KI Projekte in der Praxis: it’s Time to Stop Talking and Start Doing

KI Projekte in der Praxis: it’s Time to Stop Talking and Start Doing

Quelle: IDC

Disruptive Technologie sind zu Anfang, besonders auf Grund ihres zunächst kleinen Volumens oder Kundensegmentes, uninteressant, können sie im Zeitverlauf ein starkes Wachstum aufweisen und vorhandene Märkte bzw. Produkte und Dienstleistungen teilweise oder komplett verdrängen. KI hat das Potential solche Transformationen auszulösen oder zu verstärken und wird daher auch als „vierte industrielle Revolution“ bezeichnet.

In den Führungsetagen von Unternehmen, besteht der Wille, Kundenorganisationen zu entwerfen und aufzubauen, die „von Daten und KI angetrieben werden“ und nicht nur „Daten und KI nutzen“ umso das volle Potenzial von Menschen, Produkten und Prozessen auszuschöpfen, um Wachstum und Transformation zu ermöglichen und dadurch erfolgreicher zu werden.

Doch was bedeutet das in der Praxis?

1. Zeit für einen Mindset Shift

Wenn bisher individuelle Lebens- und Berufserfahrung die primäre Rolle bei der Entscheidungen gespielt haben, geht es jetzt darum die vorhanden Daten nutzbringend einzusetzen. KI unterstützt die Mitarbeiter bei der Marktanalyse, der Beobachtung von Umweltveränderungen, der Prozessanalyse und führt so zu neuen Rollendefinitionen und neuen Formen der bisherigen Organisation. Cross-funktionale Teams haben so die Möglichkeit Lösungen völlig neu zu denken und Business Value messbar zu machen. Dafür wird horizontales Denken benötigt.

2. Ziele und Strukturen werden benötigt

Für ein erfolgreiches KI Projekt braucht es einen klar definierten Geschäftskontext und Strukturen die als Leitplanken fungieren können. Was sind die stärksten Hebel im Unternehmen, wo liegen die größten Herausforderungen? Hier einige Beispiele:

  • Produktion: ist es möglich die Wartungszeiträume von Maschinen einzugrenzen?
  • IT: welche Prozesse lassen sich automatisieren?
  • Personal: gibt es Zusammenhänge von Jahreszeit und dem Krankenstand im Unternehmen, wie lässt sich der Personaleinsatz optimieren?
  • Marketing: gibt es bestimmte Zeiträume in denen mehr Budget benötigt wird?
  • Kundenorientierung: können wir Kundenbedürfnisse besser vorhersehen und personalisierter adressieren?

Wenn es gelingt, ein Projekt mit klaren Grenzen und einem entsprechend hohem Business Value zu identifizieren, ist es Zeit das KI Projekt zu planen. Orientieren Sie sich dabei an dem Prozessmodell ASUM-DM. Fragen Sie sich:

  • Welches Problem hindert das Unternehmen daran, seine Wertschöpfungshebel zu nutzen und sein tatsächliches Potenzial auszuschöpfen?
  • Würde die Lösung dieses Problems eine echte wirtschaftliche Auswirkung haben?

3. Engagierte, cross-funktionale Teams sind der richtige Lösungsansatz

Ihre vollständige Wirkung entfalten KI Projekte in einem cross-funktionalen Team Setup der beteiligten Bereiche und Personen. Dieses Team ist verantwortlich für den Business Case. Vermutlich werden ein Product Owner, Project Manager, Data Scientist, Data Engineer, Business Experts, Developer und Designer eng zusammen arbeiten. Und jetzt heißt es zügig zu beginnen – start small.

4. Think big, start small

Zunehmend hat sich der agile Ansatz bewährt. Sobald eine Herausforderung mit absehbarer Hebelwirkung identifiziert wurde, kann das Team mit einem iterativen Ansatz beginnen. Fällt das Ergebnis positiv aus, wird es als Leuchtturm genutzt um Kunden und Mitarbeiter zu begeistern und in weiteren Iterationen optimiert zu werden. Ist das Ergebnis noch nicht zufriedenstellend, können die bisher gewonnenen Erkenntnisse genutzt werden um einen neuen Ansatz zu verfolgen. Auf jeden Fall sollte das Ergebnis „tangible“ sein. Neben den Experimenten, benötigt es eine Strategie des Unternehmens, wie KI horizontal eingesetzt werden soll und eine entsprechende Rolle im Unternehmen. Dazu unter Punkt 6. ausführlicher.

5. Datenquellen und Speicher

KI hat die Möglichkeit selbständig Wissen aus Erfahrungen zu generieren. Nutzen Sie daher alle vorhandenen Datenquellen im Kontext. Es gibt Daten aus Mitarbeiterbefragungen, Kundenbefragungen, öffentlichen Datensätzen (z.B. Wetterdaten), Shopsystemen und viele weitere mehr. Wo kommen all diese Daten her, wird ein Real-Time Event Streaming benötigt, mit welchen Formaten müssen wir umgehen und wo und wie werden die Daten gespeichert?

Damit aus einem Data Lake kein Daten-Sumpf wird, muss auf die Datenqualität geachtet werden. Was nicht einheitlich auf Basis eines Business Object Model in den Applikationen (Shop-System, ERP, CMS, …) abgebildet werden kann, muss später aufwendig in einem Pre-Processing Prozess (ETL) aufbereitet werden. Der Data Lake oder das Data Warehouse sollte in einem Data Catalogue für alle Nutzer sauber dokumentiert sein.

Wenn eine KI Anwendung Teil der operativen Tätigkeit eines Unternehmens werden soll, müssen Anforderungen der Daten-Governance und Compliance beachtet werden.

6. Verantwortung klar regeln

KI ist kein Thema was man im Unternehmen in einen Fachbereich delegieren kann. KI klingt nach Technologie, also ab damit zum CTO/CIO. Falsch. KI hat das Potential jeden Teil des Unternehmens, von der Herstellung und Lieferung, der User Experience und dem Customer Service, grundlegend zu verändern. Hinzu kommt, dass es keine „one-size-fits-all“ Lösung gibt und jede Herausforderung individuell betrachtet werden muss. Hinzu kommt das Thema Data Governance. Welche Daten haben wir? Welche Daten fehlen? Wo werden unsere Daten gespeichert? Wie lange werden sie aufbewahrt? Was sind die Sicherheits- und Datenschutzaspekte?

Die Unternehmensführung und das Senior Management muss diese Aufgabe als eine zentrale Herausforderung begreifen und einen unternehmensweiten Ansatz finden. Es ist mehr denn je Zeit für die Rolle des Chief Data Officer.

Weiterlesen: IDC-Studie 2019: KI-Software wächst in Deutschland überdurchschnittlich

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.