Schlüsselwörter

1 Motivation

Der Umgang mit Industrial Data Science (IDS) Projekten in einem Unternehmen ist ein facettenreiches Thema, das sowohl aus technischer als auch aus fachlicher, organisatorischer und menschlicher Perspektive betrachtet werden sollte. IDS, im deutschsprachigen Raum auch Industrielle Datenanalysen genannt, ist ein Sammelbegriff für datenwissenschaftliche Werkzeuge, die faktenbasierte Entscheidungen für industriellen Anwendungsfälle ermöglichen (siehe Kap. 4, West et al., 2021, S. 131).

Es gibt eine Reihe von iterativen Aktivitäten, die als Data Science Vorgehensmodell bezeichnet werden und dabei helfen können, IDS-Projekte methodisch zu unterstützen. Die Dimensionen Change-Management und User Experience (UX) sind allerdings bei diesen Modellen nicht ausreichend beleuchtet. Außerdem werden die unterschiedlichen Kundenkulturen in verschiedenen Branchen und Firmengrößen vernachlässigt. Das Ziel des Kapitels ist es diese Lücke zu schließen, indem ein modulares Vorgehensmodell definiert wird, welches die Einführung von IDS im Dreiklang aus Mensch, Technik und Organisation unterstützt. Mittels diesem Modell kann von der Idee bis hin zum produktiven Einsatz strukturiert vorgegangen werden. Das Vorgehensmodell liefert konkrete Handlungsempfehlungen für die technische Lösungsentwicklung und -umsetzung.

2 Interviewstudie zum Erfolgsfaktor Mensch und abgeleitetes Reifengradmodell

Im Rahmen des Forschungsprojekts AKKORD (siehe Kap. 2) wurde im Jahr 2020 eine branchen-, berufs- und altersübergreifende qualitative Interviewstudie zum Thema „Erfolgsfaktor Mensch in Data-Science-Projekten“ durchgeführt. Fokus der Studie war es zu verstehen, welche Erfahrungen zu Erfolgsfaktoren und Hemmnissen bei der Durchführung von IDS-Projekten von den Interviewpartner:innen gesammelt wurden, was die Mitarbeiter:innen (MA) im Bereich IDS und Künstliche Intelligenz (KI) antreibt, wie die MA diese Themen in ihrem Arbeitsumfeld erleben und welche Change-Management Maßnahmen bereits umgesetzt wurden und erfolgskritisch sind.

Es wurden mehr als 50 Personen unter Verwendung eines teilstrukturierten Interviewleitfadens befragt. Abb. 16.1 gibt eine Übersicht über die Verteilung und die Herkunft der Interviewpartner:innen. Die Ergebnisse der beschriebenen Studie zeigen, dass die Forschung rund um Data Science bei vielen Menschen Bedenken und Ängste auszulösen scheint. Die Gründe hierfür sind vielfältig. Die gesamten Ergebnisse aus der AKKORD Interviewstudie sind im Whitepaper zur Interviewstudie zusammengefasst (mosaiic, 2021).

Abb. 16.1
figure 1

Rahmenbedingungen der Studie zum „Erfolgsfaktor Mensch in Data-Science-Projekten“

Ausgewählte Inhalte der Interviewstudie wurden in der Veröffentlichung „Industrial Data Science erfolgreich implementieren“ integriert (Nolte et al., 2020). Die Ergebnisse der Studie sind in die Vorgehensmodelle, die in den folgenden Kapiteln beschrieben werden, eingeflossen.

In der erwähnten Interviewstudie wurden die Anforderungen und Erfolgsfaktoren für Data-Science-Projekte der beteiligten Unternehmen identifiziert und wie in Abb. 16.2 dargestellt in ein Reifegradmodell übertragen. Dabei wurden die Bereiche Organisation, Technik und Mensch zugrunde gelegt.

Abb. 16.2
figure 2

Das Reifegradmodell mit den Erfolgsfaktoren 01–21 und mit beispielhaften Ausprägungen in Grau

Das Reifegradmodell bietet mittelständischen Unternehmen die Möglichkeit, anhand eines Fragebogens den Reifegrad zu identifizieren. Das Ergebnis stellt eine Reifegradstufe zwischen 1 und 3 dar und zeigt die Stärke der Ausprägungen je Erfolgsfaktor. Damit ermöglicht das Reifegradmodell eine Identifikation potenzieller Entwicklungsfelder für das gesamte Unternehmen sowie ein systematisches Erarbeiten relevanter Maßnahmen (siehe Abb. 16.2).

Aus der Analyse der Ist-Situation ergibt sich eine Differenz zur optimalen Reifegradstufe 3. Diese Reifegradstufe indiziert, dass das Unternehmen gute Bedingungen für IDS-Projekte bietet. Das Reifegradmodell wurde im Jahr 2021 in zwei Durchläufen mit einem End-Anwender validiert.

3 Mittelstandsstudie zu Hemmnissen bei der Einführung von Data Science und Künstlicher Intelligenz

Die Digitalisierung und die Nutzung von IDS und KI bleiben im deutschsprachigen Raum hinter den Erwartungen zurück. Um besser zu verstehen, was Unternehmen derzeit daran hindert, sich mit Data Science und Künstlicher Intelligenz (DS/KI) zu beschäftigen und was aus Sicht der Unternehmen benötigt wird, wurde die Studie „Data Science und Künstliche Intelligenz für Unternehmen nutzbar machen“ durchgeführt.

Ziel der Studie war es, bestehende Hemmnisse, Vorgehensansätze sowie Bedürfnisse von KMUs bezüglich der Anwendung von Data Science zu verstehen und die notwendigen Voraussetzungen und Herangehensweisen zu ermitteln. Aus den gewonnenen Erkenntnissen sollten Vorgehensmodelle und Empfehlungen, insbesondere für KMUs abgeleitet und entwickelt werden. Für die Studie wurde eine mehrstufige Vorgehensweise gewählt (siehe Abb. 16.3).

Abb. 16.3
figure 3

Die vier Phasen der KMU-Interviewstudie

Auf Basis von Recherchen und Analysen bereits existierender Studien wurde ein Onlinefragebogen erarbeitet, um die Erfahrungen, Voraussetzungen und Hemmnisse der Unternehmen erfassen bzw. verifizieren zu können. Aus dem Teilnehmerkreis der Online-Befragung wurden bei sieben Unternehmen zusätzlich Interviews durchgeführt, um die Erfahrungen und Hemmnisse noch besser zu verstehen und die gewählten Lösungsansätze und Vorgehensweisen aufzunehmen.

Die Ergebnisse der Online-Befragung als auch der Interviews wurden dann im Rahmen von Workshops ausgewertet und analysiert, um Vorgehensmodelle/Best Practices und Empfehlungen für Unternehmen abzuleiten (siehe Abb. 16.4).

Abb. 16.4
figure 4

Verwendung von DS/KI in KMUs

An der Onlinebefragung haben 199 Personen aus Deutschland (49 %), Österreich (46 %), der Schweiz (4 %) und anderen Ländern (1%) teilgenommen. Bezüglich der Unternehmensgröße waren 36 % Kleinunternehmen (<49 MA), 21 % mittlere Unternehmen (50–500 MA) und 43 % Großunternehmen (>500 MA). Zentrale Erkenntnisse der Online-Befragung sind:

  • Status Quo Digitalisierung:

    • Ein Großteil der Unternehmen ist mittlerweile digitalisiert, oder hat mit der Digitalisierung begonnen. Es gibt aber weiterhin noch einen großen Digitalisierungsbedarf.

    • Kleine Unternehmen sind bezüglich der Digitalisierung schon weiter als Großunternehmen. Jedoch geht bei den kleinen Unternehmen die Schere weit auseinander. Die einen sind schon weit, die anderen stehen noch ganz am Anfang oder wollen nicht.

    • Angestellte sehen DS/KI am häufigsten als wichtiges Digitalisierungsthema. Im Management und Top Management werden hingegen digitale Geschäftsprozesse am häufigsten genannt.

  • Status Quo Data Science und KI:

    • Generell gibt es ein überwiegend positives Mindset zum Thema DS/KI. Nur ein kleiner Teil (15 %) sehen in Ihrem Unternehmen ein eher negatives Mindset. In den überwiegenden Fällen steht die Geschäftsführung positiver gegenüber DS/KI als der Rest des Unternehmens.

    • Vielen Unternehmen (31 %) nutzen DS/KI bereits. Nur 10 % haben das gar nicht vor. Der überwiegende Teil der Unternehmen ist derzeit in der Planung bzw. führt bereits erste Pilotprojekte durch.

    • Descriptive und diagnostische Analyseverfahren sind am meisten verbreitet. Predictive und prescriptive sind derzeit noch sehr wenig verbreitet, werden aber bereits von sehr vielen diskutiert bzw. geplant.

Fast alle Teilnehmer geben an, dass die DS/KI Projekte in ihren Unternehmen erfolgreich bis sehr erfolgreich waren. Wie uns auch in den Interviews bestätigt wurde, stellt sich der Erfolg meist nach ca. zwei Jahren ein.

Hemmnisse: Als größte Hemmnisse werden fehlendes Fachwissen, fehlende Nutzenabschätzung und fehlendes Vertrauen in den möglichen Mehrwert angegeben. Fehlender Mut, Skepsis der Mitarbeiter:innen, Akzeptanz beim Kunden sowie Datenschutzgründe werden hingegen nicht als Hemmnisse gesehen. Tendenziell werden bei Großunternehmen mehr Hemmnisse gesehen als bei KMUs.

Voraussetzungen für den Start von DS/KI Projekten: Kleine Unternehmen (<50 MA) nennen deutlich die Finanzierung, die Nutzenbetrachtung, sinnvolle Anwendungsfälle und die Qualifizierung als wesentliche Voraussetzungen für die Initialisierung von DS/KI Projekten. Bei mittleren Unternehmen (50–500 MA) fallen die meisten Nennungen auf die Nutzenbetrachtung, die Ressourcenbereitstellung als auch die Datenverfügbarkeit. Bei den Großunternehmen liegt der Schwerpunkt auf der Nutzenbetrachtung, sinnvollen Use-Cases und der Datenverfügbarkeit als Voraussetzungen.

Wünsche der Unternehmen: KMUs wünschen sich vor allem schnellere und pragmatischere staatliche Förderungen und Budget, um DS/KI in ihrem Unternehmen schneller voranzubringen. Bei Großunternehmen besteht vor allem der Wunsch nach einem entsprechendem Mindset sowie nach mehr Fachwissen.

Die Ergebnisse wurden u. a. auch über die Akkord-Website (www.akkord-projekt.de) sowie über den Bundesverband Deutscher Mittelstand (BVMW, www.bm-mittelstand.com) verbreitet.

4 Vorgehensweisen in Data-Science-Projekten

Die Erkenntnisse aus den durchgeführten Interviewstudien fließen in das entwickelte Vorgehensmodell ein, welches eine Roadmap für die Initiierung und Durchführung von IDS-Projekten darstellt. Das Vorgehensmodell (Abb. 16.5) basiert auf dem Industrie-Standard Cross-Industry Standard Process for Data Mining (Chapman et al., 2000, S. 13 ff.) und erweitert den Prozess in Richtung Technologie, Mensch und Organisation. Mehr Details über das CRISP DM sind in Kap. 3 vorzufinden. Die einzelnen Module, sowie ihre Zwischeniterationen, lassen sich je nach Problemstellung unterschiedlich gewichten. Allerdings spielt jedes Modul eine entscheidende Rolle für den Erfolg des Gesamtprojekts. Die Rückkopplungsschleifen zwischen den Modulen deuten an, dass es keinen vordefinierten Endpunkt in dem Prozess gibt. Jeder iterative Durchlauf verbessert die Qualität.

Abb. 16.5
figure 5

Das Industrial Data Science-Vorgehensmodell

Im Modell werden die unterschiedlichen Data Science Ansätze Descriptive, Diagnostic, Predictive und Prescriptive Analytics beleuchtet (vgl. West et al., 2022, S. 612 ff.) und alternative Vorgehensmodell, wie KDD (Knowledge Discovery in Databases) einbezogen. Es werden praxisnahe Priorisierungsverfahren für KI-Projekte und die fachlichen und organisatorischen Rollen in IDS-Projekten beschrieben. Sowohl Begriffe wie Datentypen, Skalenniveaus, Datenpipelines und Datenberichte als auch Key Performance Indicators, Measures und Metrics sind erläutert. Der Fokus liegt auf den Disziplinen Machine Learning und Deep Learning, sowie Learning-Typen, Problemstellungen und Modellierungsmethoden. Aus Unternehmenssicht sind wichtige Evaluierungsziele und bewährte Deployment-Strategien inkludiert.

4.1 Die Dimension menschzentriertes Design im Vorgehensmodell

Die Ergebnisse der Studie bestätigen, dass IDS-Vorhaben vor allem durch technologische und wirtschaftliche Ziele motiviert sind. Strukturierte Vorgehensweisen zur Einbindung von Nutzern sind bisher wenig etabliert. Da der wertschöpfende Einsatz der IDS-Lösungen aber letztlich von der Akzeptanz und Nutzbarkeit durch die damit interagierenden Menschen abhängt, wird eine an den Nutzern orientierte Gestaltung zu einem entscheidenden Erfolgsfaktor.

Im bisherigen Vorgehensmodell für IDS-Projekte wird der Fokus hauptsächlich auf die Phasen des Daten-Engineerings und der Modellentwicklung gelegt. Zwar spielt das Geschäftsverständnis zu Beginn eines Vorhabens eine zentrale Rolle, jedoch bezieht dieses nicht explizit die Interessen und Bedürfnisse, der späteren Nutzer des Data-Science Produktes mit ein. Da die in den Interviews geschilderten Projekterfahrungen darauf hinweisen, dass die Nutzbarkeit und Nützlichkeit einer IDS-Lösung letztlich über deren Erfolg entscheiden, wurde eine Erweiterung des Modells um nutzerzentrierte Vorgehensweisen erarbeitet.

Ziel der Erweiterung des IDS-Vorgehensmodells ist es, relevante Aktivitäten aus dem „Menschzentrierten Gestaltungsprozess“ (ISO 9241-210:2019 2019) zu integrieren. Dabei handelt es sich um geeignete Methoden, die Erfordernisse der jeweiligen Nutzer systematisch zu erheben, in Konzeption und Entwicklung zu berücksichtigen und schließlich hinsichtlich der erreichten Nutzungsqualität zu evaluieren.

Die Recherchen zum aktuellen Forschungsstand für die Ergänzung des Vorgehensmodells fokussierten das Thema menschzentrierte KI (Shneiderman, 2020; Xu, 2019; Xu et al., 2021; Yang et al., 2018). Dieses Themengebiet beschäftigt sich mit der nutzerzentrierten Gestaltung einer KI. Die wesentlichen Erkenntnisse aus der Forschungsliteratur wurden vor dem Hintergrund der praktischen Erfahrungen aus UX-Projekten der mosaiic GmbH hinsichtlich ihrer Bedeutung und Wirkung auf UX-Aktivitäten bewertet. Dabei stand die Frage im Mittelpunkt, durch welche UX-spezifischen Phasen und Schritte das bestehende IDS-Vorgehensmodell erweitert werden kann, um heutige Defizite in der Nutzereinbindung und Nutzerakzeptanz zu beheben.

Für die Validierung des UX-spezifisch erweiterten IDS-Vorgehensmodell bildete der innerhalb des Akkord-Forschungsprojekts umgesetzte Anwendungsfall für ein „Übergreifendes, prädiktives Industrial Engineering“ den Rahmen (siehe Kap. 9). In Experteninterviews mit den zentralen Projektrollen wurde erfragt, welche Herausforderungen und Erfolge im Projekt verzeichnet wurden, die entweder auf einen Mangel an bzw. ein Vorhandensein von nutzerzentrierten Vorgehensweisen zurückzuführen sind.

Das resultierende, mit UX-Aktivitäten erweiterte Vorgehensmodell (Abb. 16.6) greift die Hauptphasen aus dem IDS-Modell – Geschäftsverständnis, Datenengineering, Modellierung, Evaluierung und Deployment auf.

Abb. 16.6
figure 6

Integriertes Vorgehensmodell Data Science – UX

Abb. 16.7
figure 7

Der zu erzielende Nutzen durch den Einsatz menschzentrierter Vorgehensweisen

Der Schwerpunkt der Erweiterung findet sich am Beginn des Vorgehensmodells mit der Aufsplittung der Phase „Geschäftsverständnis“ in die drei Schritte „Scoping“, „Understanding“ und „Definition“. Hier wird vor allem dem Ziel Rechnung getragen, neben den technologischen Aspekten die Bedarfe der beteiligten Menschen von Anfang in den Fokus zu stellen. Als neue Phase wurde „Conception“ ergänzt, die neben den bekannten konzeptionellen DS-Aktivitäten auch die Erarbeitung und prototypische Verprobung eines Nutzungskonzeptes beinhaltet.

Die in den einzelnen Phasen verorteten Aktivitäten wurden jeweils den Hauptakteuren zugeordnet. Berücksichtigt wurden in dieser integrierten Sicht die Rollen UX-Professional und Data Scientist. Bei einigen Aktivitäten sehen wir eine direkte Zusammenarbeit bzw. einen Austausch von Wissen zwischen den beiden Rollen als erforderlich (Rolle „Gemeinsam“). Durch das integrierte Vorgehensmodell kann die erfolgsrelevante Vernetzung der verschiedenen Disziplinen, hier IDS-Entwicklung und Human Centered Design (UX) erreicht werden (Abb. 16.7).

Die frühe Einbindung von Personen, die entweder als Datenlieferanten oder Nutzer des Outputs agieren, und die Integration nutzerzentrierter Methoden steigern sowohl die Effizienz des Projekts als auch die Qualität der Prognosen.

Durch das tiefe Verständnis des Business-Kontextes können schnelle und zielführende Modelländerungen vorgenommen werden. Ein nicht zu verachtender erfolgssteigernder Effekt ist die erhöhte Nutzungsbereitschaft, die durch die Einbindung der späteren Nutzer in den Entwicklungsprozess einhergeht.

4.2 Die Dimension Change-Management im Vorgehensmodell

Das begleitende Change-Management ist ein wesentlicher Erfolgsfaktor für das Gelingen eines Data-Science-Projekts. Daher ist es sinnvoll im Rahmen eines Change-Vorgehensmodells jede Phase eines Data-Science-Projekts zu begleiten. In jeder Phase eines Data-Science-Projekts ist ein schlanker Change Cycle zu durchlaufen, der die aktuellen Anforderungen des Projekts validiert und das „Change System“ entsprechend flexibel und agil anpasst (Abb. 16.8).

Abb. 16.8
figure 8

Change Cycles für die Change-Management Vorgehensweise in Data-Science-Projekten

Sinnvolle Change Aktivitäten entlang der Phasen des allgemeinen Vorgehensmodells sind in der folgenden Abbildung dargestellt. Sie stellen eine Zusammenfassung aller wichtigen Ergebnisse aus der Interviewstudie, Lessons Learned und Best Practices dar (Abb. 16.9).

Abb. 16.9
figure 9

Potenzielle Change Aktivitäten entlang des DS-Phasenmodells

Ansätze für konkrete und bewährte Change Maßnahmen finden sich im White Paper der Interviewstudie zum Erfolgsfaktor Mensch (mosaiic, 2021). Eine konkrete Change Maßnahme wurde mit einem End-Anwender entwickelt und verprobt.

5 Fazit

Zusammenfassend kann festgehalten werden, dass die Einführung von IDS-Projekten in Unternehmen ein komplexes Thema ist, welches eine ganzheitliche Betrachtung erfordert. Die in dieser Arbeit entwickelten Modelle und Maßnahmen können dabei helfen, die Einführung von IDS im Dreiklang aus Mensch, Technik und Organisation effektiver zu gestalten (siehe Kap. 20).

Die Analyse der bisherigen Vorgehensmodelle hat gezeigt, dass es bisher keine umfassenden Ansätze gibt, die sowohl technische, fachliche, organisatorische als auch menschliche Aspekte der Einführung von IDS abdecken. Die in diesem Kapitel entwickelten Modelle können dazu beitragen, diese Lücke zu schließen und Unternehmen bei der erfolgreichen Einführung von IDS zu unterstützen.

Das entwickelte Vorgehensmodell liefert konkrete Handlungsempfehlungen für eine technische und fachliche Lösungsentwicklung und -umsetzung von IDS-Projekten. Dabei wurde auch ein Reifegradmodell entwickelt und Change-Maßnahmen sind abgeleitet. Ein UX-Vorgehensmodell wurde ebenfalls erarbeitet, um das volle Potenzial der Benutzer-Interaktion mit dem zu entwickelnden System auszuschöpfen. Es wurden auch die Ergebnisse der umfassenden Studie zur Erfassung der aktuellen Verbreitung von IDS in KMUs präsentiert.

In Zukunft könnte die Anwendung des modularen Vorgehensmodells auf weitere Branchen und Unternehmen ausgeweitet werden. In diesem Zusammenhang sollte zudem die Wirkung der Change-Management-Maßnahmen und des UX-Vorgehensmodells auf den Erfolg von IDS-Projekten genauer zu untersucht bzw. gemessen werden. Darüber hinaus könnte die Studie zur Erfassung der Verbreitung von IDS in KMUs fortgeführt werden, um Trends und Entwicklungen in diesem Bereich besser zu verstehen.