neuer Technologien wie Internet of Things (IoT) bieten automatisch Cloudlösungen zur Nutzung und Implementierung an.

Aus diesem Grund ist für Unternehmen eine gezielte Cloud Strategie von großer Bedeutung, wobei hier speziell auf regulatorische Vorgaben Bedacht genommen werden muss.

Als Cloud-Computing wird ein Modell für die Bereitstellung von IT-Dienstleistungen bezeichnet, bei dem IKT-Ressourcen sowohl in Form von Infrastruktur als auch Anwendungen und Daten als verteilter Dienst über das Internet durch einen Dienstleister bereitgestellt wird.

Die bereitgestellten Ressourcen können jederzeit flexibel an den tatsächlichen Bedarf und Verbrauch angepasst (skaliert) werden und Kosten werden nur nach dem tatsächlichen Verbrauch verrechnet.

Es gibt im Wesentlichen drei Kategorien von Service-Modellen, nach welchen Cloud-Dienste bereit gestellt werden.

Servicemodelle für Bereitstellung von Cloud-Diensten

Infrastructure as a Service

Infrastruktur-Ressourcen wie Rechenleistungen, Speicher, Netzwerke und andere Hardware-Ressourcen werden virtuell zur Verfügung gestellt. Diese können genutzt werden, um Betriebssysteme, Software und Applikationen zu installieren und zu betreiben.

Die zugrundeliegende Infrastruktur wird vom Dienstleiser verwaltet, kann aber teilweise durch den*die Nutzer*in konfiguriert werden.

Platform as a Service

Selbst entwickelte oder erworbene Applikationen können auf einer cloudbasierten Laufzeitumgebung installiert und betrieben werden oder werden durch den Dienstleister bereitgestellt. Die zugrundeliegende Infrastruktur, Betriebssysteme und Laufzeitumgebung werden vom Dienstleister verwaltet und bereitgestellt.

Der*die Nutzer*in kann die installierten Applikationen verwalten und die bereitgestellte Laufzeitumgebung gegebenenfalls konfigurieren.

Software as a Service

Bestimmte Anwendungen oder Applikationen werden vom Dienstleister auf einer cloudbasierten Infrastruktur betrieben und den Nutzer*innen durch Zugriff (beispielsweise über einen Web-Browser oder ein dediziertes Programm) bereitgestellt.

Die zugrundeliegende Infrastruktur, Betriebssysteme, Laufzeitumgebung, Datenspeicherung und Anwendung werden vom Dienstleister verwaltet. Der*die Nutzer*in kann aber gegebenenfalls benutzerspezifische Konfigurationen in der bereitgestellten Anwendung vornehmen. Beispiele für dieses Servicemodell sind Google Apps for Business, Microsoft Online Services etc.

Cloud-Infrastrukturen können anhand von Modellen, die sich hinsichtlich des Zugriffs auf die Infrastruktur unterscheiden, bereitgestellt werden.

Private-Cloud

In einer Private-Cloud werden die gesamten Cloud-Dienste ausschließlich von einer einzelnen Organisation genutzt. Die Infrastruktur kann von dieser Organisation oder einem Dienstleister betrieben werden.

Community-Cloud

In der Community-Cloud werden die Cloud-Dienste einer spezifischen Nutzergemeinschaft bereitgestellt.

Public-Cloud

Bei einer Public-Cloud werden die Cloud-Dienste der breiten Öffentlichkeit zur Nutzung bereitgestellt, wobei die Infrastruktur in den Rechenzentren des Cloud-Anbieters betrieben wird.

Hybrid-Cloud

Die Hybrid-Cloud stellt eine Kombination verschiedener Bereitstellungsmodelle (meist Public und Private) dar.

Vorteile der Nutzung von Cloud-Computing liegen nicht nur in einem geringeren Administrationsaufwand für die Infrastruktur und besser planbaren Investitionen bei Skalierungen, sondern auch in einer besseren mobilen Verfügbarkeit der angebotenen Infrastruktur.

Mobile Endgeräte wie Smartphones, Tablets, Smart Glasses oder sogar smarte Kleidung oder andere vernetzte Geräte nutzen Cloudlösungen, um mobil und zu jeder Zeit auf Informationen zuzugreifen und werden über digitale Plattformen aus der Cloud mit Apps versorgt.

Social Media

Social Media bezeichnet jene Technologien, mit welchen die soziale Beziehungen zwischen Menschen unterstützen werden. Die Technologien ermöglichen das Erstellen und den gegenseitigen Austausch von Informationen, Meinungen, Eindrücken und Erfahrungen.

Social Media hält abseits der privaten Nutzung zunehmend Einzug in die Arbeitswelt und verändert die Organisation. Einerseits ist Social Media als Kanal zu Kund*innen, deren Bedürfnissen und Bewertungen nicht mehr wegzudenken, anderseits spielt Social Media eine immer größere Rolle im Personalbereich, beispielsweise hinsichtlich der Rekrutierung oder Firmenbewertungen.

Data Analytics und Big Data

Durch die Möglichkeiten digitaler Technologien sind Daten für Unternehmen zu einem zentralen Punkt ihres Tätigkeitsfeldes geworden. Allerdings können die Daten erst dann verwendet werden, wenn sie so umgewandelt werden, damit sie auch einen monetären, profitablen Wert für das Unternehmen erzielen können. Daten müssen also aufbereitet, analysiert, verknüpft und in Kontext gebracht werden, damit sie einen Mehrwert für das Unternehmen haben.

Technologien zur Verarbeitung und Auswertung riesiger Datenmengen ("Big Data") ermöglichen Analysen auch von unstrukturierten Informationen und können neue Einblicke für Unternehmen z.B. in die Nutzung der eigenen Produkte oder Prozesse, bedeuten.

Data Analytics

Der Begriff "Data Analytics" umfasst sämtliche Prozesse, Technologien und Methoden, um Daten zu sammeln, zu organisieren, zu speichern und Erkenntnisse aus den Daten zu erlangen. Data Analytics hat zum Ziel, technologiegestützt und mittels statistischer Analysemethoden aus den Daten Trends zu ermitteln und Probleme zu lösen.

Zum Einsatz kommen dabei verschiedene Datenmanagement-Techniken wie unter anderem Data Mining (Sammeln), Data Cleansing (Aufbereiten) und Data Modeling (Organisieren).

Es können vier Data-Analytics-Methoden unterschieden werden.

Bei "Descriptive Analytics" werden historische und aktuelle Daten aus verschiedenen Quellen herangezogen und analysiert, um aktuelle Situationen zu beschreiben und Trends bzw. Muster in den Daten erkennen zu können.

Mit "Diagnostic Analytics" wird analysiert, warum es zu bestimmten (historischen) Datenlagen oder Werten gekommen ist. Es werden also die Hintergründe z.B. der Ergebnisse der "Descriptiv Analytics" beleuchtet.

Die Ergebnisse der Descriptive und Diagnostic Analytics bilden die Grundlage für die "Predictive Analytics", mit der ein Blick in die Zukunft gewagt wird.

Bei Predictive Analystics werden Techniken wie beispielsweise Deep- und Machine Learning in Kombination mit statistischen Methoden auf die Ergebnisse der Descriptive und Diagnostic Analytics angewandt und versucht, künftige Ergebnisse vorherzusagen.

Mit "Prescriptive Analytics" wird nach Wegen und Lösungen gesucht, um definierte Zustände oder Ergebnisse zu erreichen. Dabei kommen Algorithmen und Technologien wie beispielsweise Machine Learning und KI, Simulationen, Application Testing und andere zum Einsatz.

Big Data

Unter Big Data versteht man nicht nur die große Menge an sich stetig verändernden Daten. Unter dem Begriff Big Data werden auch die jüngsten Entwicklungen von Technologien zur Datenverarbeitung und Analysemethoden für große und komplexe Mengen an Daten zusammengefasst.

Big Data lassen sich durch 3 Eigenschaften "Volume", "Variety" und "Velocity" charakterisieren.

"Volume" beschreibt dabei die Menge der erzeugten und gespeicherten Daten, die bearbeitet und analysiert werden.

Das rasante Ansteigen der durch die Digitalisierung vorhandenen Datenmenge entspricht nach Schätzungen einer Verdoppelung der Datenmenge alle zwei Jahre. Damit geht auch ein steigender Bedarf an Ressourcen zur Speicherung, Datenanalyse und Datenmanipulation einher.   (vgl. Krcmar )

Mit zunehmender Digitalisierung werden Daten aus zunehmend unterschiedlichen Quellen (Sensoren, soziale Dienste und Netzwerke, diverse Transaktionsdaten unterschiedlicher Systeme etc.) gewonnen und in unterschiedlichen Formaten angeliefert. Dieser Umstand wird als "Variety" bezeichnet.

Viele der aktuell genutzten relationalen Datenbankstrukturen stoßen bei der Speicherung und Verarbeitung dieser Vielfalt an Daten an ihre Grenzen.

Daher wurden Alternativen abseits von traditionellen, relationalen Datenbanklösungen entwickelt (sogenannte NoSQL-Datenbanken) und werden für Big-Data-Analysen eingesetzt.

Die Geschwindigkeit, mit der diese große Datenmengen erzeugt, übertragen und ausgewertet werden, wird als "Velocity" bezeichnet. Die Fähigkeit eines Unternehmens, auf Veränderungen in seiner Umwelt oder in der Organisation selbst reagieren zu können, kann von der Geschwindigkeit "Velocity" der Informationsverfügbarkeit abhängig sein. Die schnelle Datensammlung, Auswertungen und Analysen in Echtzeit und rechtzeitige Vorhersagen können zu kritischen Faktoren des Unternehmenserfolgs und Wettbewerbsvorteils werden.

Machine Learning

Das maschinelle Lernen oder "Machine Learning" gewinnt im Kontext von Big-Data-Analysen zunehmend an Bedeutung.

Bei Machine Learning verarbeiten IT-Systeme beispielhafte Daten und wenden Algorithmen und statistische Methoden auf diese Datensätze an, um Muster aus den Daten erkennen zu können. Diese Muster oder Regeln werden nach einer Lernphase (künstliches Wissen) auf neue, den Systemen nicht bekannte Daten angewandt und diese neuen Daten damit verarbeitet.

Algorithmen spielen beim maschinellen Lernen eine zentrale Rolle und lassen sich grob in überwachtes und unüberwachtes Lernen einteilen.

Beim überwachten Lernen werden dem IT-System im Vorfeld Beispieldatensätzen mit entsprechenden "Lösungen" als definierte Beispielmodelle bereitgestellt. Die Ergebnisse der Lernphase werden mit den bekannten und erwarteten Lösungen verglichen und damit der Lernfortschritt des Systems überwacht.

Beim unüberwachten Lernen werden die Beispielmodelle nicht im Vorfeld bereitgestellt, sondern das System bildet die Lösungen eigenständig auf Basis der eigenständig erkannten Muster. So werden beispielsweise Elementgruppen oder Cluster in den Datensätzen abgeleitet.

Machine Learning kommt beispielsweise bei Bild- und Gesichtserkennung, automatischen Empfehlungsdiensten, automatischer Erkennung von (auffälligen) Aktivitäten, Risikoprognosen, Analysen auf Basis von Kundendaten oder Sprach- und Texterkennung für digitale Assistent*innen zum Einsatz.

Deep Learning 

Einen Teilbereich des Machine Learnings stellt das "Deep Learning" dar.

Im Gegensatz zum Machine Learning, wo Menschen in die Datenanalyse und den Entscheidungsprozess eingreifen, sorgt der Mensch beim Deep Learning nur für die Bereitstellung der Informationen und die Dokumentation der Prozesse.

Die eigentliche Analyse und das Ableiten von Prognosen oder Entscheidungen wird durch die Maschine selbständig durchgeführt.

Deep Learning nutzt künstlich erzeugte neuronale Netzwerke (KNN), um Muster in den großen Datenmengen zu erkennen.

Internet of Things (IoT)

Unter dem Internet of Things (IoT) versteht man ein Netzwerk aus physischen Objekten, die mit Sensoren und Software ausgestattet sind und mit anderen Objekten über das Internet oder andere Netzwerke vernetzt sind. Durch die IoT-Technologien werden Objekte in die Lage versetzt, untereinander Informationen auszutauschen und die Objekte bzw. deren Zustände und Umwelten können überwacht werden.

So können Informationen über Zustand und Lebenszyklus von Geräten gewonnen werden, aber auch mittels Datenanalysen und -verknüpfungen Aussagen über Kundenverhalten getroffen werden. Auf Basis dieser gewonnenen Erkenntnisse können Produkte und Prozesse optimiert oder neu entwickelt werden.

IoT wird oft im Kontext mit den Begriffen "Industrie 4.0" und "Smart Factory" genannt. Hierunter wird die Vernetzung aller an der Produktion beteiligten Unternehmensressourcen mit dem Ziel der selbstständigen Steuerung und selbstständigen Informationsaustausch verstanden.

Diese Vernetzung wird einerseits Auswirkungen auf die Planung, den Betrieb und die Wertschöpfungsstrukturen in Industrieunternehmen haben und andererseits die Automatisierung und Optimierung von Produktionsabläufen vorantreiben.

Die Anwendungsbereiche für IoT und die Wertschöpfungsbeiträge der IoT-Technologien reichen heute bereits von Städteverwaltung, Baumanagement, industrielle Fertigung, Gebäudemanagement, Eigenheimautomatisierung bis hin zum Gesundheitswesen und darüber hinaus.

Im Gebäudemanagement und Eigenheimautomatisierung findet die Vernetzung von Geräten, Sensoren und Systemen in oder an Gebäuden Anwendung.

Vernetzte Temperaturfühler und Thermostate für eine Automatisierung von Klimaanlagen und Heizungsanlagen, Automatisierung von Beschattungssystemen und Bewässerungsanlagen auf Basis von Wetter- und Niederschlagsdaten, Steuerung von Beleuchtungssystemen aber auch Sicherheitssysteme mit Bild- und Gesichtserkennung bzw. Erkennung von (auffälligen) Aktivitäten sind nur einige Anwendungsbeispiele.

Im Städtemanagement können IoT-Technologien im Verkehrs- und Ressourcenmanagement eingesetzt werden. Die Analyse von Bewegungs- und Trackingdaten kann einerseits das Management öffentlicher Verkehrssysteme (Auslastungsanalysen, Intervallanpassungen usw.) unterstützen und andererseits Verkehrssysteme für den Individualverkehr (z.B. Ampelsysteme) steuern.

Sensoren an kritischer Infrastruktur, wie bspw. Brücken, Hauptverkehrsknotenpunkten etc., können notwendige Sanierungs- oder Wartungsbedürfnisse besser planbar machen. Die Verwendung von Smart-Meter unterstützt das Ressourcen- bzw. Energiemanagement mit Bedarfs- oder Nachfrageanalysen und einer Optimierung der Energieverteilung.

Bei der industriellen Fertigung und im Baustellenmanagement wird auf IoT-Technologien gesetzt, um den Zustand und Lebenszyklus von Maschinen, Produktionssystemen oder anderen betriebsrelevanten Geräten zu überwachen.

Die kontinuierliche Überwachung kombiniert mit Methoden der Predictive-Analytics ermöglichen eine bessere Planung von Wartungsarbeiten und zielgerichtete Instandhaltungsarbeiten kritischer Produktions- und Betriebsmittel.

Im Logistikbereich finden IoT-Technologien nicht nur bei der Nachverfolgung von Lieferungen Anwendung, sondern auch im Bereich einer verkehrs- oder wetterabhängigen optimierten Routenplanung von Lastfahrzeugen, Schiffen, Cargo-Flugzeugen usw.

Im Gesundheitsbereich kommen Sensoren in vernetzten Geräten, wie z.B. Wearables oder Implantaten zum Einsatz, die eine kontinuierliche Überwachung von Körperfunktionen und Gesundheitsdaten ermöglichen. Damit kann rasch auf sich verändernde Gesundheitszustände reagiert, Therapien kontrolliert und Patient*innen auch außerhalb von Ordinationen, Krankenhäusern oder Therapieeinrichtungen begleitet werden.

Weiters unterstützt die kontinuierliche Überwachung und Analyse von Gesundheitsdaten die Früherkennung von Krankheitsbildern.

Für Unternehmen ergeben sich durch den Einsatz von IoT-Technologien und der Vernetzung und Analyse der damit gewonnen Daten neue Möglichkeiten zur Entwicklung neuer Geschäftsmodelle und agileren Anpassung von Produkten oder Dienstleistungen an Kundenbedürfnisse.

Dabei müssen allerdings Vorgaben und Regulatorien, vor allem in den Bereichen Datensicherheit und Datenschutz, berücksichtigt werden.

Additive Manufacturing und Advanced Robotics

Advanced Robotics

Advanced-Robotics-Systeme werden wesentlich die weitere Automatisierung von (physischen) Produktions- und Logistikprozessen vorantreiben.

Charakteristisch für die Advanced-Robotics-Technologien sind eine verbesserte Wahrnehmung (Sensorik), Integrierbarkeit, Adaptabilität und Mobilität. Eingesetzt werden dafür Technologien aus den Bereichen Sensorik, Cloud-Computing, Datenverarbeitung und -analyse, sowie neue Materialen. Künftige Advanced-Robotics-Systeme sollen in der Lage sein, über heutige Sicherheitsbereiche hinweg direkt mit Menschen zu kooperieren und somit eine sich selbst steuernden Fabrik der Zukunft (Smart Factory) zu ermöglichen.

Additive Manufacturing

Additive Manufacturing (additive Fertigung) wird meist auch als 3D-Druck bezeichnet. Bei Additive Manufacturing entsteht ein Werkstück, indem Schicht für Schicht Material aufgetragen wird (Schichtbauprinzip). Additive Manufacturing findet bei der Herstellung von Prototypen (Rapid Prototyping), aber auch bei der Herstellung von Endprodukten (Rapid Manufacturing), sowie Werkzeugen und Formen (Rapid Tooling) Anwendung. Während es beim Rapid Prototyping um die schnelle Herstellung kostengünstiger Prototypen zu Anschauungszwecken geht, werden beim Rapid Tooling hingegen hochspezialisierte Fertigungswerkzeuge hergestellt. Das Rapid Prototyping ist eine verbreitete Anwendung für Additive-Manufacturing-Technologien, da hier Aussehen und Funktionalität des Prototyps sehr schnell und kostengünstig überprüft werden können.

Blockchain

Eine Blockchain stellt ein verteiltes Register dar, in dem digitale Datensätze, Ereignisse oder Transaktionen in chronologischer Reihenfolge für alle Teilnehmer*innen nachvollziehbar in Datenblöcken gespeichert und unveränderbar miteinander verkettet werden.

Bei einer Blockchain handelt es sich um ein dezentrales, nicht reguliertes und gegebenenfalls offenes Transaktionsregister, das über keine zentrale Kontrollstelle oder Autorität verfügt.

Um den validen Zustand über alle beteiligten Akteur*innen der Blockchain sicherzustellen, werden unterschiedliche Konsensmechanismen verwendet werden, welche auf Peer-to-Peer-Mechanismen und Verschlüsselung basieren.

Aktuell findet die Blockchain-Technologie meist für die Umsetzung von Konzepten von Kryptowährungen oder Smart Contracts (Verträge) Anwendung.

Allerdings können Anwendungen der Blockchain-Technologie auch genutzt werde, um ganze Prozesse, vor allem im Finanz- oder Versicherungssektor, effizienter zu gestalten und zu optimieren. Beispiele dafür sind Anwendungen im Wertpapierhandel, bei der Kreditvergabe oder bei Verträgen, welche autonom durchgeführt werden können.

Die Kombination von Künstlicher Intelligenz und Blockchain ist ein weiteres Anwendungsszenario. Die Blockchain-Technologie ermöglicht die transparente und manipulationssichere Protokollierung von Arbeitsschritten und die darauf basierenden Entscheidungen von KI-Systemen. Dies könnte beispielsweise im Bereich vernetzter Dienste oder autonomes Fahren in der Automobilindustrie eingesetzt werden.  

Denkbar wäre aber auch ein Einsatz der Blockchain-Technologien beim Zusammenwirken unterschiedlicher Dienste oder Objekte im Internet of Things (IoT). Im Bereich des Internet of Things könnten auf Basis der Blockchain-Technologie künftig Abrechnungsprozesse zwischen autonom agierenden Geräten oder Maschinen, z.B. im Rahmen von Pay-per-use-Geschäftsmodellen, direkt abgewickelt werden.

Jede einzelne der oben genannten Technologien stellt für sich hinsichtlich der Potential- und Nutzenbewertung, Kompetenzaufbau und Einsatz eine enorme Herausforderung für Unternehmen und die Organisation dar. Im Rahmen der zunehmenden Digitalisierung kommen allerdings tatsächlich mehrere dieser Basistechnologien gleichzeitig zum Einsatz (Kress 2018). Dies liegt daran, dass neuen Geschäftsmodellen, Dienstleistungen oder Produkten eine Kombination dieser Basistechnologien zugrunde liegt.