KI-Projekte erfolgreich umsetzen: Strategisch planen und schrittweise realisieren
Henrik Jorgensen, Country Manager DACH von Tableau, spricht sich für einen pragmatischen Umgang mit den Technologien im Rahmen von künstlicher Intelligenz (KI) aus.
KI-gestützte Lösungen entstehen gerade in allen Unternehmensbereichen. Laut einer aktuellen Studie von S&P Global Market Intelligence haben mehr als 90 % der Unternehmen, die KI nutzen, ihr erstes KI-Projekt in den vergangenen fünf Jahren entwickelt. Allerdings erfüllen viele dieser Initiativen noch nicht die in sie gesteckten Erwartungen – wenn sie es überhaupt bis zur Einführung schaffen. Damit KI-Projekte erfolgreich sind, müssen sie auf Basis einer sorgfältig entwickelten Strategie konzipiert und durchgeführt werden. Dazu gehören klare Erwartungen und die konsequente Ausrichtung an Geschäftszielen.
KI-gestützte Lösungen werden oft überschätzt
Viele KI-Projekte, die heute scheitern, erinnern an Softwareprojekte aus den Neunzigerjahren. Damals missglückten Entwicklungsprojekte häufig, weil die neuen Technologien maßlos überschätzt wurden. Auch heute sind übertriebene Erwartungen, was eine Lösung tatsächlich leisten kann, kontraproduktiv.
Es ist ein Trugschluss, dass allein durch die Erfassung von ausreichend Daten komplette Transparenz entsteht – und damit das Kundenverhalten vorhersagbar oder perfekte Empfehlungen zur Erfüllung von Kundenbedürfnissen möglich werden. Zwar lassen sich mit Daten zunehmend hilfreiche Muster im Kaufverhalten ermitteln. Aber nicht alle Ereignisse stehen in einem kausalen Zusammenhang oder miteinander in Beziehung.
Zudem wollen viele Unternehmen mit dem Wettbewerb gleichziehen und implementieren ebenfalls KI-Projekte. Wenn allerdings in KI nur investiert wird, um den Anschluss nicht zu verlieren, kann dies zum Bumerang werden. Das gilt insbesondere dann, wenn unklar ist, was den Erfolg eines Wettbewerbers ausmacht und ob dieser auf das eigene Unternehmen übertragbar ist.
„Damit KI-Projekte erfolgreich sind, müssen sie auf Basis einer sorgfältig entwickelten Strategie konzipiert und durchgeführt werden. Dazu gehören klare Erwartungen und die konsequente Ausrichtung an Geschäftszielen.“
Henrik Jorgensen, Country Manager DACH von Tableau
Erfolgsversprechende KI-Projekte identifizieren
Ist die KI-Strategie tatsächlich auf die Geschäftsziele abgestimmt? Die Projektauswahl ist wahrscheinlich die größte Herausforderung für Unternehmen bei KI-Initiativen.
Es gilt: Unternehmen müssen zunächst exakt die Probleme und Fragestellungen eingrenzen, die sie mit KI lösen möchten. Was tragen die Antworten zur Verbesserung der Geschäftsergebnisse bei und wie steht es mit den verfügbaren Ressourcen?
Angenommen, ein Unternehmen möchte mithilfe eines prädiktiven Modells bestimmen, ob es sinnvoll ist, einem Kunden Rabatt zu gewähren, und wie hoch dieser sein soll. Für das Data-Science-Team wäre das eine anspruchsvolle und komplexe Aufgabe. Denn zunächst lässt sich nicht ohne Weiteres feststellen, ob der Kunde das Produkt auch ohne Rabatt kaufen würde. Geht es darum, erforderliche Daten mit ausreichender statistischer Qualität zu erfassen, sind bestimmte Vorarbeiten erforderlich, die nicht zum eigentlichen Geschäftsablauf gehören. Das betrifft beispielsweise die Zufallsauswahl der Kunden, die Rabatte erhalten, oder die Bestimmung der Vertriebsmitarbeiter, die Rabatte gewähren können.
Mit KI lassen sich Modelle zur Simulation des Kundenverhaltens prüfen, das unter bestimmten Rabattbedingungen erwartet wird. Statt das System mühsam auf präzise Prognosen zu trimmen, lässt sich mithilfe einer Simulationsplanung ermitteln, welche Variablen einander wie beeinflussen. Beispielsweise: Wie muss der Kunde reagieren, damit dieser Rabatt sinnvoll ist? Solche Szenarien, um mögliche Ergebnisse auszuloten, sind sehr viel effektiver und auch einfacher umzusetzen als ein komplexes Data-Science-Projekt aufzusetzen.
KI-Projekte setzen Datenkompetenz voraus
Für jede Art von datenbasierter KI-Aktivität ist es entscheidend zu verstehen, wofür die Daten erfasst und gepflegt wurden. Das gilt auch für die Frage, wie sie in der Vergangenheit und in Zukunft genutzt werden sollen. Dazu ist es wichtig, ein Modell mit vollständigen Daten zu trainieren, die die reale Situation im Moment der Entscheidungsfindung abbilden.
Data Scientists wissen aber oft nicht, wofür die Daten im Detail stehen und wie sie generiert werden: Welche Aktivitäten und welche technologischen Prozesse sind für das Bereitstellen der Daten erforderlich und was bedeuten die Daten für das Business? Hier spielen Analysten und Anwender, die nahe an den Daten und den Problemen sind, die gelöst werden sollen, eine große Rolle. KI ist deshalb eine Teamaufgabe, deren Erfolg geschäftlichen Kontext und zusätzlich eine grundlegende Daten- und Modellkompetenz erfordert.
Mitarbeiter auf Erfolgskurs bringen
Und schließlich gibt es menschliche Faktoren für den Projekterfolg, die Unternehmen gerne übersehen, wenn sie sich zu stark auf Daten und Technologie konzentrieren. Mit KI sind meist Vorhersagen möglich. Aber es muss jemanden geben, der die Maßnahmen festlegt, mit denen sich diese umsetzen lassen. Ist der Vorschlag sinnvoll, weil er eine klare Maßnahme vorsieht und setzen die betreffenden Personen diese auch um? Und gibt es ein Umfeld, in dem diese Vorschläge effektiv aufgenommen werden?
Dass es in Punkto Datenkompetenz in Deutschland Nachholbedarf gibt, zeigt eine aktuelle Befragung von Tableau unter Führungskräften und ihren Mitarbeitenden, durchgeführt von Forrester Consulting. Demnach sehen 77 Prozent der Führungskräfte die Innovationsfähigkeit erhöht, wenn Daten richtig eingesetzt werden. Allerdings sind 43 Prozent der Führungskräfte der Meinung, dass Weiterbildung im Umgang mit Daten nur für traditionelle Datenfunktionen (z. B. Analytik, Datenwissenschaft) relevant sei. Lediglich 34 Prozent von ihnen bieten entsprechende Schulungen für die ganze Belegschaft an.
Klein anfangen und Schritt für Schritt erweitern
Oft ist das erste erfolgreiche KI-Projekt das, das sich am einfachsten operationalisieren und mit dem geringsten Änderungsaufwand produktiv setzen lässt. Es empfiehlt sich ein Projekt, das so schnell wie möglich einen Nutzen bringt, auch wenn es sich nur um kleine Verbesserungen handelt. Sinnvoll ist es, Kunden, Anwender und Interessenvertreter so eng wie möglich in den Entwicklungsprozess einzubeziehen. Zudem sollten Feedback für mehr Datenerfassung und Input der Verantwortlichen möglich sein.
Es wird immer Grenzfälle geben, bei denen eine KI-Lösung an ihr Limit kommt. Es macht aber mehr Sinn, Lösungen zu entwickeln, die für die Mehrheit der Kunden und Mitarbeiter funktionieren, statt eines besonders ausgefeilten Proof of Concept, der nur für bestimmte Anwendungsfälle maßgeschneidert ist. Das Ziel ist es, mithilfe von KI Reibungsverluste zu reduzieren und es den Menschen leichter zu machen, ihren Aufgaben nachzukommen und fundierte Entscheidungen zu treffen.
Bildquelle / Lizenz:
Creative Commons Lizenz CC BY-ND 4.0
Sie dürfen:
Teilen — das Material in jedwedem Format oder Medium vervielfältigen und weiterverbreiten und zwar für beliebige Zwecke, sogar kommerziell.
Der Lizenzgeber kann diese Freiheiten nicht widerrufen solange Sie sich an die Lizenzbedingungen halten.
Unter folgenden Bedingungen:
Namensnennung — Sie müssen angemessene Urheber- und Rechteangaben machen, einen Link zur Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Diese Angaben dürfen in jeder angemessenen Art und Weise gemacht werden, allerdings nicht so, dass der Eindruck entsteht, der Lizenzgeber unterstütze gerade Sie oder Ihre Nutzung besonders.
Keine Bearbeitungen — Wenn Sie das Material remixen, verändern oder darauf anderweitig direkt aufbauen, dürfen Sie die bearbeitete Fassung des Materials nicht verbreiten.
