Was tun mit Daten?

Wir befinden uns in einer Phase, in der es schwierig ist, nachzuvollziehen, wie Bauunternehmen und Ingenieurbüros bisher ohne Big Data zurechtgekommen sind. Erstaunlich wird das insbesondere dann, wenn die Vorteile in den Fokus rücken. Heutzutage wollen Unternehmen wissen, was Data Science – einschließlich künstlicher Intelligenz (KI) und maschinellem Lernen (ML) – für sie tun kann. Auch die Baubranche wird dementsprechend immer datenhungriger.
 
Der Ruf nach innovativen Datenlösungen wirft jedoch einige Fragen auf: Haben Bauunternehmen die ihnen bereits vorliegenden Daten bislang ignoriert? Wie können sie aus den riesigen Datenmengen Kapital schlagen? Sind sie in der Lage, mit noch mehr Daten umzugehen? Ist eine größere Menge an Daten wirklich die Lösung?
 
Blindheit für aussagekräftige Daten
Viele Bauunternehmen verfügen bereits über aussagekräftige Daten, ohne sich dessen bewusst zu sein. Diese Daten, die aus früheren Projekten und Aktivitäten stammen und über Jahre hinweg gesammelt wurden, befinden sich häufig in rudimentären Systemen oder Tabellenkalkulationen. Sie werden oft nicht als Big Data verstanden, da es weder große Kosten noch der Integration unterschiedlicher Systeme durch Business-Intelligence-Lösungen oder KI-Plattformen bedarf, um Erkenntnisse aus ihnen zu gewinnen. Die Erfahrung zeigt aber, dass die Verwendung von Daten aus jeder Art von System einem Unternehmen helfen, bei der eigenen Digitalisierung einen Schritt nach vorne zu machen. Das Vorgehen mag vielleicht nicht integriert, sauber oder perfekt sein, erzeugt aber dennoch einen Mehrwert. Der Schlüssel zum Erfolg liegt darin, herauszufinden, wie sich dieser Wert extrahieren lässt.
 
Von Daten kapitalisieren
Die Kunst, aus Daten Wert zu schöpfen, beginnt oft mit einem dreistufigen Prozess:
 
1)Definierung von Zielen: Es ist wichtig, sich über Ziele und Fragen im Klaren zu sein: Versuchen wir, unsere Prozessdurchführung zu verbessern? Oder zu erbringende Leistungen besser zu planen? Besteht die Gefahr einer Kostenexplosion oder ist es „lediglich“ ein ernstzunehmendes Risiko? Jede dieser Fragen muss für sich alleine genommen, auf der Basis der zugrundeliegenden Quellsysteme und der im Laufe der Zeit gesammelten Daten, eruiert werden.
 
2)Identifizierung der Daten: Sollen beispielweise Fragen zur Terminierung beantwortet werden, sind Daten zur Terminplanung wichtig. So kann die Qualität des Zeitplans, beispielsweise wie genau er war, ob die Genauigkeit der geplanten Dauer korrekt war oder ob der Zeitplan neu zu konfigurieren ist, überprüft werden. Am Ende dieses Analyseprozesses verfügt ein Unternehmen über ein Protokoll, das für die Zukunft nützlich ist.
 
3)Anwendung von Analyseergebnissen bei Projekten: Dieser Schritt ist von entscheidender Bedeutung, da sich kurzfristig wirkungsvolle Veränderungen umsetzen lassen. Zeigt die Analyse beispielsweise, dass das Einziehen von Trockenbauwänden bei bestimmten Projekttypen durch den jeweiligen Subunternehmer in der Regel 30 Prozent mehr Zeit in Anspruch genommen hat, als vorgesehen, dann sollte beim nächsten Projekt entweder die vorgesehene Zeit, die Vorgehensweise oder der eingesetzte Subunternehmer geändert werden. Sich rückblickend noch einmal Prozesse anzuschauen, ist das, was den Wert der Datennutzung ausmacht.
 
Der Status quo von KI, ML und vorausschauenden Technologien
Sobald die Daten gesammelt, analysiert und angewendet wurden, lassen sie sich als Trainingsdatensatz verwenden. So können zukünftige Ergebnisse vorhergesagt werden. Ein KI-gesteuerter Algorithmus kann historische Daten verwenden und Modelle erstellen, die auf einer Reihe von Merkmalen basieren (Dauer, Projekttyp, historische Aktivitätsvarianz), und anschließend Vorhersagen treffen. Ein klassischer Fall von Machine Learning.  
Die Genauigkeit der Prognose verbessert sich im Laufe der Zeit durch das Lernen aus Benutzereingaben und neu verfügbaren Daten. Folglich schafft der Rückblick verschiedene Erkenntnisse, um Modelle für eine bessere Vorhersage zu ermöglichen. Jeder dieser Schritte kann unabhängig erfolgen und es ist kein ML nötig, um Erkenntnisse zu generieren und zu nutzen. Jedes Analysetool ist in der Lage, diese Aufgabe zu übernehmen.
 
Mehrwert durch Augmented Reality (AR), Virtual Reality (VR) und Internet of Things (IoT)
Diese Technologien sind von erheblichem Wert, um in Echtzeit tiefgehende Kenntnisse über ein Projekt sowohl vor Ort auf der Baustelle als auch aus dem Büro heraus zu übermitteln. Es ist jedoch wichtig zu wissen, dass die Technologien zunächst für ein komplettes Projekt eingesetzt werden müssen, bevor sich einem der Wert der erfassten Daten erschließt. Andernfalls gibt es kein vollständiges Bild zum Vergleichen oder Kontrastieren. Es muss erst eine Basis geschaffen werden.
 
Wo beginnt die Datenreise?
Für viele Bauunternehmen hat die Datenreise bereits begonnen. Um den Wert eines Datenansatzes zu erkennen, müssen sie untersuchen, welche Daten bereits vorliegen. Mit einer Datenstrategie gilt es herauszufinden, wie sich diese wirkungsvoll nutzen lassen. Bevor ein Unternehmen den Einsatz von AR, VR, IoT oder Sensoren in Betracht zieht, sollte es sich jedoch fragen, ob es die Daten, über die es derzeit verfügt, überhaupt nutzen kann. Ist das nicht der Fall, so erweitert das Unternehmen mit den genannten Technologien lediglich den komplexen Informationspool, über den es bereits verfügt. Der Schlüssel liegt in jedem Fall darin, zu ermitteln, welche Daten vorhanden sind, und den eigenen Datenansatz zu erweitern. Elementar ist eine Datenstrategie als solider Ausgangspunkt. Die Erkenntnisse folgen dann automatisch.