Mit AI-Analysen auf Big-Data-Boden extra viele Asse schlagen

Smarte Datenanalysen haben einiges drauf: Sie führen mit Künstlicher Intelligenz (KI), auch Artificial Intelligence (AI) genannt, zur besten Geschäftsentscheidung, zum Traumkunden oder zum neuen Kicker-Superstar. Zur optimalen Trainingsmethode und Turnierspielweise. Kurz gesagt: Mit sportlicher Datenanalyse agiert mancher schon früher schlau und ist nicht erst hinterher klüger.

Wenn das Auslesen der Top-Spielerin den Weg an die Spitze erleichtert…

Die Tennissaison 2017 brachte immer wieder neue Damen an die Spitze der Tennisweltrangliste. Nicht so schön für die Kielerin Angelique Kerber, die seit September 2016 für 34 Wochen die Nummer eins der WTA-Wertung der höchsten Tourklasse im Frauentennis war. Doch ganz sachlich mit Big Data erklärbar: Sieht man von individuellen, körperlichen und mentalen Gründen, die zum Sturz „Angies“ vom Tennis-Thron führten, einmal ab.

Die Tennisspielerinnen werden seit 2015 von ihren Konkurrentinnen mit Hilfe von Big Data genau beobachtet und analysiert. Je erfolgreicher sie sind, umso genauer. Zusätzlich von den jeweiligen Trainern, die bei einigen Turnieren sogar während der kurzen Pausen mit einem Tablet bei ihren Schützlingen vorbeischauen und ihnen zeigen dürfen, auf welche Verhaltensweisen ihrer Gegnerinnen sie sich einstellen und was sie an ihrer eigenen Strategie ändern sollten.

Ausgelesen aus den Daten des bisherigen Matchverlaufes, wie sie in besonders umfangreicher Auswertungsform mittlerweile auch den Kommentatoren und Berichterstattern der Turniere zur Verfügung stehen. Die Gewinnerformel lautet: Je besser eine Gegnerin ausgelesen wird, desto eher wird sie auch besiegt.

SAS Visual Analytics wird direkt auf mobilen Endgeräten verwendet und angezeigt. (#01)

Wenn der Coach mit dem Tablet in der Hand Tipps gibt…

„Angies“ Poweraktionen und –Reaktionen kennen die anderen Top-Tennisspielerinnen mittlerweile ziemlich gut. Oder wie Tennislegende Boris Becker kürzlich in Ismaning sagte: „In dieser Qualität wird die Luft dünner“. Das heißt, dass angrenzende Top-Stars die Favoriten genau „studieren“. Sie interessieren sich sehr dafür, wie der starke Gegner der bevorstehenden Partie attackiert und verteidigt, ob er beispielsweise stark an der Grundlinie agiert oder auch mal am Netz überrascht.

Zur modernen Matchvorbereitung gehört heutzutage ganz selbstverständlich intensives Datenstudium, zusätzlich zum Ansehen von Videos aktueller Partien, die die kommenden Opponenten absolviert haben. Beim Interpretieren hilft der Coach, der heutzutage nicht mehr nur auf die Bewegungen auf dem Platz, sondern eben auch auf Big Data schaut und somit Fakten an der Hand hat, um seine Spielerin beispielsweise davon zu überzeugen, an welcher Position sie mit dem Ball beim zweiten Aufschlag ihrer Gegnerin gewöhnlich rechnen muss.

Wenn auf dem Court mit dem Tablet gekämpft wird…

Das steckt dahinter: Die WTA-Tour, veranstaltet von der Women’s Tennis Association (WTA), trägt jedes Jahr über 50 Turniere auf allen Kontinenten aus, darunter die Grand-Slam-Turniere in Melbourne, Wimbledon, Paris und New York, die den Spielerinnen die meisten Punkte und Karriereschübe einbringen. Technologie ist mittlerweile nicht mehr nur beim Schlägermaterial, intelligenter Bespannung und beim In-and-Out entscheidenden Hawk-Eye im Spiel.

Die Datenanalyse-Lösung SAP Tennis Analytics for Coaches, die in Zusammenarbeit mit Trainern und Spielerinnen entwickelt wurde und immer weiter entwickelt wird, hat als Grundlage SAP HANA. Sie ermöglicht es der WTA seit 2015, den Trainern bei Turnieren detaillierte Analysen in Echtzeit zur Verfügung zu stellen. So können diese während eines Matches – sofern On-Court-Coaching erlaubt ist – live mit den Spielerinnen die Analysen diskutieren und die Strategie neu abstecken. Statt erst im Nachhinein zu ermitteln, was besser hätte laufen können, hätte man die Situation nur besser eingeschätzt.

Das wertvolle Wissen aus dem Datenkontext betrifft etwa die Drallgebung beim Aufschlag oder den Kontaktpunkt beim Return, beziehungsweise den zu erwartenden Abstand des Balls zum Netz. Der Trainer kann mit dem Tablet in der Hand während der Revitalisierungspause der Spielerinnen mit seinem Schützling etwa die Geschwindigkeit und die Richtung der eigenen und der gegnerischen Aufschläge besprechen, das Tempo der Return-Schläge, wohin das Schlagmuster geht und welche Feldabdeckung sich erkennen lässt. Coaches und Matchgegnerinnen bekommen klare, in Kontext eingeordnete, datenbasierte Hinweise, was funktioniert bzw. wo Stärken und Schwächen liegen.

Im Vorfeld ist es für die eigene Matchstrategie aus Datenarchiv-Material auch nützlich zu wissen, ob die Gegnerin eher am Anfang Asse schlägt oder dann, wenn sie unter Druck Spitzenleistungen schafft. Ob sie mehr Doppelfehler macht, wenn sie noch nicht im Match drin ist oder erst in späteren Sätzen, wenn Kraft und Nerven nachlassen. Beim Tempo, in dem die Matches laufen und nur auf den nächsten Aufschlag und Ball geschaut werden kann, ist vorausschauende Planung, „Kopfkino“ mit Hilfe von Big-Data-Analyse, mit moderner Sportanalyse als Kontrast zum oftmals kritisierten „Steinzeit-Tennis“, besonders wichtig.

Wenn die Sportfans mit spannenden Spieldetails versorgt werden….

Schon länger wurde überlegt, wie auch die Fans von der Beantwortung vieler Detailfragen rund um die Matches profitieren könnten. Wie sie während oft sehr langer Ballwechsel besser zu unterhalten sind. Ein Schritt dahin soll die im Herbst 2017 eingeführte SAP Tennis Analytics for Media sein, die Übertragungen, Begleit- und Nachberichte in der Saison 2018 mit zusätzlichen, überraschenden Erkenntnissen würzen könnte.

Da SAP Tennis Analytics for Media in Partnerschaft mit der WTA entwickelt wurde, wird sie nach Unternehmensangaben ausschließlich für die WTA-Tour der Damen zur Verfügung stehen. Die Herren haben bei ihrer Profitour das Nachsehen: „SAP unterhält derzeit keine Partnerschaft mit der Association of Tennis Professionals (ATP)“, sagt Jenni Lewis, Head of Tennis Technology bei SAP. „Bei der WTA akkreditierte Journalisten erhalten persönliche Login-Daten, mit denen sie über ein Endgerät ihrer Wahl auf die Plattform zugreifen können.

Der Zugang erfolgt über eine URL, nicht über eine App.“

SAP Tennis Analytics for Media ist dem Unternehmen zufolge derzeit die weltweit umfassendste Datenquelle für Tennismedien. „Ähnlich wie schon SAP Tennis Analytics for Coaches wurde auch SAP Tennis Analytics for Media mit einem kollaborativen Ansatz entwickelt, bei dem das Feedback von Tennismedien in die Entwicklung eingeflossen ist, um die Lösung auf ihre spezifischen Bedürfnisse zuzuschneiden“, erläutert Lewis. „Journalisten können sie so konfigurieren, dass sie jeweils die Informationen bekommen, die sie benötigen. Sie erhalten damit zum ersten Mal “Statistiken mit Kontext”, indem detaillierte Daten und Erkenntnisse an einem Ort verfügbar sind.“

„Jenni Lewis, Head of Tennis Technology bei SAP, WTA-Präsidentin Micky Lawler und Tennislegende Lindsay Davenport (v.l.n.r.) bei der Präsentation von SAP Tennis Analytics for Media am 23. Oktober bei den WTA Finals in Singapur.“ (#02)

Wenn Spielintelligenz mit Big Data unterstützt wird…

Spielstärke hängt natürlich in erster Linie von den spielerischen Talenten und der Fitness der Spielerinnen ab. Doch die Spielintelligenz lässt sich mit klug interpretierten Big Data unterstützen. Die vielen Wechsel in der WTA-Spitzenplatzierung in der abgelaufenen Saison liefern einen Hinweis darauf, dass das „Auslesen“ und Studium der Gegnerin und des eigenen Tagesspiels Match-Ergebnisse mit beeinflussen. Außer der Rumänin Simona Halep und der Spanierin Garbine Muguruza, war im zweiten Halbjahr 2017 auch die Tschechin Karolina Pliskova zwischenzeitlich als Nummer eins die internationale Tenniskönigin.

Doch nicht nur die Top-Ten-Damen orientieren sich auf dem Weg nach oben an Datenanalyse. SAP Tennis Analytics for Coaches steht allen Spielerinnen zur Verfügung, die an professionellen WTA-Turnieren teilnehmen, sowohl für Qualifikations- als auch für Hauptfeld-Spiele. Da ist teils auch schon der hoffnungsfrohe Nachwuchs zuhause: Von jüngeren Teams mit noch größerer Digitalisierungs-Affinität wird eine noch stärkere Datenanalyse-Nutzung erwartet.

Wenn die Datenanalyse (fast) alles über Gegnerinnen und Konkurrentinnen verrät…

„Grundsätzlich ist es wichtig, dass Spielerinnen und Spieler von Beginn ihrer Karriere an ein Verständnis dafür entwickeln, wie Daten ihnen bei der Verbesserung ihrer Leistung helfen können“, zeigt sich Jenni Lewis, Head of Tennis Technology bei SAP, überzeugt. Das betrifft auch die als Bits und Bytes verfügbaren Verhaltensweisen ihrer Gegnerinnen: „Spielerinnen und Trainer haben seit 2015 Zugriff auf SAP Tennis Analytics for Coaches. Das umfasst auch den Zugang zu Informationen über sämtliche WTA-Spielerinnen“, sagt Lewis. „Die Lösung lässt sich für alle Phasen eines Matches nutzen: Für die Vorbereitung vor dem Spiel einschließlich der Studie der Gegnerin, für die Entscheidungsfindung während des laufenden Spiels, durch den Trainer am Spielfeldrand, sowie für die Analyse nach dem Spiel.“

Wenn Tennislösungen als Modell für andere Kundenlösungen, sogar Mode, dienen…

Doch nicht nur Trainer, Tennisspielerinnen und Journalisten haben etwas von den SAP-Sportanalysen. Sogar Menschen, denen die Bezwingung der gelben Filzbälle ziemlich egal ist, profitieren davon. Jenny Lewis: „Das Grundprinzip unserer Tennislösungen kann auch als Modell für andere Kundenlösungen dienen. Einfach gesprochen, stellen wir eine SAP-Plattform bereit, um auf ihr Daten zu halten, aus ihnen Erkenntnisse abzuleiten und damit intelligente Entscheidungen in Echtzeit zu unterstützen.“ Dies gelte für alle 25 Branchen, die SAP bedient, beispielsweise Mode, Handel oder Logistik.

Wenn die idealen Kicker eingekauft werden…

Die Tennissaison ist zu Ende. Im Fußball laufen bereits die Vorbereitungen für die nächste Saison, speziell auch das Sichten potenzieller, neuer Akteure vor den Toren der Welt. Hier kommt SAS ins Spiel, das seine SAS Plattform und SAS Viya um Funktionalitäten erweitert hat, die seinen Kunden dabei helfen sollen, echten Mehrwert aus Daten zu ziehen. Neuerungen wie Embedded Artificial Intelligence (AI), also integrierte Künstliche Intelligenz, richten sich insbesondere an Unternehmen, die ihr Geschäftsmodell auf Analytics aufbauen.

Eine Vielzahl an Branchen, Ländern und Unternehmen setzt bereits SAS Viya ein. Zu den neueren Kunden gehört SciSports, ein Sports-Analytics-Unternehmen aus den Niederlanden. Aber auch, aus einer ganz anderen Sparte, das Fintech-Unternehmen TruDecision. Letzterem soll der Trend zu disruptiven, digitalen Geschäftsmodellen neue Chancen bescheren, Autohändlern und Kreditgebern mittels moderner Analytics-Technologie zu mehr Effizienz zu verhelfen.

SAS will mit der SAS Plattform, SAS Viya und Künstlicher Intelligenz (AI) dafür sorgen, dass Fußballvereine Spieler mit Potenzial finden und Autohändler finanzkräftige Kunden. Doch was genau kann man sich unter einer solchen Datenanalyse vorstellen? Inwieweit kommen Bilderkennung, Deep Learning oder das humane Sprachverständnis, auch Natural Language Understanding genannt, hierbei ins Spiel?

Deep Learning ermöglicht, Dr. Gerhard Svolba, Principal Pre-Sales Solutions Architect SAS DACH zufolge, die automatische Analyse von großen Datenmengen und die Extraktion von Konzepten und Zusammenhängen, die für die Segmentierung von Kunden oder Spielern nötig sind. (#04)

Wenn Datenanalyse das ideale Team zusammenstellt….

„Mit maschinellem Lernen werden Gemeinsamkeiten bei den erfolgreichsten Spielern aufgespürt. Da wären Parameter wie Bewegungsmuster auf dem Platz, die Integration im Team oder die erzielten Tore und Torvorbereitungen zu nennen“, erklärt Dr. Gerhard Svolba, Principal Pre-Sales Solutions Architect SAS DACH. „Mit künstlicher Intelligenz werden diese Muster dann analysiert, um das Spielerverhalten noch besser zu verstehen und es mit dem anderer Spieler in Relation zu setzen. Am Ende kann das ideale Team zusammengestellt werden.“

Ähnlich laufe der auswahlorientierte Datenanalyseprozess beim Profiling von Kunden ab, wenn es um deren Finanzkraft, deren Angebotsvorlieben oder sogar wenn es um deren konkrete Betrugsneigungen und Tendenzen gehe. Svolba: „Dann wird anhand der Stammdaten und transnationaler Daten wie Finanztransaktionen, Kontobewegungen oder der Interaktionen mit Call-Center-Agenten geschaut, was die Kunden miteinander verbindet, um Anomalien im Verhalten zu ermitteln. Das geschieht, indem die Daten mit Mustern aus bereits bekannten Segmenten wie Betrügern, erfolgten Kreditausfällen oder Marketing-Respondern verglichen werden.“ Auf diese Weise könnten mit Hilfe von Business Analytics Tools Kunden identifiziert werden, deren Verhaltensmuster weit vom erwarteten Muster abweichen. Deep Learning ermögliche hier die automatische Analyse von großen Datenmengen und die Extraktion von Konzepten und Zusammenhängen, die für die Segmentierung von Kunden oder Spielern nötig sind.

Wenn Cyber-Security, Betrugserkennung und Risikoanalyse über KI laufen…

Damit nicht genug: „Diese Verfahren werden auch in der Bilderkennung und NLP-Analyse verwendet, um Informationen aus Bildern, Bewegungsmustern und Sprachaufzeichnungen zu extrahieren“, weist der SAS-Manager unter anderem auf die Möglichkeit hin, gesprochene Sprache gezielt zu analysieren (NLP).

Vorteil der SAS Plattform und von SAS Viya mit Künstlicher Intelligenz (AI) gegenüber einfacher gestrickten Lösungen zur Datenanalyse sei zum einen die Verarbeitung extrem großer Datenmengen in Echtzeit. Von den SAS-Leuten „High Performance Computing“ genannt. SAS sei zudem offen für unterschiedliche Benutzer, ob Business Analysten, Open Source Programmierer oder SAS Programmierer. „Mittels Self Service Analytics können die Anwender ihre Erkenntnisse schnell selber gewinnen“, verweist Svolba auf die individuelle Anwendbarkeit, wenn Künstliche Intelligenz im Spiel ist. Technologisch gesehen biete SAS „Data Discoveries UND Deployment, also den gesamten notwendigen Analysezyklus“. Diese Datenanalyselösung integriere sich auch mit allen anderen Systemen, wie der Datenzulieferung, oder anderen operativen Systemen beim Kunden vor Ort.

Die SAS-Lösung sei branchenübergreifend einsetzbar. Insgesamt komme sie bei Cyber-Security-Themen, Betrugserkennung, Bildanalyse, Kundensegmentierung oder bei der Risikoanalyse zum Einsatz. In Pilotprojekten würden erste Erkenntnisse bereits nach wenigen Tagen erzielt. SAS-Manager Svolba: „Abhängig vom benötigten Automatisierungs- und Integrationsgrad in andere Systeme, dauern solche Projekte zwischen zwei Wochen und fünf Monaten“.

Wenn maschinelles Lernen den digitalen Fingerabdruck wertschätzt…

Mit Daten punkten wollen immer mehr Menschen auch in geschäftlichen Feldern, die nichts oder nur im Sponsoring mit Sport zu tun haben. Siehe das Wirken von Splunk, einem internationalen Unternehmen, das mit maschinellem Lernen, „Machine Learning“, im Bereich Business Analytics für „Aha“-Erlebnisse sorgen will.

„Aha“-Erlebnisse? – Guillaume Aymé, IT Operations Evangelist bei Splunk zufolge, heißt das schlicht, dass Splunk Daten in Antworten umwandelt. Quasi eine Antwortenmaschinierie aus Datenanalyse. Splunk gebe Organisationen überall auf der Welt Lösungen an die Hand, mit deren Hilfe der immer größer werdende Ozean aus Maschinen-Daten beherrschbar werde. Die Daten würden zu Erkenntnissen, die den Organisationen helfen sollen, produktiver, profitabler, wettbewerbsstärker und sicherer zu agieren.

Maschinendaten in Echtzeit automatisieren, sammeln, indizieren und visualisieren (#06)

Aymé: “Maschinen-Daten sind eines der am schnellsten wachsenden, alles durchdringenden Big-Data-Segmente. Die Daten werden von Webseiten, Anwendungen, Servern, Netzwerken, mobilen Geräten und all den Sensoren und RFID-Medien generiert, die zu jeder Sekunde eines jeden Tages Daten produzieren.” Diese riesige Menge an Daten, die von Maschinen hergestellt werden, liefern, dem Splunk-Evangelisten zufolge, Fakten über Transaktionen, Systemverhalten, Anwendungs-Performance, Nutzer-Aktionen, Sicherheitsbedrohungen und betrügerische Aktivitäten.

Splunk ist nach Unternehmensangaben die führende Plattform für Analysen von Maschinendaten. Damit lassen sich zukünftige Ereignisse vorhersagen und daraus entsprechende Handlungsempfehlungen ableiten. (#05)

Wenn Daten von Maschinen zu wertvollen Antworten werden…

Der IT-Operations-Spezialist: “Denken Sie an Maschinen-Daten, wie den “Digitalen Fingerabdruck”, den Nutzer und Maschinen hinterlassen, wenn sie digitale Dienste verwenden – von Webseiten bis zu Geschäftsanwendungen, aber auch industrielle Kontrollsysteme und IoT-Devices. Wenn sie nutzbar gemacht werden, beinhalten die Daten ansonsten unerschlossenen Wert für Ihr Geschäft, um zu verstehen, wie Nutzer und Kunden mit Ihren Applikationen und Geschäftsprozessen interagieren. Ebenso lernen Sie die Aktivität Ihrer automatisierten Vorrichtungen, etwa in einer Fließbandfertigung, zu verstehen.”

Splunk sieht seine Mission darin, Maschinendaten erreichbar, nutzbar und wertvoll für alle zu machen. In den vergangenen drei Jahren habe man hart daran gearbeitet, es für Nicht-IT-Nutzer leichter zu machen, Wert aus ihren Daten zu schöpfen.

Richard Campione, Chief Product Officer bei Splunk, sieht das angesichts der neuesten Datenanalyse-Lösungen des Unternehmens ähnlich: „Daten bringen strategische Vorteile, und Unternehmen suchen die schnellsten, effektivsten Methoden, Daten in Antworten zu verwandeln. Mit den Verbesserungen bei Machine Learning und Metriken, die von jedermann genutzt werden können, liefern Splunk Enterprise 7.0 und Splunk Cloud beeindruckende unternehmenskritische Erkenntnisse – und zwar noch schneller und einfacher als bisher.“

Wenn Metriken die Monitoring- und Benachrichtigungsfunktionen kräftig anschieben…

Splunk Enterprise 7.0 und Splunk Cloud sollen Kunden verbessertes Monitoring, schnellere Untersuchungen und mehr Erkenntnisse aus ihren Daten ermöglichen und dabei zusätzlich deutliche Verbesserungen bei Performance und Skalierung bieten. Die Unterstützung von Metriken soll dabei die Monitoring- und Benachrichtigungsfunktionen um mindestens das 20-fache beschleunigen, Optimierungen der zentralen Suchtechnologie die Abläufe um das Dreifache anschieben.

Mit diesen Verbesserungen beabsichtigt das Unternehmen, dass Kunden die Splunk-Plattform nutzen, um durch integrierte Machine-Learning-Methoden mit leistungsfähigen, erweiterbaren Algorithmen künftige IT-, Sicherheits- und Geschäftsentwicklungen zu prognostizieren. Diese Fortschritte im Bereich Machine Learning sollen Benutzer insgesamt befähigen, datengestützte Erkenntnisse zu sammeln, aufzubereiten, umzuwandeln, zu untersuchen, zu visualisieren und zu veröffentlichen.

Wenn ganz direkt wertvolle Erkenntnisse aus Daten gezogen werden…

„Niemand kann, was Splunk kann“, gibt sich Aymé betont als Evangelist. Immer häufiger würden Organisationen nur Vorteile aus maschinellem Lernen ziehen wollen, ohne sich die technischen Kenntnisse anzueignen. “Genau hier kommen unsere “Applikationen” ins Spiel”, sagt Aymé. “Organisationen können Anwendungen auf unserer Plattform für bestimmte Nutzungsszenarien der IT oder Sicherheit installieren, die auf maschinellem Lernen basieren. So können unsere Kunden ohne Umwege direkt Wert aus den Daten schöpfen.”

Splunk versuche, maschinelles Lernen in das tägliche Leben von IT- und Security-Verantwortlichen zu integrieren, um deren Arbeit einfacher zu machen. Der Splunk-Evangelist: “Es besteht kein Zweifel daran, dass maschinelles Lernen nun Teil unseres täglichen Lebens ist. Egal ob Google Ihre Fotos verarbeitet, um sie zu kategorisieren, oder wenn Sie Ihr Smartphone mit Gesichtserkennung entsperren.”

Wenn die Digitalisierung über die Datenanalyse einzieht…

Die Digitalisierung berühre alle Industrien. Der Splunk-Evangelist sieht alle Organisationen als potenzielle Anwender, die vom Erforschen ihrer Maschinen-Daten profitieren könnten. “Tatsächlich ist das eine Notwendigkeit geworden”, sagt er. “In erster Linie, um sicherzustellen, dass die IT-Systeme erreichbar sind und Sicherheitslücken vermieden werden.” Aber auch, um das Verhalten von Maschinen, Nutzern und Kunden zu verstehen, um neue digitale Services anzupassen und zu entwickeln. Aymé warnt: “Organisationen, die nur allmählich qualitativ hochwertige, digitale Services anbieten und ebenso gemächlich die digitale Transformation unterstützen, werden zu kämpfen haben, um wettbewerbsfähig zu bleiben.”

Splunk habe derzeit mehr als 14.000 Kunden aus allen Bereichen und Größen, von großen Händlern wie Otto, über Banken wie Unicredit, Automobilhersteller wie BMW, bis hin zu Technikunternehmen wie Shazam.

Wenn Daten aus ihrer Isolation geholt werden, um Fehler aufzuspüren…

Sie alle wollen wissen, was in ihren Unternehmen vorgeht. “Die Daten, die von den IT-Systemen erzeugt werden, die den Geschäftsprozess unterstützen, werden immer maschinelle Daten anmelden”, sagt IT Operations Evangelist Guillaume Aymé. Die Schwierigkeiten, die Organisationen haben und hatten, seien der Umfang und die Komplexität dieser Daten. Deshalb seien sie nicht fähig gewesen, sie zu sammeln, was zum Stillstand der Geschäftsprozesse und zu langen, manuellen Aufklärungszeiten bei Störfällen geführt hätte. „Hier ist die Splunk-Technologie perfekt, speziell designt, um diese Art von Daten mit diesem Tempo und Umfang zu sammeln und in die Hände von IT-Zuständigen und Geschäftsleuten zu geben“, so Aymé.

Fehler, Ausfälle, würden selten in Isolation geschehen. Sie seien üblicherweise eine Folge von Ereignissen quer über verschiedene Technologie-Komponenten hinweg, die den Ausfall verursachen. „Der Trick besteht darin, die Daten von all diesen Komponenten übergreifend und nicht in Isolation zu analysieren – daher liegt die Stärke von Splunk darin, alle Daten zu sammeln“, erläutert der IT-Evangelist. Dies bedeute, dass Organisationen kleine Probleme schnell genug aufspüren könnten, bevor diese Auswirkungen auf den Geschäftsprozess hätten. „Splunk wird dann auch genutzt werden, um die betreffenden kleinen Fehler ganz schnell zu untersuchen, um zunächst zu verstehen, was sie ausgelöst hat – und so kontinuierlich die Qualität der IT- und Geschäftsprozesse und die Betriebszeit zu verbessern.“

Das Fazit von Splunk-Manager Aymé zu maschinellem Lernen: „Natürlich liegt die Intention von maschinellem Lernen, wie es jetzt nutzbar sein soll, darin, kleine Fehler frühzeitig und automatisch zu entdecken. Das ist es, wo unsere gebündelten Anwendungen zum maschinellen Lernen ins Spiel kommen, um die Zeit, in der Fehler aufgedeckt werden, sogar noch weiter zu beschleunigen, und um in der Untersuchungs-Phase zu helfen.“