REVAL | Finanzen & Versicherungen

KI Use Cases identifizieren und priorisieren

REVAL – KI Use Cases identifizieren und priorisieren
Als Experte für Finanzdaten suchte die Reval Austria GmbH nach einer Methode, um KI-Anwendungsszenarien zu identifizieren und faktenbasiert zu priorisieren. Mithilfe des vom Know-Center entwickelten Data Value Check wurden die erarbeiteten Use Cases mittels einer Kosten-Nutzen-Logik bewertet, um die Risiken in darauffolgenden Implementierungsprojekten eklatant zu senken.

In Zeiten voranschreitender Digitalisierung ist eines der zentralen strategischen Ziele von Unternehmen, aus Daten geschäftsrelevanten Mehrwert zu generieren. Entscheidend ist dabei die Frage: Welche datengetriebenen Anwendungsszenarien sind mit möglichst hohem Nutzen und geringem Risiko umsetzbar?

Reval hatte das Ziel, ein internes Kompetenzzentrum für KI und Maschinelles Lernen zu etablieren und Maschinelles Lernen in ihrer Treasury- und Risk-Management Software einzusetzen.

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.

Gemeinsam mit Reval hat das Know-Center Projektteam insgesamt 18 Grobkonzepte partizipativ erarbeitet und dokumentiert. Die Konzepterstellung folgte zwei zentralen Prämissen:

Effizienz: Konzepte mit schlechteren Erfolgsaussichten werden, sofern möglich, frühzeitig aussortiert. Ressourcen fließen nur in Weiterverfolgung von aussichtsreicheren Konzepten.

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 KundenmitarbeiterInnen 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.

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:

Data Value Check