Publikation

Ihr erster Schritt zum datengetriebenen Unternehmen

22.11.2019

So finden Sie Use Cases für moderne Technologien wie Machine Learning.

Durch die umfassende Digitalisierung und Vernetzung fallen in Unternehmen riesige Datenmengen an. Diese können sie mit Hilfe intelligenter Prozesse und Machine Learning nutzen, um Mehrwerte zu generieren. Doch viele Projekte scheitern, da Unternehmen die strategische Relevanz des gesamten Anwendungsfalls vernachlässigen oder zum Teil gar nicht betrachten. Hier hilft eine umfassende Datenstrategie. Damit können Unternehmen ihre digitale Zukunft erfolgreich gestalten, bessere Entscheidungen treffen und Prozesse optimieren.

„Ich habe da eine Idee: Wir könnten doch mal ...“, so fangen häufig neue Projekte in Unternehmen an. Ein Mitarbeiter beziehungsweise der Chef hat entweder selbst eine Idee für einen Use Case entwickelt oder wurde dazu inspiriert – sei es auf einer Konferenz, durch einen Artikel oder ein Gespräch mit Kunden. 

Tatsächlich starten viele Projekte durch solche spontanen Ideen. Und es ist grundsätzlich auch nicht schlecht, damit anzufangen, um erste Erfahrungen zu sammeln und daraus zu lernen. Aber oft wird dabei außer Acht gelassen, dass nur begrenzte oder zum Teil nicht die richtigen Ressourcen wie Personen, Tools, Daten und Zeit zur Verfügung stehen. 

Mögliche Folgen: Die Umsetzung scheitert, verläuft im Sande oder entwickelt sich zur unendlichen Geschichte. Wenn der Use Case realisiert wird, bietet er kaum Mehrwerte und ist nicht effektiv. Damit kommt er in der Praxis auch nicht zum Einsatz. Entsprechend sollten Unternehmen im Vorfeld klären, ob die nötigen Ressourcen verfügbar sind und der Anwendungsfall die Effizienz erhöht sowie strategisch relevant ist. Wie dies funktioniert, zeigen einige erfolgreiche Beispiele aus verschiedenartigen Einsatzgebieten.

Umgesetzte Anwendungsfälle

Höherer Kartenverkauf bei Fußballverein

In Folge eines Abstieges verlängern 40 Prozent der Fans nicht ihre Dauerkarte. Ein Verein entwickelte mit Datenspezialisten ein Scoring-Modell zur Identifizierung, Klassifizierung und Priorisierung geeigneter Leads sowie zur Risikobewertung bei Dauerkarten-Inhabern. Anhand erkannter Muster ließen sich durch gezielte Fanansprache sowohl die Loyalität der Dauerkarten-Inhaber als auch Neuabschlüsse für Dauerkarten erhöhen.

Weniger Ausschuss bei Pharma-Unternehmen

Bei einem Pharma-Unternehmen war der Ausschuss in einem Monat ungewöhnlich hoch. Eine Machine-Learning-basierte Zuordnung von Produkten in Fehlerklassen führte zu einer frühen Erkennung und Vermeidung von fehlerhaftem Ausschuss sowie 75 Prozent Kosteneinsparungen durch einen verbesserten Qualitätssicherungsprozess.

Erkennung von Pseudofehlern bei Halbleiter-Hersteller

Bei einem Hersteller von Halbleiter-Bauelementen werden 15 Prozent der „Prüflinge“ als fehlerhaft ausgezeichnet, obwohl sie korrekt funktionieren. Unter Einsatz von Machine Learning ließen sich 90 Prozent der vorher erkannten Pseudofehler vermeiden. Damit reduzierten sich die Kosten um jährlich 250.000 Euro, da keine aufwändigen Nachprüfungen mehr nötig sind und der Hersteller weniger Produkte aussortiert.

Erschließung neuer Märkte bei Automobil-Zulieferer

Ein Automobil-Zulieferer wollte wissen, wie das Unternehmen Daten sinnvoll nutzen kann. In einem zweitägigen Workshop wurde ein Use Case zur Erschließung des Absatzpotenzials in neuen Märkten, inklusive der erforderlichen Ressourcen wie Datenquellen, Skills, Tools und Partnerunternehmen, entwickelt. Die Umsetzung erfolgte in einem dreimonatigen Projekt, an dessen Ende das genaue Absatzpotenzial auf Produktebene für drei Märkte festgehalten wurde. Auf dieser datengetriebenen Grundlage entschied sich das Management letztendlich für die Einführung ausgewählter Produkte mit dem höchsten Absatzpotenzial.

Empfohlene Herangehensweise

Diese Beispiele zeigen, dass Unternehmen zuerst auf Basis der bestehenden Geschäftsmodelle, Strategien und Prozesse geeignete Use Cases entwickeln und hinsichtlich der Mehrwerte bewerten sollten, bevor sie diese umsetzen. Die Ausgangssituation ist aber je nach Unternehmen sehr unterschiedlich. Daher sind Use Cases individuell und zweckgebunden zu entwickeln. Diese bilden meist den Startpunkt, um langfristig eine ganzheitliche Datenstrategie inklusive Data Governance und Management abzuleiten. Dabei sind jedoch überzogene Erwartungen aufzuklären. Zum Beispiel will die Unternehmensführung direkt eine Optimierung durch KI einführen, aber Datenqualität, IT-Strukturen und Skills der Mitarbeiter reichen dafür nicht aus. Um Risiken zu minimieren, empfiehlt sich ein schrittweises Vorgehen anhand konkreter Use Cases mit Hilfe der Design-Thinking-Methode.

1. Schritt: Generierung von Ideen (divergieren)

Hier geht es um das Verständnis von Geschäftsmodell, Unternehmensstrategie und Analytik-Reifegrad. Einbindung von Teilnehmern aus verschiedenen Abteilungen und Entscheidungsebenen zur Herausstellung von zu erreichenden Zielen und bestehenden Herausforderungen.

2. Schritt: Priorisierung der Ideen (konvergieren)

Basierend auf den Ideen, werden konkrete Anwendungsfälle identifiziert. Diese wiederum muss man im Anschluss hinsichtlich ihres Mehrwerts und ihrer Komplexität priorisieren. Die Anwendungsfälle können dabei auf das bereits bestehende Geschäftsmodell einzahlen oder neue mögliche Geschäftsideen entwickeln.

3. Schritt: Konkretisierung und Ausarbeitung der einzelnen Use Cases

Welche Ressourcen (Daten, Skills, Tools/Technologien, Prozesse) sind erforderlich, um die gewünschten Mehrwerte zu erreichen? Dabei ist die Daten- und Skill-Landschaft pro Use Case zu analysieren, um mögliche Defizite zu erkennen und entsprechend Abhilfe zu schaffen.

Diese Herangehensweise ist kein Hexenwerk und lässt sich mit Hilfe eines zweitägigen, gut moderierten Workshops umsetzen. Durch den Workshop werden für jedes Unternehmen datengetriebene Ansätze identifiziert, auf deren Basis es eine ganzheitliche Datenstrategie entwickeln kann.

Konkrete Tipps

  • Unternehmen sollten bei ihren Zielen oder Herausforderungen starten und definieren, welche Mehrwerte ein Use Case liefern soll. Erst dann müssen sie prüfen, welche Daten und sonstige Ressourcen sowie Prozesse zur Umsetzung erforderlich sind. Nicht umgekehrt!
  • Von Anfang an sind die richtigen Personen einzubinden, die die Tiefe und Breite des Unternehmens angemessen repräsentieren.
  • Mit den Erwartungen richtig umgehen! Überzogene Erwartungen sollten frühzeitig relativiert werden, aber unterschätzte Möglichkeiten sollte man unterstützen.
  • Insgesamt ist eine reflektierte und allen Stakeholdern angemessene Moderation sicherzustellen.

Wichtige Fragen vor dem Start

  • Mit welchen Use Cases beschäftigt sich das Unternehmen?
  • Auf welche Zielgruppe (intern, extern/Sales, Marketing, Produktion/Entscheider, Experte) beziehen sich diese?
  • Welche Mehrwerte liefern sie dieser Zielgruppe?
  • Wie zahlen diese Use Cases auf die strategischen Ziele des Unternehmens ein?
  • Woran misst man erfolgreich umgesetzte Analytics-Projekte?
  • Welche Projekte sind schon gescheitert?
  • Wie hoch ist der Reifegrad? Über welche Skills, Daten, Tools, Fachexpertisen verfügt das Unternehmen?
Machine Learning

Fazit

Unternehmen sollten nicht blind, sondern nur gut vorbereitet Use Cases starten. Sie sollten sich etwas Zeit nehmen, um die richtigen Anwendungsfälle zu identifizieren, die das Unternehmen wirklich voranbringen. So ist im Rahmen einer Datenstrategie zu prüfen, welche Ziele und Herausforderungen das Unternehmen hat, welche konkreten Mehrwerte die Use Cases bringen sollen und welche Daten sowie weitere Ressourcen dazu nötig sind. Ein- bis zweitägige Workshops bieten hier den idealen Startpunkt, um die strategische Relevanz des gesamten Anwendungsfalls zu betrachten.