{"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":"2026-10-04T09:13:18","modified_gmt":"2026-10-04T07:13:18","slug":"die-power-des-machine-learnings","status":"publish","type":"post","link":"https:\/\/www.uffective.com\/de\/die-power-des-machine-learnings\/","title":{"rendered":"KI im Projektportfolio: Was wir aus Hunderttausenden Vorhersagen gelernt haben"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>Urspr\u00fcnglich ver\u00f6ffentlicht im November 2022 \u00b7 aktualisiert im Oktober 2026<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Seit 2019 setzt Uffective Machine Learning ein, um Projektportfolios zu steuern. Auf diesem Weg haben unsere Modelle Hunderttausende Vorhersagen erstellt. Manche Modelle haben uns selbst \u00fcberrascht, andere sind krachend gescheitert. Beides teilen wir hier, denn aus beidem l\u00e4sst sich lernen, was KI im Projektportfolio heute leisten kann und was nicht.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Was KI im Projektportfolio leisten kann<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">KI im Projektportfolio meint in der Praxis vor allem eines: Probleme fr\u00fch sichtbar machen, bevor sie in einem Statusbericht auftauchen. Konkret lassen sich mit Machine-Learning-Modellen f\u00fcr jedes laufende Projekt Wahrscheinlichkeiten berechnen, zum Beispiel f\u00fcr:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>eine Budget\u00fcberschreitung,<\/li>\n\n\n\n<li>eine versp\u00e4tete Fertigstellung,<\/li>\n\n\n\n<li>einen Abbruch des Projekts in der aktuellen Roadmap,<\/li>\n\n\n\n<li>einen Wertbeitrag, der deutlich hinter dem Business Case zur\u00fcckbleibt \u2013 etwa weniger als 10 % des erwarteten Werts.<\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Das fehlende Puzzleteil seit Markowitz: das Risiko<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Seit Nobelpreistr\u00e4ger Harry Markowitz die moderne Portfoliotheorie ver\u00f6ffentlichte, gilt: Ein gutes Portfolio maximiert die Rendite bei gegebenem Risiko. Markowitz zeigte das \u00fcber die Effizienzgrenze, die erwartete Rendite und Risiko gegen\u00fcberstellt. Das Prinzip wurde von Aktien auf Projekte \u00fcbertragen. Im Projektportfoliomanagement ist die Effizienzgrenze heute allerdings kaum noch bekannt.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Der Grund liegt in der zweiten Eingangsgr\u00f6\u00dfe: dem Risiko. Viele Organisationen tun sich schwer damit, das Risiko einer Projektinvestition zu beziffern, oder haben es aufgegeben. Gut 50 Jahre nach Markowitz l\u00e4sst sich dieses Risiko mit Machine Learning endlich vorhersagen. Damit wird die Effizienzgrenze im Projektportfolio wieder praktisch nutzbar.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Woran man ein gutes Modell erkennt<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Ein Modell, das etwa die Wahrscheinlichkeit einer Budget\u00fcberschreitung vorhersagt, liefert f\u00fcr jedes Projekt einen Wert zwischen 0 (keine \u00dcberschreitung) und 1 (\u00dcberschreitung tritt ein). Die entscheidende Frage lautet: Kann ich diesem Wert vertrauen? Wenn ein Projekt einen Wert von 0,8 hat, braucht es dann tats\u00e4chlich mehr Mittel?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wie gut ein Modell unterscheidet, beschreibt die Kennzahl ROC (Receiver Operating Characteristic). Sie liegt in der Regel zwischen 0,5 und 1:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>0,5 entspricht einem M\u00fcnzwurf,<\/li>\n\n\n\n<li>ab 0,8 gilt ein Modell als gut,<\/li>\n\n\n\n<li>\u00fcber 0,9 als sehr gut.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Die Modelle, die wir in Uffective gebaut haben, lagen zwischen 0,6 und 0,9.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Ein Fehlschlag und ein Erfolg<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Der Fehlschlag (ROC 0,6).<\/strong> Ein agiles niederl\u00e4ndisches Softwareunternehmen mit Entwicklung in vier L\u00e4ndern bringt fast t\u00e4glich neue Softwareversionen heraus. Nachdem es seine Regressionstests mit Uffective optimiert hatte, sollte ein Modell vorhersagen, welche neuen Versionen beim Kunden Probleme verursachen. Das Modell nutzte nur Metadaten: wer die User Story spezifiziert hatte, wer programmiert hatte und wie lange die Umsetzung dauerte. Mit einem ROC von 0,6 half es nicht, sich auf die riskantesten Versionen zu konzentrieren. Die Lehre: Metadaten allein reichen nicht immer. Bessere Kandidaten sind Merkmale wie die Unterbrechungen w\u00e4hrend der Programmierung und Eigenschaften des tats\u00e4chlich geschriebenen Codes.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Der Erfolg (ROC \u00fcber 0,9).<\/strong> F\u00fcr einen gro\u00dfen Telekommunikationsanbieter haben wir ein Modell gebaut, das die Wahrscheinlichkeit eines Projektabbruchs vorhersagt. Nach dem Feintuning erreichte es einen ROC von \u00fcber 0,9. Management und Projektleitungen nutzen die Ergebnisse seitdem f\u00fcr Entscheidungen und f\u00fcr Szenarioanalysen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Womit man ein Modell f\u00fcttert<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Projektrisiko hat mehrere Dimensionen. Die grundlegendste ist der Abbruch, denn ein abgebrochenes Projekt liefert nie den erwarteten Wert. Auch Budget\u00fcberschreitungen und Verzug schm\u00e4lern den Wert. Das oft \u00fcbersehene, vielleicht wichtigste Risiko: Abgeschlossene Projekte liefern nicht den Wert, der versprochen wurde.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Wir beginnen meist mit einem Modell f\u00fcr das Abbruchrisiko. Diese Modelle nutzen 20 bis 40 Eingangsmerkmale, etwa Budgetgr\u00f6\u00dfe, erwarteten Wert und Time-to-Market, aber auch die beteiligten Rollen. Trainiert werden sie in der Regel mit mehr als 1.000 Datenzeilen. Erfolgreiche Modelle hatten wir aber auch schon mit 600 Projekten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Drei Erkenntnisse aus der Praxis:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Der Startmonat z\u00e4hlt.<\/strong> In manchen Unternehmen werden Projekte, die w\u00e4hrend des j\u00e4hrlichen Budgetzyklus gestartet werden, h\u00e4ufiger abgebrochen. Den Startmonat als Merkmal aufzunehmen, verbessert das Modell.<\/li>\n\n\n\n<li><strong>Ein Modell pro Reifegrad.<\/strong> Der ROC steigt, wenn man getrennte Modelle je Projektphase trainiert, zum Beispiel ein Modell f\u00fcr alle Projekte vor dem ersten Gate, eines vor dem zweiten Gate oder vor und nach dem ersten Sprint.<\/li>\n\n\n\n<li><strong>Die Stimmung im Statusbericht.<\/strong> F\u00fcr reifere Projekte kommen Merkmale wie die Zahl der Warteschleifen und die Zeit bis zur Entsch\u00e4rfung eines roten Signals hinzu. In fortgeschrittenen Umgebungen werten wir au\u00dferdem die Stimmung im w\u00f6chentlichen Statustext der Projektleitung aus.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Am meisten \u00fcberrascht hat uns: Die Modelle mit einem ROC \u00fcber 0,9 bewerteten gar nicht den Inhalt der Projekte. Die Metadaten allein hatten eine erstaunlich starke Vorhersagekraft.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wie Unternehmen die Vorhersagen nutzen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Szenarien f\u00fcr Projektleitungen.<\/strong> Projektleitungen sehen die Vorhersage f\u00fcr ihr Projekt und k\u00f6nnen Szenarien durchspielen, indem sie Eingangsmerkmale \u00e4ndern: das Team anders besetzen oder das Modell erneut rechnen lassen, sobald offene rote Risiken geschlossen sind. Eine Auswertung der Merkmalswichtigkeit zeigt dabei, welche Faktoren die Abbruchwahrscheinlichkeit am st\u00e4rksten senken oder erh\u00f6hen. Ein Nebeneffekt: Die Datenqualit\u00e4t steigt, denn abgebrochene Projekte haben meist auch schlechte Daten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Ein zweiter Ma\u00dfstab f\u00fcr Entscheidungen.<\/strong> Gremien, die \u00fcber Projekte und Ressourcen entscheiden, bekommen neben dem erwarteten Wert eine zweite Dimension: das vorhergesagte Risiko. Das macht Priorisierung und Gate-Entscheidungen rationaler. Mehr dazu in unserer Podcast-Folge <a href=\"https:\/\/www.uffective.com\/de\/beschleunigung-der-time-to-market-von-it-investitionen\/\">Optimierung von Gate-Entscheidungen mit Machine Learning<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Der Moment der Wahrheit im Management.<\/strong> Spannend wird es, wenn die Liste der abbruchgef\u00e4hrdetsten Projekte der F\u00fchrungsebene vorgelegt wird. Bei den ersten Projekten auf der Liste nickt das Management meist: Das sehen wir auch so. Dann stellt sich die naheliegende Frage, warum man das Team nicht fr\u00fcher freigibt und weitere versunkene Kosten vermeidet. Weiter unten tauchen aber auch Lieblingsprojekte auf. Die typische Reaktion: Die F\u00fchrung zieht in den Lenkungsausschuss ein oder greift auf andere Weise ein. F\u00fcr das Modell ist das eine neue, unbekannte Variable, seine Trefferquote sinkt. Unseren Kunden ist das recht, denn ihr Ziel ist nicht ein m\u00f6glichst hoher ROC, sondern bessere Projektergebnisse.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Was das f\u00fcr Energieversorger und Netzbetreiber bedeutet<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Die Beispiele oben stammen aus Software- und Telekommunikationsportfolios. Das Prinzip l\u00e4sst sich direkt auf Investitionsportfolios in der kritischen Infrastruktur \u00fcbertragen. Netzbetreiber und Stadtwerke steuern heute Hunderte bis Tausende Ma\u00dfnahmen gleichzeitig: Netzausbau, Ersatzinvestitionen, Smart-Meter-Rollout. Die knappe Ressource ist dabei selten das Geld, sondern Umsetzungskapazit\u00e4t: Fachplaner, Monteure, Abschaltfenster.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbruch-, Verzugs- und Budgetrisiken fr\u00fch zu erkennen, hei\u00dft hier: Kapazit\u00e4t dort einzusetzen, wo Ma\u00dfnahmen tats\u00e4chlich umgesetzt werden. Wer Zustand und Risiko der Anlagen zus\u00e4tzlich systematisch erfasst, etwa mit einer <a href=\"https:\/\/www.uffective.com\/de\/energy-asset-management-software-fur-energieversorger-effizient-compliant-zukunftssicher\/\">Energy Asset Management Software f\u00fcr Energieversorger<\/a>, verbindet Anlagenrisiko und Projektrisiko in einem Portfolio. Wie sich Investitionen dabei grunds\u00e4tzlich anders steuern lassen als \u00fcber die j\u00e4hrliche Einzelgenehmigung, beschreibt Uffective-CEO Dr. Mark van der Pas im Fachbeitrag <a href=\"https:\/\/www.theciomagazine.com\/a-new-paradigm-for-it-budgeting\/\" target=\"_blank\" rel=\"noopener\">\u201eA New Paradigm for IT Budgeting\u201c in The CIO Magazine<\/a> (englisch). Die Einordnung f\u00fcr Energieversorger lesen Sie in <a href=\"https:\/\/www.uffective.com\/de\/capex-planung-die-teuerste-gewohnheit-in-der-kritischen-infrastruktur\/\">CAPEX Planung: Die teuerste Gewohnheit in der kritischen Infrastruktur<\/a>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">H\u00e4ufige Fragen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Was bedeutet KI im Projektportfolio?<\/strong><br>Gemeint ist meist Machine Learning: Modelle, die aus abgeschlossenen Projekten lernen und f\u00fcr laufende Projekte Wahrscheinlichkeiten vorhersagen, etwa f\u00fcr Abbruch, Verzug oder Budget\u00fcberschreitung.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Wie viele Projekte braucht man f\u00fcr ein verl\u00e4ssliches Modell?<\/strong><br>Typischerweise mehr als 1.000 Datenzeilen. Wir hatten aber auch schon mit rund 600 abgeschlossenen Projekten erfolgreiche Modelle.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Wie erkennt man, ob ein Modell gut ist?<\/strong><br>An der Kennzahl ROC. 0,5 entspricht einem M\u00fcnzwurf, ab 0,8 ist ein Modell gut, \u00fcber 0,9 sehr gut.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Ersetzt KI die Entscheidung im Lenkungsausschuss?<\/strong><br>Nein. Die Vorhersage ist ein zus\u00e4tzlicher, objektiver Ma\u00dfstab neben dem erwarteten Wert. Entschieden wird weiterhin von Menschen, nur auf einer besseren Grundlage.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Die Serie zum Weiterlesen<\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li><a href=\"https:\/\/www.uffective.com\/de\/what-is-machine-learning\/\">Was ist maschinelles Lernen?<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/what-are-similarity-predictions\/\">Was sind \u00c4hnlichkeitsvorhersagen?<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/watermelon-projects-and-machine-learning-title\/\">Wassermelonenprojekte und maschinelles Lernen<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/how-machine-learning-solves-the-biggest-problems-in-your-pmo\/\">Wie maschinelles Lernen die gr\u00f6\u00dften Probleme in Ihrem PMO l\u00f6sen kann<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/why-is-our-ai-called-sandra\/\">Warum hei\u00dft unsere KI Sandra?<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/use-machine-learning-with-scrum-to-plan-your-resources-better\/\">Nutzen Sie Machine Learning mit Scrum, um Ihre Ressourcen besser zu planen<\/a><\/li>\n\n\n\n<li><a href=\"https:\/\/www.uffective.com\/de\/boost-your-business-why-you-should-give-machine-learning-a-seat-at-the-table\/\">Warum Sie Machine Learning einen Platz am Tisch einr\u00e4umen sollten<\/a><\/li>\n<\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Sehen Sie Ihr Portfolio mit anderen Augen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Wie w\u00fcrden Abbruch- und Budgetrisiken in Ihrem Portfolio aussehen? In einer Demo zeigen wir es Ihnen anhand Ihrer eigenen Fragestellungen. <a href=\"https:\/\/www.uffective.com\/de\/kontakt\/\">Demo anfragen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Seit 2019 setzt Uffective Machine Learning im Projektportfolio ein. Was die Modelle leisten, wo sie scheitern und was Energieversorger daraus lernen k\u00f6nnen.<\/p>\n","protected":false},"author":1,"featured_media":3429,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","rank_math_focus_keyword":"KI im Projektportfolio","rank_math_description":"KI im Projektportfolio: Wie Machine-Learning-Modelle Projektabbr\u00fcche und Budget\u00fcberschreitungen vorhersagen \u2013 Erfolge, Fehlschl\u00e4ge und Lehren seit 2019.","rank_math_title":"KI im Projektportfolio: Lehren aus Hunderttausenden Vorhersagen | Uffective","footnotes":""},"categories":[41],"tags":[64],"class_list":["post-2457","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ki-machine-learning","tag-fachartikel"],"_links":{"self":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/posts\/2457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/types\/post"}],"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":7,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/posts\/2457\/revisions"}],"predecessor-version":[{"id":9820,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/posts\/2457\/revisions\/9820"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/media\/3429"}],"wp:attachment":[{"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/media?parent=2457"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/categories?post=2457"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.uffective.com\/de\/wp-json\/wp\/v2\/tags?post=2457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}