Lernen aus Prozessdaten – Wie sich aus der Automatisierung von Consulting-Prozessen neue Möglichkeiten ergeben

Neue Technologien und Trends zwingen Unternehmen und deren IT-Abteilungen immer wieder die folgenden Fragen zu beantworten: Wie können wir den technischen Fortschritt für uns nutzen? Und wie können wir das besser machen als die Konkurrenz?  Momentan gilt das insbesondere für das Thema Big Data, dessen wachsende Bedeutung sich unter anderem in Big-Data-Wertschöpfungsketten zeigt. Dabei werden aufbereitete Daten aus kommerziellen oder frei verfügbaren Datenquellen von Cloud-Anbietern und Analytics-Dienstleistern zur Verfügung gestellt (Data as a Service). Ein wesentliches Merkmal dabei ist eine große Datenvielfalt. Richtig Kombiniert erlauben diese Daten tiefe Einsichten in die ablaufenden Prozesse und Handlungen und damit deren immer bessere Steuerung. So lässt sich zum Beispiel die Wirkung von Werbung heute sehr detailliert analysieren, indem Informationen zur klassischen Offline-Werbung mit Daten aus dem Online-Verhalten von Menschen kombiniert werden. Im Handel sind gesammelte Daten mittlerweile unverzichtbar, zum Beispiel für eine bessere und genauere Absatzprognose.

Auch in der IT-Consulting-Branche steigt der Druck auf Unternehmen und Mitarbeiter, das Potential von Big-Data und den sich daraus ergebenden Geschäftsmodellen zu nutzen.  Um Kunden für sich zu gewinnen und Projekte erfolgreich abschließen zu können, sind Mitarbeiter mit exzellenten IT-Fachkenntnissen und ein überzeugendes Portfolio Grundvoraussetzungen. Die meisten Consulting-Unternehmen erheben daher die vorhandenen Skills und Verfügbarkeiten ihrer Berater. Die Einbeziehung weiterer Daten eröffnet auch hier neue Möglichkeiten. Intelligente Algorithmen erkennen Zusammenhänge zwischen verschiedenen Daten und helfen, Entwicklungen vorherzusagen und die richtigen Entscheidungen zu treffen. Zum Beispiel: Welche Kompetenzen sind kritisch für den Projekterfolg? Welche Skills werden zukünftig stärker, welche weniger gefragt? Welche Profile erzielen die höchsten Tagessätze? In welchem Bereich hat welcher Kunde potenziell einen Bedarf? Um diese Fragen mit Hilfe von maschinellem Lernen zu beantworten, müssen Skill-Daten mit Informationen zu Verkaufschancen, Bedarfen, Projekten und Fakturierung verknüpft werden. Auch diese Daten sind in den Unternehmen vorhanden, allerdings oft in verschiedenen Systemen und ohne Bezug zueinander. Seltener sind Prozessdaten, z.B. zu Antwortzeiten auf Kundenanfragen oder Zeitaufwand für die Anpassung von Berater-CVs.

Die Verknüpfung der verschiedenen Daten ergibt sich von selbst, wenn die operativen Prozesse vom Vertrieb über die Projektbesetzung bis zur Abrechnung systemseitig durchgängig umgesetzt werden. Dies erfordert ein zentrales Tool, das Prozesse und Daten zwischen CRM-, HR-, Kalender-, Projektmanagement- und Finanz-Software integriert. Für den Anwender ergeben sich effiziente Abläufe, für das Unternehmen eine Vielzahl neuer Analysemöglichkeiten und Erkenntnisse. Die Daten werden quasi beiläufig, ohne Mehraufwand für den Anwender, erhoben. Im Gegenteil, die Prozessintegration reduziert den Gesamtaufwand.

Eine ganz ähnliche Philosophie erlebt momentan im industriellen Umfeld als Teil der sogenannten Industrie 4.0 ihren Durchbruch mit der Digitalisierung von Geschäfts- und Produktionsprozessen. Dort erfolgt die Verknüpfung von Daten und Prozessen in der Regel über neue Sensortechnologien. Die Daten werden ebenfalls protokolliert und mit Verfahren aus dem maschinellen Lernen ausgewertet.

Für die Automatisierung operativer Prozesse von Consulting-Unternehmen benötigt man zwar keine neue Hardware-Komponenten und das Datenvolumen reicht nicht an Big Data heran – trotzdem ist der Ansatz der gleiche. Über Softwarelösungen wie decídalo von DAS werden Arbeitsabläufe integriert und Daten protokolliert. Welche Skills werden wie oft angefragt; wie lange dauert es, Projektpositionen zu besetzen; welche Umsätze werden mit welchen Skills erzielt, etc.

Das Business-Intelligence-Modul von DAS – DAS Analytics – verwendet moderne Methoden des maschinellen Lernens, um Strukturen in den erhobenen Daten zu erkennen und diese für das Unternehmen nutzbar zu machen. Die Funktionalität von DAS Analytics kann in zwei Kategorien unterteilt werden: Lernen und anwenden. Durch den Lernprozess erkennt das System Zusammenhänge und Strukturen in den vorhandenen Daten. Anschließend kann das Gelernte auf neue Datensätze angewendet werden. So können Qualitätsaussagen für bestehende Daten und Vorhersagen für noch nicht erhobene Daten getroffen werden. Das automatische Vervollständigen von Skill-Profilen, intelligente Vorschläge zur Projektbesetzung oder die Identifikation von potenziellen Bedarfen bei Kunden sind nur einige der Möglichkeiten von DAS Analytics.