,allowExpansion)
Smart Digital Controller
Machine Learning Reply unterstützt Unternehmen bei der Automatisierung von Management Reporting-Prozessen
Das Problem
Die Anforderungen, die Dienstleistungsunternehmen bei Reporting, Überwachung und Unternehmenskontrolle erfüllen müssen, steigen mit zunehmender Größe des Unternehmens exponentiell an. Mit zunehmender Zahl aktiver Arbeitsplätze wird es immer schwieriger, Probleme rechtzeitig zu erkennen, damit sie effektiv angegangen werden können, bevor ihre Auswirkungen irreversibel werden. Nachdem ein Problem ermittelt wurde, sind die Ursachenfindung und das Ergreifen der erforderlichen Maßnahmen, um das Projekt wieder auf Kurs zu bringen, oftmals komplex.
Bei ambitionierteren Managementzielen könnten Unternehmen durch die Verwendung eines Tools, das den Beginn einer Abweichung antizipieren oder die Art ihrer Entstehung vorhersagen kann, eine größere Wirkung erzielen. Dadurch würden negative Auswirkungen minimiert und in einigen Fällen sogar eliminiert.
Die Lösung
Machine Learning Reply reagierte auf diese Anforderungen mit der Entwicklung des Smart Digital Controller, einem Tool, das alle Projekte eines Unternehmens überwachen und analysieren kann. Es zeigt – einzeln oder als Ganzes – potenziell kritische Szenarien für jeden Job auf, indem es spezifische KPIs, differenziert nach Interessengebiet oder Geschäftstätigkeit, analysiert.
Dank dieses Ansatzes ist es möglich, zu prüfende Positionen aus allen aktiven Projekten zu isolieren und den Benutzern Bereiche anzuzeigen, für die eine Warnung ausgelöst wurde. Der Benutzer kann dann geeignete Korrekturmaßnahmen ergreifen, um den Prozess wieder in Gang zu bringen, oder dem System valide Gründe mitteilen, warum die Warnung nicht ausgelöst werden muss. Auf diese Weise trainiert er zugleich das System.
Durch in natürlicher Sprache eingegebene Notizen ist es möglich, Feedback zu den ausgelösten Warnungen zu geben. Der Benutzer gibt an, welche Positionen trotz auffälliger KPIs nicht als gefährdet angesehen werden sollten, oder umgekehrt, welche Jobs genau überwacht werden sollten, obwohl die reine Datenanalyse keine Probleme aufzeigt.
Prognosemodelle mit Künstlicher Intelligenz können zudem vorhersagen, welche Positionen in naher Zukunft am ehesten bestimmte Warnungen auslösen werden. Dazu wird die frühere Leistung analysiert und ein Vergleich mit Positionen erstellt, die Ähnlichkeiten bei verschiedenen Parametern aufweisen. Dies stärkt die Fähigkeit, potenziell kritische Probleme vorherzusehen – oder zumindest rechtzeitig darauf zu reagieren – und sich wiederholende Muster zu identifizieren.
Unsere Methodik
Ein systematischer Ansatz, der sicherstellt, dass alle erforderlichen Schritte korrekt durchgeführt werden, um eine an den einzelnen Kunden angepasste Lösung zu definieren
Analyse
Analyse mit dem Geschäftsteam
Die entwickelte Methodik beginnt mit der Analyse interner Prozesse, die in Zusammenarbeit mit dem Geschäftsteam, d. h. den Endbenutzern des Tools, durchgeführt wird. Hier werden die KPIs, aus denen sich die Berichte zusammensetzen, ausführlicher besprochen und möglicherweise bearbeitet oder hinzugefügt, zusammen mit nützlichen Überblicksinformationen zur Beschreibung der Positionen, die vom DCR hervorgehoben werden könnten.
Definition
Definition der Bewertungs-KPIs
Die zweite Phase beinhaltet eher technische Aspekte der Ist-Situation des Kunden. Dazu zählt die Identifizierung und Analyse verfügbarer, bereits vorhandener Datenquellen, um zu verstehen, welche KPIs überwacht und analysiert werden können. In dieser Phase wird die zu analysierende Datenbasis definiert, um kritische Situationen zu kennzeichnen und die zu verwendenden Metriken festzulegen.
Entwicklung
KPI-Entwicklung und -Implementierung
Nach der Festlegung des Frameworks erfolgt die eigentliche Entwicklung des Reporting-Systems. Dazu gehören Datenaufnahmeprozesse, die Berechnung von Indikatoren und das Training der Machine Learning-Modelle. Gleichzeitig wird eine erste Version eines interaktiven Dashboards implementiert. Hier können die oben genannten KPIs und Informationen angezeigt und Benutzernotizen eingebracht werden.
Optimierung
Feedback sammeln und verbessern
Die letzte Phase der Industrialisierung umfasst einen Zyklus von Benutzerakzeptanztests, die darauf abzielen, die korrekte Funktionsweise der Modelle und die Benutzerfreundlichkeit des Dashboards zu validieren, bis eine geeignete, auf den einzelnen Kunden zugeschnittene Version erreicht ist.
Machine Learning
Anomalieerkennungs-, Prognose- und Natural Language Processing-Modelle können verwendet werden, um wiederkehrende Muster zu identifizieren und Schwellenwerte basierend auf der verfügbaren Historie zu definieren
Berechnung von Schwellenwerten
Das Kernelement des Digital Controller Reportings besteht nach der Definition der oben beschriebenen KPIs darin, die KPI-Werte zu bestimmen, die mit einer Warnung versehen werden müssen. Der Benutzer kann sich dann gezielt mit den Bereichen befassen, in denen ein echtes Problem zu bewältigen ist. Durch ein Anomalieerkennungsmodell werden Schwellenwerte für jeden KPI identifiziert. Bei Überschreitung kann der spezifische Job als anormal und zu überprüfen identifiziert werden.
Prognosemodelle
Um für bestimmte Jobs Situationen vorherzusagen, die zu einer Schwellenwertüberschreitung führen könnten, wurden Prognosemodelle integriert. Sie konzentrieren sich mit monatlicher Granularität auf die historischen Jobserien und liefern eine Hochrechnung der überwachten KPIs für die Folgemonate. Wenn die Projektion Anomalien aufweist, werden Warnungen ausgelöst, damit der Kunde rechtzeitig handeln und die Probleme beheben kann, die diese Abweichungen verursachen.
Verarbeitung von Notizen
Da Kunden das Bedürfnis haben, Feedbacks zu den ausgelösten Warnungen an das System zu übermitteln, können Notizen, die die aktuelle Situation und etwaige Anomalien erläutern, verknüpft werden. Ein Natural Language Processing-Modell verarbeitet die Notizen und kann alle Entitäten ermitteln, auf die in den Notizen selbst verwiesen wird. Über Notizen kann man dem Werkzeug z. B. mitteilen:
welche Positionen trotz auffälliger KPIs nicht hervorgehoben werden sollten.
welche Positionen sorgfältig überwacht werden sollten, obwohl ihre KPIs im normalen Bereich liegen.
in welchen Zeiträume bestimmte Warnungen ignoriert werden können.
welche Verweise auf andere Jobs relevant sind
welche Werte in den aus dem Tool extrahierten Daten geändert werden sollen.
Vorteile und Anwendungsbereiche
Das DCR hat sich in mehrfacher Hinsicht als besonders nützlich erwiesen. Erstens können Unternehmen bei Kontrollaktivitäten Zeit sparen, da das Tool Probleme, die innerhalb eines Projekts vorhanden sind oder auftreten könnten, sofort und automatisch kennzeichnet. Die Auswahl der nach Ermittlung des Problems durchzuführenden Maßnahmen wird durch die vielen Indikatoren erleichtert, die eine 360-Grad-Analyse des Projekts ermöglichen. Durch die Machine Learning-Komponente kann das Tool gut an die individuelle Anwendung, in der es installiert ist, angepasst werden. Gleichzeitig ermöglicht die Komponente die ständige Interaktion mit dem System, indem Notizen in natürlicher Sprache interpretiert werden.
Bisher wurde unsere Methodik auf die Überwachung des Managements und die Verbesserung der Kontrolle von Dienstleistungsunternehmen angewendet. Sie ist jedoch auch für allgemeinere Geschäftsprozesse mit mehreren Datenelementen verfügbar, die korreliert, analysiert und überwacht werden müssen. Beispiele hierfür sind die Personalabteilungen von Unternehmen oder das Beschaffungsmanagement im Einzelhandel.
)
Machine Learning Reply ist das Unternehmen der Reply-Gruppe, das sich auf die Bereitstellung von Dienstleistungen und Lösungen im Bereich der künstlichen Intelligenz spezialisiert hat. Es begleitet seine Kunden auf dem Weg zur Digitalisierung und hilft ihnen, dank der Einführung von Smart Analytics, Machine Learning und Technologien der künstlichen Intelligenz wettbewerbsfähiger und datengesteuerter zu werden.