Die Auftragslage ist gut, neue Projekte wollen geplant werden – eine ideale Situation für Unternehmen. Doch diese Projektplanung ist komplex, da viele verschiedene Ressourcen berücksichtigt werden müssen. Projektverantwortlichen hilft dabei ein technisches Hilfsmittel, das sie in ihrer Arbeit möglichst effizient unterstützt: eine Ressourcen- und Projektplanungssoftware. Ist diese Algorithmen- und KI-basiert, können Projekte smart geplant und gesteuert werden.
Eine Firma zieht neue Aufträge an Land. Während sich Vertrieb und Management darüber freuen, weil einerseits die Sales-Bemühungen erfolgreich waren und andererseits zusätzliche Einnahmen bevorstehen, entsteht für alle weiteren Mitarbeiter Arbeit. Es müssen Ressourcen und Material geplant und die Aufträge zur vollsten Zufriedenheit der Kunden erledigt werden. Doch genau am Anfang – bei der Projekt- und Ressourcenplanung – entscheidet es sich, wie erfolgreich Kundenaufträge vonstattengehen. Je genauer Ressourcen, also Mitarbeiterkapazitäten und -fähigkeiten, und freie Zeitkapazitäten kalkuliert werden können, desto genauer werden die Vorhersagen, wie schnell Aufträge bearbeitet und abgeschlossen werden können. Dies schafft nicht nur Planungssicherheit innerhalb der Unternehmen, sondern erhöht auch die Zuverlässigkeit der Durchführung.
Neue Projekte effizient zu planen, erfordert jedoch nicht nur fachkundiges Personal, sondern auch eine Technologie, die bei allen Aufgaben unterstützt. So bedarf es beispielsweise eines Überblicks über bestehende Aufträge, um neue Projekte passend einplanen zu können. Auch auf mögliche Ausfälle sollte die Software reagieren sowie Urlaubs- oder Feiertage berücksichtigen können. Hierfür bedienen sich effiziente Tools mehrerer Herangehensweisen: Sie analysieren Muster, sie errechnen Wahrscheinlichkeiten und letzten Endes geben sie sogar Empfehlungen oder bieten Lösungsvorschläge. Das geschieht einerseits durch die Zuhilfenahme von Algorithmen, andererseits mit dem Einsatz von
Künstlicher Intelligenz (KI).
Schritt 1: Maschinelles Lernen durch Mustererkennung
Nun stellt sich jedoch die Frage, welche Schritte in einer Projekt- und Ressourcenplanungs-Software durch Algorithmen erfolgen und wann eine KI Alternativen und/oder Hinweise aufzeigt. Um dies zu beantworten, muss prinzipiell zwischen den Arbeitsweisen von komplexen Algorithmen und KI unterschieden werden. Empfehlenswert ist es, mit einem simulativen Algorithmus in der Ressourcenplanung anzufangen, denn die strategische Herangehensweise als erster Schritt schließt direkt zahlreiche Varianten und Fälle aus und lässt so die danach folgende Wahrscheinlichkeitsberechnung präziser werden.
Um grundsätzlich zu verstehen, wie maschinelles Lernen funktioniert, ist ein Beispiel hilfreich: Möchten Mitarbeiter in Outlook einen Termin eintragen, der jeden Freitag zur gleichen Uhrzeit bis Ende des Jahres stattfindet, geben sie die Vorgaben an das Programm, woraufhin der Algorithmus diese dann entsprechend im Kalender einträgt. Bei der KI ist der Vorgang ein anderer: Wenn ein Meeting bereits zehn Mal zur gleichen Zeit stattgefunden hat, erkennt das System das Muster und trägt den Termin daraufhin automatisch auch für die folgenden Wochen im Kalender ein. Soweit die Theorie. In der Praxis kommt nun aber noch der Faktor Mensch – die Ressource – dazu, der dieses Muster für die Technologie weniger erkennbar macht. Denn nicht jede Person bezeichnet z.B. den Termin gleich: Während der eine „Teambesprechung“ schreibt, notiert ein weiterer „Mitarbeitermeeting“ und ein nächster „Projektaustausch“. Alle Bezeichnungen beschreiben zwar denselben Anlass, dies zu realisieren vermag die KI jedoch nicht. Aber Künstliche Intelligenz ist merk- und lernfähig: Aufgrund der Vielzahl an abgeschlossenen Projekten und damit einhergehend den einzelnen Komponenten wie z.B. Personalskills und Zeitressourcen erkennt die Software Muster, sodass bei neuen Aufträgen vergleichbare Projekte herangezogen werden können. Der Projektverantwortliche erhält von der Software
folglich einen Projektvorschlag, den er annehmen oder adaptieren kann. Nimmt er ihn an, registriert die Software die Bestätigung ihres Vorschlags. Passt der Mitarbeiter das Muster an besondere Anforderungen des aktuellen Auftrags an, vermerkt die Software diese Adaption und speichert sie für eventuelle spätere Projekte.
Schritt 2: Wahrscheinlichkeiten durch Algorithmen errechnen
Hat die Software im ersten Schritt das Muster eines neuen Auftrags erkannt, geht es nun darum, Wahrscheinlichkeiten zu errechnen, die z.B. die Dauer des Projekts oder mögliche Ausfälle beeinflussen. Will man beispielsweise ein neues Projekt planen, stellen die Verantwortlichen eine gewisse Zeitspanne ein. Angenommen, das Projekt dauert vier bis sechs Monate. Was bedeutet das dann? Vier Monate und eine Woche oder fünf Monate und drei Wochen? Eine Zeitdauer in der Projektplanung festzulegen, beinhaltet immer ein gewisses Risiko, beispielsweise was die Überlastung einzelner Mitarbeiter betrifft. Denn sind diese noch in einem anderen Projekt gebunden, werden gleichzeitig aber schon für einen Folgeauftrag benötigt, ist eine Überlastung unausweichlich. Um dieses Risiko zu minimieren, errechnen komplexe Algorithmen und Intervalle nun, welche Szenarien wahrscheinlich sind und welche nicht.
Auf das Beispiel von vier bis sechs Monaten bezogen, ergeben sich nun zwei geringe Wahrscheinlichkeiten: Der Auftrag wird wahrscheinlich weder nach vier Monaten abgearbeitet worden sein, noch wird er sechs Monate in Anspruch nehmen. Wahrscheinlicher ist hingegen ein anderer Wert – basierend auf der Standardnormalverteilung. Dadurch lässt sich nun bestimmen, ab welchem Tag das Überbelastungsrisiko höher oder weniger hoch ist. Will der Projektverantwortliche sein Projekt und damit einhergehend seine Ressourcen effizient planen, wählt er vermutlich den Weg des geringsten Risikos. Zeigt es sich, dass die verantwortlichen Personen bei vielen unterschiedlichen Projekten das Risiko möglichst geringhalten möchten, merkt sich die Ressourcen- und Projektplanungssoftware dieses Verhalten erneut. So wird bei der Planung neuer Aufträge auf das erlernte Wissen zurückgegriffen. Muster werden analysiert, Varianten ausgeschlossen und Wahrscheinlichkeiten errechnet, sodass der Softwareanwender innerhalb kürzester Zeit eine wahrscheinliche Ressourcen- und Projektplanung erstellen kann. Diese Kombinatorik ist zwar kein dynamisches Modell, ermöglicht aber die Bewertung aller Zukunftsszenarien durch Algorithmen und hilft so bei der Entscheidungsfindung.
Schritt 3: Empfehlungen und Lösungsvorschläge durch KI-Einsatz
Verlässt man sich rein auf das maschinelle Lernen durch Mustererkennung sowie die Wahrscheinlichkeitsberechnung durch Algorithmen, wäre die Ressourcen- und Projektplanung nun schon professionell aufgestellt. Da es sich aber um kein dynamisches Modell handelt und in der Planung von Ressourcen und Projekten immer der Faktor Mensch berücksichtigt werden muss, gilt es nun, dynamisch darauf zu reagieren. Genau hier greift die KI ein, denn sie ist kein starrer Algorithmus, der einfache Arbeitsschritte immer gleich abarbeitet. KI zeichnet sich durch ihre Lernfähigkeit und die Erarbeitung neuer Lösungen aus. Wie bereits beschrieben merkt sich das System beispielsweise, wenn Vorlagen akzeptiert oder angepasst werden oder es notiert, ob Wahrscheinlichkeiten eingetreten sind oder nicht.
Gleichzeitig erarbeitet es sich z.B. ein neuronales Netz aller Mitarbeiterkapazitäten und -skills, das dabei hilft, bei Ausfällen oder spontanen Planänderungen direkt Lösungen vorzuschlagen. Dies gelingt, indem alle Mitarbeiter mit ihren Fähigkeiten im System erfasst werden. Wird bei einem Auftrag eine Überlastung sichtbar, warnt die Software den Projektverantwortlichen und schlägt eine Alternative vor. Entscheidet sich dieser für den Vorschlag, entsteht eine Verbindung des ausfallenden Mitarbeiters zu seinem Ersatzkollegen. Wiederholt sich dieser Vorgang häufig, wird diese Verbindung sehr stark. Lehnt der Projektverantwortliche die Lösung der Software ab, lernt die Technologie, dass die beiden Personen nicht oder nur bedingt als Ersatz funktionieren und ihre Verbindung wird schwächer. Mit der Zeit und nach zahlreichen Projekten entsteht so durch das Eingreifen und Entscheiden der Projektverantwortlichen ein neuronales Netz, das Überlastungen abwendet, indem es schon vorab Lösungen vorschlägt, die immer genauer und präziser werden. Dies gelingt aber nur, da die Software das Wissen und die Erfahrung des Personals übernimmt und die gesammelten Informationen zur richtigen Zeit und zum richtigen Projekt zur Verfügung stellt.
Thomas Schlereth
Gründer und Geschäftsführer der Can Do GmbH
