{"id":2457,"date":"2022-11-04T10:22:57","date_gmt":"2022-11-04T09:22:57","guid":{"rendered":"https:\/\/www2.uffective.com\/die-power-des-machine-learnings\/"},"modified":"2026-03-30T19:27:20","modified_gmt":"2026-03-30T17:27:20","slug":"die-power-des-machine-learnings","status":"publish","type":"page","link":"https:\/\/www.uffective.com\/de\/die-power-des-machine-learnings\/","title":{"rendered":"Die Power des Machine Learnings"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t
<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Erkenntnisse aus dem maschinellen Lernen im Portfoliomanagement<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n
\n
\n
\n
\n
\n

Wir befinden uns nun im dritten Jahr der Optimierung des Portfoliomanagements mit Hilfe von maschinellem Lernen und haben auf diesem Weg Hunderttausende von Vorhersagen erstellt. Wir freuen uns, einige unserer erstaunlichen Erfolge, aber auch einige schreckliche Entt\u00e4uschungen mit Ihnen zu teilen und unsere Lehren daraus zu ziehen.<\/p>\n

Was kann maschinelles Lernen also f\u00fcr das Portfoliomanagement leisten?<\/strong> Maschinelles Lernen kann fr\u00fchzeitig auf relevante Probleme im Projekt- und Portfoliomanagement hinweisen. Zum Beispiel werden einige der Projekte in Ihrem Portfolio nicht innerhalb des Budgets abgeschlossen. Mithilfe von maschinellem Lernen k\u00f6nnen Sie die Wahrscheinlichkeit einer Budget\u00fcberschreitung f\u00fcr jedes der laufenden Projekte vorhersagen. Neben der Budget\u00fcberschreitung kann maschinelles Lernen auch die Wahrscheinlichkeit vorhersagen, dass ein Projekt nicht rechtzeitig geliefert wird, oder sogar die Wahrscheinlichkeit, dass ein Projekt in der aktuellen Roadmap gestrichen wird. Es kann auch f\u00fcr die Vorhersage des tats\u00e4chlichen Werts von Projekten eingerichtet werden, z. B. f\u00fcr die Wahrscheinlichkeit, dass ein Projekt weniger als 10 % des erwarteten Werts liefert.<\/p>\n

Seit der Nobelpreistr\u00e4ger Harry Markowitz seinen Aufsatz \u00fcber die moderne Portfoliotheorie ver\u00f6ffentlicht hat, wird diesem Thema gro\u00dfe Aufmerksamkeit geschenkt. Es wurde von Aktien auf Projekte \u00fcbertragen, bei denen heutzutage ein Portfoliomanagement \u00fcblich ist. Der Grund, warum Markowitz‘ Arbeit so attraktiv war, bestand darin, dass er die Anlagen diversifizierte, um die Rendite bei einem bestimmten Risikoniveau zu maximieren. Er zeigte uns, wie dies \u00fcber eine effiziente Grenze realisiert werden kann, die die erwartete Rendite auf das zu ber\u00fccksichtigende Risiko abbildet.<\/p>\n

Dieses Schl\u00fcsselkonzept des Sch\u00f6pfers des Portfoliomanagements, die Effizienzgrenze, ist bei modernen Projektportfoliomanagern kaum noch bekannt.<\/strong> Wie sieht es aber mit dem Eingangsparameter f\u00fcr dieses Modell aus: der Risikokomponente? Viele Organisationen haben M\u00fche oder sogar den Kampf aufgegeben, das Risiko einer Investition in ein Projekt zu projizieren. Heute, 50 Jahre nach Markowitz‘ Ver\u00f6ffentlichung, k\u00f6nnen wir endlich das Risiko eines Projekts vorhersagen. Dank der Einf\u00fchrung von Machine Learning im Portfoliomanagement.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Wie sieht der Erfolg von Machine Learning im Portfoliomanagement aus?<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n
\n
\n
\n
\n
\n

Mit Machine Learning k\u00f6nnen Modelle erstellt werden, um z. B. die Wahrscheinlichkeit einer Budget\u00fcberschreitung vorherzusagen, und diese Modelle erzeugen f\u00fcr jedes Ihrer laufenden Projekte einen Wert zwischen 0 (keine Budget\u00fcberschreitung) und 1 (eine Budget\u00fcberschreitung wird auftreten). Mit diesem Wissen k\u00f6nnten Sie sich fragen: Kann ich diesem Wert vertrauen? Wenn also ein Projekt nach dem Modell eine Wahrscheinlichkeit von 0,8 hat, wird es dann tats\u00e4chlich mehr Mittel ben\u00f6tigen als zugewiesen? Diese Diagnosef\u00e4higkeit des Modells l\u00e4sst sich durch die Receiver Operating Characteristic (ROC) beschreiben. In der Regel handelt es sich um eine Zahl zwischen 0,5 und 1. Eine ROC von 0,8 gilt als gut, \u00fcber 0,9 als sehr gut, w\u00e4hrend eine ROC von 0,5 wie ein M\u00fcnzwurf ist.<\/p>\n

Die Modelle, die wir in unserer Portfoliomanagementl\u00f6sung Uffective erstellt haben, lieferten ROCs von 0,6 bis 0,9. Was sind also Beispiele f\u00fcr ein nutzloses Modell (ROC < 0.7) und was f\u00fcr ein erfolgreiches Modell (ROC > 0.8)?<\/strong><\/p>\n

Zun\u00e4chst das nutzlose Modell. Ein agiles niederl\u00e4ndisches Softwareunternehmen, dessen Softwareentwicklung auf vier L\u00e4nder verteilt ist, stellt fast t\u00e4glich neue Softwareversionen bereit. Nachdem sie die Regressionstests mit Uffective optimiert hatten, baten sie uns, die Metadaten der neu produzierten Software zu verwenden, um die Wahrscheinlichkeit vorherzusagen, dass die neue Software zu Problemen mit den Kunden f\u00fchren wird. Das von uns erstellte Modell hatte einen ROC-Wert von 0,6 und half dem Kunden nicht, sich auf die Software mit der h\u00f6chsten Fehlerwahrscheinlichkeit zu konzentrieren. Bei diesem Modell wurden nur Metadaten \u00fcber die Software verwendet, z. B. wer die Benutzergeschichte spezifizierte, wer den Code programmierte und wie viel Zeit f\u00fcr die Erstellung der Software ben\u00f6tigt wurde. Um das ROC so zu verbessern, dass das Modell einen Mehrwert f\u00fcr den Kunden bringt, werden wir untersuchen, wie oft der Programmierer w\u00e4hrend der Programmierung und auch im tats\u00e4chlich erstellten Code andere Themen unterbricht. Diese neuen Datenpunkte werden als Eingangsmerkmal f\u00fcr das Modell des maschinellen Lernens hinzugef\u00fcgt.<\/p>\n

F\u00fcr einen gro\u00dfen Telekommunikationsbetreiber erstellten wir ein Modell zur Vorhersage der Wahrscheinlichkeit einer Projektstornierung. Das Modell wurde so abgestimmt, dass es einen ROC von > 0.9 erreicht. Sowohl das Management als auch die Projektleiter k\u00f6nnen die Ergebnisse des Modells f\u00fcr die Entscheidungsfindung sowie f\u00fcr Szenarioanalysen zum Projekt nutzen.<\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Wie man ein Modell f\u00fcr maschinelles Lernen f\u00fcttert: Features<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n
\n
\n
\n
\n
\n

Das Risiko eines Projekts ist ein mehrdimensionales Konstrukt. Die grundlegendste Komponente ist der Abbruch eines Projekts, da ein abgebrochenes Projekt niemals den erwarteten Wert liefern wird. Aber auch Budget\u00fcberschreitungen oder eine versp\u00e4tete Lieferung verringern den erwarteten Wert. Das oft vernachl\u00e4ssigte, aber vielleicht wichtigste Risiko besteht darin, dass abgeschlossene Projekte nicht den erwarteten Wert erbringen.<\/p>\n

Normalerweise beginnen wir mit der Erstellung eines Modells f\u00fcr das Stornierungsrisiko, und diese Modelle verwenden 20 bis 40 Eingabemerkmale wie Budgetgr\u00f6\u00dfe, erwarteter Wert, aber auch Zeit bis zur Markteinf\u00fchrung sowie den Product Owner, Scrum Master und Programmierer. Die Modelle werden in der Regel mit mehr als 1.000 Datenzeilen trainiert, obwohl wir bereits mit 600 Projekten erfolgreiche Modelle hatten.<\/strong><\/p>\n

Eine Lektion, die wir gelernt haben, ist, dass sich das Modell verbessert, wenn man den Monat einbezieht, in dem das Projekt ins Leben gerufen wurde, da in einigen Unternehmen Projekte, die w\u00e4hrend des j\u00e4hrlichen Budgetzyklus initiiert werden, eine h\u00f6here Stornierungsrate zu haben scheinen. Eine weitere Erkenntnis ist, dass sich der ROC-Wert verbessert, wenn man je nach Reifegrad des Projekts mehrere Modelle trainiert. Diese Modelle k\u00f6nnen sich auf die Gates konzentrieren (also ein Modell f\u00fcr alle Projekte vor dem ersten Gate, eines vor dem zweiten Gate usw.), aber auch auf den Sprint-Zyklus (z. B. vor Beginn oder nach Abschluss des ersten Sprints).<\/p>\n

Die Modelle f\u00fcr die ausgereifteren Projekte enthalten Merkmale wie die Anzahl der Warteschleifen und die Zeit, die f\u00fcr die Abschw\u00e4chung eines roten Signals ben\u00f6tigt wird. In fortgeschritteneren Umgebungen verwenden wir den w\u00f6chentlichen Berichtstext des Projektleiters, um die „Stimmung“ dieses Textes zu berechnen, die dann als Merkmal verwendet wird.<\/strong><\/p>\n

Wir waren sehr \u00fcberrascht, als wir einen ROC > von 0.9 erreicht haben. Wir waren \u00fcberrascht, denn diese Modelle bewerteten nicht den Inhalt des Projekts; die Metadaten schienen eine starke Vorhersagekraft zu haben.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Wie man die Ergebnisse des Machine Learnings verwendet<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n
\n
\n
\n
\n
\n

Nachdem Sie also ein erfolgreiches Modell erstellt haben, k\u00f6nnen Sie mit den Vorhersagen beginnen. Wie nutzen die Unternehmen die Ergebnisse der Machine-Learning-Modelle?<\/strong><\/p>\n

Zun\u00e4chst k\u00f6nnen sie den Projektleitern die Vorhersagen zug\u00e4nglich machen, und diese Projektleiter k\u00f6nnen mit der Durchf\u00fchrung von Szenarien beginnen, indem sie die Eingabemerkmale \u00e4ndern. Sie k\u00f6nnen die Teilnehmer im Team wechseln, aber auch das Modell erneut durchf\u00fchren, wenn die aktuellen roten Risiken geschlossen sind. Diese \u00dcbungen f\u00fchren normalerweise zu einer besseren Datenqualit\u00e4t, da abgebrochene Projekte in der Regel eine geringe Datenqualit\u00e4t aufweisen. Szenario-Analysen werden durch die Funktion der Merkmalswichtigkeit unterst\u00fctzt, da diese den Kollegen hilft, sich auf die Merkmale mit der h\u00f6chsten Auswirkung sowohl auf die Verringerung als auch auf die Erh\u00f6hung der Stornowahrscheinlichkeit zu konzentrieren.<\/p>\n

Die Risikovorhersage kann auch zur Unterst\u00fctzung der Entscheidungsfindung verwendet werden, wenn die Entscheidungstr\u00e4ger, die \u00fcber Projekte und die Zuteilung von Ressourcen entscheiden, diesen neuen Input-Punkt erhalten. Dieser neue Input hilft ihnen, die Entscheidungsfindung zu rationalisieren und dabei beide Dimensionen, sowohl den erwarteten Wert als auch das Risiko, zu nutzen.<\/strong><\/p>\n

Das Modell kann nat\u00fcrlich f\u00fcr Vorhersagen f\u00fcr alle laufenden Projekte verwendet werden. Interessant ist, was passiert, wenn Prognosen der F\u00fchrungsebene vorgelegt werden. Wenn die Projekte, die am wahrscheinlichsten gestrichen werden, ganz oben stehen, dann ist eine „normale“ Reaktion auf die ersten Projekte auf der Liste, dass die Manager dem Modell zustimmen und auch denken, dass die Projekte gestrichen werden. Dies ist ein interessanter Befund, da sowohl ein mathematisches Modell als auch die Einsch\u00e4tzung des Managements darauf hindeuten, dass ein Projekt abgebrochen wird, warum das Team nicht aus dem Projekt entlassen und das Anwachsen der versunkenen Kosten vermieden wird. Andererseits werden auch einige Lieblingsprojekte auf der Liste der zu streichenden Projekte stehen. Dies wird die Unternehmensleitung st\u00f6ren, und eine voraussichtliche Reaktion ist, dass sie sich selbst in den Lenkungsausschuss einbringt oder auf andere Weise in das Projekt eingreift. Da es sich bei dieser Reaktion um eine neue Variable handelt, die dem Modell nicht bekannt ist, erkl\u00e4ren die Ingenieure f\u00fcr maschinelles Lernen, dass dies die Vorhersagbarkeit des Modells verringert.<\/p>\n

Dies ist nat\u00fcrlich richtig, aber f\u00fcr unsere Kunden kein Thema, da die meisten von ihnen nicht an der Verbesserung der Betriebseigenschaften des Empf\u00e4ngers interessiert sind, sondern an der Verbesserung der Endergebnisse und der Kundenerfahrung.<\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Probieren Sie es aus!<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Laden Sie unsere kostenlose Demo herunter und \u00fcberzeugen Sie sich selbst.
Nur ein Klick entfernt.<\/strong><\/p>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\n\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\tKlicken Sie hier<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Erkenntnisse aus dem maschinellen Lernen im Portfoliomanagement Wir befinden uns nun im dritten Jahr der Optimierung des Portfoliomanagements mit Hilfe von maschinellem Lernen und haben auf diesem Weg Hunderttausende von Vorhersagen erstellt. Wir freuen uns, einige unserer erstaunlichen Erfolge, aber auch einige schreckliche Entt\u00e4uschungen mit Ihnen zu teilen und unsere Lehren daraus zu ziehen. Was […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"content-type":"","rank_math_focus_keyword":"Machine Learning PPM Plattform","rank_math_description":"Wie Machine Learning Ihre PPM-Plattform intelligenter macht: Prognosen, Risikoerkennung und KI-gest\u00fctzte Empfehlungen in Uffective.","rank_math_title":"Die Power des Machine Learnings im PPM | Uffective","footnotes":""},"class_list":["post-2457","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/pages\/2457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/comments?post=2457"}],"version-history":[{"count":6,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/pages\/2457\/revisions"}],"predecessor-version":[{"id":9552,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/pages\/2457\/revisions\/9552"}],"wp:attachment":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/media?parent=2457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}