Im digitalen Executive Dialog von Dr. Wieselhuber & Partner (W&P) stand die Frage im Mittelpunkt, wie Machine Learning im Mittelstand konkrete Wertbeiträge schaffen kann – jenseits von Hype und Theorie.
„Machine Learning ist sicher keine „Knopfdrucklösung" kann aber – richtig eingesetzt – erheblichen Mehrwert stiften und Kosten sparen“, so einleitend Sebastian Batton, Leiter Digital Excellence W&P. Machine Learning eigne sich überall dort, wo große Datenmengen, viele Einflussfaktoren und komplexe Zusammenhänge zu bewältigen sind, beispielsweise in Sales & Operations Planning, Preisentwicklung, Produktlebenszyklusmanagement, Predictive Maintenance aber auch Personal-, Schicht- und Finanzplanung.
Wie sich Machine Learning in der Praxis bewährt, zeigte Julian Tietze, Senior Expert Management Link GmbH. Er stellte ein Projekt zur Optimierung der Personalplanung bei einem Dienstleister am Flughafen München vor, der Passagiere mit Mobilitätseinschränkungen betreut. Durch den Einsatz eines Machine-Learning-Modells konnte die Schichtplanung automatisiert, Kosten reduziert und die Servicequalität signifikant verbessert werden. Moritz Zoepffel, Senior Consultant Digital Excellence W&P, erläuterte die technische Umsetzung. „Ziel war, die bisher subjektive Einschätzung der Schichtplaner durch ein objektives, datenbasiertes Machine-Learning-Modell zu ersetzen, um die operative Komplexität und die stark schwankende Nachfrage besser zu bewältigen.“ Auf Grundlage historischer Auftrags- und Flugplandaten sowie angereicherter Zusatzinformationen prognostiziert das Modell die tatsächliche Nachfrage und generiert daraus automatisiert Schichtpläne, die direkt in der operativen Planung genutzt werden können. Die Modellgüte liegt bei 78 Prozent – ein sehr guter Wert in einem derart komplexen Umfeld. W&P Partner und Moderator Daniel Emmrich resümiert: „Entscheidend für die erfolgreiche Umsetzung war die enge Zusammenarbeit mit dem Kunden und sein Geschäftsmodell zu verstehen: Das Modell wurde iterativ weiterentwickelt und gemeinsam optimiert.“
Die anschließende Werkstattdiskussion machte deutlich: Machine Learning heißt nicht, in eine Glaskugel zu blicken, sondern hilft ganz konkret, das eigene Geschäft besser zu verstehen, Wirkzusammenhänge zu erkennen und Optimierungen abzuleiten. Um zu starten, werden keine Daten „in Perfektion“ benötigt, vielmehr sei im Unternehmenskontext Muster und Korrelationen in vorhandenen Daten zu identifizieren und daraus einen Use Case zu entwickeln. Wie starten? „Einfach trauen, das Risiko ist sehr überschaubar“, so die Experten unisono. „Im Kleinen anfangen, experimentieren, Know-how sammeln, Expertise entwicklen und aus diesem „kleinen Pflänzchen“ etwas im Unternehmen wachsen lassen.“
