{"id":139,"date":"2022-06-26T18:35:54","date_gmt":"2022-06-26T16:35:54","guid":{"rendered":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/?page_id=139"},"modified":"2022-08-22T08:53:50","modified_gmt":"2022-08-22T06:53:50","slug":"projekt","status":"publish","type":"page","link":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/projekt\/","title":{"rendered":"Projekt"},"content":{"rendered":"\n
<\/span>\"\"
\n

Auf k\u00fcnstlicher Intelligenz beruhende
Predictive-Analytics-Systeme<\/h1>\n\n\n\n

Entwicklung eines Predictive-Analytics-Systems f\u00fcr den Vertrieb in KMU<\/p>\n<\/div><\/div>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\n

Ausgangslage<\/h4>\n\n\n\n
\n\n\n\n

Die Potenziale von auf k\u00fcnstlicher Intelligenz (KI) beruhender Predictive-Analytics-Systeme liegen in der Automobil- und Nutzfahrzeugzulieferindustrie genauso wie in der Antriebstechnik und der Automatisierungstechnik in der effizienten Analyse und Prognose gegenw\u00e4rtiger bzw. zuk\u00fcnftiger Umsatzpotenziale von Bestandskunden sowie in der Identifikation potenzieller Neukunden. So k\u00f6nnen z. B. das unternehmerische Risiko \u00fcber verschiedene Kundengruppen hinweg besser verteilt
und die Ressourcen im Vertrieb und in der Fertigung optimal ausgesch\u00f6pft werden. W\u00e4hrend gro\u00dfe Unternehmen in der Lage sind, kostenintensive Data-Analytics-Abteilungen aufzubauen, sind KMU aufgrund eines begrenzten IT-Budgets oft nicht in der Lage, die Potenziale von Predictive-Analytics-Systemen im Vertrieb aussch\u00f6pfen zu k\u00f6nnen.<\/p>\n<\/div>\n\n\n\n

\n

Zielsetzung<\/h4>\n\n\n\n
\n\n\n\n

Das Ziel des Projektes PASS besteht darin, Predictive-Analytics-Systeme f\u00fcr den Vertrieb in KMU zu entwickeln. Diese werden dadurch bef\u00e4higt, die Potenziale KI-basierter Verfahren zur systematischen Datenerhebung, -analyse und -prognose bei Einhaltung ethischer, rechtlicher und sozialer Standards (Ethical, Legal and Social Implications, ELSI) zu nutzen, wirtschaftlich umzusetzen und in laufende Arbeitsprozesse zu integrieren. Dar\u00fcber hinaus werden die Auswirkungen auf die Arbeitsmotivation und Zufriedenheit sowie auf ver\u00e4nderte Kompetenzanforderungen an die Besch\u00e4ftigten im Vertrieb untersucht.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n

<\/div>\n\n\n\n

Mehr \u00fcber die Ziele des Projektes erfahren<\/h2>\n\n\n
\r\n
\r\n <\/div>\r\n\r\n
\r\n \r\n
\r\n \r\n <\/i><\/span>\r\n <\/i><\/span>\r\n <\/span>\r\n Entwicklung eines Sales-Analytics-Reifegrad-Modells<\/span>\r\n <\/div>\r\n
\r\n

In einem ersten Schritt muss zun\u00e4chst Transparenz dahingehend geschaffen, inwieweit sich die digitale Transformation auf Vertriebsorganisationen, z. B. im Hinblick auf Strategie und Planung, Organisation und Prozesse, auswirkt. Dazu wird ein Framework entwickelt, das einheitliche Elemente f\u00fcr KMU definiert und diese in Beziehung zueinander setzt. Die Weiterentwicklung des Frameworks zu einem Reifegradmodell erm\u00f6glicht den Abgleich des Ist-Zustandes einer Vertriebsorganisation mit einem Referenzmodell bzw. einem Reifegrad, der unternehmensindividuelle R\u00fcckschl\u00fcsse auf Weiterentwicklungsma\u00dfnahmen bzw. Handlungsbedarfe erlaubt, um die f\u00fcr die Implementierung und den mehrwertstiftenden Einsatz von Predictive-Analytics-Systemen notwendigen Voraussetzungen zu schaffen.<\/p>\n

In der praktischen Anwendung des Modells sollen KMU dabei unterst\u00fctzt werden, die Organisation ihres Vertriebes zu analysieren und im Hinblick auf Entwicklungen, Organisationsformen, F\u00e4higkeiten sowie die Nutzung neuer Technologien vor dem Hintergrund einer zunehmenden Digitalisierung ganzheitlich weiterzuentwickeln oder zu restrukturieren.<\/p>\n <\/div>\r\n \r\n

\r\n \r\n <\/i><\/span>\r\n <\/i><\/span>\r\n <\/span>\r\n Entwicklung von Implementierungskonzepten<\/span>\r\n <\/div>\r\n
\r\n

Die mit Hilfe des Sales-Analytics-Reifegradmodells identifizierten Handlungsbedarfe werden zun\u00e4chst in auf die am Projekt beteiligten Partner abgestimmte, ganzheitliche Weiterentwicklungsma\u00dfnahmen bzw. Implementierungskonzepte \u00fcberf\u00fchrt, um bei diesen die Voraussetzungen f\u00fcr die Implementierung von Predictive-Analytics-Systemen zu schaffen.<\/p>\n

Mit dem Ziel einer langfristigen Verwertung der Projektergebnisse werden die bei den Anwendungspartnern gesammelten Erfahrungen dar\u00fcber hinaus zu generischen Weiterentwicklungskonzepten verdichtet, um auch andere als die direkt am Projekt beteiligten Unternehmen dazu zu bef\u00e4higen bzw. diese bei der ganzheitlichen digitale Transformation von Vertriebsorganisationen anzuleiten und zu unterst\u00fctzen.<\/p>\n <\/div>\r\n \r\n

\r\n \r\n <\/i><\/span>\r\n <\/i><\/span>\r\n <\/span>\r\n Konzeption und Entwicklung einer Software-as-a-Service-Plattform<\/span>\r\n <\/div>\r\n
\r\n

Die Entwicklung eines modularen Predictive-Analytics-Systems als Software-as-a-Service-Plattform bildet im Hinblick auf das \u00fcbergeordnete Ziel des Projektes das Kernelement des konzeptionellen L\u00f6sungsansatzes. Die Plattform erm\u00f6glicht einerseits die systematische und automatisierte Erhebung und Analyse unternehmensinterner sowie -externer Daten; die auf der Plattform in Form von dediziert zu nutzenden Anwendungsmodule realisierten Verfahren der k\u00fcnstlichen Intelligenz erlauben andererseits R\u00fcckschl\u00fcsse z. B. in Bezug auf die f\u00fcr den gegenw\u00e4rtigen Umsatz relevanten Variablen sowie die Aggregation dieser Informationen zu einem Prognosemodell, auf dessen Grundlage wiederum in Abh\u00e4ngigkeit von der jeweiligen Entscheidungssituation in einem Unternehmen vertriebliche Potenziale aufgedeckt k\u00f6nnen.<\/p>\n

Das als Software-as-a-Service-Plattform realisierte Predictive-Analytics-System erm\u00f6glicht es den Anwendungspartner, die mit ihrer jeweiligen Entscheidungssituation korrespondierenden Verfahren, wie z. B. Lead Generation, Forecasting, Lead Scoring, Nex-Product-to-Buy, nutzen und damit ihre Teilvorhabenziele zu erreichen.<\/p>\n <\/div>\r\n \r\n

\r\n \r\n <\/i><\/span>\r\n <\/i><\/span>\r\n <\/span>\r\n Betriebliche Umsetzung<\/span>\r\n <\/div>\r\n
\r\n

Im Rahmen der betrieblichen Umsetzung werden die entwickelten Implementierungskonzepte mit dem Ziel umgesetzt, die Vertriebsorganisationen der Anwendungspartner ganzheitlich weiterzuentwickeln und die Voraussetzung f\u00fcr die Nutzung der Predictive-Analytics-Systeme zu schaffen. Da die Nutzung der SaaS-Plattform mit z. T. erheblichen Ver\u00e4nderungen f\u00fcr die Besch\u00e4ftigten verbunden ist, werden f\u00fcr einen reibungslosen \u00dcbergang in den Produktivbetrieb geeignete Schulungs- und Weiterbildungsangebote erarbeitet.<\/p>\n

Um dar\u00fcber hinaus auch die Effektivit\u00e4ts- sowie Effizienzvorteile von Predictive-Analytics-Systemen f\u00fcr den Vertrieb von KMU bewerten und aufzeigen zu k\u00f6nnen, werden im Rahmen des Projektes au\u00dferdem Messinstrumente entwickelt, die eine Beurteilung der Auswirkungen von Predictive-Analytics-Systemen sowohl auf relevante Leistungskennzahlen der Anwendungspartner (organisationale Ebene) als auch auf die Arbeitsgestaltung und -organisation und damit auf die Arbeitsmotivation und -zufriedenheit sowie die Arbeitsleistung von Besch\u00e4ftigten im Vertrieb (individuelle Ebene) erm\u00f6glichen. Au\u00dferdem gilt es auf individueller Ebene, ver\u00e4nderte Kompetenzanforderungen an Besch\u00e4ftigte im Vertrieb zu identifizieren und ein tiefgreifendes Verst\u00e4ndnis z. B. f\u00fcr Vorbehalte und \u00c4ngste gegen\u00fcber Predictive-Analytics-Systemen zu erlangen.<\/p>\n <\/div>\r\n <\/div>\r\n\r\n\r\n\r\n <\/div>\n\n\n\n

<\/div>\n\n\n\n
\n
\n

Vorgehen<\/h4>\n\n\n\n
\n\n\n\n
\n
\n

Um diese Ziele zu erreichen, wird eine KMU-gerechte Cloud-L\u00f6sung mit KI-basierten Verfahren zur Vorhersage von zuk\u00fcnftigem Kundenverhalten entwickelt. Die KI-Verfahren nutzen ELSI-konforme Kundeninformationen, um z. B. spezifische Umsatzpotenziale und zu erwartende Ums\u00e4tze mithilfe selbstlernender Algorithmen zu prognostizieren. Sie werden bei den unterschiedlich gro\u00dfen Anwendungspartnern aus mitunter sehr verschiedenen Branchen validiert. Ein speziell auf KMU ausgerichtetes, mehrdimensionales Sales-Analytics-Reifegradmodell erm\u00f6glicht, individuelle Handlungsbedarfe und Entwicklungspfade zu identifizieren. Hierf\u00fcr werden Messinstrumente zur Beurteilung der Auswirkungen von Predictive-Analytics-Systemen entwickelt und an verschiedenen Projektzeitpunkten eingesetzt.<\/p>\n<\/div><\/div>\n<\/div><\/div>\n<\/div>\n\n\n\n

\n

Ergebnisse<\/h4>\n\n\n\n
\n\n\n\n

Durch die Projektergebnisse k\u00f6nnen KMU ihre Kunden zielgenau im Vertrieb adressieren und mit begrenzten Ressourcen in dynamischen M\u00e4rkten wettbewerbsf\u00e4hig bleiben. Mit Hilfe des Sales-Analytics-Reifegradmodells werden m\u00f6gliche Entwicklungspfade aufgezeigt und KMU auf ihrem Weg geleitet. Mit den prototypisch realisierten Predictive-Analytics-Systemen werden entsprechende Entwicklungsma\u00dfnahmen bei den Anwendungspartnern exemplarisch umgesetzt. Durch die Ber\u00fccksichtigung der Auswirkungen auf Besch\u00e4ftigte im Vertrieb wird ein besseres Verst\u00e4ndnis f\u00fcr das Zusammenwirken von Mensch, Technik und Organisation geschaffen und die Kompetenzentwicklung im Arbeitsprozess gef\u00f6rdert.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n
\n
Mehr \u00fcber die Projektpartner erfahren<\/a><\/div>\n<\/div>\n\n\n\n
<\/div>\n","protected":false},"excerpt":{"rendered":"

Ausgangslage Die Potenziale von auf k\u00fcnstlicher Intelligenz (KI) beruhender Predictive-Analytics-Systeme liegen in der Automobil- und Nutzfahrzeugzulieferindustrie genauso wie in der Antriebstechnik und der Automatisierungstechnik in der effizienten Analyse und Prognose gegenw\u00e4rtiger bzw. zuk\u00fcnftiger Umsatzpotenziale von Bestandskunden sowie in der Identifikation potenzieller Neukunden. So k\u00f6nnen z. B. das unternehmerische Risiko \u00fcber verschiedene Kundengruppen hinweg besser verteiltund… Weiterlesen »Projekt<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"inline_featured_image":false,"neve_meta_sidebar":"","neve_meta_container":"default","neve_meta_enable_content_width":"on","neve_meta_content_width":100,"neve_meta_title_alignment":"","neve_meta_author_avatar":"","neve_post_elements_order":"","neve_meta_disable_header":"","neve_meta_disable_footer":"","neve_meta_disable_title":"on","footnotes":""},"class_list":["post-139","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/pages\/139","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/comments?post=139"}],"version-history":[{"count":0,"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/pages\/139\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.isse.ruhr-uni-bochum.de\/pass\/wp-json\/wp\/v2\/media?parent=139"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}