Data Thinking mit LLMs – Unternehmensprozesse neu gedacht

Der Einsatz von Large Language Models (LLMs) und die damit verbundenen Diskussionen beschäftigen uns auch weiterhin. Vor allem GPT bietet vielfältige Möglichkeiten, um es für das eigene Business zu nutzen. Auch für Finanzinstitute eröffnen sich neue Wege, sich dem Wettbewerb zu stellen. Und ein kluger Einsatz von LLMs kann sich zu einem echten Vorteil entwickeln.

Daten sind von enormem Wert. Viele Unternehmen speichern ihre Daten, allerdings werden diese dennoch oft nicht im Unternehmen selbst erfasst oder der ganze Prozess geschieht unstrukturiert. Effektiv gesammelt und gut strukturiert können Datensätze indes massgeblichen Einfluss auf die Wirtschaftlichkeit eines Unternehmens haben. Data Thinking ist eine Methode, die dabei unterstützt, Use Cases zu identifizieren. Bei diesem Ansatz werden Data Science und Design Thinking miteinander verbunden und Unternehmen dazu angeleitet, ihre Daten zu analysieren, zu reflektieren und möglichst gewinnbringend einzusetzen. Ziel ist es, das Potenzial der Daten voll auszuschöpfen und damit nutzerorientierte und datenbasierte Produkte oder Lösungen zu entwickeln.

Data Thinking bezieht immer mehrere Fachbereiche eines Unternehmens mit ein. Dadurch können die gesammelten Daten aus verschiedenen Blickwinkeln betrachtet werden und Experten aus den einzelnen Abteilungen ihr Wissen einbringen.

Daten, die in den unterschiedlichen Fachbereichen gesammelt werden, können dabei etwa Auskunft über Gewinne und Verluste geben, Kundennachfragen spiegeln oder auch betriebsinterne Controlling-Daten sein. Im Laufe des Prozesses werden die Daten konsolidiert und analysiert und alle Beteiligten klären, welche Erkenntnisse sie liefern, welche Ergebnisse zu erwarten sind oder an welchen Stellen Informationen noch fehlen. Relevante Use Cases können sowohl durch die eigenen Teams, deren Kreativität sich durch die Arbeit mit den unterschiedlichen Daten durchaus erhöhen kann, als auch durch externe Berater identifiziert werden.

Der Nutzen für die Finanzbranche

Auf den globalen Finanzmärkten sind täglich Milliarden in Bewegung, wodurch eine enorme Menge an Daten generiert wird. Analytics-Anwendungen, oft auch mit Beteiligung von KI-Systemen, sind im Finanzsektor bereits verbreitet, um beispielsweise KPIs zu berechnen und zu prognostizieren, Marktsegmentierungen durchzuführen, Zeitreihen vorherzusagen oder Ereignisse zu simulieren.

Durch die aktuelle Generation leistungsfähiger Sprachmodelle ergeben sich einige neue Möglichkeiten bei der Optimierung oder vollständigen Automatisierung von Geschäftsprozessen. Eine zentrale Rolle auf vielen Ebenen spielt hier das Wissensmanagement. Sprachmodelle können im einfachsten Fall helfen, Wissen aus internen Datenquellen zugänglich zu machen. Mit LLMs, wie GPT, können Kompetenzen und Wissen aus den verschiedensten Abteilungen eines Unternehmens zusammengebracht, die benötigten Daten extrahiert und verarbeitet werden. Einer der Vorteile ist dabei, dass auch technische Laien die Sprachmodelle nutzen, ihre Ideen sofort ausprobieren und kreative Anhaltspunkte für neue Produkte und Geschäftsfelder finden können.

LLMs sind aber auch in der Lage, komplexere Aufgaben auf mehreren Datenquellen automatisiert durchzuführen, also zum Beispiel Informationen zu verarbeiten, Analysen durchzuführen und daraus auch Reports zu erstellen. Diese Fähigkeit kann Analysten in der Branche massiv unterstützen und viele repetitive Aufgaben sogar vollständig automatisieren.

Welche Voraussetzungen braucht es dafür?

Um von einem Data Thinking-Prozess, der auf GPT setzt, zu profitieren, sollten Projekte langfristig und strategisch geplant werden. Hier sind vor allem zwei Punkte entscheidend:

1. Weiterbildung

Ein erster wichtiger Punkt ist es, GPT und den Umgang damit zu verstehen. Dabei sollten Nutzer um die Chancen und Potenziale, aber auch um die Risiken wissen, damit sie GPT zu ihrem Vorteil nutzen können. Sobald die Projektbeteiligten aus unterschiedlichen involvierten Fachbereichen identifiziert sind, sollte deren Weiterbildung oberste Priorität haben. Die Mitarbeiter müssen lernen, das Tool vernünftig und effektiv einzusetzen. Dabei ist es empfehlenswert, eine verantwortliche Person im Unternehmen für den Umgang mit der Technologie zu benennen, oder gar ein ganzes Kompetenzteam zu etablieren, das möglichst viel über GPT oder andere LLMs lernt. Dadurch kann garantiert werden, dass wertvolles Fachwissen auch bei Personalwechseln im Haus bleibt.

Die Weiterbildungen selbst können dann beispielsweise über eine externe Beratung, aber auch im Zuge einer internen Qualifizierung stattfinden. Beauftragt ein Unternehmen eine externe Beratungsfirma sollte gewährleistet sein, dass es sich um einen vertrauenswürdigen und erfahrenen Partner handelt. Diese Berater sind mit der Technologie vertraut und können eine realistische Einschätzung liefern, wie und in welchem Umfang Unternehmen mit der KI arbeiten können.

2. Technische Umsetzbarkeit

Ein zweiter Punkt, der essenziell für den Einsatz von LLMs ist, betrifft die technische Umsetzbarkeit. Dafür ist ein Unternehmen, egal in welcher Branche, dringend auf IT-Fachleute angewiesen, die im Idealfall einen Background im Deep Learning oder sogar im Natural Language Processing haben. Gibt es in einem Unternehmen ein gut aufgestelltes Entwicklungsteam und eine Data Science-Abteilung, sind die Chancen sehr hoch, dass das erforderliche Know-how zu LLMs und Data Thinking bereits vorhanden ist. Diese Teams sind oft schon mit dem Thema befasst und mit der Vielzahl an Möglichkeiten und Ideen stark gefordert.

Sollten entsprechende Kompetenzen nicht verfügbar sein, muss frühzeitig entschieden werden, ob die Möglichkeit oder der Wille besteht, dafür Stellen zu schaffen, oder ob das Unternehmen externe Experten zurate zieht, die das nötige Fachwissen mitbringen.

Fazit: LLMs als Chance sehen

Fakt ist: LLMs sind gekommen, um zu bleiben. Den Umgang mit ihnen sollten Unternehmen aller Branchen lernen, um sie für sich als Vorteil zu nutzen. Finanzinstitute etwa können mit den vorhandenen Daten sowohl die Kundenansprache und den Kundenservice verbessern als auch interne Prozesse optimieren. Durch den strategisch klugen Umgang mit den gesammelten Daten kann mit Hilfe von Data Thinking also ein echter Mehrwert für das eigene Business geschaffen werden, der sich zu einem veritablen Wettbewerbsvorteil entwickeln kann.