In der ersten Phase tauchten wir tief in die bestehenden Vertriebsprozesse der Erwin Halder KG ein, um die vorhandenen Datenstrukturen und strategischen Hebel zu identifizieren. Gemeinsam wurde die Ausgangssituation analysiert, in der umfangreiche Kunden- und Angebotsdetails zwar vorhanden waren, aber eine systematische Nutzung für die Vertriebssteuerung fehlte. Durch die Aufbereitung historischer Datensätze und gezieltes Feature Engineering wurden entscheidende Faktoren für die Vorhersage der Annahmewahrscheinlichkeiten identifiziert. Zugleich wurde klar, dass die Transparenz der Modellergebnisse ein wichtiges Kriterium darstellt, um das Vertrauen der Vertriebsmitarbeitenden in die datenbasierte Entscheidungsunterstützung zu erlangen.

Die Entwicklungsphase konzentrierte sich auf die Konzeption und iterative Verfeinerung eines leistungsstarken Vorhersagemodells. Unter Einsatz moderner Tools wie MLflow und Optuna wurde ein XGBoost-Modell entwickelt. Das Modelltraining sowie die Hyperparameter-Optimierung wurden in einer dockerisierten GPU-Umgebung durchgeführt. Um eine hohe Vorhersagegüte zu garantieren, wird die Lösung kontinuierlich mittels etablierter statistischer Methoden wie ROC-Kurven und Logloss-Funktionen evaluiert. Zusätzlich werden XAI-Methoden berücksichtigt, um die Modellergebnisse transparent darzustellen. Dieser pragmatische Ansatz erlaubte es, frühzeitig Vertrauen in die Fähigkeiten des KI-Lösung bei den späteren Anwendern zu schaffen.

In der Umsetzungsphase bringen wir die entwickelten Lösungen in den produktiven Einsatz und stellen sicher, dass sie nachhaltig genutzt werden können. Im Datenintegrationsprojekt wird zunächst die Ziel-Infrastruktur, die als technisches Fundament dient, beim Kunden eingerichtet und ETL-Datenpipelines entwickelt, um Daten aus verschiedenen Quellen zusammenzuführen und in eine einheitliche Struktur zu überführen. Verarbeitungsskripte in Databricks übernehmen die Aufbereitung und Transformation der Rohdaten. Power BI Dashboards machen die Ergebnisse schließlich übersichtlich sichtbar und ermöglichen Trainern und weiteren Stakeholdern, die Daten gezielt auszuwerten und fundierte Entscheidungen zu treffen. Neben der technischen Implementierung gehört zu so einem Projekt auch immer die Befähigung der Mitarbeitenden. Daher wird bei der technischen Lösung auch der Aufbau einer strukturierten Datenspeicherung etwa über Power Apps sowie die Einführung eines rollenbasierten Zugriffskonzepts, das einen sicheren und bedarfsgerechten Zugriff auf die Daten gewährleistet, berücksichtigt.

Das Projekt dient als Blaupause für die Skalierung von Analytics-Anwendungen innerhalb von Organisationen, um die Wettbewerbsfähigkeit durch objektive Entscheidungsgrundlagen nachhaltig zu stärken. Durch die unternehmerische Praxis muss dabei auch stets der Endanwender berücksichtigt werden, indem ausreichend Vertrauen in die Analytics-Anwendung geschaffen wird. Eine transparente Aufbereitung der KI-Entscheidungen ist hierfür essenziell, um die Akzeptanz für datenbasierte Strategien langfristig zu sichern.