Produkentwicklung skalieren und Time-to-Value für neue Kunden reduzieren
aifora konnte durch eine bedarfsgerechte externe Unterstützung die Produktentwicklung schnell und nachhaltig skalieren. Dank der Automatisierung komplexer Daten- und Machine-Learning-Pipelines ist deutlich weniger Zeit als bisher für das Onboarding neuer Kunden (Time-to-Value) notwendig.
aifora ist Anbieter einer Cloud-basierten SaaS-Lösung, die Unternehmen im Einzelhandel unterstützt, Preise und Lagerbestände kanalübergreifend zu optimieren und die zugrunde liegenden Prozesse zu automatisieren.
Das Projekt auf einen Blick
- reduzierter manueller Aufwand im Data-Science-Zyklus
- verkürzte Time-to-Value für neue Kunden
- Erfolgreiche gemeinsame Produktentwicklung
- Bedarfsgerechter und flexibler Ramp-up und Ramp-down
Ausgangssituation
Um bei der bevorstehenden Series-A-Finanzierungsrunde eine gute Bewertung zu bekommen, suchte aifora nach einem Partner, um den bestehenden Tech-Stack zu evaluieren und diesen gemäß aktueller Best Practices weiterzuentwickeln. Nach erfolgreicher Finanzierungsrunde wollte aifora schnell skalieren und die Automatisierung vorantreiben, um neue Kunden effizient bedienen zu können.
Um zu skalieren, fehlte es aifora an Entwicklungskapazität, welche im aktuellen Arbeitsmarkt nicht kurzfristig zur Verfügung stand. Daher sollten einerseits die bestehenden Entwicklungsteams kurzfristig ausgebaut und darüber hinaus zusätzliche Produktentwicklungs-Teams aufgebaut werden, um neue zusätzliche Features und neue Module für die Retail Automation Platform zu entwickeln.
Weiterhin stellte das Onboarding neuer Kunden, das eine tiefgehende Datenintegration benötigt, eine Herausforderung dar und verlängerte den sogenannten Time-to-Value. Das ist die Zeit, die vergeht, bis ein Kunde von aifora mit der Lösung einen messbaren Nutzen erzeugt. Aus diesem Grund sollte dieser Prozess weiter automatisiert und verbessert werden.
Gemeinsames Entwicklungsteam
Kontinuierliches Knowledge Sharing
Bedarfsgerechter Ramp-up/-down & Wissenstransfer
Automatisierte Data Science Prozesse
Gemeinsames Entwicklungsteam
Zunächst wurde ein gemeinsames Entwicklungsteam von aifora und codecentric für den Bereich Bestandsoptimierung zusammengestellt. Hierbei stellte codecentric den Product Owner und verstärkte das Team mit zusätzlicher Expertise in Data Engineering, Backend, Frontend, Agile Coaching, Scrum. Das Produktentwicklungs-Team konnte frei und autonom in direkter und kontinuierlicher Abstimmung mit den Endkund*innen und Anwender*innen agieren.
Jederzeit stand dem gemischten Team das umfassende Domain- und Branchenwissen von aifora zur Verfügung und mit dieser Expertise wurde der Scope regelmäßig nachgeschärft. So konnte das Team in kurzen Feedback-Zyklen den Feature-Umfang der bestehenden Module passgenau ausbauen.
Darüber hinaus entwickelte das Team gemeinsam mit einem Pilotkunden ein neues Modul zur Einkaufsmengen-Optimierung für die aifora-Plattform. Die besondere Herausforderung: Das neue Modul musste nach einem straffen Zeitplan entwickelt werden, da der Pilotkunde sein vorhandenes Altsystem abschalten musste.
Bedarfsgerechter Ramp-up/-down & Wissenstransfer
Während der gesamten Zusammenarbeit stand aifora der Experten*innen-Pool von codecentric zur Verfügung. An entscheidenden Stellen, etwa im Data Engineering, wurden so entscheidende Engpässe kurzfristig aufgelöst. Offene Stellen konnte aifora nach und nach neu intern besetzen. codecentric arbeitete die neuen Mitarbeiter*innen ein, bildete sie aus und zog sich selbst schrittweise aus der Entwicklung zurück.
Automatisierte Data Science Prozesse
Eine wesentliche Herausforderung, um die von aifora angestrebte Skalierung zu erreichen, ist die Reduktion des manuellen Aufwands entlang des bestehenden Data-Science-Zyklus. Hierzu gehören insbesondere die Automatisierung und Skalierung der Verarbeitung der Kundendaten. Um die administrativen und operativen Aufgaben bei der täglichen Verarbeitung von Kundendaten zu reduzieren, wurden – unterstützt durch Data-Architekten und Data Engineers der codecentric AG – Lösungen zur Automatisierung komplexer Daten- und Machine-Learning-Pipelines entworfen und implementiert. Mittels integriertem Monitoring und Alerting behält das Team den Überblick
Ergebnis
Durch die stark automatisierte Datenplattform reduzierte sich die Zeit für das Onboarding neuer Kunden. Insbesondere Verbesserungen an den Data-Science-Komponenten können nun einfach und iterativ durchgeführt werden. So kann für neue Kunden schnell der perfekte Algorithmus gefunden und ein passendes Modell trainiert werden.
Der Pilotkunde konnte sein vorhandenes Altsystem fristgerecht abschalten und nutzt nun das neue aifora-Modul, um seine Einkaufsprozesse zu optimieren. Darüber hinaus ist das neue Modul eine Erweiterung des aifora-Produkt-Portfolios und kann an weitere Kunden vermarktet werden.
Das aufgebaute und mittlerweile gut eingespielte Produktentwicklungsteam für den Bereich Bestandsoptimierung entwickelt autonom die Module weiter.
David Krings
CTO
codecentric hat vor allem große Hilfe bei der Verbesserung von Prozessen im Software-Entwicklungsbereich geleistet und als Leading Example gezeigt, wie man Software in kurzen Zyklen entlang der Kundenanforderungen bauen kann. Diese Unterstützung, zusammen mit technologischen Verbesserungen, hat dazu geführt, dass wir heute unsere Software besser warten und auch selbst schneller weiterentwickeln können.
David Krings
CTO
Noch Fragen zum Projekt?
Willst Du mehr über das Projekt erfahren? Bist du interessiert an einer ähnlichen Lösung für dein Unternehmen? Dann sprich mich an.
Weitere Projekte
Informiere dich über weitere erfolgreiche Projekte, die wir mit unseren Kunden abgeschlossen haben. Vielleicht findest du hier Anregungen für einen Use Case in deinem Unternehmen.
Gemeinsam bessere Projekte umsetzen.
Wir helfen deinem Unternehmen.
Du stehst vor einer großen IT-Herausforderung? Wir sorgen für eine maßgeschneiderte Unterstützung. Informiere dich jetzt.
Hilf uns, noch besser zu werden.
Wir sind immer auf der Suche nach neuen Talenten. Auch für dich ist die passende Stelle dabei.
Marcel Mikl