„Wir holen die dicken Fische aus dem Datensee“

Peter Böhme findet mit seinem Data Science Team heraus, was Viessmann alles weiß – und hilft so, bessere Produkte und Prozesse herzustellen.

Jeder kennt das: lange Wartezeiten an der Service-Hotline. Die sind doppelt ärgerlich, weil sie den Kunden Zeit und das Unternehmen Geld kosten. Die Lösung ist eigentlich einfach: Das Anrufaufkommen und die Zahl der Service-Mitarbeiter müssen gut aufeinander abgestimmt werden. Doch wer weiß schon, wie viele Kunden morgen anrufen? Mithilfe von Machine Learning hat das Data Science Team von Viessmann das Problem gelöst.

Viessmann hat ein Callcenter, bei dem Heizungsbauer anrufen können, wenn sie Probleme mit einer Anlage haben. „Da gab es Erfahrungswerte: In der Heizperiode sind es doppelt so viele Anrufe wie im Sommer. Im September gibt es einen Peak, wenn die Heizungen in Betrieb genommen werden und die Leute feststellen, dass etwas nicht stimmt“, sagt Peter Böhme, der das Data Insights Team bei Viessmann leitet. „Aber keiner wusste, wie viele Mitarbeiter morgen oder am gleichen Nachmittag nötig sind, um der Zahl der Anrufer gerecht zu werden.“ In einer Woche waren zu viele Mitarbeiter da, was unnötig Geld kostet. In der nächsten Woche fehlten dann welche, was die Kunden ärgert. Es gab keine gute Planungsgrundlage. „Diese Vorhersage, wie viele Vorfälle pro 15 Minuten kommen werden, ist Kern des Machine Learnings in der Praxis“, sagt Peter.

Am Anfang stand IoT

Das Data Insights Team gibt es bei Viessmann seit Mitte 2016. In den ersten zwei Jahren lag der Fokus auf der Speicherung, Verarbeitung und Analyse der IoT-Daten von Viessmann-Wärmeerzeugern. Seit 2018 erstellt das Team Modelle und Analysen für verschiedene Fachbereiche und nutzt dafür sehr breit die unterschiedlichsten Daten im Unternehmen. Die Konzentration auf Data Science wird unterstützt durch die IT mit dem Data Lake: „Dabei werden Schritt für Schritt alle Unternehmensdaten aus den Datensilos in einen großen Datensee integriert, um sie für Analysen zugänglich zu machen”, erklärt Peter. „Wir holen die dicken Fische aus dem Datensee.“

Zu Peters Kernteam gehören drei Data Scientists, zwei Solution Architects und eine wechselnde Zahl Studenten. Ihr Ziel ist Knowledge Discovery: Erkenntnisse aus der Analyse von Daten aus der Viessmann-Welt zu gewinnen. Die Ergebnisse reichen von statistischen Analysen über Knowledge Discovery bis hin zu Prognosen von Zeitreihen. Das optimale Modell bestimmt sich dabei aus der Fragestellung und den Charakteristiken der Daten. Das Team nutzt für die Modellbildung die Programmiersprachen Python und R sowie für Big-Data-Analysen vor allem Spark.

Eine Vorhersagequalität von 90 Prozent

Für das After Sales Servicecenter lagen Daten der vergangenen fünf Jahre vor: wie viele Vorfälle es gab und welche Wartezeiten. Daneben wurden historische Wetterdaten analysiert mit dem Ergebnis, dass das Wetter nur geringen Einfluss auf die Callcenter-Auslastung hatte. Dank Machine Learning kann Viessmann die Personalplanung des Callcenters heute mit einer Gewissheit von 90 Prozent optimal aussteuern. Herzstück des Vorhersage-Tools ist die Planung der folgenden zehn Tage. Außerdem sagt das Tool aus dem Verlauf der ersten zwei, drei Stunden des aktuellen Tages voraus, wie sich die Zahl der Anrufe über den restlichen Tag entwickeln wird. „Das Callcenter-Management plant jetzt die Zahl der Mitarbeiter auf unserer Datenbasis“, sagt Peter. „Die Rückmeldungen aus dem Fachbereich sind phänomenal.“

Auf der Schwelle zur künstlichen Intelligenz

Wichtig für erfolgreiche Projekte ist eine enge Zusammenarbeit mit der jeweiligen Fachabteilung. Derzeit läuft noch ein weiteres großes Projekt im Supply Chain Management, daneben mehrere kleinere Aufgaben. Doch im großen Datensee sind noch viele Projekte in Sicht – vom Vertrieb bis hin zu Predictive Maintenance.

Und bei der Vorhersage soll es auch nicht bleiben. „Wir machen heute eine automatisierte Vorhersage“, sagt Peter. „Was wir noch nicht machen, sind automatisierte Entscheidungen.“ Das kann das Data Science Team nicht allein erarbeiten, dafür ist einmal mehr eine interdisziplinäre Zusammenarbeit zwischen den Data Scientists und dem entsprechenden Fachbereich nötig, um zu einer gesamtheitlichen Lösung zu kommen. „Wir stehen an einem spannenden Punkt“, sagt Peter. Bald wollen er und sein Team bei ihren Lösungen die Schwelle zur künstlichen Intelligenz überschreiten.

Berlin, Breslau oder Allendorf

Und natürlich möchte Peter dafür auch sein Team vergrößern. Doch Data Scientists mit hohem Know-how im Bereich Machine Learning, Statistik und Mathematik seien rar, sagt er. Spannende Aufgaben hat er jedenfalls genug. „Es kommen viele Wünsche aus den Fachbereichen“, berichtet Peter. Wenn die Idee konkretisiert ist, das wirtschaftliche Potenzial gegeben und die KPIs festgelegt sind, „dann gehen wir das an“, sagt er. „Wir haben gewisse Freiheiten, uns Company-weit mit verschiedenen Themen zu beschäftigen.“ Die Herausforderung ist, bestehende Daten zu nutzen, um daraus Erkenntnisse für neue Produkte und die Verbesserung der Produkte zu gewinnen.

Peters Team sitzt in Allendorf und Berlin, Viessmann hat einen weiteren IT-Standort in Breslau. Für die enge Zusammenarbeit mit den Fachbereichen sei es von Vorteil, wenn man in Allendorf arbeitet, „aber das geht auch von Berlin oder Breslau aus“, meint Peter. Inzwischen habe er ein gutes Kernteam um sich versammelt, in dem junge Data Scientists „ein attraktives Umfeld finden und etwas dazulernen können“. Der 36-jährige Peter, der in Bayern aufgewachsen ist und in München promoviert hat, fand die Herausforderung, bei Viessmann Daten zu fischen, jedenfalls so spannend, dass er aus der Münchner Innenstadt nach Allendorf zog. „Eine super schöne Gegend, um eine Familie zu gründen“, sagt er.

Jobs in diesem Team

Empfohlene Artikel

Technology & Data

Industriedesignerin Wenke Förster am Laptop

Du interessierst Dich für einen Job im Data Science Team oder hast Fragen an Peter?