Können Sie sich an die seinerzeit sehr beliebten 3D-Bilderrätsel erinnern? Viele, wie auch ich, konnten sich dem Reiz nicht entziehen, auf ein bunt verziertes Blatt zu starren, um hinter einer wirr scheinenden, zweidimensionalen Oberfläche ein dreidimensionales Objekt zu entdecken.
Dieses Beispiel zeigt plastisch, worin der Unterschied zwischen einer klassischen Suchmaschine und einer semantischen Enterprise Search-Lösung liegt. Überspitzt formuliert: Die eine liefert eine Vielzahl an bunten Punkten – in der fachlichen Diktion “Trefferliste” genannt. Die andere bringt ein dreidimensionales Objekt und Zusammenhänge ans Tageslicht, die dem Betrachter eine 360-Grad-Sicht auf ein Problem erlauben.
Im Gegensatz zur wirr scheinenden Oberfläche des 3D-Suchbilds lässt sich mit Trefferlisten klassischer Suchmaschinen natürlich viel mehr anfangen, als die Adresse der nächstgelegenen Apotheke herauszufinden. Ein berühmtes Beispiel ist die verlässliche Voraussage der Verbreitung der jährlichen Grippeepidemie in den USA – und das auf Basis der Suchabfragen der US-Bürger in Google. Zu diesem Zweck untersuchte das Unternehmen die Milliarden Daten nach Korrelationen zwischen der Häufigkeit bestimmter Suchbegriffe – etwa “Kopfschmerzen” oder “Husten” – und der Ausbreitung der Grippewelle in den vorangegangenen Jahren. Das Ergebnis war ein mathematisches Modell, mit dem man praktisch in Echtzeit voraussagen konnte, wie sich die Grippe in den USA weiter ausbreiten würde. Die Gesundheitsbehörden gewannen damit einen wertvollen Vorsprung im Kampf gegen die Krankheit.
Mit diesem Beispiel ist man mitten im Thema Big Data Analytics: Google hat in besagtem Beispiel die großen Datenmengen, die einerseits durch die Suchanfragen entstanden sind, andererseits durch die Erfahrung bei vorangegangenen Grippewellen, verknüpft, statistisch ausgewertet und anhand von Mustern neue Erkenntnisse gewonnen bzw. die Erkenntnisse in einer derart hohen Geschwindigkeit generiert, dass die notwendigen Gegenmaßnahmen in Sachen Epidemiebekämpfung rechtzeitig getroffen werden konnten.
Das Beispiel zeigt auch: Suchmaschinen lassen sich im Fall der Fälle für Big Data-Analysen nutzen, doch dazu braucht es viel Zeit und noch mehr Know-how, denn beispielsweise für die Entwicklung des statistischen Modells in Sachen Grippeepidemie war der Einsatz zahlreicher Big Data- bzw. Gesundheits-Experten notwendig.
Im Gegensatz dazu die Enterprise Search-Lösungen: Hier ist der Big Data-Aspekt nicht nur eine Option für Experten, sondern ein zentraler Bestandteil des Systems für jeden User – sei dieser Experte oder nicht.
Dieses Prinzip sieht man anhand eines einfachen Beispiels aus dem Alltag einer Service-Abteilung. Techniker-Zeiten sind bekanntlich teuer, daher sollte ein Problem schon beim ersten Kundenbesuch gelöst sein, falls ein pauschaler Servicevertrag besteht. Der erste Kundenkontakt findet im Servicefall jedoch meist über das Call-Center statt, in dem in der Regel keine Technikexperten sitzen. Daher kann es leicht geschehen, dass der Servicetechniker unzureichend informiert den Kunden besucht, um vor Ort herauszufinden, dass etwa ein wichtiges Ersatzteil fehlt. Teure Folgebesuche sind daher keine Seltenheit.
Mit Enterprise Search-Lösungen lassen sich diese Art von Problemen deutlich minimieren. Das intelligente System hilft auch dem technisch wenig versierten Mitarbeiter im Call-Center anhand der Symptome, die ihm der Kunde am Telefon mitteilt, sehr schnell ein umfassendes Bild von den möglichen Problemen zu zeichnen. Anstatt einer Trefferliste, die dem Experten bei einer Recherche helfen würde, weniger dem Call-Center-Mitarbeiter, erhält letzterer rasch konkrete Informationen, etwa dass ein tiefes Brummen bei dem Waschmaschinen-Modell XY – so die Angaben des Kunden – in neun von zehn Fällen auf eine fehlerhafte Wasserpumpe zurückzuführen sei. Ergo: Der Servicetechniker packt vorsorglich eine neue Wasserpumpe ein, bevor er sich auf den Weg zum Kunden macht. Der Finanzchef des Unternehmens wird es danken.
Die Schnelligkeit, mit der man konkrete Aussagen erhält, und die hohe Qualität der Erkenntnisse werden durch das Zusammenspiel mehrerer Faktoren ermöglicht. Enterprise Search-Lösungen verarbeiten einerseits alle möglichen Quellen über Unternehmens- und Abteilungsgrenzen hinweg – egal in welchem Format, egal ob strukturiert oder nicht. Die Verarbeitung der Daten findet andererseits bereits vor der eigentlichen Suchabfrage statt, die Daten werden von Anfang an klassifiziert und auf Basis semantischer Regeln verknüpft. Dadurch entstehen Muster – vergleichbar mit den Mustern zur oben erwähnten Grippeepidemie – auf die zurückgegriffen wird, sobald der User eine Anfrage stellt.
Das heißt, die Information wird gleichsam verdichtet. Dies führt dazu, dass der User sehr schnell auf die richtige Spur gebracht wird. Bei der Trefferliste einer klassischen Suchmaschine müsste er sich erst mühsam durch die Links klicken. Bildlich gesprochen: Das Ergebnis der Verdichtung der Information, wie sie Enterprise Search-Lösungen durchführen, ist nichts anderes als das dreidimensionale Objekt, das hinter der zweidimensionalen Oberfläche eines 3D-Suchbildes entsteht.
Die drei- statt zweidimensionale Sicht auf Daten, die sich mit der Big Data-Anwendung Enterprise Search ergibt, eröffnet Unternehmen bis dato ungeahnte Möglichkeiten. Ein beliebtes Einsatzgebiet ist etwa die Suche nach Flaschenhälsen in Produktionsabläufen oder Workflows – etwas, das der Firma viel Geld sparen kann. Interessant ist es zudem, in guter, alter Business Intelligence-Manier Korrelationen zwischen Produkten, Absatzgebieten und Käufern herauszuarbeiten. Beiden Beispielen ist gemein, dass sich die eventuell neuen Erkenntnisse nicht aus neuen, sondern im Unternehmen bereits vorhandenen Daten ergeben. Es geht also darum, die Antwort auf seine Fragen hinter einer wirr scheinenden Oberfläche zu erkennen. Es geht schließlich darum, das Gold, das unter den Füßen liegt, einfach zu heben. Mit Enterprise Search hat man dafür gute Karten in der Hand.
