Decision Intelligence: Von Daten zu Entscheidungen

Drei unterschiedliche Fragen

Beschreibende Business Intelligence zeigt, was passiert ist und wie die Lage aussieht: Bestände, Rückstände, Auslastung. Ein Prognosemodell schätzt, was unter bestimmten Annahmen wahrscheinlich folgt. Decision Intelligence ergänzt die Frage, welche verfügbare Handlung unter konkreten Bedingungen sinnvoll ist. Die drei Aufgaben bauen aufeinander auf, brauchen aber unterschiedliche Nachweise.

Ein illustratives Beispiel: Die Disposition erwartet fehlende Bauteile. Eine Sonderfahrt könnte den Termin retten, würde aber Transportbudget binden. Eine andere Fertigungsfolge könnte Zeit gewinnen, gleichzeitig jedoch einen späteren Auftrag verschieben. Die genauere Lieferprognose entscheidet diesen Zielkonflikt nicht. Dafür müssen Alternativen, Folgewirkungen und die Prioritäten des Betriebs sichtbar werden. Das Team kann dann begründen, weshalb es zusätzliche Kosten akzeptiert oder einen Termin neu vereinbart.

Kontext verbindet Daten mit Handlungen

Palantir beschreibt seine Ontology als Verbindung von Daten, Logik, Handlungen und Sicherheit. Dieser Architekturgedanke verdeutlicht, warum operative Entscheidungen mehr Kontext benötigen als eine Sammlung einzeln betrachteter Kennzahlen.

Für unser Beispiel heißt das: Ein Materialbestand gehört zu einem Standort, einer Qualitätsfreigabe und bereits zugesagten Aufträgen. Ein Transport besitzt Kapazität, Ankunftsfenster und einen verantwortlichen Disponenten. Solche Beziehungen klären, ob eine rechnerisch verfügbare Menge tatsächlich umgebucht werden darf. Auch Datenalter und Herkunft gehören dazu. Widersprechen sich Lagerbuchung und Wareneingangsmeldung, sollte das System den Konflikt offenlegen. Eine gemeinsame Definition von „verfügbar“ ist hier wertvoller als eine weitere automatisch erzeugte Zusammenfassung der widersprüchlichen Zahlen.

Quellen: Palantir: Why create an Ontology?

Ein gutes Ergebnis braucht eine Definition

Optimierungswerkzeuge wie Google OR-Tools bearbeiten Zuordnungs-, Planungs- und Transportprobleme mit mathematisch formulierten Bedingungen. Welche Lösung geschäftlich vorzuziehen ist, ergibt sich aus der Modellierung von Zielen und Grenzen.

Im Beispiel können freigegebene Materialien und verbindliche Kapazitätsgrenzen feste Bedingungen sein. Transportaufwand, Planstabilität und Termintreue sind dagegen gegeneinander abzuwägen. Der Betrieb muss entscheiden, welche Abweichung überhaupt verhandelbar ist und wer sie genehmigen darf. Sinnvoll ist ein Vergleich einiger gut nachvollziehbarer Optionen mit ihren Annahmen. Zusätzlich lässt sich prüfen, ob die bevorzugte Option auch bei späterer Ankunft tragfähig bleibt. Scheitern alle Optionen an einer festen Grenze, ist eine begründete Eskalation das richtige Ergebnis. Eine sichtbare Rangfolge der Ziele verhindert, dass eine unbemerkte Änderung ihrer Gewichtung plötzlich andere Aufträge bevorzugt und den Betrieb vor unerwartete Prioritäten stellt.

Quellen: Google: About OR-Tools

Rückmeldung macht Entscheidungen überprüfbar

Das NIST AI Risk Management Framework verbindet Governance, Kontextanalyse, Messung und Risikobehandlung über den Lebenszyklus. Für Entscheidungssysteme lässt sich daraus ableiten: Verantwortung und Überprüfung müssen den laufenden Betrieb begleiten.

Nach der freigegebenen Umbuchung werden erwartete und tatsächliche Folgen verglichen. Kam das Material an? Entstand der Engpass an anderer Stelle? Ein guter Ausgang beweist allerdings nicht, dass genau diese Empfehlung ihn verursacht hat. Ein Pilot braucht deshalb einen dokumentierten Vergleich mit der bisherigen Arbeitsweise und festgelegte Bewertungskriterien. NyxAI richtet den Ansatz für souveräne Decision Intelligence auf diesen Zusammenhang aus: nachvollziehbare Optionen, kontrollierte Optimierung und betriebliche Verantwortung. Welche Komponenten dafür erforderlich sind, wird am konkreten Prozess festgelegt.

Quellen: NIST: AI RMF Core