en
de

Wie Menschen und Maschinen zusammen erfolgreich innovieren

16 April 2019
| |
Lesezeit: 7 Minutes

Auf den Unternehmen lastet ein permanenter Innovationsdruck. Um sich im Wettbewerb erfolgreich zu differenzieren, braucht es bahnbrechende, innovative Produkte, Services und Geschäftsmodelle. Die Nutzung von Daten und Machine Learning-Technologien, bieten hervorragende Grundlagen sowohl für die Identifikation von Innovationspotenzialen als auch für das Design von konkreten, datenbasierten Lösungen.

Es ist der Alptraum aller Unternehmensführer: ein Wettbewerber kommt aus dem Nichts und bietet ein neues Produkt an, um das sich der Markt plötzlich reisst – die eigenen Kunden springen ohne Vorwarnung ab. Die Digitalisierung schafft die Bedingungen, die es auch Branchenfremden ermöglichen, einem angestammten Unternehmen den Markt streitig zu machen.

Was aber die Ubers, Airbnbs und Moneyparks dieser Welt erfolgreich tun, können alle Unternehmen lernen und für sich anwenden: eine aktive Innovationskultur schaffen, sich einen soliden Methodikbaukasten bereit stellen und schliesslich gute Ideen geschickt mit geeigneten Technologien zu durchschlagenden neuen Lösungen entwickeln.

Ein zentraler Erfolgsfaktor für technologiebasierte Innovationen ist die Bewältigung von interdisziplinären Projektaufgaben sowie eine holistische Betrachtung von Innovation. Im Laufe von entsprechenden Innovationsprojekten sollten die Verantwortlichen die Resultate immer wieder unter den folgenden Gesichtspunkten hinterfragen:

  1. Kunden-Perspektive
    Findet das geplante Produkt den erhofften Anklang im Markt?
  2. Business-Perspektive
    Kann der Business Case wie geplant realisiert werden?
  3. Technologie-Perspektive
    Setzen wir die passenden Technologien richtig ein?

Zwei Innovationsstrategien

Es bieten sich zwei grundlegende Strategien an, um Innovationen zu generieren. Wir nennen diese „Technology Push“ bzw. „Business Pull“:

  1. „Technology Push“
    Ausgangspunkt dieses Vorgehens sind aktuelle Technologien und Methoden wie Machine Learning, Künstliche Intelligenz, Blockchain, AR/VR, 3D-Druck, etc. Ausgehend von den (abstrahierten) Möglichkeiten dieser Technologien werden konkrete Anwendungsfälle gesucht und entwickelt („wir haben eine Lösung und suchen die passenden Probleme für diese Lösung“).
  2. „Business Pull“
    Am Anfang steht hier die Suche nach konkreten Problemen, Herausforderungen, oder Optimierungspotenzialen bei bestehenden Anwendungen oder Aufgaben von Kunden. Auf diese Weise identifizierte Themen mit inhaltlichem Zusammenhang werden geclustert und zu „Suchfeldern“ verdichtet. Zu diesen Suchfeldern werden Lösungen entworfen und unter den oben erläuterten drei Perspektiven evaluiert.

In Innovationsprojekten empfehlen wir grundsätzlich den „Business Pull“-Ansatz. Diese Strategie hat den Vorteil, dass sie von echten Bedürfnissen und Herausforderungen der Kunden ausgeht. „Technology Push“ kann in bestimmten Situationen zwar ebenfalls erfolgreich sein, jedoch besteht hierbei stets die Gefahr, dass aufgrund einer technischen Möglichkeit ein Bedürfnis konstruiert wird, das es in Wirklichkeit gar nicht gibt.

Ein bekanntes Vorgehen zum Design von neuen Lösungen, welches auf der „Business Pull“-Idee beruht, ist das „Double Diamond“-Prozessmodell. Das Ziel dieses Prozesses ist es, die Bedürfnisse der Zielgruppen im Detail zu verstehen und diese bei der Entwicklung von neuen Produkten oder Services gezielt einzusetzen. Dabei visualisieren zwei Diamanten (Rhomben) das Vorgehen zur Identifikation der Problemstellungen und der damit verbundenen Lösungsfindung:

Zweifacher Einsatz von Daten im Innovation Design

Mit der Nutzung von Daten bzw. von Machine Learning kann das „Double Diamond“-Modell noch gewinnbringender eingesetzt werden: im ersten Diamant helfen die Methoden von Data Analytics, echte Bedürfnisse der Kunden zu identifizieren, indem z.B. vorhandene Daten zu Benutzerverhalten von bestehenden Lösungen ausgewertet und interpretiert werden. Auf der anderen Seite können Analytics bzw. Machine Learning die Basis für die Lösung von identifizierten Problemen oder Bedürfnissen sein, was Gegenstand des zweiten Diamanten ist. Ein Beispiel soll den Einsatz von Analytics und Machine Learning im „Double Diamond“-Innovationsprozess verdeutlichen:

Ein Hersteller von massgefertigten industriellen Bauteilen vermutet, dass der aktuelle Angebotserstellungsprozess nicht nur kostenintensiv ist, sondern auch den Umsatz limitiert, da aufgrund von personellen Engpässen die Kunden (zu) lange auf ein Angebot warten müssen und deshalb zum Wettbewerber wechseln. Bisher müssen zur Angebotserstellung nebst dem Verkauf auch Fertigungsexperten beigezogen werden, welche die Herstellbarkeit der angefragten Bauteile beurteilen können – und von diesen gibt es aktuell nur zwei im Unternehmen. Die analytische Auswertung der gewonnenen / verlorenen Aufträge der letzten Jahren stützt diese Vermutung. Aufgrund dieses Befunds definiert die Geschäftsleitung folgendes Suchfeld: wie kann der Engpass durch die Fertigungsexperten im Angebotsprozess eliminiert werden?

Das Innovationsteam startet daraufhin mit der Lösungsfindungsphase (zweiter Diamant): nach einem Brainstorming, in welchem verschiedenste Ansätze und Technologien skizziert werden, kristallisiert sich die folgende Lösung heraus: ein Webportal, in welchem die Kunden ihre Pläne für die Bauteile hochladen können und welches auf Knopfdruck eine Offerte liefert, soll entwickelt werden. Der Kern dieser Applikation besteht aus einem Machine Learning-Algorithmus, welcher zuerst die Herstellbarkeit des Bauteils beurteilt und im positiven Fall den Preis berechnet und darstellt. Das definierte Ziel ist es, mindestens 60% der Offerten auf diese Weise automatisch zu erstellen.

Die Innovationsverantwortlichen prüfen schliesslich die geplante Lösung unter der oben erläuterten holistischen Betrachtung. Die Ausgangslage ist vielversprechend: die Lösung verspricht ein besseres Kundenerlebnis (Kunden-Perspektive), die erstellte Profitabilitätsrechnung bescheinigt der Lösung eine gute Wirtschaftlichkeit (Business-Perspektive) und die zu Rate gezogenen Data Scientists erachten den Fall als technisch realisierbar (Technologie-Perspektive).

Datenbasierte Innovation erfordert ein iteratives Vorgehen

Nun gilt es, die Lösung zu entwickeln und die Projektresultate fortlaufend unter den drei genannten Perspektiven zu beurteilen. Speziell für Lösungen, die auf Daten basieren (Machine Learning, Künstliche Intelligenz, Advanced Analytics, etc.), wurde der Zühlke-Data Analytics-Entwicklungsprozess geschaffen.

Der Prozess ist dem Lebenszyklus einer solchen Lösung nachempfunden. Er dient als Orientierungshilfe, um sowohl eine Entwicklung zu planen als auch den Stand, bzw. die Reife der Entwicklung einzuschätzen. Der Prozess ist in vier Phasen gegliedert:

Vision & Scope
In dieser Phase werden lohnenswerte Anwendungsfälle evaluiert und definiert. Ein wichtiges Resultat dieser Phase ist die Roadmap, welche eine inhaltlich und zeitlich sinnvolle Entwicklungssequenz aufzeigt.

Evaluate & Prototype
Das Ziel dieser Phase ist es – unter Berücksichtigung der holistischen Betrachtung – schnell die Machbarkeit einer Lösung aufzuzeigen. Typisch zu beantwortende Fragestellungen sind: Zeigen die Algorithmen die geforderte Leistung? Damit eng verbunden: Ist der Business Case immer noch profitabel? Lässt sich die Lösung benutzerfreundlich realisieren?

Model & Build
Gegenstand dieser Phase ist die sogenannte Operationalisierung der Lösung. Das bedeutet, dass der Prototyp in eine stabile, performante und vom geplanten Nutzerkreis täglich nutzbare Lösung überführt wird. Am Ende dieser Phase wird die Lösung „live“ gesetzt.

Operate & Extend
Die Lösung betreiben, die Leistung überwachen und gegebenenfalls Verbesserungen oder Erweiterungen vornehmen – diese Aufgaben kennzeichnen die Phase „Operate & Extend“. Ein wichtiges Thema ist hier ebenfalls die Maintenance der Lösung, welche gegebenenfalls auch ein Aufdatieren (Re-Training) des Algorithmus beinhaltet.

Stolpersteine in Innovationsprojekten aus dem Weg räumen

Innovationen mit Unterstützung bzw. auf Basis von Daten zu generieren, bietet grosse Chancen. Viele Unternehmen müssen hierzu aber erst noch den einen oder anderen Stolperstein aus dem Weg räumen:

  • Eine Herausforderung in all diesen Projekten ist das interdisziplinäre Arbeiten. Letztlich geht es darum, dass Spezialisten aus dem Business, der Technik und dem Bereich Kundenerlebnis Hand in Hand auf ein gemeinsames Ziel hin arbeiten.
  • Viele Lösungen auf der Basis von Machine Learning sterben, weil die Operationalisierung der entwickelten Prototypen scheitert bzw. unterschätzt wird. Aus diesem Grund muss im Laufe der Phase „Evaluate & Prototype“ ebenfalls ein Operationalisierungskonzept erarbeitet werden.
  • Ein häufiger Stolperstein bei der Realisierung von Anwendungsfällen auf Basis von Machine Learning stellen die erforderlichen Datenplattformen dar. Viele Firmen tun sich schwer, die hierfür notwendigen Produktentscheidungen zu treffen und entsprechende Investitionen zu tätigen. Das Entwickeln eines Business Cases für eine Datenplattform ist eine anspruchsvolle Aufgabe, da zur Darstellung der Profitabilität ein Ausblick auf alle auf der Datenplattform zu realisierenden Anwendungsfälle erforderlich ist.
  • Wie misst man den tatsächlichen Nutzen einer datenbasierten Lösung? Hier kommen unter anderem Methoden wie A/B-Testing zum Einsatz. Anspruchsvoll ist hierbei die Planung von entsprechenden Testszenarien. Um aber belastbare quantitative Aussagen zum Nutzen solcher Lösungen zu erhalten, lohnt es sich, diesem „Design of Experiments“ genügend Zeit und Aufmerksamkeit zu schenken.

Aufs Zusammenspiel von Mensch und Maschine kommt es an

Auch mit dem Einsatz von Technologien und Methoden wie Machine Learning und Künstliche Intelligenz ist es zurzeit noch nicht möglich, Innovationen per Knopfdruck zu generieren. Auch ist die Tatsache, dass Machine Learning oder KI zur Lösungsentwicklung eingesetzt werden, per se noch keine Erfolgsgarantie.

Erfolgsversprechend ist hingegen eine geschickte Kombination, bei welcher die Stärken von Mensch und Maschine gezielt eingesetzt werden. Paradebeispiele hierfür finden wir zurzeit auch in der Medizin, in welcher Künstliche Intelligenz eingesetzt werden soll, um den Ärzten Diagnosearbeiten abzunehmen, damit diese sich wieder mehr ihren Patienten widmen können. Werden Technologien, Methoden und Maschinen richtig eingesetzt, können sie Unternehmen erfolgreicher, effizienter und dadurch, wie im Falle von Künstlicher Intelligenz in der Medizin, die Interaktion mit den Kunden wieder menschlicher machen.

Zu weiteren Artikeln der «Future of Industry»-Reihe:

Schweiz

Senior Business Solution Manager

Philipp Morf

Deutschland

Trend Business Lead

Tobias Joppe

Österreich

Business Development Manager

Bernhard Zimmermann

Kommentare (0)

×

Updates

Schreiben Sie sich jetzt ein für unsere zwei-wöchentlichen Updates per E-Mail.

This field is required
This field is required
This field is required

Mich interessiert

Select at least one category
You were signed up successfully.

Erhalten Sie regelmäßige Updates zu neuen Blogartikeln

Jetzt anmelden

Oder möchten Sie eine Projektanfrage mit uns besprechen? Kontakt aufnehmen »