MAS Business Intelligence: Die Thesis von Christoph Dietemann

Du hast im Februar den MAS Business Intelligence abgeschlossen. Weshalb hast du dich damals für diesen Lehrgang und die HWZ entschieden?

Künstliche Intelligenz zur Unterstützung von Geschäftsentscheiden und das Roboterisieren von Arbeitsprozessen haben mich seit Berufsbeginn fasziniert. Allerdings bin ich Experte für Finanzthemen. Wenn ich nun als Fachexperte mein Fachwissen an die Maschine delegieren will, muss ich die Maschine zuerst verstehen, mit ihr kommunizieren und sie ausbilden können. Der MAS Business Intelligence bietet für Quereinsteiger genau diese technische Ausbildung, weil er unter anderem einen sehr kompakten Einstieg in die Programmierung, die Datenanalyse sowie die Konzipierung von Voraussagemodellen bietet.

Die HWZ kannte ich aus früheren Ausbildungen – beispielsweise zum Betriebsökonom FH. Ich kenne die hohe Qualität der Ausbildung sowie das laufend angepasste, zeitgemässe Kursangebot. 

Dieser MAS beinhaltet drei CAS. Den ersten CAS hast du an der FHNW absolviert, danach bist du an die HWZ gewechselt. Von welchem CAS hat du am meisten profitiert?

Am meisten profitiert habe ich vom CAS Machine Learning, weil dieser letztlich lehrt, wie die künstliche Intelligenz entwickelt und eingesetzt werden kann. Für mich war der vorangehende CAS Big Data Analysis (a.d.R.: Dieser CAS heisst neu «CAS Applied Data Analytics») allerdings die unverzichtbare Vorbereitung: Erst dank diesem anspruchsvollen Warm-up war ich in den statistischen und programmiertechnischen Themen genügend vorbereitet für das maschinelle Lernen.

Zum krönenden Abschluss des Studiengangs gehört die Masterarbeit. Mit welchem Thema hast du dich in deiner Master-Arbeit auseinandergesetzt?

In meiner Master-Arbeit geht es um die automatisierte Erkennung potenzieller Fehlleistungen anhand von vorliegenden Aktennotizen und Ereignislogs. Statt der bisherigen, zufälligen Stichprobenkontrolle wird neu die Maschine darauf ausgerichtet, unverdächtige von verdächtigen Mustern zu unterscheiden. Der Stichprobenaufwand zur Feststellung risikorelevanter Fehler sinkt signifikant, und die intelligente Verdachtsmeldung ermöglicht eine substanzielle Ressourceneinsparung bei der Erkennung operationeller Risiken. Das Interessante hierbei: Die Maschine bildet sich im Rahmen des sogenannten «Supervised Learning» selbst aus!

Die eigentliche Forschungsfrage zielte darauf ab, ob dieses Modell mit dem Text Mining auf den Aktennotizen erfolgreicher arbeitet als beim statistischen Untersuchen der Ereignislogs mit strukturierten, nicht-textlichen Daten.

Bemerkenswertes Fazit: Text Mining ist für solche Aufgaben überaus «mächtig», obschon der zu untersuchende Text sehr stichwortartig und wortarm ausgeprägt ist. Ein Algorithmus namens «Random Forest» ermöglicht schliesslich eine mehr als fünffache Effizienzsteigerung gegenüber der bisherigen Prüfpraxis.

Welche Technologien hast du in deiner Arbeit verwendet?

Bei der Programmiersprache habe ich mich trotz Python-Kenntnissen auf R fokussiert. R wird auch bankintern eingesetzt, arbeitet äusserst stabil und zeichnet sich durch eine sehr intuitive Sprache aus: Intuitiv bedeutet für mich, dass ich sie mir leicht aneignen und mir bisher unbekannte Befehle selbständig herleiten kann. R unterstützte mich in der explorativen Datenanalyse.

Beim Modellieren des Machine Learning Modells setzte ich KNIME ein. Hier war ebenfalls entscheidend, dass die Software bankintern lizenziert ist. Der Emulator ist überdies ausgesprochen bedienerfreundlich, modular ausbaubar und sämtliche Prozessschritte werden übersichtlich visualisiert. Damit verliert der Anwender auch bei umfassenden Modellen nie die Übersicht.

Welcher Nutzen hat deine Arbeit? 

Die gewonnenen Kenntnisse meiner Arbeit sind vielversprechend für gleich oder ähnlich gelagerte Aufgaben, wo aus einfachen Aktennotizen oder ähnlichen Textformen mit intelligenter Datenanalyse einerseits Opportunitäten und andererseits Problemfelder früh erkannt werden sollen.

Machine Learning entbindet die Geschäftswelt von unkreativen und zeitaufwändigen Tätigkeiten: Diese freiwerdenden Personalressourcen können dann in neue, gestalterische Aufgaben zugewiesen werden. Statt manuellen Datenanalysen auf unzähligen Excel-Blättern oder tagelangen Stichproben vereinfacht eine erfolgreiche Mustererkennung diese Arbeiten enorm und führt uns mitunter zu überraschenden Kenntnissen, auf die wir vielleicht selbst nie gekommen wären.

Was sind deine wichtigsten Learnings aus der Arbeit?

Es schlummert ein gewaltiges Potenzial in der Mustererkennung und im Voraussagen von Ereignissen. Mit relativ einfachen Modellen können bereits substanzielle Effizienzeinsparungen erzielt werden. Als besonders «mächtig» erwies sich in meiner Master Thesis das Text Mining – also das Erkennen von Mustern aus geschriebenem Text. Selbstverständlich müssen den Erträgen des Machine Learnings die umfassende Datenvorbereitung, der Modellierungsaufwand sowie das dafür notwendige Know-how gegenübergestellt werden.

Das fehlende Know-how und die fehlenden «Fusion Skills» sind wohl noch die grösste Hürde für den Durchbruch des Machine Learnings: Nicht auszudenken, wenn sich jeder Fachexperte mit einem Zauberstab zusätzlich das Know-how zur Entwicklung von Machine Learning-Modellen aneignen könnte! Grosse Teile unserer Geschäftswelt würden sich wohl radikal anders fortentwickeln.