Ronja Köhling

Ein Bericht aus der Praxis auf dem Navigate Kongress: Krankenkassen prüfen auf Nachfrage des Arbeitgebers den Anspruch auf Entgeltfortzahlung. Hinter der Entscheidung, ob eine Vorerkrankung vorliegt, liegt derzeit ein aufwändiger manueller Prozess. Ein Großteil dieser Fälle sind Standardfälle. Es gibt jedoch eine große Datenmenge vergangener Vorerkrankungsbewertungen. Diese Daten können genutzt werden, um ein Entscheidungsmodell mit Hilfe von KI (Künstliche Intelligenz) -Methoden zu entwickeln.

Auf dem Kongress Data Science Ruhrgebiet und den Software Community Days:

Warenbewegungen in der Logistik, CRM-Prozesse oder Aufgabenverteilung in Projektteams – all diese Fälle bilden
Geschäftsprozesse ab und sind anhand von Daten in Informationssystemen nachvollziehbar. Process Mining (PM)
als eine Technik im Bereich Data Science ermöglicht es, Erkenntnisse und Handlungsempfehlungen über Prozesse
aus Daten abzuleiten. Hierbei werden die real gelebten Prozesse sichtbar, das heißt sowohl der Standardprozess als
auch Abweichungen. Die Grundlage für erfolgreiches PM ist das sogenannte Process Discovery, bei dem Prozesse aus
den Daten konstruiert werden. Doch PM endet nicht bei der Identifikation von Prozessen und manuellen
Bestimmung von Abweichungen. Durch den Einsatz von Künstlicher Intelligenz (KI) kann die Erkennung von
Prozessabweichungen automatisiert und Ursachenanalyse betrieben werden.
Event Logs, die für PM genutzt werden, haben ein strukturiertes und einheitliches Format. Neben den notwendigen
Feldern - Case ID, Event und Zeitpunkt - liegen häufig weitere domänenspezifische Daten vor. Diese Daten bieten
eine Basis für die Anwendung von KI. Sie können eventspezifisch oder zu Prozessinstanzen aggregiert genutzt
werden. Methoden zur Anomalieerkennung, wie beispielsweise Isolation Forest oder Auto Encoder, ermöglichen es,
jede Prozessinstanz mit einem Anomalie Score zu bewerten und so automatisiert Prozessabweichungen zu
identifizieren. Eine weitere Möglichkeit ist diesen Datensatz für Prognosemodelle zu nutzen, um die Ursache einer
Prozesseigenschaft (bspw. Verspätung der Instanz) zu erforschen.

Bei diesem Vortrag werden die Grundlagen von Optimierung und Operations Research vorgestellt. Neben der Theorie werden drei Praxisbeispiele vorgestellt. Wie können LKWs Leerfahrten vermeiden und so sowohl ökologische als auch ökonomische Vorteile erzielen? Wie kann Operations Research hierbei unterstützen? Gemeinsam mit Timocom einer Frachtenbörse für Frachtführer wurde dieser Frage nachgegangen und ein Algorithmus entwickelt. Daneben zeigen wir wie Operations Research für die Schichtplanung im Call Center und im Kontext von NLP genutzt werden kann.

Die Einflussnahme und die unterschiedlichen Interessen der Stakeholder in Scrum-Projekten können eine fokussierte Ausrichtung auf Sprint-Ziele schwierig machen. Wir zeigen, dass in Jira-Projekten durch moderne Natural-Language-Processing-Methoden (NLP-Methoden) die Messung der inhaltlichen Heterogenität der einzelnen Aufgaben des Sprints möglich ist. Unser Vortrag zeigt, wie nachfolgende Fragen mit einer automatisierten JIRA-Analyse beantwortet werden können:

• Ist Excel wirklich das effizienteste Tool, um die langfristige Entwicklung der Velocity in einem Projekt zu untersuchen? Welche alternativen Visualisierungsmöglichkeiten gibt es?


• Trägt eine starke Ausrichtung auf das Sprint-Ziel zu einer hohen Velocity bei?


• Wurde mein Team im Laufe des Sprints vom Tagesgeschäft abgelenkt?

Wir berichten von unserer Praxiserfahrung und insbesondere wird es um die Korrelation von Heterogenität und Velocity gehen. Danach möchten wir gemeinsam mit dem Auditorium die Schlussfolgerungen für Scrum-Teams und deren inhaltliche Steuerung daraus diskutieren.