top of page

Erfolgreiche KI Projekte

Fünf Schritte zum Erfolg in KI Projekten

Eine Voraussetzung für erfolgreiche KI Projekte ist die Wahl des richtigen Vorgehensmodells. Schon länger bekannt und oft, z.B. in Modellen zur Erkennung von potentieller Kundenabwanderung (Customer Churn) verwendet, ist das Vorgehen nach der sogenannten CRISP-DM Methode. Diese lässt sich auch sehr gut mit dem Konzept der agilen Entwicklung verknüpfen. Datasense Consulting hat aus den beiden Ansätzen ein 5-Schritt Vorgehensmodell entwickelt welches bereits mehrmals erfolgreich in den Kundenprojekten eingesetzt wurde.


Im Einzelnen sind diese 5 Schritte:


Datenevaluierung und Konzepterstellung

Detail-Analyse und Proof of Concept

Prototypenentwicklung

Aufbau eines Minimum Viable Product

Deployment/ Produktivsetzung


Jeder der Schritte ist mit den Inhalten, einer klaren Aufwandskalkulation und den sich daraus entstehenden Ergebnissen versehen. Der Kunden kann nach jedem Schritt entscheiden ob er die nächste Stufe umsetzen will, hat also volle Transparenz in den einzelnen Phasen über Kosten und Erfolgschancen in einem Projekt. Dies soll helfen die Anfangshürde für die Umsetzung von KI Projekten sehr niedrig zu halten.


In der Umsetzung der Erstellung eines Kundenabwanderungsmodells (Churn Model) beinhalten die einzelnen Phasen folgende Inhalte:


Datenevaluierung und Konzepterstellung

Zentrales Element sind ein oder mehrere Workshops gemeinsam mit dem Kunden (Fachbereich, IT) mit dem Zweck die potentiellen Daten für das Churn Model zu evaluieren wie z.B. aus ERP, CRM, Callcenter etc. Daraus wird dann der genaue Usecase definiert (z.B. %-Satz der Erkennung von potentiellen abwanderungsgefährdeten Kunden). Im Einzelnen sind dies:

  • Übersicht über Datenlandschaft

- Inventur über Datenquellen (Abrechnungsdaten, CRM Daten, Callcenter etc.)

(Relationale Datenbanken, Dokumentenablagen, Bilderarchive …)

- Evaluierung der Datenqualität und Verknüpfbarkeit aller Datenquellen

- Festlegung der nächsten Schritte, um alle wichtigen Daten zu konsolidieren

  • Definition der möglichen Anwendungen (Use Cases) wie z.B. unterschiedliche Churn Modelle (z.B. Erkennungsrate vs. Treffergenauigkeit) für verschiedene Marketingkampagnen bzw. Kundenzielgruppen

Die Ergebnisse werden dann entsprechend dokumentiert und sind Entscheidungsgrundlage für die nächsten Schritte. Ein Ergebnis könnte sein, dass vor der Modellbildung zusätzliche Maßnahmen im Datenmanagement zur besseren Datenqualität, Konsistenz und Verknüpfbarkeit erforderlich sind.


Detail-Analyse und Proof of Concept

In diesem Teil wird das Konzept sowie die Daten aus den beschriebenen Quellen im Detail geprüft mit folgenden Aufgaben

  • Explorative Detail-Analyse der verfügbaren Daten

  • Durchführung der notwendigen PoC-Validierungen, die helfen, die Machbarkeit des Konzepts zu beurteilen

  • Zusammenfassung der Ergebnisse

  • Klare Definition von: Projekt-Ziel, -Plan und –Erfolgskriterien


Prototypenentwicklung

Das Ziel dieser Phase ist es, eine begrenzte Version der Lösung (oft nur ihren Kernalgorithmus) zu entwickeln, um mehr Klarheit zu den erwarteten Eigenschaften (Leistung, Genauigkeit, …) zu haben. Bei Churn Modellen werden in dieser Phase verschiedene Modelle erstellt und trainiert, anhand der historischen realen Daten untereinander verglichen und jene mit den besten Ergebnissen entsprechend der in der ersten Phase definierten Kriterien in dieser Phase ermittelt und ausgewählt, alle anderen werde ausgeschieden. Sie umfasst die folgenden Detailschritte:

  • Prototypenentwicklung

  • Test des Prototypen anhand von verfügbaren Daten

  • Zusammenfassung der Ergebnisse


Aufbau eines Minimum Viable Product

Nach dem Prototypen wird die KI wie z.B. die ausgewählten Churn Modelle für z.B. hohe, mittlere und niedrigere Treffergenauigkeit, unterschiedliche Zielgruppen, beispielhaft in die bestehenden Systeme beim Kunden integriert (z.B. automatische Datenbeladung und Vorhersagen, Dashboards etc.)


Deployment/ Produktivsetzung

Nach der Integration des MVP in die bestehende IT Landschaft (z.B. Integration in CRM-, Callcenter Anwendungen, Datawarehouse) gilt es diesen zu stabilisieren und entsprechende Automatisierungsmechanismen betreffend Erweiterung um aktuelle bzw. zusätzliche Daten und Verbesserung des Modells zu implementieren.


Sie möchten genauer erfahren, was es braucht um KI für ihren Unternehmenserfolg nutzbar zu machen dann besuchen Sie uns auf Predictive Analytics | Datasense bzw. vereinbaren Sie ein unverbindliches Beratungsgespräch betreffend eines Evaluierungsworkshops hier: Kontakt | Datasense. Wir freuen uns auf ein Gespräch mit Ihnen.

Commentaires


bottom of page