Disruptiv – Chance oder Gefahr?

Wer oder was ist „disruptiv“?

Dieses Mal möchte ich den Begriff „disruptiv“ besprechen. Wo kommt der Begriff her, was bedeutet disruptive Technologie und welche Risiken entstehen durch disruptive Technologien.

Als erstes Mal eine Begriffserklärung: Disruptiv bedeutet laut Wikipedia „sind Innovationen, die die Erfolgsserie einer bereits bestehenden Technologie, eines bestehenden Produkts oder einer bestehenden Dienstleistung ersetzen oder diese vollständig vom Markt verdrängen und die Investitionen der bisher beherrschenden Marktteilnehmer obsolet machen.“

Im Jahr 1997 prägte Clayton M. Christensen (Professor für Business Administration an der Harvard Business School) in seinem Buch „The Innovator’s Dilemma“ den Begriff der disruptiven Technologien.
Diese Technologien „ersetzen“ etablierte Technologien und verdrängen diese manchmal sogar fast vollständig vom Markt. Daher stellen diese Technologien für bestehende oft ein massives Risiko dar. Meist beginnen die disruptiven Technologien allerdings in Nischen und speziellen Anwendungsfällen und werden von den etablierten Herstellern oder Anbietern zu spät erkannt.

Beispiele sind:

• Die Audio CD, welche die Langspielplatte [LP] mehr oder weniger verdrängt hat und dann selbst Opfer der MP3 Player, bzw. der Musik Streaming Dienste wurde.
• Die Digitalfotografie, die analoge Filme fast vollständig verdrängt hat und nun selbst mit den Smartphones kämpft.

Ich denke hieran sieht man, was „disruptiv“ grundsätzlich bedeutet und ausmacht. Daher sollte jedes Management und jede Entwicklung immer ein Auge auf Technologien haben die neu in einem Marktsegment auftauchen. Auch wenn diese zu Beginn nicht als Risiko des eigenen Marktes wahrgenommen werden!

Vieles habe ich selbst aus der deutschen Ausgabe des Buches „THE INNOVATOR’S DILEMMA“ in der Übersetzung (und Ergänzung) von Kurt Matzler und Stephan Friedrich von den Eichen [ISBN-13978-3800637911]

Bild 1: Buch „The Innovator’s Dilemma“

Wo liegen die Risiken – und für wen?

Im ersten Absatz habe ich schon das Thema Risiken angesprochen. Wo liegen denn nun die Risiken der disruptiven Technologien und für wen sind es Risiken?

Im Grunde genommen könnte man jede etablierte Technologie als mögliches „Opfer“ einer disruptiven Technologie ansehen. Meine zwei Beispiele der LP/CD und der analogen Fotografie zeigen dieses, glaube ich, sehr deutlich.

Jedes Mal gab es Technologien und Märkte die stabil und fest erschienen und dann sukzessive in einen Auflösungsprozess übergegangen sind.

LP Werke verschwanden fast vollständig und wurden durch CD’s ersetzt. Diese wiederum durch MP3 Files verbunden mit Internet Downloads bzw. Streaming Dienste.

Die Digitale Fotografie fing in Nischen mit unhandlichen Geräten an und hat heute die analoge Fotografie im Alltag mehr oder weniger verdrängt.

Wer waren nun die „Opfer“? Immer die Unternehmen, die den Trend „verpennt“ hatten!
Leider ist es aber nicht immer so leicht für führende Unternehmen zu erkennen, welche neue Technologie das Potential zu einer Disruption hat, sprich, wer meine Technologie verdrängen könnte und mir daher gefährlich werden kann.

Viele sagen heute, dass die Musikindustrie selbst Schuld an ihrem Markverlust hatte, da man so sehr damit beschäftigt war, seine Pfründe durch z.T. kundenunfreundliche Schutzmechanismen zu sichern anstatt zu erkennen, welches Potential durch das aufkommende Internet in Musik Downloads und „Access everyware“ liegt. So lange, bis plötzlich neue Player den Markt für sich erschließen konnten und die alten Marktbeherrscher nur noch erfolglos hinterher laufen konnten oder ihre Rechte am Content (Musiker, Musikstücke etc.) an diese neuen Anbieter lizensieren mussten.

Bei der analogen Fotografie konnte man ähnliches beobachten. Arrogant auf die ersten digitalen Fotoapparate mit geringer Auflösung blickend, den Markt unterschätzt und dann gestorben oder gerade so noch die „Kurve gekratzt“ (siehe das Beispiel Leica im Buch)

Wo beginnen disruptive Technologien?

Tja, das ist leider, besonders für die Marktplayer, nicht immer so leicht zu erkennen. Disruptive Technologien beginnen sehr oft in kleinen Nischen die von den Marktführern als unwichtig angesehen werden.
Ein aktuelles Beispiel aus der IT Infrastruktur sind z.B. Hyperconvergente Systeme [HCI]. Diese wurden vor über 10 Jahren von der Firma Nutanix an den Start gebracht und vereinten alles, was man für den virtualisierten Rechenzentrums Betrieb braucht, in Software gegossen auf Standard x86 Hardware.
Waren diese Systeme von Anfang an für alle Anwendungsfälle [Workloads] geeignet? – Sicher nicht.
Ein Hauptanwendungsfall waren „Virtual Desktop Umgebungen“ [VDI]. Hier spielten diese Systeme ihre Vorteile (Scalierung etc.) als erstes aus.
Die etablierten Storage Anbieter z.B. belächelten sicher diese neuen Systeme und glänzten mit Unmengen von Funktionen und komplexen Architekturen. Gleichzeitig baute man auf die super ausgebildeten Storage und SAN Experten, die müde lächelnd auf die neuen HCI Appliances schauten.
Einige Jahre später, gerade im Zuge der Public Cloud Erfolge, sieht die Situation völlig anders aus. EMC² z.B., der Rolls Roys unter den Storage Anbietern, verkaufte sich 2015 an die Firma DELL! Ein paar Jahre vorher sicher für viele in der IT undenkbar. Andere Storage Anbieter kämpfen nun gegen HCI und Public Cloud.

Kommen disruptive Technologien allein?

Diese Frage kann man sicher mit NEIN beantworten. Meist spielen vielen Dinge zusammen. Wir haben gesehen, dass z.B. begleitende Technologien Helfer sein können, ebenso aber auch geänderte Markterscheinungen.
Oft entstehen disruptive Technologien durch die Übertragung von Technologien einer anderen Branche oder Anwendung in diesen Markt.

Fotosensoren mit höherer Auflösung in Massen zu günstigeren Preisen, gepaart mit der rasanten Entwicklung kleiner und kleinster Speicherchips mit immer größeren Kapazität zu attraktiven Preisen haben die digitale Fotografie beflügelt. Nur Profis hielten lange an teuren analogen Fotoapparaten und Filmen fest.

Ohne immer leistungsfähigere x86 Prozessoren und Server Systeme sowie rasante Fortschritte in der Software Technologie wären HCI Systeme nicht möglich gewesen. Jahre vorher brauchte man eben spezielle Controller Chips und Storage Betriebssysteme sowie Übertragungstechniken um die gewünschten Leistungsmerkmale zu erreichen.
Im Zuge der Public Cloud Erfolge mit einfach skalierenden Ressourcen, immer dynamischeren Systemlandschaften in den Rechenzentren und nicht zuletzt dem anhaltenden Fachkräfte Mangel in der IT, konnten die Hyperconverged Systeme ihre Vorteile ausspielen.

Der Kundenwunsch nach einfachem Musikgenuss „überall“ setzte den klassischen Medien LP und später Audio CD zu. Aber erst die Erfindung eine gut komprimierenden Musikformates via MP3 setzte den Niedergang des alten Marktführer in Gang.

Sicher verschwinden dabei „alte, etablierte“ Technologien selten vollständig (es gibt immer noch Liebhaber analoger Fotografie und ebenso der analogen Langspielplatte). Sie verlieren aber eindeutig ihre markbeherrschende Position, mit z.T. fatalen Folgen für die dahinter stehenden Unternehmen.

Dilemma der „etablierten“ Unternehmen gegenüber „disruptiven“

Einige Aspekte dieses Dilemmas habe ich schon angesprochen.

Wie erkenne ich eine aufkommende Technologie als disruptiv?
Wie kann ich darauf reagieren oder was macht mir Probleme dabei?

Diese sind nur ein paar Beispiele die im angegebenen Buch ausführlich behandelt werden. Ein wichtiger Blocker für etablierte System ist laut der Autoren das „Wertesystem“ des Herstellers und die „Kundennähe“!

Wertesystem

Was ist nun das Wertesystem eines Herstellers? Zitat aus dem Buch „Ein Wertesystem bildet den Kontext, innerhalb dessen ein Unternehmen Kundenbedürfnisse identifiziert (und diese versucht zu befriedigen), Probleme löst, Ressourcen beschafft, auf Konkurrenz reagiert und nach Erfolg strebt.
_{The Innovator’s Dilemma (Business Essentials) (German Edition) (S.86). Vahlen. Kindle-Version.}„

Da disruptive Technologien oft in Nischenbereichen/Märkten beginnen, ist der zu erwartende Gewinn im Vergleich zum bestehenden Geschäft zu gering um dafür Ressourcen und Geld bereitzustellen. Niemand in meinem Kernmarkt hat Bedarf an den am Anfang oft begrenzten Leistungen der neuen Technologie.

Kundennähe

Es wird oft angenommen, dass die Verlierer gegen disruptive Technologien über ein schlechtes Management mit fehlender Kundennähe verfügten. Dieses trifft in den wenigsten Fällen tatsächlich zu. Viele dieser Unternehmen hören viel zu sehr ausschließlich auf Ihre Kunden!

Am Beispiel der Firma Leica kann man das sicher gut darstellen. Leica stellte schon immer hochpreisige und hochwertige Fotoapparate für Profis her. Diese wollten natürlich am Anfang keine Digitalkameras, da diese eine viel zu geringe Auflösung etc. boten. Man hörte auf diese Profis (die eigenen Kunden!!!) und übersah, wie die Technologie von „Gelegenheits Knipsern“ dankend angenommen wurde. Deren Ansprüche waren andere. Schnell ein Bild machen, gleich ansehen ohne auf eine Entwicklung zu warten. Mehr Bilder als die 36 Aufnahmen auf einem Standard Dia Film etc. Später dann noch das einfache teilen der Bilder mit Freunden und Familie etc. Schon war man im eigenen Wertesystem und der guten Kundennähe gefangen.

Ist es im Storage Bereich nicht ähnlich? Welcher Kunde will tatsächlich hochkomplexe Systeme betreiben für die man „studiert“ haben muss um sie richtig zu konfigurieren? Cloud ähnliche Einfachheit ist stand der Dinge und aus der VDI Ecke sind die HCI Systeme auch lange entwachsen.

Resümee

Somit haben wir eine Menge über die Eigenarten von disruptiven Technologien und auch Unternehmen erfahren. Auf der einen Seite stehen die etablierten Unternehmen, die in ihren Wertesystemen und z.T. auch in ihrer Kundennähe mit dem gesamten Wertesystem gefangen sind. Diese können eigentlich nur, soweit die Autoren des Buches, mit separaten Tochterunternehmen und einer größtmöglichen Trennung vom alten Kern des Unternehmens auf erkannte disruptive Technologien reagieren.

Disruptive Unternehmen dagegen müssen erkennen das „Zitat: Eine disruptive Innovation ist eine Marketing- und keine Technologieherausforderung.
_{The Innovator’s Dilemma (Business Essentials) (German Edition) (S.327). Vahlen.}„

• Wie lange bin ich denn noch disruptiv?
• Ist meine Marketing Strategie ausreichend?
• Kann ich in neue Marktsegmente wachsen?

Auch ein Innovator kann einer weiteren Disruption oder auch schnellen Followern zum Opfer fallen! Nicht der bessere gewinnt immer den Markt. Nicht die besseren Manager führen ein Unternehmen zu Erfolg. Sehr viele, sehr fähige Manager haben trotzdem ihr Unternehmen in den Abgrund geführt.

1. Technologischer Fortschritt muss nicht mit Kundenwünschen konform gehen. Technologische Entwicklungen laufen oft andere Pfade als die „aktuellen“ Kundenanforderungen. Meine Kunden haben vielleicht noch gar keinen Bedarf für die nächste Innovation!
2. Wenn eine Innovation keine Ressoucen und keine Aufmerksamkeit erfährt, wird sie scheitern. Leider haben disruptive Innovationen am Anfang nicht die Aussicht, die Gewinne einzufahren welche die etablierten bieten. Manager arbeiten (und müssen das in gewissem Maß auch) gewinnorientiert denken – Nur sollte dabei weiter als „morgen“ geschaut werden 😉
3. Passt mein aktueller Markt zur Innovation oder sollte ich hier vielleicht nach neuen Märkten Ausschau halten? Nur auf bestehende Kunden zu hören kann zu kurz gedacht sein. – Siehe das obige Zitat.
4. Können „meine“ Unternehmens- Fähigkeiten die innovative disruptive Technologie überhaupt unterstützen? Hier spielen viele Faktoren eine Rolle. Produktion, Sales, Marketing etc.
5. Vielen Informationen, die das klassische Management wünscht, fehlen am Anfang einer disruptiven Technologie Entwicklung und Einführung.
6. Der Erfolg der disruptiven liegt oft darin, dass sie etwas machen was zu diesem Zeitpunkt für die etablierten keinen Sinne macht (sowohl business- als auch technologisch)

Mit diesem Artikel möchte und kann ich weder das gesamte Buch noch die Ideen und Fakten wiedergeben. Mir geht es vielmehr darum, einfach darzustellen was disruptive Technologie bedeutet, welche Gefahren, Herausforderungen aber vor allem auch Chancen sich in solchen Innovationen verbergen.

Gebt gerne Eure Kommentare und Anmerkungen dazu weiter!

Anomaly Detection – was ist denn das?

Machine Learning nutzen um mögliche Problemfälle automatisch zu erkennen

In diesem Artikel möchte ich eine interessante Anwendung des Machine Learnings vorstellen. Dazu ein paar Grundlagen „was ist und macht Machine Learning“ und eine kurze Erklärung dieses interessanten Ansatzes der z.Z. viel durch die Medien geistert vorstellen.

Abschließend ein Beispiel eines Usecases und einer Anwendung dieser Technik.

Machine Learning – was ist das?

Machine Learning gehört zu dem gesamten Umfeld der Künstlichen Intelligenz [KI]. Hierbei werden Maschinen darauf getrimmt bestimmte Dinge selbstständig zu erkennen und dann auch zu reagieren. Reaktionen können dabei auch einfache Benachrichtigungen über erkannte „Zustände“ sein.

Wikipedia schreibt dazu: „Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung)“ © by Wikipedia 2017

Bild 1: Prinzipbild Neuronales Netz

Das bedeutet also das eine Erkennung immer erst nach einer Lernphase möglich ist. Perfomance Management Systeme arbeiten seit einiger Zeit gern mit solchen Methoden. Hier spricht man immer von „Einschwing oder Lernphasen“ die typischerweise mehrere Wochen andauern bis das System verlässliche Aussagen treffen kann. Will heißen, Aussagen können am Anfang durchaus falsch liegen, denn die Grundlage jedes lernenden Systems sind die Auswertung vieler Daten (Big Data).

Das Thema KI ist eng mit der Disziplin „Neuronale Netze“ etc. verbunden und hatte in den 1990er Jahren schon einmal eine Hochkonjunktur. Leider waren die damaligen Rechnersysteme nicht Leistungsstark genug um den Lernprozess schnell genug durchzuführen, ausserdem fehlte es oft an Datenpools die genug „Lermaterial“ bereitstellen konnten. In Zeiten von Big Data, IoT etc. haben wir genug Daten :-). Ausserdem sind unsere heutigen System in der Lage diese Datenmengen auch zu verarbeiten (auch Hyperconverged ist erst auf Basis der heutigen Systemleistungen machbar geworden!).

Anwendung IT Monitoring

Ein fantastischer Anwendungsfall für Machine Learning ist das Monitoring komplexer und großer IT Umgebungen.

Ein einfaches Beispiel: Früher mussten wir mühsam für „alle“ oder viele Systeme zulässige Schwellwerte ermitteln und konfigurieren. Diese waren dann Ober- bzw. Untergrenzen eines bestimmten Messwertes die bei Über- oder Unterschreitung zu Alarmen oder Notification geführt haben. Da zum Startzeitpunkt eines neuen Services diese Grenzwerte oft nur unzureichend bekannt waren gab es hier jede Menge Potenzial Dienstleistung über Wochen und Monate beim Kunden zu erbringen in denen diese Schwellwerte (thresholds) konfiguriert und mit Regelwerken verknüpft wurden.

Moderne Systeme gehen nun mehr und mehr dazu über auf Grund von Machine Learning Algorithmen selbst zu erkennen wann ein Messwert Anomalien zeigt. Diese hört sich vielleicht leichter an als es ist.

Ein paar Gedankenansätze:

• Was ist normal?
• Ab wann soll alarmiert werden?
• Wie geht das System mit Peaks um?
• Welche Anomalien können zu kritischen Zuständen führen
• uvm.

Ziel ist es dabei das gesamte Operation und die Administratoren von der mühsamen Konfiguration und Anpassung bzw. Nachjustierung von Schwellwerten zu entlasten und statt dessen das System zu trainieren selbst zu erkennen wann etwas außerhalb des normalen (Anomalie) läuft.

Beispiel Usecase

Im Beispiel usecase haben wir eine VM deren CPU Usage über mehrere Woche gemonitort wird.

Bild 2: CPU Usage einer fiktiven VM

Im Bild 2 betrachten wir eine fiktive VM und deren CPU Usage. Wie man sehen kann hat diese VM alle 4 Wochen eine höhere CPU Usage. Dieses scheint in der Anwendung begründet zu sein und wird vom System (grüne Linie) als „Normal“ betrachtet. Erst als die CPU Usage über den normalen Wert ansteigt (+kurzer Versatz) wird ein Alarm ausgelöst, obwohl für diese VM nie ein CPU Usage Schwellwert definiert wurde.

Anomaly Detection in der Praxis

Nutanix bringt ins seinem nächsten Release seiner Management Lösung Prism Pro genau diese Methode zum Einsatz. Prism Pro wird in Zukunft in der Lage sein Alarme auf Basis von „gelernten“ Regeln auszulösen und diese sogar automatisch nachzujustieren!

Bild 3: Anomaly Detection in Prism from .NEXT 2017 © by Nutanix 2017

Wie man im Bild 3 sehen kann zeigt der Graph der Messwerte einmal als dunkelblaue Line den Verlauf der tatsächlichen Messwerte. Die hellblaue „Wellenkurve“ zeigt dagegen den vom System selbst ermittelten „Normal-Bereich“ der über die Zeit durchaus schwanken kann! Erste eine Überschreitung dieses Bereichs führt zu einer Erkennung einer Anomalie die dann mit kurzem „Verifizierungszeitraum“ (zur Vermeidung von Alarmen auf Grund von Peaks) zu einem tatsächlichen Alarm führt.

Fazit

Mit Hilfe von Machine Learning und verlässlichen Daten können Administratoren ohne zeitaufwändige Beobachtung Ihrer Systeme und der manuellen Definition von Schwellwerten zuverlässig über „Unnormale“ Verhalten Ihrer VMs oder Applikationen informiert werden.
Gerade bei großen Umgebungen kann hier ein deutlicher Administrativer Aufwand eingespart werden ohne auf Alarmierungen von möglichen Problemfällen verzichten zu müssen.