Überwindung von Hürden im End-to-End-KI-Projektdesign

Laut einer aktuellen Studie von 451 Research, Teil von S&P Global Market Intelligence, „haben mehr als 90 % der Unternehmen, die KI eingeführt haben, innerhalb der letzten fünf Jahre mit der Entwicklung ihres ersten KI-Projekts begonnen.“ Auch wenn sie noch im Entstehen begriffen sind, sind KI-gestützte Lösungen überall um uns herum auf dem Vormarsch. Allerdings erfüllen viele dieser Initiativen immer noch nicht die Erwartungen – sofern sie es überhaupt bis zur Umsetzung schaffen.

Um erfolgreich zu sein, sollten Führungskräfte KI-Projekte mit einer durchdachten Strategie auswählen und verwalten, die auf klaren Erwartungen, Ausrichtung auf Geschäftsziele und Iteration basiert. Schauen wir uns die häufigsten Hürden an, mit denen Unternehmen bei der Gestaltung erfolgreicher End-to-End-KI-Projekte konfrontiert sind, und wie man diese überwinden kann.

Erwartungen an KI-gestützte Lösungen verwalten

Viele der heute gescheiterten KI-Projekte erinnern an Unternehmenssoftwareprojekte in den Neunzigerjahren, als Entwicklungsprojekte aus dem Ruder liefen, weil die Teams große Hoffnungen hatten, dass neue Technologien ihre Probleme lösen würden. Eine große Gefahr besteht sowohl damals als auch heute darin, überhöhte Erwartungen an das zu haben, was Ihre Lösung tatsächlich lösen kann.

Es ist gefährlich anzunehmen, dass durch das Sammeln ausreichender Daten plötzlich alles transparent wird; dass Sie das Kundenverhalten vorhersagen oder perfekte Empfehlungen aussprechen können, um deren Bedürfnisse zu antizipieren. Leider ist die Welt weitaus weniger vorhersehbar, als die Menschen es sich wünschen. Es entstehen zwar hilfreiche Muster, doch nicht alle Ereignisse sind kausal oder korrelieren – es passieren viele Dinge, die nur Lärm erzeugen.

Gleichzeitig sehen viele Unternehmen, wie ihre Kollegen KI-Lösungen implementieren, und verspüren den Druck, Schritt zu halten. In KI zu investieren, nur um „mit der Konkurrenz mitzuhalten“, kann nach hinten losgehen, wenn Sie nicht verstehen, was den Erfolg Ihrer Kollegen antreibt und ob es für Ihr eigenes Unternehmen funktionieren wird oder nicht. Oft haben Unternehmen, die bei ihren KI-Projekten einen Vorsprung haben, dies getan Datenstrategien und Geschäftsprozesse vorhanden, die es ihnen ermöglichen, die richtigen Arten von Daten für die KI zu sammeln und zu nutzen.

Letztendlich beginnt die Verwaltung der Erwartungen an KI-Projekte mit der Fähigkeit zu artikulieren, welche Ihrer Probleme wirklich mit KI gelöst werden können.

Wählen Sie die richtigen Arten von KI-Projekten für Ihre Probleme aus

Ist Ihre KI-Strategie auf Ihre Geschäftsziele abgestimmt? Die Projektauswahl ist wahrscheinlich die größte Herausforderung, vor der Unternehmen bei ihren KI-Initiativen stehen. Es ist wichtig, die Frage, die Sie beantworten möchten, wirklich zu verstehen, wie (und ob) die Beantwortung dieser Frage zu besseren Geschäftsergebnissen führt und ob die Ressourcen, über die Sie verfügen, sie erfolgreich und effizient beantworten können.

Angenommen, Sie möchten mithilfe eines Vorhersagemodells bestimmen, wann und welche Art von Rabatt Sie einem Kunden anbieten möchten. Holen Sie sich das Data-Science-Team! Aber es ist tatsächlich sehr schwierig, dies als Vorhersagemodellproblem anzugehen. Zunächst einmal ist es schwer zu wissen, ob Ihr Kunde das Produkt ohne den Rabatt kaufen würde oder nicht. Und das Sammeln der notwendigen Daten mit ausreichender statistischer Genauigkeit, um ein nützliches Modell zu erstellen, würde wahrscheinlich einige Prozesse erfordern, die sich für das Unternehmen unnatürlich anfühlen – etwa die Zufallsauswahl, welche Kunden Rabatte erhalten oder welche Vertriebsmitarbeiter Rabatte gewähren können. Das erhöht die Komplexität der Situation erheblich.

Ein besserer Weg, dieses Problem mit KI anzugehen, könnte darin bestehen, Simulationsmodelle des Kundenverhaltens zu untersuchen, das Sie unter verschiedenen Rabattsystemen erwarten. Anstatt das System zu quälen, um zu einer präzisen Prognose zu gelangen, können Simulation und Szenarioplanung dabei helfen, herauszufinden, welche Variablen bei Geschäftsentscheidungen aufeinander reagieren. Fragen Sie sich: Welche Kundenreaktion bräuchten wir, damit dieser Rabatt sinnvoll ist? Diese Art der Untersuchung potenzieller Ergebnisse ist viel effektiver und sicherlich viel einfacher als der Aufbau eines komplexen Data-Science-Experiments.

Bereiten Sie Ihre Teams auf den Erfolg vor

Für jede Art von KI-Aktivität mit den Daten ist es wichtig zu verstehen, wofür Ihre Daten gesammelt und kuratiert wurden, wie sie in der Vergangenheit verwendet wurden und wie sie in Zukunft verwendet werden. Es ist wichtig, ein Modell auf der Grundlage vollständiger Daten zu trainieren, die darstellen, was in der realen Welt zum Zeitpunkt des Eingriffs verfügbar ist. Wenn Ihre Deal-Pipeline beispielsweise mehrere Phasen umfasst und Sie die Wahrscheinlichkeit eines Geschäftsabschlusses in Phase fünf vorhersagen möchten, können Sie das Modell dann nicht auf Deals in Phase drei oder vier ausführen und nützliche Ergebnisse erwarten.

Datenwissenschaftler haben oft eine Lücke im Verständnis der Nuancen dessen, was Daten darstellen und wie sie generiert werden. Welche menschlichen und technologischen Prozesse spielen bei der Erstellung der Daten eine Rolle und was genau bedeuten die Daten im Kontext Ihres Unternehmens? Hier sind Analysten und Geschäftsanwender, die nah an den Daten sind – und an den Problemen, die Sie damit lösen möchten – unglaublich wertvoll. Wir mögen Stellen Sie sich KI als Mannschaftssport vor Denn für den Erfolg ist neben einer grundlegenden Daten- und Modellkompetenz auch ein Geschäftskontext erforderlich.

Schließlich gibt es menschenzentrierte Aspekte des Projekterfolgs, die Unternehmen übersehen können, wenn sie sich zu sehr auf die Daten oder die Technologie konzentrieren. KI kann oft eine Vorhersage treffen, aber es liegt an jemandem, zu entscheiden, wie daraus eine empfohlene Maßnahme wird. Ist der Vorschlag hilfreich, um eine klare Maßnahme zu liefern, und eine, der die Menschen gerne folgen? Schaffen Sie eine Umgebung, in der diese Vorschläge effektiv angenommen werden?

Etwas vorherzusagen ist nur manchmal nützlich. Sind Sie bereit, Preise, Produktmengen oder Personalbesetzung anzupassen oder sogar Ihre Produktlinie zu ändern? Welches Maß an Änderungsmanagement ist erforderlich, damit die Menschen die neue Lösung annehmen und ihre etablierten Verhaltensweisen und Prozesse weiterentwickeln? Vertrauen entsteht aus einem Muster konsistenten Verhaltens und der Bereitschaft, das Unternehmen kontinuierlich weiterzubilden; Wenn Sie die Art und Weise, wie Menschen ihre Arbeit erledigen, radikal verändern wollen, müssen sie mitmachen.

Klein anfangen und iterieren

Lassen Sie uns mit einigen Hinweisen abschließen, die auf dem basieren, was wir bei der Arbeit mit Kunden gesehen haben.

Das beste erste KI-Projekt ist oft dasjenige, das sich am einfachsten umsetzen und mit dem am wenigsten komplexen Änderungsmanagement in die Produktion bringen lässt. Versuchen Sie, so schnell wie möglich etwas zu schaffen, das einen Mehrwert bietet, auch wenn es sich dabei nur um eine sehr kleine inkrementelle Verbesserung handelt. Und halten Sie Ihre Kunden, Geschäftsanwender und Stakeholder so nah wie möglich am Entwicklungsprozess. Ziel ist es, eine Umgebung mit gutem Feedback zu schaffen – sowohl im Sinne der Sammlung weiterer Daten zur iterativen Verbesserung des Modells als auch im Sinne von Beiträgen von Stakeholdern zur Verbesserung des Projekts und seiner Ergebnisse.

Bei KI wird es immer Randfälle geben, bei denen die Lösung fehlschlägt. Aber es ist besser, Lösungen zu finden, die für die Mehrheit Ihrer Kunden oder Mitarbeiter funktionieren, anstatt einen wirklich auffälligen Proof of Concept zu entwickeln, der nur für einige wenige maßgeschneiderte Anwendungsfälle funktioniert. Letztendlich soll KI Reibungsverluste verringern und es den Menschen erleichtern, ihre Arbeit zu erledigen und fundierte Entscheidungen zu treffen.

Weitere Informationen zu Tableau AI Analytics finden Sie unter Tableau.com/ai.