Frau Schoenmaker, Futurice hat Vattenfall dabei unterstützt, seinen IT-Teams durch Experimente und Lösungsszenarien neue digitale Horizonte zu erschließen. Welche Ziele hatte das Projekt?
Zum einen war Vattenfall daran interessiert seinen IT-Fachleuten die Möglichkeit zu geben, zusammen mit Geschäftsabteilungen an Projekten zu arbeiten, die über den normalen Tätigkeitsbereich einer IT-Abteilung hinausgehen. Dazu gehört es, Einsatzszenarien für Technologien wie künstliche Intelligenz und maschinelles Lernen zu entwickeln. Zum anderen sollte die IT-Sparte in die Lage versetzt werden, größere interne Projekte zu übernehmen, etwa von der Vertriebsabteilung. So konnte Vattenfall natürlich auch die Qualifikation der IT-Fachleute verbessern und Mitarbeiter*innen mit einer hohen Affinität zu neuen Technologien aufspüren.
Von welchen Lösungsszenarien sprechen wir hier?
Im ersten Schritt ermittelten wir zusammen mit den Geschäftsbereichen von Vattenfall, für welche geschäftlichen Herausforderungen Lösungen gesucht wurden. Anschließend wurden interdisziplinäre Teams gebildet, bestehend aus Fachkräften die für Datenanalysen, die Technik oder Business Aspekte zuständig waren. Diese dienten gleichzeitig als Bindeglied zwischen den jeweiligen Geschäftsbereichen. Anschließend galt es die Arbeitsgruppen mit Themen wie dem geschäftlichen Einsatz von KI, Machine Learning und Deep Learning vertraut zu machen. Außerdem erfolgte eine Einführung in die digitale Ethik und in Ansätze, mit denen sich Machine Learning-Projekte umsetzen lassen.
Das klingt sehr nach Theorie, wie setzten die Teams dieses neu erworbene Wissen um?
Jedes Team hatte die Aufgabe anhand von realen Geschäftsanforderungen durchzuspielen, wie sich das neue Know-how in der Praxis einsetzen lässt – gewissermaßen im Rahmen eines Learning-by-Doing-Modells. Nach Abschluss von sechs Lernmodulen präsentierte jede Gruppe mögliche Lösungen für ihre Aufgabe. Eine davon wurde für die nächste Phase, einen dreiwöchigen "Data Vision Sprint", ausgewählt.
Was verstehen Sie unter einem Data Vision Sprint?
Ein solcher Sprint besteht aus mehreren Schritten. Zunächst wird ein Verständnis für die geschäftlichen Anforderungen und die Bedürfnisse der Kundschaft entwickelt. Anschließend sichtet und analysiert das Team die vorhandenen Daten. Den Abschluss bilden das Modellieren und Evaluieren der Daten. Das interdisziplinäre Team von Futurice bestand daher aus Data Scientists, Servicedesigner*innen und Expert*innen für die Gestaltung von Geschäftsprozessen. Sie analysierten die Aufgabe mit dem Ziel, einen Proof of Concept (PoC) zu entwickeln. Ein PoC ermöglicht es, den Nutzen, die Relevanz und die Machbarkeit einer Idee zu prüfen. Bei Vattenfall bestand der Business Case darin, die Weiterleitung von Anrufen der Kundschaft für die Schulung von Angestellten zu optimieren und die Wartezeiten zu verringern.
Wie lange hat das Projekt gedauert?
Während des Data Vision Sprint teilten sich die Arbeitsgruppen in zwei Teams. In beiden waren jeweils Fachleute von Vattenfall und Futurice vertreten. Die erste Gruppe, der Data Discovery Stream, validierte Hypothesen, erarbeitete Insights und überprüfte die Machbarkeit. Die zweite Gruppe, der Business Discovery Stream, untersuchte die Problemstellung und stellte der anderen Gruppe wieder neue Insights und Hypothesen zur Verfügung. Das dauerte sechs Wochen und umfasste drei Phasen. In der ersten wurde ein Business-Konzept erarbeitet. Es basiert auf Geschäftschancen und den Anforderungen der Nutzenden. Im zweiten Abschnitt standen das Datenverständnis und Modellieren der Daten im Mittelpunkt. Zum Abschluss wurde eine Demo-Version erstellt, um den Proof of Concept zu validieren.
Sie haben auch eine KI-Fibel, einen sogenannten AI Primer entwickelt. Was hat es damit auf sich?
Die KI-Fibel (AI Primer) ist eine Einführung in künstliche Intelligenz und maschinelles Lernen für technische Fachkräfte und Business-Teams. Sie umfasst sechs eintägige Sitzungen. Der AI Primer hilft den Fachleuten, Antworten auf zwei Fragen zu finden: Wie lassen sich Daten erfassen und in eine verwertbare Form umsetzen? Und wie unterstützen uns Daten dabei, die Anforderungen von Nutzern sowie geschäftliche Erfordernisse zu erfüllen? Die KI-Fibel kombiniert dabei Theorie und Praxis. Das heißt beispielsweise, dass Teams mit eigenen Daten arbeiten und reale Problemstellungen lösen müssen, um auf diese Weise KI und Machine Learning greifbarer und verständlicher zu machen.
Wir nutzten den Ansatz bereits bei mehreren größeren Unternehmen und außerdem bei uns im eigenen Haus, um eine datenorientierte Unternehmenskultur aufzubauen. Dadurch konnten unser Team ein Gefühl dafür entwickeln, welche Geschäftschancen Daten bieten und wie sich diese nutzen lassen.
Und welche Vorteile hatte das Projekt für Vattenfall
Für Vattenfall wurde ein Ansatzpunkt geschaffen, um KI und Machine Learning auf strategische Art und Weise zu nutzen. Zu diesem Zweck erstellten die Datenspezialisten ein Modell und befüllten es mit Daten. Dieses Modell steht nun allen Angestellten von Vattenfall zur Verfügung, beispielsweise um Erfahrungen mit KI und Machine Learning zu sammeln und diese Technologien in der Praxis einzusetzen. Das Proof-of-Concept-Modell zeigt beispielsweise, welche Vorteile sich im Bereich Kundenservice erzielen lassen.
Ein weiterer Vorteil ist, dass Vattenfall durch das Projekt auf bislang unbekannte "Talente" in seiner Belegschaft aufmerksam wurde, etwa im Bereich Big Data. Für diese wurde nun eine überarbeitete Karriereplanung erstellt.
Die Fragen stellte Stephanie Gust
