Zweiter Arbeitsbericht aus der Erfolgsgeschichte 8 „Roll-Out Strategien für Data Analytics im Dreiklang von Technik, Organisation und Mensch“

Ziel des Use Case 8 (UC 8) ist die Definition eines modularen Vorgehensmodells zur Unterstützung der Einführung (Idee- bis Produktiveinsatz) von Data Analytics im Dreiklang Mensch, Technik und Organisation. Wir erweitern das Vorgehensmodell um die Dimensionen User Experience (UX), Change-Management und Perspektiven von kleine- und mittelere Unternehmen (KMU).

Ausgangssituation

Im zweiten Projektjahr haben wir den Fokus auf das Vorgehensmodell und dessen technische Abläufe gelegt. Zudem haben wir eine Interviewstudie[1] vollzogen, um Probleme bei Data Science Projekten zu ermitteln. Auf Basis von dieser Interviewstudie haben wir Handlungsempfehlungen entworfen. Die beschriebene Arbeit und dessen Ergebnisse sind im ersten Arbeitsbericht für den UC 8 vorzufinden.

Aktuell laufende Aktivitäten

Im Rahmen des UC 8 wurden drei Themen bearbeitet – eine Erweiterung des Vorgehensmodells in drei Dimensionen, ein Artikel zur Initiierung von Data Science Projekten und ein Video zur Nutzenstory von Data Science (DS) mit dem Partnerunternehmen Miele.

Erweiterung Vorgehensmodell

Das bestehende Industrial Data Science (IDS) Vorgehensmodell thematisiert den technischen Ablauf eines Data Science Projektes. Damit der Mehrwert dieser Projektart für ein Unternehmen greifbarer wird, müssen neben diesen technischen Schritten vor allem die Interessen der unterschiedlichen Stakeholder berücksichtigt werden. Hierbei spielen die tatsächliche Nutzbarkeit und Nützlichkeit der angestrebten IDS-Lösung für die späteren Nutzer und ein systematisches Change-Management eine wesentliche Rolle. So kann ein erfolgreicher Umgang mit dieser Technologie sichergestellt werden.

Bedingt durch diesen Umstand wird das bestehende Vorgehensmodell um die folgenden Dimensionen erweitert:

Berücksichtigung von User Experience (UX) und Agilität:

Häufig sind IDS-Vorhaben heute vor allem durch technologische und wirtschaftliche Ziele motiviert. Da der wertschöpfende Einsatz der IDS-Lösungen aber letztlich von der Akzeptanz und Nutzbarkeit durch die damit agierenden Menschen abhängt, wird eine an den Nutzern orientierte Gestaltung zu einem entscheidenden Erfolgsfaktor.

Ziel der Erweiterung des IDS-Vorgehensmodells ist es, relevante Aktivitäten aus dem „Menschzentrierten Gestaltungsprozess“ (DIN EN ISO 9241-210) zu integrieren, um die Erfordernisse und Bedürfnisse der jeweiligen Nutzer systematisch zu berücksichtigen.
Um das menschzentrierte Vorgehen in das IDS Vorgehensmodell integrieren zu können, erfolgte im ersten Schritt eine Recherche zum aktuellen Forschungsstand zum Thema human centered AI (HCAI). Das Themengebiet von HCAI beschäftigt sich mit der nutzerzentrierten Gestaltung einer Künstlichen Intelligenz (KI).

Im nächsten Schritt wurden die wesentlichen Rechercheergebnisse vor dem Hintergrund der praktischen Erfahrungen aus UX Projekten der mosaiic hinsichtlich ihrer Bedeutung und Wirkung auf UX-Aktivitäten in den verschiedenen Phasen des klassischen menschzentrierten Vorgehensmodells (gemäß ISO 9241-210) bewertet.

Der aktuelle Arbeitsstand zeigt einen Entwurf für die Erweiterung des IDS Vorgehensmodells (siehe Abbildung 1). Um die HCAI Aktivitäten zu integrieren, wird das bestehende IDS-Vorgehensmodell sowohl um HCAI-spezifische Phasen erweitert als auch die bestehenden Phasen durch HCAI-Aktivitäten ergänzt. Dadurch soll eine Vernetzung der verschiedenen Disziplinen, hier IDS-Entwicklung und human centered design, erreicht werden. Der Schwerpunkt der Erweiterung findet sich am Beginn des Vorgehensmodells mit den ergänzten Phasen Planung, Exploration und Definition. Hier soll vor allem dem Ziel Rechnung getragen werden, neben den technologischen Aspekten die Bedarfe der beteiligten Menschen von Anfang an im Fokus zu haben.

Abbildung 1: Entwurf der UX Erweiterung des IDS Vorgehensmodells

Berücksichtigung von Change-Management:

Ziel ist es, ein Vorgehensmodell für das begleitende Change-Management in Data Science Projekten bereitzustellen. Das Change-Management Vorgehensmodell (siehe Abbildung 2) soll dazu beitragen, die potenziellen Widerstände im bestehenden IDS Vorgehen präventiv oder reaktiv zu lösen. Im ersten Schritt erfolgte eine Konzeption des Change-Management-Vorgehensmodells auf Grundlage der in der Ausgangssituation erwähnten Interviewstudie.

Abbildung 2: Generisches Change-Management-Vorgehensmodell

Dieser generische Ansatz wurde auf ein hypothetisches Beispielszenario angewandt. In diesem Szenario wird Data Science genutzt, um einen internen Prozesse in einem Unternehmen zu optimieren. Die Reflexionsfragen wurden aus den Reflexionsthemen aus der Interviewstudie abgeleitet. Anhand dieser Reflexionsfragen wurden mögliche Erkenntnisse gewonnen und in beispielhafte präventive sowie reaktive Maßnahmen umgesetzt. Diese wurden wie folgt in Abbildung 3 zu erkennen im Reifegradmodell und im IDS Vorgehensmodell zugeordnet:

Abbildung 3: Verortung der Maßnahmen im Reifegrad- und IDS Vorgehensmodell

Vorgehensmodell für KMUs:

Leider hinken die Digitalisierung und die Nutzung von DS/KI im deutschsprachigen Raum noch sehr hinterher. Es gibt zwar immer mehr Unternehmen, die den Einsatz von DS/KI planen, die Umsetzung passiert aber noch recht langsam und zögerlich. Dies betrifft insbesondere den Mittelstand. Im Rahmen unserer mehrstufigen Studie wollen wir die bestehenden Hemmnisse bei der Umsetzung von Digitalisierungsprojekten herausarbeiten und verstehen, sowie die notwendigen Voraussetzungen und Herangehensweisen ermitteln, wie Unternehmen die „Werkzeuge“ Data Science und Künstliche Intelligenz für sich nutzbar machen können. Aus den Studienergebnissen sollen konkrete Lösungsansätze und Vorgehensweisen für Unternehmen abgeleitet und bereitgestellt werden. Diese Erkenntnisse sollen in einem speziellen Vorgehensmodell für KMU konsolidiert werden. Unser Vorgehen zur Studie ist wie folgt:

Abbildung 4: Vorgehensweise der KMU Studie

Der Fragebogen wurde bereits erstellt und ist derzeit in Validierung und Optimierung. Die Verteilung soll über Direktansprache (Mailing) an verschiedenste Unternehmen (mit und ohne DS/KI-Erfahrung) sowie über Verbände und Social Media (XING/LinkedIn) erfolgen.

Artikel zur Projektinitiierung

Einer der relevantesten Schritte ist das Aufsetzen bzw. Einführen von DS-Projekten. Im Rahmen der Initiierung müssen neben dem Change-Management für die Stakeholder auch die Erwartungen an das DS-Projekt transparent und verständlich kommuniziert werden. Zudem sind strategische Aspekte wie die Festlegung eines konkreten Projektziels und -vision mitzuberücksichtigen, sodass die Problemstellung für alle Beteiligten bekannt und verständlich ist. Für diese Aspekte wurde das folgende Kommunikationsmodell (siehe Abbildung 5) erstellt. Weitere Informationen zu dem Artikel sind unter folgendem Link vorzufinden: Initiierung von Data Science / Artificial Intelligence – mosaiic GmbH

Abbildung 5: Kommunikationsmodell für Data Science und KI Projekte

Kooperation mit Miele

Innerhalb dieser Kooperation wurde im ersten Schritt mit unserem Partner Miele die Vision erarbeitet, welche den Nutzen von Data Science für das Unternehmen demonstriert. Das Ziel der Nutzenstory ist zum einen den Mehrwert von Data Science für Mieles Geschäftsmodell darzustellen. Zum anderen soll gezeigt werden, dass Data Science nicht ohne den Menschen funktioniert und dieser im Entwicklungsprozess mit eingebunden werden muss. Zusätzlich ist ein Ziel, Data Science nahbar zu machen und zum Initiieren von Data Science Projekten zu motivieren. Um diese Ziele zu realisieren, soll die Work&Learn-Plattform von Akkord beworben werden.

Damit dieses Vorhaben erreicht werden kann, wurden zu Beginn die Ziele, Zielgruppe sowie die Wants und Needs erarbeitet und abgestimmt. Darüber hinaus erfolgte im nächsten Schritt eine Konsolidierung von drei initialen Stories zu einer Gesamtstory. Für diese Gesamtstory wurde eine Bildsprache für das Data Science Video herausgearbeitet und Rücksprache mit der Miele Corporate Identity Abteilung gehalten. Zudem wurde ein Storyboard mit Text und Bildern angelegt. Darüber hinaus erfolgte die Erarbeitung eines ersten Umsetzungskonzepts.

Ausblick auf die weiteren Forschungsziele

Während in der bisherigen Forschungsarbeit der mosaiic die Sammlung von Informationen sowie die theoretische Definition von Vorgehensmodellen im Vordergrund standen, sollen in der nächsten Phase des AKKORD Projektes die bisherigen Ergebnisse weiterentwickelt bzw. mit Forschungspartnern erprobt werden. Des Weiteren werden die bisherigen Ergebnisse mit den Aktivitäten anderer Forschungspartner vernetzt.

Literatur

[1] Nolte, Viktoria; Sindram, Tanja; Mazarov, Jürgen; Deuse, Jochen; (2020): Industrial Data Science erfolgreich implementieren. Interviewstudie zu Erfolgsfaktoren und Hemmnissen. Carl Hanser Verlag.
Veröffentlich unter: https://www.degruyter.com/journal/key/zwf/115/10/html (13.05.2022)