Das ende vom anfang her denken
Soll der ermittelte wirkliche Bedarf zu einer Automatisierungslösung mit Wumms, also einem positiv spürbaren Effekt, führen, sollte man bei der Abarbeitungskette Information-Entscheidung-Handlung vom Ende her denken. Häufig begegnen uns in der Praxis Aussagen wie „Es wäre gut zu wissen…“ oder „Wir benötigen eine 360°-Sicht!“ Bei uns gehen dann die Warnleuchten an, weil hier fälschlicherweise vom Ausgangsmaterial gedacht wird, den Daten und Informationen, die verarbeitet werden sollen. Das ist meist viel zu allgemein, schwebt im luftleeren Raum und könnte auch hiermit übersetzt werden: „Es wäre gut, einfach alles zu wissen!“ Eine dermaßen unspezifische Antwort hilft nicht weiter.
Wie man den Grundstein für ein erfolgreiches Machine Learning-Projekt legt
Wir gehen hingegen so vor, dass wir vom Kern der Aufgabenstellung her denken: Welche Handlungen sollen ausgelöst werden? Und um die gewünschte Handlung auszuführen: Welche Entscheidungen müssen davor von wem getroffen werden? Und erst jetzt kommen wir zu den Daten: Welche Informationen müssen vorliegen, um diese oder jene Entscheidung treffen zu können? In dieser Reihenfolge erarbeitet, wird das Machine Learning-Projekt zu einem mit Wumms.
Ein Indikator für eine falsch eingeschlagene Route sind häufig auch Aussagen über die Entscheidung von Dritten. Wenn zum Beispiel die IT-Abteilung zu dem Schluss kommt: Mit einem besseren Lead-Scoring könnte sich der Vertrieb auf seine vielversprechendsten Leads konzentrieren. Das kann gut sein, aber was sagen die Vertriebsleute dazu? Und wie wird der Lead-Score ihre Entscheidung beeinflussen, um dann welche Leads anzurufen? Deshalb empfehlen wir, diejenigen zu fragen, die die Entscheidungen auch treffen: Was wird wann und wie für die Entscheidung benötigt und welche Handlungen werden dadurch ausgelöst? Der Fokus auf Entscheidungen und Handlungen sorgt dafür, dass das datenzentrierte Projekt den gewünschten Effekt für das Unternehmen erzielen kann.
Beim Kern des Unternehmenszwecks ansetzen
Wenn man nicht im Elfenbeinturm oder Luftschloss mit seinem Machine Learning-Projekt landen will, ist man gut beraten, das Projekt am Kern des Geschäfts auszurichten. Ein Maschinenbauer sollte zum Beispiel nicht zuerst in der Finanzbuchhaltung oder der Marketingabteilung nach Potenzialen für sein Automatisierungsprojekt suchen. Einem Logistikanbieter ist nur begrenzt geholfen, beginnt er mit einem solchen Projekt in der HR-Abteilung.
Beim Gelingen hängt vieles vom passenden Einstieg ins Projekt ab und der richtigen Reihenfolge der Bearbeitung. Um von Anfang an mit hohen Erfolgsaussichten zu starten, empfehlen wir einen Workshop mit den zu beteiligenden Expert:innen des Unternehmens. Im sogenannten „AI Design Sprint“ bringen wir Entscheider:innen, Management, Expert:innen für die Geschäftsprozesse bis hin zu den IT-Mitarbeiter:innen zusammen.
Mit den Fachexpert:innen im AI Design Sprint eine Route bestimmen
Mit dem AI Design Sprint können die Expert:innen innerhalb von kurzer Zeit gemeinsam eine Automatisierungs-Lösung für den gewünschten Bedarf entwickeln. Wir nutzen dafür sogenannte „AI Cards“, die leicht verständlich die Möglichkeiten von Machine Learning in Kategorien unterteilt. Mit diesen Karten gestalten wir die Framing- und Concept-Session des Design Sprints. Ausgehend von echten Bedarfen wird gemeinsam eine Lösung entwickelt, die später auch einen Kunden- oder Geschäftsnutzen realisiert.
Dieses Vorgehen profitiert vom umfassenden Blick der unterschiedlichen Expert:innen. Der Design Sprint kann durch die AI Cards unabhängig von technischem Vorwissen durchgeführt werden. Das bietet die Chance, die unterschiedlichen Abteilungen, Wissensstände, Perspektiven und Anforderungen an einen Tisch zusammenzubringen. So entsteht in kürzester Zeit ein geteiltes Verständnis und gemeinsam legt man die Route für das Projekt fest. Und das macht in der Regel richtig Spaß, was kein Selbstzweck ist, sondern für die gemeinsame Ausrichtung des Teams wichtig ist.
Fazit
Sucht man den Einstieg ins Machine Learning-Projekt beim Kundennutzen, denkt man vom Ergebnis her, von den Entscheidungen und Handlungen, die damit unterstützt werden sollen und bringt man die unterschiedlich Beteiligten mit ihren jeweiligen Perspektiven an einen Tisch, ist es sehr wahrscheinlich, dass man einen guten Einstieg findet und eine gute Route wählt, um ein Machine Learning-Projekt ins Ziel zu führen. Ein solch erfolgreiches Projekt ist die beste Voraussetzung, um im Unternehmen eine Automatisierungsstrategie weiter auszurollen.
Haben wir deine Neugierde geweckt?
Möchtest du dein Unternehmen durch Machine Learning & Data Science effizienter gestalten? Unser Experte Thomas Bierhance (BCxP Practice Lead für Machine Learning & Data Science) berät dich gerne. Kontaktiere uns!
