Künstliche Intelligenz im Projekt- und Portfoliomanagement von Unternehmen

„Es heißt nur KI, solange es nicht funktioniert.“
Chris Boos, KI-Pionier, Gründer, Arago GmbH

Künstliche Intelligenz (KI) wird derzeit so vielfältig wie keine andere Zukunftstechnologie behandelt: im Hinblick auf gesellschaftliche und wirtschaftliche Chancen und Risiken ihres Einsatzes sehr kontrovers. Ebenso ausgiebig diskutiert wird, inwiefern KI zur Digitalisierung in Unternehmen beitragen kann und wo Möglichkeiten und Grenzen liegen; etwa wenn Unternehmen KI einsetzen, um Erkenntnisse zu gewinnen, Ereignisse vorherzusagen oder Entscheidungen zu treffen.

Für Unternehmen müssen indes die wirtschaftlichen Vorteile ersichtlich sein, da effektive KI-Lösungen voraussetzen, dass große Datenvolumina mit viel Rechnerleistung und ausgeklügelten Algorithmen des maschinellen Lernens verarbeitet werden. Es gibt auch eine Faustregel: „Wenn die KI um den Faktor zehn besser ist als die Menschen, dann beginnen sich Unternehmen für KI zu interessieren“, sagt der KI-Experte und ehemalige Gartner-Analyst Tom Austin, der das unabhängige The Analyst Syndicate gegründet hat. Am meisten eingesetzt wird KI von Unternehmen in Branchen, in denen viele Daten anfallen. Die Voraussetzung für KI ist dabei neben der Fülle an Daten auch deren Konsistenz, Struktur und Relevanz. Neben der Industrie, der IT und dem Gesundheitswesen zählen auch der Handel, Banken und Versicherungen sowie die Energiewirtschaft dazu. Und dort lassen sich Aufgabenbereiche wie etwa Entwicklungsprozesse, Diagnostik, Marketing sowie das Projektmanagement identifizieren.

Welche Vorteile KI den Unternehmen bringt
In Deutschland setzt zum Beispiel jedes siebte Unternehmen auf KI in der Fabrik, wie eine repräsentative Umfrage [des BITKOM-Verbandes] unter mehr als 550 Industrieunternehmen ermittelte. Als wichtigste Vorteile von KI nennen 43 Prozent der Unternehmen Predictive Maintenance, 41 Prozent die Steigerung der Produktivität und 39 Prozent die Optimierung von Produktions- und Fertigungsprozessen. Dahinter folgen die Steigerung der Produktqua-lität (29 Prozent), bessere Skalierbarkeit (19 Prozent) und Reduktion der Kosten 15 Prozent.

Querschnittsfunktion im Wertschöpfungsprozess
Insbesondere das Projektmanagement als Querschnittsfunktion im Wertschöpfungsprozess bietet in vielerlei Hinsicht eine ideale Ausgangsposition für KI-Anwendungen. Da Zeit (Termindruck), Kosten und knappe Ressourcen für die meisten Unternehmen stets die wichtigsten Engpassfaktoren darstellen, gilt es, Strategien und Lösungen zu suchen – zum Beispiel durch KI-Tools – um schnellere, effektivere und verlässlichere Ergebnisse erzielen zu können. Viele der KI-Pioniere unter den Unternehmen setzen daher auch Projekt- und Portfoliomanagement (PPM)-Lösungen ein. Und zum anderen gibt es bereits PPM-Systeme, die KI-Funktionen besitzen und Ergebnisse liefern. Hierzu zählt die Software-Suite des PPM-Anbieters Planisware, der sich bereits seit der Gründung des Unternehmens vor 25 Jahren mit KI-Anwendungen befasst.

KI benötigt große Datenmengen, um effektiv lernen zu können. Unternehmen, die PPM-Lösungen einsetzen, können die gesammelten Daten für Ihre KI-Anwendungen nutzen. PPM-Lösungen werden in Unternehmen meist als Single-Source-of-Truth aufgesetzt. Die Dateneingabe in ein solches Tool gewährleistet Einheitlichkeit und Vergleichbarkeit der zugrundeliegenden Daten und Projektinformationen, was ideale Voraussetzungen für KI-Anwendungen schafft. Zu den Pionieren im Bereich dürfen sich diejenigen Unternehmen zählen, die zum Beispiel bestehende Produkte mittels KI neu erfinden oder gar neue KI-basierte Produkte am Markt anbieten.
Eine Besonderheit ist, dass zum Beispiel Kunden von Planisware KI zunehmend für das Projekt- und Portfoliomanagement einsetzen und z. B. mithilfe von KI ihre Projektprognosen verbessern.

Begriffsklärung:

• KI, maschinelles Lernen; parametrisierte Schätzungen vs. prädiktive Analysen
• KI ist eine Maschine, die so konzipiert ist, dass sie von selbst Probleme lösen kann oder bei der Erreichung bestimmter Ziele unterstützt.
• Maschinelles Lernen: Maschinen, die große Datenvolumina verarbeiten können, indem sie komplizierte Regeln befolgen, die von Menschen programmiert werden.
• Parametrisierte Schätzungen (Parametrisierte Lernverfahren) basieren auf einem Set an Formeln, welche die Anwender erstellen und verfeinern, um ein künftiges Ergebnis zu schätzen.
• Prädiktive Analysen basieren auf einem Modell, das die (KI-)Lösung nutzt, um eine Formel zu erzeugen, welche das zukünftige Ergebnis schätzen kann.

Parametrische Schätzung: Optimiertes Ressourcenmanagement in der IT-Entwicklung
Was den meisten unbekannt ist: KI ist seit vielen Jahren fester Bestandteil führender PPM-Werkzeuge in Form von parametrischen Schätzverfahren. Die Parametrisierte Schätzung (Parametrisiertes Lernverfahren) hat sich also als erste wirklich erfolgreiche KI-Anwendung erwiesen. Und diese gehört in der Planisware-Suite zu den Kernkomponenten.

Das Ziel der Parametrisierten Schätzung ist es, die Entscheidungsfindung menschlicher Experten durch ein regelbasiertes System nachzubilden, um Projektaktivitäten abzuschätzen. Sie basiert darauf, dass die Anwender die Einflussgrößen (Prognose-Treiber) entdecken, die für die Schätzung von Trends und Datenpunkten verantwortlich sind, um besser zu verstehen, was die Projektaktivitäten wirklich antreibt. Prognose-Treiber sind beispielsweise Treiber der Ressourcennachfrage, Kostentreiber und Anpassungsfaktoren. Auf der Grundlage dieser Prognose-Treiber und weiterer Treiber, die die Experten in den Projekten liefern z. B. Komplexitätslevel des Projekts, verschiedene Erfahrungen, werden über einen iterativen Prozess die vordefinierten Algorithmen verfeinert, um Schätzungen zur Planung von Ressourcen, Projektkosten und Terminen zu erhalten.

Eingesetzt wird die Parametrische Schätzung beispielsweise von Unternehmen, die in der IT-Entwicklung ihr Ressourcenmanagement optimieren. Sie können damit im Rahmen der IT-Entwicklung die Arbeitsbelastung für verschiedene Ressourcenprofile in den jeweiligen Phasen schneller und exakter abschätzen. Darüber hinaus können Ressourcenmanager gegebenenfalls im Anschluss daran auch noch Kapazitäten auf Portfolio-Ebene planen.

Wie viel Zeit beziehungsweise Ressourcen sparen Unternehmen ein, indem Sie die Entscheidungsfindung von Experten replizieren? Während parametrische Schätzungen auf die Optimierung gerichtet sind, zielen Prädiktive Analysen einerseits auf die Schätzungen zur Vorhersage von Abweichungen, Fehlern und Ausreißern und andererseits auf der Prognose der Wahrscheinlichkeit eines Erfolges.

Prädiktive Analysen
Prädiktive Analysen sind ein weiteres Anwendungsbeispiel dafür, wie die Werkzeuge für maschinelles Lernen [z. B. von Planisware] einen einfachen Mechanismus für Unternehmen bieten, um ein Modell mit Daten zu trainieren. Die prädiktiven Analysen stützen sich auf zwei verschiedene Sorten – Regression oder Klassifikation – je nachdem welche prognostizierten Ergebnisse dargestellt werden sollen.

Bei der Regression sind die Ergebnisse kontinuierliche reale Werte, zum Beispiel Umsätze, Kosten oder Arbeitsaufwand, die man prognostizieren möchte. Hingegen ist das Ergebnis bei der Klassifikation eine Kategorie, deren Eintrittswahrscheinlichkeit ein Unternehmen vorhersagen möchte. Bei der binären Klassifikation geht es um die Kategorien ja oder nein beziehungsweise der Eintrittswahrscheinlichkeit eines Erfolgs oder Scheiterns.
Die einzelnen Verfahrensschritte der Prädiktiven Analyse sind bei beiden Sorten gleich: Zunächst Data Mining, dann die Lernphase und schließlich die Validierung des Modells mit den neuen Daten, die das KI-System geliefert hat, durch die Anwender.

Abweichungen, Ausreißer und Fehler prognostizieren
Am Beispiel eines High-Tech-Unternehmens mit mehreren Abteilungen lässt sich veranschaulichen, was zu tun ist, wenn eine Abteilung Kapazitätsengpässe hat, etwa die Designabteilung. Die prädiktive Analyse mittels Regression soll hierbei ermitteln und vorhersagen, welche Treiber die Arbeitslast in den einzelnen Abteilungen des Unternehmens verursachen. Was treibt die Arbeitsbelastung der Designabteilung eines High-Tech-Unternehmens an?
Da es viele Engpässe gibt, soll das Vorhersagemodell zum Beispiel Ausreißer in den Daten finden. So ist es etwa möglich, in der Discovery-Phase der Testaktivitäten potenzielle falsche Einträge aufzuzeigen. Der Grund: Dort gibt es weniger wiederholbare Aktivitäten als in anderen Phasen, so dass sich aufgrund der geringeren Erfahrung leichter Fehleinschätzungen einschleichen. Jean-Philippe Castells, IT-Director beim Planisware-Pharmakunden UCB Pharma beschreibt das Auffinden falscher Datensätze mit den Worten: „It’s as though the defects simply jump out at your face!” Ferner lässt sich auf der Projektebene im Detail analysieren, um die prognostizierte Last der Projekte auf der Grundlage der tatsächlichen Last früherer Projekte vorhersagen zu können.

Bei der Zeiterfassung kann zum Beispiel das Vorhersageprogramm des PPM-Systems davor warnen, dass Ausreißer in den Daten womöglich auf eine falsche, fehlerhafte Zeiterfassung (durch die Projektteilnehmer) zurückzuführen sind.
Da Ausreißer oder Fehler sowohl bei der Datenerfassung (oder bei der Schätzung) entstanden sein können, kann das PPM-System auch dabei helfen, Fehlerursachen im Detail nachzuverfolgen und zu beheben. In diesen Fall können Anwender gegebenenfalls diesen Wert im Gantt-Chart gemäß des Vorhersagemodells korrigieren.

Die Wahrscheinlichkeit eines Erfolgs vorhersagen
Am Fallbeispiel eines Windturbinenherstellers wird deutlich, dass prädiktive Analysen sich gut dafür eignen, die Erfolgswahrscheinlichkeit für künftige Angebote zu prognostizieren. Angesichts der knappen Ressourcen im Unternehmen besteht ein Entscheidungsproblem: Auf welche (erfolgsversprechenden) Requests for Proposal (RFP) soll sich das Unternehmen konzentrieren? Wo ist die Wahrscheinlichkeit am höchsten, dass es den Zuschlag für ein Angebot bekommen wird?

Das Vorhersagemodell ist daher so klassifiziert, dass jede Angebotsanfrage mit erfolgsrelevanten Kriterien bewertet wird: anhand von Eigenschaften des Kundenprojekts (Onshore/Offshore bzw. Anzahl der Turbinen), des Produkts (je größer der gefragte Rotordurchmesser, desto wahrscheinlicher der Erfolg) sowie der bisher gespeicherten Daten über gewonnene und verlorene RFPs im System.

So kann zum Beispiel mithilfe der KI-Funktionen der Projektmanagement-Software Planisware Enterprise in einer entsprechenden Portfolio-Ansicht (siehe nachstehendes Bild) ein Windturbinenhersteller die vorhandenen Daten wie in einem Vorhersageprogramm analysieren und hierbei zwei Erkenntnisse über die Erfolgsaussichten seiner Angebote gewinnen. Erstens steigt mit der Größe der Rotordurchmesser die Chance, ein „Onshore-Projekt“ zu gewinnen. Und zweitens steigt mit wachsender Anzahl der Turbinen bei potenziellen Offshore-Kunden die Chance, ein „Offshore-Projekt“ zu gewinnen.
Der Vorteil besteht für das Unternehmen darin, seine begrenzten Ressourcen auf das Wesentliche konzentrieren zu können.

Das Beispiel der Analyse und Definition der relevanten Erfolgstreiber im Angebotsprozess bei einem Windturbinenhersteller ist unserem KI-Webinar entnommen, das Sie hier in voller Länge ansehen können.

Machine Learning arbeitet demnach mit zwei Faktoren: Den Erfahrungswerten, die aus Daten und Informationen bestehen, sowie Methoden und Algorithmen, mit denen sich aus diesen Daten Muster erkennen lassen. Was darüber hinaus an KI in PPM-Lösungen genutzt werden kann sind Online-Dialogsysteme. In einigen anderen Bereichen sind Chatbots schon sehr weit verbreitet, ob im Marketing, Vertrieb, E-Commerce und Filialhandel von Unternehmen oder auch im Smart Home.

Enterprise Bot als persönlicher digitaler Assistent
Im Projekt- und Portfoliomanagement können KI-basierte Chatbots die Anwender bei ihren Aufgaben teilweise unterstützen oder sogar einige Aufgaben komplett übernehmen. So ist in Planisware Enterprise zum Beispiel ein Chatbot integriert, mit dem Anwender interaktiv und intuitiv kommunizieren können. Reports und Aufgaben lassen sich intuitiv abfragen, im Dialog erstellen, aktualisieren und veröffentlichen. Der Chatbot kann auf Nutzeranfragen reagieren und proaktiv auf bestimmte Ereignisse hinweisen, zum Beispiel Informationen über Termine und Aufgaben liefern. Damit trägt er zu einem automatisierten Reporting ebenso bei wie zu mehr Selbstbedienung im PPM.

Die Funktionen des Chatbots im Überblick
1) Auf allgemeine Anfragen zu Projektinformationen kann der Chatbot im Dialog Rückfragen und mehrere Informationsangebote zur Auswahl stellen
2) Auf Anfragen bezüglich des Projektstatus z. B. Projektrisiko liefert der Chatbot Vorschläge von verschiedenen Werten, die der Anwender nur anzunehmen braucht. Bei Bedarf ist also kein überflüssiges Eintippen mehr nötig, stattdessen braucht der Anwender einfach auszuwählen.
3) Der Chatbot beantwortet Anfragen zum Projektstatus in einer Dashboard-Ansicht.
4) Der Chatbot stellt Aufgabenliste und To-Do’s als Kanban-Board bereit.
5) Kanban-Boards lassen sich interaktiv von unterwegs aus aktualisieren.
6) Der Chatbot bietet auf Anfrage Zugriff auf weiterführende Informationen zum Download (zum Beispiel ein White Paper als Hintergrundinformation).

Durch die Interaktion mit dem Chatbot und der Integration in die PPM-Lösung von Planisware können Projektmitarbeiter, Projektleiter und vor allem das Top-Management viel Zeit sparen. Vor allem Top-Manager profitieren von den automatisierten Funktionen des Chatbots, weil sie im Falle von dringend benötigten Informationen diese quasi per Selbstbedienung jederzeit abrufen, aktualisieren und eingeben können.

Ausblick
Unternehmen werden sich mit KI-Lösungen künftig immer effektiver und auch gezielter unterstützen lassen. In Business-Anwendungen können die Mitarbeiter bereits jetzt die harte, mühsame Arbeit von KI-Tools erledigen lassen. Zudem können Anwender mit Lösungen wie Planisware intelligenter arbeiten. Mehr Daten werden mehr Geschäftslösungen hervorbringen und dies wird schließlich zu effektiveren Entscheidungen führen, wobei es darauf ankommt, dass wir auf die Daten achten und sie nutzen können. Pierre Demonsant, Planisware CEO, über die Zukunft von KI in Bezug auf die PPM-Lösung Planisware Enterprise: „Usually the best ideas don’t come from us but from our user base. We are still in the early stages and continue to explore the benefits of using machine learning with our customers. We provide the cool technology, but it’s our customers who show us what can really be done with it."

- Marion Fina, Chief Product Officer, Planisware