Das Projekt

Pro Kolumbus-Unternehmen wurde mit unseren Partnern Old World Computing GmbH und neusta software development west GmbH ein Proof of Concept erstellt.

Gelsenwasser

Bei Gelsenwasser wurde eine Lösung für eine Abwasserreinigung einer industriellen Kläranlage gesucht.

Dort soll der Abwasseranfall der Produktionsanlage prognostiziert werden, um Betriebsprozesse zu optimieren, die chemischen Prozessschritte zur Klärung des Wasser zu verbessern und den manuellen Überwachungsaufwand zu reduzieren.

Durch den Proof of Concept haben wir erkannt, dass wir durch eine Prognose mittels Machine Learning eine Betriebskostenreduktion, eine Reduktion von einzusetzenden Chemikalien und eine Erhöhung der Dienstleistungserlöse erreichen können.

Diese Lösung ist auch anwendbar auf weitere Produktionsanlagen und ist somit skalierbar und wirtschaftlich umsetzbar.

DEW21

Bei DEW21 beschäftigten wir uns mit der Analyse von Lastgängen, die zur Effizienzberatung von Kunden im Vertrieb genutzt werden. Bisher war dies ein manueller Prozess bei dem jeder zu analysierende Lastgang einzeln ausgewertet wurde. Um dies zu verbessern bedarf es einer automatisierten Lastganganalyse, die zudem zu beliebigen Zeitpunkten durchgeführt werden soll.

Mit dem Einsatz von Machine Learning wurden zum Beispiel die Kunden-Lastgänge geclustert, um Muster und Anomalien erkennen zu können. Hier sind wir aber erst am Anfang und die Ansätze werden noch verfeinert. Aber die Auswertung läuft schon automatisiert und die Datenverarbeitung findet über alle Lastgänge parallel statt. So liegen z.B. Bewertungen für individuelle Netzentgelte quasi auf Knopfdruck vor.

Ebenso können Dienstleistungen und Beratungen ausgebaut werden, indem weitere Features beispielsweise Wetterdaten oder andere Daten aus externen Quellen hinzugenommen werden.

Diese Lösung für eine Lastganganalyse ist übertragbar auf jede Abteilung, welche sich mit Lastgängen beschäftigt.

Stadtwerke Bochum

Bei den Stadtwerken Bochum sollen Klärfälle in der Marktkommunikation durch Machine Learning automatisch bewertet und dem richtigen Weg zugeordnet werden. Klärfälle sind Differenzen zwischen empfangenen und vorgehaltenen Daten in der Marktkommunikation. Die Klärung dieser Fälle geschieht zur Zeit manuell bzw. in wenigen Fällen mittels RPA (Robotic Process Automation). Die Anzahl der Klärfälle ist hoch und der Prozess sehr zeitaufwändig.

Das Modell soll anhand von historischen Klärfällen lernen und somit neue Klärfälle automatisch korrekt zuordnen. Zum Einstieg wird zunächst nur ein Teil aller Klärfälle behandelt. Mittelfristig kommen weitere Fälle hinzu und die Lösung wird auf die anderen Kolumbusunternehmen übertragen.

rku.it

Bei rku.it soll das Ticketsystem optimiert werden. Um Störungen zu melden und Services anzufragen nutzt rku.it ein Ticketsystem. Um Tickets zu erstellen senden Kunden E-Mails, in welchem Sie ihr Problem, bzw. ihre Anfrage beschreiben. Die Erstellung des Tickets selbst geschieht manuell durch einen Mitarbeiter und wird der entsprechenden Fachabteilung zugewiesen.

Um diesen Prozess zu optimieren wurde ein Machine Learning Modell anhand von historischen Daten erstellt. Dieses analysiert die eingehenden E-Mails und ordnet diese passend zu. So wird die Zuweisung automatisiert und verbessert. Um die Qualität beizubehalten können nicht alle Tickets direkt erstellt werden. Sollte die Güte der Prognose zu gering sein werden dem Mitarbeiter Vorschläge durch die Lösung gegeben. Durch das selbstständige Lernen des Modells wird diese Güte verbessert und erhöht somit die Effizienz über Zeit.

Fazit

Das Projekt war ein voller Erfolg. Die problemorientierte Herangehensweise war genau richtig. Wir haben viel gelernt. Unseren Häusern haben wir empfohlen sich nun strategisch zu dem Thema aufzustellen und weiterhin den Weg der "kleinen Schritte" zu gehen - dabei aber durchaus groß zu denken (v.a. hinsichtlich der notwendigen IT-Infrastruktur).

Verfasser: Sebastian Seitz