Transformationsansatz

In der heutigen schnelllebigen Geschäftswelt stehen Unternehmen vor der Herausforderung, durch komplexe Systeme und Prozesse zu navigieren, während sie darauf abzielen, agil und anpassungsfähig zu sein.

Aber was kann Ihnen helfen, diese Komplexität zu meistern?

Das folgende Diagramm erklärt unseren Ansatz in Kürze, gehen wir es gemeinsam durch:

Bei transentis wenden wir unsere Transformationsmethodik seit über zwei Jahrzehnten an, testen und verbessern sie - von Tag eins war unser Transformationsansatz modellgetrieben und Architekutur-zentriert:

• Modellgetrieben: Wir erfassen, alles, was wir über ein Unternehmen lernen, in einem visuellen Modell. Modell haben gegenüber von rein visuellen Darstellungen den Vorteil, dass sie nicht nur von Menschen, sondern auch von Maschinen gelesen werden können.
• Architektur-zentriert: Wir identifizieren zuerst die Schlüsselbausteine, die Verbindungen zwischen ihnen und wie diese Zusammenwirken, um Wert zu erzeugen (die “Unternehmens-Architektur”), bevor wir in die Details jedes Bausteins einsteigen.

Wenn es um Modellierung geht, erstellen wir nicht nur statische Modelle - wir lieben es, interaktive Simulationsmodelle zu erstellen, die Ihnen helfen, die Dynamik eines Unternehmens zu verstehen.

Das Modell, das wir als Teil der Carsharing-Fallstudie erstellt haben, wurde mit der ArchiMate-Modellierungssprache erstellt.

Die Seiten der Carsharing-Fallstudie werden vollständig aus dem zugrunde liegenden Modell generiert, was zeigt, dass Modelle nicht nur nützlich sind, um Informationen vollständig und konsistent zu erfassen, sondern auch als Grundlage für die Erstellung von Dokumentation für verschiedene Stakeholder-Gruppen.

In einem nächsten Schritt werden wir das Modell mit Live-Daten erweitern und es effektiv in einen digitalen Twin verwandeln.

In unseren frühen Beratungstagen war es ziemlich schwierig, gute Daten zu bekommen - aber dank der Data-Science-Revolution ertrinken die meisten Unternehmen jetzt in Daten: Unser Transformationsansatz nutzt alle verfügbaren Daten und gibt ihnen Bedeutung, indem er sie mit unseren Modellen verbindet und sie systematisch verwendet, um bessere Entscheidungen in komplexen Situationen zu treffen.

Das Erstellen von Modellen ist ein menschliches Unterfangen, weil es darum geht, Informationen von verschiedenen Stakeholdern zu sammeln, diese Informationen zu formen und sie zu nutzen, um gemeinsames Verständnis zu schaffen. Nur ein gemeinsames Vokabular zu finden ist in den meisten Organisationen schwierig.

Aber aufgrund der Datenabundanz finden wir uns dabei, Machine-Learning-Techniken zu verwenden, um Modelle zu bauen, aus Daten zu lernen und optimale Szenarien in Simulationsmodellen zu finden.

Heute bewegt sich unsere Methodik in ihre nächste Phase, weil wir systematisch Generative KI einbeziehen: Wir nutzen GenAI für allgemeine Recherche, aber auch um Gespräche über das Unternehmen zu führen, das wir transformieren.

Damit das funktioniert, müssen wir der GenAI die relevanten Kontextinformationen bereitstellen.

Da Transformation ein lang andauernder Prozess ist, entwickeln sich die Informationen, die wir über ein Unternehmen haben, permanent weiter.

• Unsere Lösung ist es, zuerst die Informationen, die wir über ein Unternehmen haben, in einem visuellen Modell zu erfassen - visuelle Modelle sind ein sehr effizienter Weg, strukturierte Informationen zu erfassen und - weil sie visuell sind - sind sie eine sehr gute Grundlage für Diskussionen mit Stakeholdern.
• Wir synchronisieren die Informationen, die wir in unseren Modellen haben, in Graph-Datenbanken und schaffen so einen Wissensgraphen des Unternehmens - das ist aus semantischer Sicht einfach, weil die Modelle, die wir bauen, ohnehin schon eine graphen-artige Struktur haben.
  • Ein Vorteil von Graphdatenbanken gegenüber herkömlichen Modellen ist, dass Sie sie über eine API verfügbar machen und abfragen können.
  • Ein weiterer Vorteil ist, dass wir die Daten in der Graphdatenbank mit “Live”-Daten aus dem Unternehmen erweitern können - das ist sehr mächtig und etwas, was wir mit einfachen Modellen selbst nicht tun können.
• Jetzt, da wir die Informationen in einem Wissensgraphen haben, können wir diese Informationen der Generativen KI mit Retrieval-Augmented-Generation (RAG) zur Verfügung stellen. Das bedeutet effektiv, dass wir jetzt Generative KI nutzen können, um das Unternehmen zu analysieren und neu zu gestalten.