Beratung Machine Learning und Analytics in der Entwicklung

Data Analytics und Machine Learning (ML) sind in vielen Bereichen der Produktentwicklung sehr prominent in Erscheinung getreten. Von digitalen Assistenten in Smartphones und Smart Home Applikationen, über Assistenz- und Sicherheitssysteme bis hin zu Convenience Funktionen in verschiedenen Softwarepaketen – bspw. bei der Erstellung von Stunden- und Einsatzplanungen.

In anderen Bereichen, z.B. der Produktion sowie dem gesamten IoT Umfeld, haben Data Analytics und darauf basierende Ansätze, wie zum Beispiel predictive maintenance, schon lange Einzug in den Alltag gehalten und gezeigt, wie groß die Potentiale zur Steigerung von Effizienz und Qualität sind.

Analytics und Machine Learning zur Befähigung der Entwicklungsabläufe

In der Produktentwicklung ist dies in der Breite bislang noch nicht der Fall. Ein Großteil der Firmen nutzt bislang noch nicht die Daten ihrer Produkte, Produktverkäufe und des Produkteinsatzes, um ihre Entwicklung zu optimieren. Ebenso werden die Daten aus ihren Entwicklungsprozessen noch nicht genutzt, um diese evidenzbasiert zu optimieren.

Sicher ist jedoch, dass Machine Learning und Analytics-Ansätze die Arbeitsweise in allen Unternehmen in den kommenden Jahren massiv beeinflussen wird und sonst nicht erreichbare unternehmerische Vorteile im Wettbewerb ermöglichen. Absehbar und zum Teil bereits in Anwendung sind z.B.:

• Die teilautomatisierte Analyse von Kundenbedarfen und Marktveränderungen,

• die teilautomatisierte Entwicklung von neuen Produkt-Features,

• Optimierung von Produktstrukturen und Varianten,

• Tailoring oder Unterstützung in der Ausführung unternehmerischer Abläufe,

• Unterstützung und Beschleunigung von Entscheidungsprozessen.

Damit diese realisiert werden können, müssen jedoch einige grundlegende organisatorische Bedingungen vorhanden sein:

• Unternehmerische und konsistente Zielsysteme,

• Abgestimmte Daten- und IT-Strukturen sowie Durchgängigkeit der Tools & Systeme,

• Modelle und Quellen umfangreicher, konsistenter und qualitativ wertiger Daten zu Produkten und Prozessen,

• unternehmerisches Verständnis in der Organisation zu möglichen, realistischen Anwendungen sowie

• ggf. Aufbau von „Analytics-“ oder „AI-Teams“, welche eine Ausrichtung als unternehmerische Dienstleister besitzen.

Herausforderungen in der Einführung

Die bis dato langsame Anwendung dieser Konzepte liegt zum einen sicherlich in der Natur der Produktentwicklung, die per se deutlich weniger vorhersagbar ist als bei hochautomatisierten Produktionsprozessen. Damit verbunden ist die Schwierigkeit Prozess- und Einsatzdaten von Produkten zu erheben, welche eine adäquate Vernetzung voraussetzt. Datenschutzrechtliche Fragen tragen ein Übriges dazu bei.

Bei Anwendung auf die eigenen Konzepte hakt es oft an der Vielzahl an Tools, die in der Entwicklung im Einsatz sind, und die trotz allem nicht die wesentlichen Daten und Informationen über die Entwicklungsprozesse und deren Auswirkungen auf Kosten, Termintreue und Qualität der Produkte und Services liefern können.

Ebenso werden für eine Reihe von Services, die heute auf Basis von Machine Learning und Data Analytics automatisiert und damit vereinfacht und deutlich beschleunigt werden könnten, noch immer viele Mitarbeitern eingesetzt, die mit ihrer Ausbildung und Erfahrung höherwertigen und wertschöpfenderen Tätigkeiten nachgehen könnten. Standard Supportanfragen und Problemlösungen und automatisierte Problemerkennung und Beseitigung in Systemen gehören zu den prominenten Beispielen dieser Kategorie.