Warum Organisationen es routinemäßig versäumen, das volle Potenzial ihrer Data-Science-Bemühungen auszuschöpfen

Startseite » Warum Organisationen es routinemäßig versäumen, das volle Potenzial ihrer Data-Science-Bemühungen auszuschöpfen

Von Hannah M. Mayer, Luca Vendraminelli, Timothy DeStefano

Eine der weltweit größten Herausforderungen während des Höhepunkts der Covid-Pandemie war die rechtzeitige Zuteilung von Impfstoffen an die Menschen und Gebiete, die sie am dringendsten benötigten. Italien hat wie so viele andere Länder hart daran gearbeitet, dieses entmutigende Optimierungsproblem anzugehen. Eine große italienische Stadt beschloss, ein Webportal einzuführen, um alle Impfstoffbewegungen entlang der Lieferkette zu verfolgen, um ihre eine Million Einwohner schnell mit Impfungen zu versorgen. Anhand dieser Daten hat das System Verteilungszentren autonom Impfstoffe zugeteilt und den Bürgern automatisch Termine zugewiesen – eine Initiative, die als Eckpfeiler der lokalen Impfkampagne gilt. Die KI-Lösung wurde jedoch nie in großem Maßstab eingesetzt und lieferte daher keinen echten Mehrwert für die Interessengruppen. Was ist passiert?

Dieses Versagen der Datenwissenschaft bei der Lösung eines kritischen Problems ist kaum eine Ausnahme. Untersuchungen des Laboratory for Innovation Science in Harvard haben gezeigt, dass nur ein Teil der Data-Science-Projekte in einem breiten Spektrum von Organisationen wie der Automobilindustrie, der Biotechnologie, dem Einzelhandel und dem öffentlichen Sektor Herausforderungen lösen und zu Leistungssteigerungen im großen Maßstab führen. Warum gelingt es so wenigen? Die Recherchen zeigen, dass der Übeltäter in der Regel einer oder mehrere von vier häufigen Fallstricken sind, denen die italienische Stadt zum Opfer gefallen ist.

1. Fehlen eines spezifischen, relevanten Problems, das gelöst werden muss

Ein Manko am Anfang vieler datenwissenschaftlicher Bemühungen ist das Fehlen einer angemessenen Formulierung des Problems, das Datenwissenschaftler lösen sollten, was dazu führt, dass fähige Talente ihre technischen Fähigkeiten auf eine Vielzahl von Fragen anwenden, von denen viele für Benutzer möglicherweise nicht relevant sind. Data Scientists beginnen den Innovationsprozess oft damit, Regressionen durchzuführen, anstatt den Benutzern zuzuhören. Was jedoch benötigt wird, ist eine klare und prägnante Problemformulierung, um sicherzustellen, dass die ins Auge gefassten Lösungen maximale Relevanz für den Endbenutzer haben.

Die italienische Stadt ist ein typisches Beispiel. Die Hauptherausforderung war nicht die technische Schwierigkeit, sondern die fehlende Definition des zu lösenden Problems. Ohne konkrete Hinweise dazu, was für die Benutzer relevant wäre, erstellten Datenwissenschaftler schließlich ein verschlungenes Dashboard mit Metriken. Die Kernfrage der effizienten Zuordnung von Impfstoffen zu Impfstellen wurde nicht eindeutig beantwortet, da sie nie definiert wurde. Stattdessen befasste sich das Portal mit Fragen zum Ablaufdatumsmanagement und zum Flottenmanagement – ​​sicherlich relevant, aber zweitrangig zum Leitthema.

Als die Benutzer – einschließlich lokaler Regierungsmitarbeiter, Ärzte, Krankenschwestern und Freiwilliger – nicht sahen, dass das Portal ihre größte Herausforderung anging, verließen sie sich für ihre Berechnungen auf die alte manuelle Excel-Tabelle, auch wenn dies mühsamer war.

2. Geringe Benutzerfreundlichkeit der Technologie

Selbst wenn ein relevantes, zielgerichtetes Problem definiert und das Data-Science-Team es geschafft hat, es zu beantworten, stellt es die nächste Herausforderung dar, die Erkenntnisse für Laien zugänglich und nachvollziehbar zu machen. Die Rolle von Benutzerorientierung, Design Thinking und scheinbar einfachen Dingen wie einer überlegenen UX/UI werden bei der Einführung von KI-Lösungen oft übersehen.

Die italienische Impfzuteilungs-KI hatte Probleme mit ihrer Benutzeroberfläche: Den Benutzern war nicht nur unklar, wofür die Lösung konzipiert war, die Benutzeroberfläche selbst war nur eine wilde Ansammlung von Zahlen, deren zugrunde liegende Berechnungen die Benutzer nicht verstanden. Obwohl sie sich der Nachteile der Excel-basierten Vorgängerlösung voll bewusst waren, entschieden sich die Benutzer dennoch dafür, eine Lösung, mit deren Bedienung sie vertraut waren, der effektiveren Lösung vorzuziehen, wenn auch ein undurchsichtiges, KI-gestütztes Tool – eine schmerzhafte und teure Lektion für sie die italienische Stadt über die Überlegenheit der Benutzerfreundlichkeit der Lösung gegenüber der Modellgenauigkeit.

Die in den USA ansässige Luxusmode-Holding Tapestry, die Muttergesellschaft der Marken Kate Spade, Coach und Stuart Weitzman ist, weiß, dass es entscheidend ist, der Datenwissenschaft eine stärker designorientierte Denkweise zu vermitteln. Die Produktallokation an Distributionszentren wurde in der Vergangenheit mit einem naiven Algorithmus durchgeführt, der kürzlich durch ein ML-Modell mit höherer Vorhersagegenauigkeit ersetzt wurde. Obwohl das neue Modell besser abschnitt, entschieden sich die Zuteiler häufig für das alte. Ein wesentlicher Grund dafür war die schlechte Usability. „Wie in vielen Unternehmen verwendeten die Data-Science- und Allocation-Teams einen sehr unterschiedlichen Jargon“, erklärt Fabio Luzzi, VP of Data Science bei Tapestry. „Wir haben nicht verstanden, dass Data Scientists in Mathematik sprachen, wenn Allokatoren über Stil und Farben sprachen, was dazu führte, dass unsere ursprüngliche Lösung für ihre Zielgruppe ungeeignet war. Wir entdeckten den Wert einer auf den Menschen ausgerichteten Denkweise, als wir begannen, uns tief in Allokatoren und ihre Erkenntnisprozesse hineinzuversetzen“, betont Luzzi. Was er und sein Team herausfanden, war, dass Zuweiser ganz bestimmte Nummern brauchten, die in einem sehr einfach zuzuordnenden Layout auf ihren Bildschirmen erscheinen sollten. Wenn sich die Nummern oder das Layout änderten, wurden ihre Routinen geändert, sie gingen verloren und konnten ihre Arbeit nicht effizient erledigen. „Wir haben gelernt, dass eine Lösung nur dann sinnvoll ist, wenn ihr Design gewährleistet, dass sie zu den Benutzergewohnheiten passt“, fasst Luzzi zusammen. „Sobald wir dieses Gelernte eingearbeitet hatten, stellten wir eine signifikante Akzeptanz und letztendlich eine Leistungssteigerung fest“, schließt er.

3. Schlechte Integration von Data Science in die Produktteams und im gesamten Unternehmen

Eine weitere große Falle ist, wenn Data-Science-Teams in einem Vakuum arbeiten, sich ausschließlich auf ihre technische Aufgabe konzentrieren und sich möglicherweise von der intellektuellen Herausforderung mitreißen lassen. Die organisatorische Einbettung von Data Science ist entscheidend, um sicherzustellen, dass Data Science das gesamte Unternehmen und über Abteilungsgrenzen hinweg durchdringt. Gleichzeitig ist es unerlässlich, dass die Datenwissenschaftler den vollständigen Kontext ihrer Arbeit angeben und die Vision vermitteln, wie sie zum Endprodukt beiträgt. Zu oft wird der Schwerpunkt auf die Entwicklung von Code gelegt, anstatt ein Produkt zu entwickeln.

Ein Unternehmen, das dies ebenfalls gut kennt, ist der Reifenhersteller Pirelli, der jährlich über 5 Milliarden US-Dollar Umsatz erwirtschaftet. Ihre digitale Transformation soll einen Wechsel von ihrem derzeitigen B2B- zu einem B2B2C-Geschäftsmodell bewirken. Ein Teil davon sind intelligente Reifen, die mit Sensoren ausgestattet sind, und Pirelli kann die Sensordaten nutzen, um Informationen und Dienstleistungen für Autohersteller und Flotten bereitzustellen und so näher an den Endkunden heranzukommen. Ein wichtiger organisatorischer Wegbereiter dafür ist der Schwenk hin zu einer datengesteuerten Kultur, bei der jede einzelne Abteilung befähigt ist, ihren eigenen Ansatz in Bezug auf Data Science zu verfolgen. Ein Datenverwalter pro Abteilung leitet die Verantwortung und fungiert als zentraler Ansprechpartner für ein zentralisiertes Team. Dies ermöglicht es Pirelli, Tools mit Blick auf die Endbenutzer in jeder der Abteilungen zu erstellen und das Erstellen von Modellen nur um des Erstellens willen zu vermeiden. Es ermöglicht ihnen auch, Grenzen zwischen Abteilungen zu überwinden. Ein Fokus auf die vereinheitlichende Vision eines verbesserten Endprodukts trägt dazu bei, organisatorische und Datensilos aufzulösen und die Wirkung zu beschleunigen.

4. Fehlender Aufwand, um die Leute mit der Lösung vertraut zu machen

Wenn die Lösung fertig ist, wird die erforderliche Zeit schließlich oft nicht dafür aufgewendet, die Lösung im Unternehmen bekannt zu machen, Teams damit vertraut zu machen und den Benutzern ihren Wert zu demonstrieren. Oft werden Lösungen nicht richtig angenommen, weil die Benutzer ihnen nicht vertrauen und sich dafür entscheiden, an ihren etablierten Vorgehensweisen festzuhalten. Das Scheitern der datenwissenschaftlichen Bemühungen in dieser Phase ist besonders schmerzhaft, da die Ressourceninvestitionen erheblich waren, um überhaupt dorthin zu gelangen. Dies spielte auch bei der Optimierung der Impfstoffzuteilung der schlecht aufgenommenen italienischen Stadt eine Rolle. Die Benutzer wurden weder darin geschult, wie sie in dem für sie erstellten Portal navigieren, noch motiviert oder motiviert, es zu übernehmen, und entschieden sich schließlich dafür, stattdessen ihre alten Zuordnungsblätter zu verwenden.

Denken Sie auch an die Fertigungsabteilung von Pirelli, die jetzt ein einfach zu bedienendes algorithmisches Modell verwendet, um den industriellen Ertrag neuer Produkte abzuschätzen, und das frühere Excel-basierte Modell ersetzt. Um den Nutzern den Nutzen der KI aufzuzeigen, verglichen sie die Genauigkeit der Rentabilitäts- und Ertragsprognose des neuen Modells mit der des alten und veranschaulichten dem Team so, wie der neue Ansatz bessere Erkenntnisse liefern und gleichzeitig sparen würde Zeit dank einer stark verbesserten Benutzeroberfläche und Erfahrung.

„Wer auch immer der Endbenutzer – vom Top-Manager bis zum operativen Kollegen – ist, wenn er es nicht nutzen kann, ist die Lösung bereits gescheitert. Nur wenn die Menschen darauf vertrauen, dass die Lösung den besprochenen Mehrwert bietet und zuverlässig geliefert wird, besteht die Chance, dass sie verwendet wird“, sagt Daniele Petecchi, Head of Data Science and Data Management bei Pirelli. „Das neuronale Netzwerk ist nicht das Endspiel. Letztendlich geht es darum, den Menschen zu ermöglichen, ihre Arbeit einfacher zu erledigen, um ein besseres Produkt zu schaffen. Die Menschen müssen einer Lösung vertrauen können, bevor sie sie verwenden“, betont er.

Das Entwerfen und Bereitstellen von KI-Lösungen, die Geschäftsprobleme mit einem klaren Mehrwert für die Benutzer lösen, ist eine häufig auftretende Herausforderung für Unternehmen, die sich digital verändern. Führungskräfte, die eine datenzentrierte Organisation oder sogar eine KI-Fabrik aufbauen wollen, müssen erkennen, dass die Transformation nicht nur auf der Ebene der technischen Fähigkeiten erreicht wird. Natürlich sind Datenqualität, Codequalität und Datenschutz eine Herausforderung, ebenso wie die Komplexität des Trainings eines ML-Algorithmus. Transformationen werden jedoch erfolgreich, wenn man versteht, welche Probleme gelöst werden müssen, und sich ausschließlich auf diejenigen konzentriert, die einen Wert für die Benutzer darstellen, wenn sie angegangen werden. Sicherstellung der Benutzerfreundlichkeit der eingesetzten Technologie; den Weg für die Durchdringung der Datenwissenschaft durch das gesamte Unternehmen zu ebnen und so den Datenwissenschaftlern Einblicke in die Art und Weise zu geben, wie ihre Lösungen von Teams genutzt werden und wie sie dem Endprodukt einen Mehrwert verleihen; und letztendlich Vertrauen in die Lösung bei den Menschen schaffen, die sie verwenden werden.

_______________

Dieser Artikel basiert auf einer Zusammenarbeit zwischen der Forbes.com-Mitarbeiterin Hannah M. Mayer; Luca Vendraminelli, Postdoctoral Research Fellow am Politecnico von Mailand, Italien; und Timothy DeStefano, außerordentlicher Professor an der Georgetown University. Alle drei Autoren haben aktuelle oder frühere Verbindungen zum Laboratory for Innovation Science in Harvard (LISH) und dem Digital, Data, and Design Institute in Harvard (D^3).