Unser Bewusstsein für Nachhaltigkeit ist nicht zuletzt durch jüngere Generationen mehr in den Fokus gerückt. Gerade Generation Z und Alpha legen besonderen Wert auf Nachhaltigkeit. Wer an Nachhaltigkeit denkt, hat zunächst meist nur die Umwelt auf dem Schirm. Das ist grundsätzlich nicht ganz falsch, dennoch hat Nachhaltigkeit weitere Dimensionen, wie beispielsweise die Ökonomische und die Soziokulturelle.
Im folgenden Artikel gehen wir auf das Zusammenspiel der unterschiedlichen Generationen in Unternehmen ein und beleuchten deren Umgang mit Daten und die damit verbundene Auswirkung auf den großen Themenbereich Nachhaltigkeit.
Unterschiedliche Generationen und der Gedanke von Nachhaltigkeit
Wie bereits angesprochen: Die jüngeren Generationen legen sehr viel Wert auf den nachhaltigen Umgang mit unserer Umwelt. Man kann es diesen Generationen auch nicht verdenken, denn unzählige Artikel aus den Medien berichten über Folgen des Klimawandels und über die betroffenen Generationen und deren Nachfolgern. Der Wunsch nach einer klimafreundlichen Zukunft beschäftigt diese Generationen nicht nur im Privaten, sondern hat auch Auswirkungen auf die Anforderungen, die die jüngeren Generationen an Unternehmen stellen. Die Nachwuchskräfte verlangen, dass Unternehmen ihrer gesellschaftlichen Verantwortung gerecht werden. Das macht sich sowohl aus Arbeitnehmersicht bemerkbar, aber auch in den Wünschen von Kund:innen und Partner:innen.
Einige Unternehmen sind sich ihrer gesellschaftlichen Verantwortung durchaus bewusst und haben ein Verständnis dafür entwickelt, dass sie für die Zukunft etwas ändern müssen. Also ist der erste Schritt in eine neue Richtung schon getan, dennoch fehlt in den meisten Unternehmen das Wissen, was verändert werden muss und vor allem wie man dorthin gelangt.
In vielen Köpfen hält sich der Gedanke, dass Nachhaltigkeit im Unternehmen die ökologischen Maßnahmen betrifft und auch wenn wir in diesem Artikel viele Vorteile beleuchten werden, die dort ansetzen, gilt es die ökonomische und soziokulturelle Perspektive von Nachhaltigkeit ebenfalls zu betrachten. Denn der notwendige Wandel zur Nachhaltigkeit hält auch die Chancen bereit, in neue Geschäftsfelder vorzustoßen und sich dort zu etablieren.
Im nächsten Schritt wollen wir uns genauer anschauen, welche Möglichkeiten Informationen in Form von Daten für Unternehmen bieten, um sich nachhaltiger aufzustellen. Dafür benötigen wir ein Verständnis dafür, wo hier Zusammenhänge bestehen.
Wie hängen Data Science und Nachhaltigkeit überhaupt zusammen?
Das Informationszeitalter hat viele Möglichkeiten mit sich gebracht. Im Vergleich zu früheren Generationen basieren heutige Vorhersagen und Handlungspotenziale auf der stetigen Analyse von Daten. Daten, die so früher gar nicht vorhanden waren oder wenn doch, nicht wirklich genutzt wurden. Und genau diesen Vorteil können Unternehmen heute nutzen, um in unterschiedlichsten Dimensionen nachhaltiger zu agieren, als es noch vor einiger Zeit denkbar gewesen wäre.
Heute können wir mithilfe von Daten und Visualisierungen eine Übersicht schaffen, welche Bereiche im Unternehmen unsere Aufmerksamkeit benötigen. So können wir den Verbrauch von Energie, Einsparpotenziale von Co2-Emissionen und die Verschwendung von Lebensmitteln anhand von genauen Prognosen vorhersagen.
Doch wenn es so gute Möglichkeiten gibt, warum nutzen die wenigsten Unternehmen diese Chance? Eine eindeutige Antwort auf diese Frage gibt es nicht, dennoch haben wir zwei Vermutungen und auf eine werden wir im weiteren Verlauf des Textes noch genauer eingehen.
Zum einen gehen wir davon aus, dass der konkrete Nutzen von Vorhersagen in Unternehmen nicht in die Ebenen vordringt, die für die notwendige Veränderung sorgen könnten. Zum anderen fehlt an vielen Ecken einfach das Verständnis und die Fachkräfte für die Umsetzung von Data Science Projekten.
Um in weiteren Unternehmen für mehr Verständnis solcher Projekte zu sorgen, werden wir im Folgenden auf zwei Data Science Projekte mit Beispielen eingehen.
Data Science und Nachhaltigkeit Beispiele
Lebensmittelverschwendung
Mit Hilfe von Machine Learning und Data Science kann in der Gastronomie die Planung des Lebensmitteleinkaufes besser geplant werden. Konkret kann somit einer Überproduktion entgegengewirkt und das Wegwerfen von Lebensmitteln reduziert werden.
Die Basis hierfür bilden die vorhandenen Daten aus der Historie von Kund:innen. Daraus lassen sich Vorhersagen entwickeln, die mit weiteren externen Faktoren – wie bspw. dem Wetter, Feiertagen oder stattfindenden Events wie Fußballspielen oder Konzerten – angereichert werden können.
Wendet man diesen Fall konkret auf einen Bäcker an, können seine Verkaufsdaten für einen bestimmten Zeitraum ausgewertet werden. Auf Basis dieser Verkaufsdaten wird ein Modell des maschinellen Lernens trainiert, welches die Nachfrage und das Kaufverhalten analysiert und kombiniert. Dieses Modell kann dann die voraussichtliche Nachfrage für den kommenden Tag oder für die kommenden Wochen vorhersagen. Mit diesem Wissen kann der Bäcker gezielt und datengestützt seine Produktion und seinen Einkauf anpassen. So reduziert er die Lebensmittelverschwendung seiner Bäckerei und ganz beiläufig wird sich sein Gewinn optimieren.
Auswertung der Sensordaten eines Fahrradweges zur Straßenanalyse
Ein weiterer spannender Data Science und Nachhaltigkeit Use-Case ist die Auswertung von Sensordaten. Ein leicht verständliches Beispiel bildet dafür die automatisierte Auswertung von Fahrradwegen. Wer kennt es nicht? Bei der Fahrradtour am Wochenende oder auf dem Weg zur Arbeit versauen einem löchrige und holprige Radwege den Spaß am Fahrradfahren.
Um die Fahrradwege weiterentwickeln und verbessern zu können, werden Sensoren am Fahrrad angebracht, welche Beschleunigungs- und GPS-Daten während der Fahrt erheben. Diese Daten werden für das maschinelle Lernen genutzt. Auf Basis dessen können verschiedene Straßentypen klassifiziert werden – beispielsweise, ob die Straßen glatt oder holprig sind.
Am Ende entsteht ein fertiges Modell, dass eingesetzt werden kann, um ganze Flotten mit einem Sensor zu versehen. Die quantitative und qualitative Auswertung sowie die Analyse der Fahrradwege dient der Entscheidungsgrundlage für den Ausbau und der Verbesserung von aktuellen Wegen.
Ein Ergebnis der Analyse könnte beispielsweise sein, dass der Bedarf an neuen Wegen hoch ist, da die aktuellen Wege stark befahren sind. Erkennt das Modell, dass der abgefahrene Weg stark befahren, jedoch sehr holprig ist, können Verbesserungs- und Bauarbeiten in die Wege geleitet werden.
Bei beiden Beispielen zeigt sich der ökologische Mehrwert von Data Science Projekten, die in beiden Fällen für einen gesunden Umgang mit unserer Umwelt und den zur Verfügung stehenden Ressourcen sorgen.
