3 Tipps
um die POC-Klippen beim Machine Learning zu umschiffen
Zukunftsprognosen mit Hilfe von Machine Learning können echte Gamechanger sein. Häufig werden Projekte mit großem Aufwand angeschoben, erreichen dann auch erfolgreich einen Proof of Concept (PoC), aber schaffen es dann nicht unbedingt in die produktive Anwendung. Wir zeigen, was man insbesondere beim Start eines solchen Projekts für das Gelingen machen sollte und was eher nicht.
In vielen Unternehmen haben unterschiedlichste Abteilungen großes Interesse an Forecasting-Tools. Dabei geht es um die Vorhersage zur Kundenabwanderung, um die Absätze des nächsten Winterquartals oder auch um Energieverbräuche für bestimmte Prozesse in der Produktion.
Wenn die Machine Learning-Modelle schließlich mit Daten trainiert sind und der Proof of Concept (PoC) vielversprechende Ergebnisse zeigt, passiert manchmal: gar nichts! Das Projekt zerschellt an den PoC-Klippen und schafft es nie in die Anwendung. Das hat meistens weniger mit Technik, sondern damit zu tun, wie das Machine-Learning-Projekt aufgesetzt wird. Hier sind drei Tipps, wie man es in die ergebnisorientierte Produktivität schafft.
Tipp 1: Auf die Entscheidung fokussieren
Gerne wird in den Unternehmen über die möglichen Vorteile von Forecast-Modellen gesprochen. Durch sie könnten die Business-Ziele effizienter erreicht oder zumindest Hinweise erlangt werden, was dafür getan werden müsste. In solchen Diskussionen muss man darauf achten, dicht am Geschäft zu bleiben. Dies gilt insbesondere für Abteilungen, die eine gewisse Distanz zum Kunden haben. Ein Beispiel:
Mathias (Digital Transformation Manager): „Wenn wir nur wüssten, welcher Kunde beabsichtigt, zu kündigen, dann könnten wir ihm ein personalisiertes Rabatt-Angebot zukommen lassen und ihn so halten!“
BettercallPaul: „Wer entscheidet, ob ein Kunde einen Rabatt erhält und welche Höhe dieser hat?
Mathias: „Ja, das entscheidet unsere Key-Account-Managerin Petra – ich rufe sie an und hole sie zu unserem Meeting dazu.“
BettercallPaul: „Hallo Petra, wir denken hier gerade über eine neue Anwendung nach, die dich unterstützen könnte. Diese könnte voraussagen, welche Kunden Abwanderungsgedanken hegen, sodass man ihnen rechtzeitig ein personalisiertes Rabatt-Angebot machen kann, um sie zu halten.“
Petra: „Hmm… Normalerweise verlieren wir Kunden eher aufgrund fehlender oder unzureichender Features. Am Preis liegt es eher nicht. Wir haben nicht so viele Kunden, aber dafür kenne ich sie wirklich gut.“
Anhand dieses Beispiels sehen wir, was das Ziel sein sollte. Wir wollen dem Vertrieb helfen, damit wir schlussendlich dem Kunden helfen können. Obwohl uns die genauen Bedürfnisse des Vertriebs und der Kunden nicht bekannt waren, hatten wir jedoch bereits eine Annahme getroffen, um voranzukommen. Annahmen sind grundsätzlich in Ordnung, nur müssen wir sie mit den beteiligten Personen frühstmöglich überprüfen, z.B. indem wir mit ihnen sprechen.
Wir starten unsere Machine Learning-Projekte deshalb gerne mit diesen Fragen, die Entscheidungen und die Entscheider:innen in den Mittelpunkt stellen:
Die handelnden und entscheidenden Personen sollten an Bord des Projektes geholt werden. Mit ihnen steht und fällt der Erfolg des Projekts. Sie müssen die Ziele mitbestimmen und von ihnen überzeugt sein.
Tipp 2: Persönliche Motivationen schaffen
Wir empfehlen, mit den Entscheidungsträger:innen in einen Austausch darüber zu gehen, was ihren Alltag und den ihrer Kunden verbessern würde. Entscheidende und Handelnde interessieren sich selten für tiefergehende technische Details. Die Ergebnisse ihrer Arbeit und ihre Zeit stehen im Mittelpunkt ihres Interesses – wenn dazu substanzielle Beiträge und Verbesserungen durch das Machine Learning-Projekt geliefert werden können, ist die Motivation garantiert.
Es lohnt sich deshalb, die Entscheidungsträger zu fragen:
Es mag manchen lästig erscheinen, diese Fragen zu Beginn zu beantworten. Jedoch haben wir festgestellt, dass der Erfolg eines Projektes nur dann beurteilt werden kann, wenn wir mithilfe dieser Fragen herausfinden, ob wir auf dem richtigen Weg sind und ob wir an einem Thema arbeiten, von dem auch unsere Kunden am Ende profitieren.
Tipp 3: Einbindung aller relevanten Beteiligten
Sobald die relevanten Entscheidungen bekannt sind, ist es wichtig, die entsprechenden Entscheidungsträger mit ins Boot zu holen. Dabei handelt es sich um Personen, die die Systeme besitzen, die Daten für ihr Modell liefern können, Gruppen, die üblicherweise Analyseprojekte durchführen, Architekten, die IT-Standards festlegen, oder Teams, die für den Betrieb des Modells verantwortlich sind. Ein Beispiel:
Sandra (Datenbesitzerin):
„Das sind unsere Daten. Aber du kannst sie nicht verwenden.“Mathias:
„Aber es sind die Daten unseres Unternehmens. Unser Modell hängt davon ab.“Sandra:
„Die Daten waren nie dafür vorgesehen, für automatische Prognosen verwendet zu werden. Ich benötige noch drei zusätzliche Stellen, um die Qualität der Daten sicherzustellen. Ich werde dies bei der Personalbedarfsplanung berücksichtigen. Wir können nächstes Jahr darüber sprechen.“
Fazit
Wenn man also das Commitment der Entscheidungsträger eingeholt hat und weiß, welche Entscheidungsprozesse unterstützt werden müssen, um produktive Handlungen auszulösen, dann steht eigentlich nur noch eine Sache im Weg: die Zukunft selbst, denn es ist schwer, sie vorherzusagen.
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!
