Die Frage, die sich bei Reval nun stellte, war, inwieweit und vor allem an welchen Stellen eine KI hier einen echten Mehrwert bietet. Und daran anschließend die Frage, welche datengetriebenen Anwendungsszenarien mit möglichst hohem Nutzen und geringem Risiko umsetzbar sind.
Die Idee:
Eine Methode finden, wie Anwendungsszenarien für KI identifiziert und faktenbasiert priorisiert werden können.
Das Ziel:
Ein internes Kompetenzzentrum für KI und Maschinelles Lernen etablieren und Maschinelles Lernen in der hauseigenen Treasury- und Risk-Management Software einsetzen.
Unser Beitrag:
Wir konnten gemeinsam mit Reval insgesamt 18 Grobkonzepte partizipativ erarbeiten und dokumentieren. Die Konzepterstellung folgte zwei zentralen Prämissen:
(1) Effizienz: Konzepte mit schlechteren Erfolgsaussichten werden, sofern möglich, frühzeitig aussortiert. Ressourcen fließen nur in Weiterverfolgung von aussichtsreicheren Konzepten.
(2) Transparenz: Alle Bewertungen und Entscheidungen erfolgen anhand nachvollziehbarer Kriterien. Alle Konzepte und die dazugehörigen Informationen werden grafisch aufbereitet und dem Kunden übergeben und präsentiert.
Ein tiefgreifendes Verständnis über die Sachlage und potentielle Lösungswege wurden erarbeitet. Als Basis diente dafür das Domänenwissen der Mitarbeiter:nnen bei Reval und das Technologiewissen des Beratungsteams.
Die Konzepte wurden von beiden Teams systematisch und in mehreren Stufen geprüft. Wenig erfolgversprechende Konzepte wurden schrittweise aus der Pipeline eliminiert. Drei Top-Konzepte kristallisierten sich schließlich heraus, bei denen klar ersichtlich war, wie, warum und für wen die Konzepte einen Mehrwert schaffen und welche Risiken auf technischer, wirtschaftlicher und infrastruktureller Ebene damit einhergehen.
Das Ergebnis:
Mithilfe des von uns entwickelten Data Value Check wurden die erarbeiteten Use Cases mittels einer Kosten-Nutzen-Logik bewertet, um die Risiken in darauffolgenden Implementierungsprojekten eklatant zu senken.
Mittels des Data Value Check wurde ein Portfolio an systematisch erhobenen und bewerteten datengetriebenen KI-Anwendungsszenarien erstellt. Diese zentrale Wissensbasis unterstützte das Management dabei, die optimalen KI-Anwendungsszenarien im Hinblick auf potentiellen Mehrwert und Risiko auszuwählen. Dadurch wurde die Gefahr des Scheiterns bereits vor einem Projektstart minimiert.
Die partizipative Vorgangsweise sorgte für einen organisatorischen buy-in auf operativer Ebene, der für den Change Prozess zum gruppeninternen Kompetenzzentrum für KI und Maschinelles Lernen elementar war. Die Top-Konzepte wurden in Folgeprojekten umgesetzt und teilweise bereits in die Produktivsoftware integriert.
Mehr Informationen: