Machine Learning macht Rechercheprozesse effizienter

Das IT-System der DTAD GmbH ist über die letzten 20 Jahre stetig gewachsen. Die Redaktionsmitglieder recherchieren Details zu u. a. Ausschreibungen, Bauvorhaben und Gebäuden sowie Ansprechpersonen von geplanten und veröffentlichten Projekten. In dieser Zeitspanne haben sich die Arbeitsweise der Redaktion und die Bedürfnisse der Kundschaft geändert. Das System hat sich entsprechend angepasst, teils haben sich technische Altlasten aufgebaut.

Mit dem internen Projekt, Curator MVP (Minimum Viable Product), sollte schnell ein neuer und solider Grundstein gelegt werden. Dieser sollte den heutigen und zukünftigen Anforderungen von Kundenseite und auf der technischen und prozessgerichteten Ebene gewachsen sein. Konkret heißt das: Für Bauvorhaben war bisher bspw. ein Prozess mit verschiedenen Tools und Personen nötig. Die Aufgaben wurden manuell den Redaktionsmitgliedern zugeteilt.

Eines war im Projekt schnell klar: Eine neue Lösung kann nicht auf der grünen Wiese entwickelt werden, denn das tägliche Business sollte nahtlos weiterlaufen. Die 30 Redaktionsmitglieder mussten mit möglichst geringem Mehraufwand weiterarbeiten und die über 5.500 Kund*innen sollen weiterhin neue Ausschreibungen und gewerbliche Auftragschancen einsehen können. Dieses Vorhaben allein zu realisieren, ist herausfordernd, weshalb sich die DTAD GmbH für codecentric als Partner entschied.

Nach fünf Monaten Entwicklungszeit konnten die Redaktionsmitglieder den Curator in den produktiven Betrieb übernehmen. Neu hinzugekommene Bauvorhaben mit Recherche von Projektbeteiligten werden jetzt im neuen System verarbeitet und können von der Redaktion einfacher kuratiert werden. Diese Beschleunigung der Arbeitsabläufe kommt den Kund*innen des DTAD zugute, die so noch schneller interessante Bauvorhaben erhalten.

Im Projekt ist es uns gelungen, erfolgreich eine Brücke zwischen Bestands- und Neusystem zu bauen. Die Redaktionsmitglieder konnten ohne großen Mehraufwand und ohne Unterbrechung während des Umbaus weiterarbeiten. Die Nutzer*innen der DTAD-Plattform wurden weiter reibungslos über Bauvorhaben informiert. Zudem ist das System so flexibel gestaltet, dass der DTAD Änderungen einfach und schnell umsetzen kann.

Das Curator-Team hat exzellent zusammengearbeitet, wodurch es gemeinsam, iterativ und nutzerorientiert das Ziel erreicht hat. Zudem wurde für den Livegang auf das wirklich erforderliche „M“ von MVP geachtet. Der gemeinsame Ansatz für Machine Learning ist in den Prozessen erfolgreich eingebunden und ein ML-Modell zeigt, dass Bauvorhaben bereits auf drei Kunden-Views genau vorhergesagt werden. Auch andere Stellen zeigen, dass der Ansatz ein hohes Potenzial für weitere Optimierungen hat. Dieses Potenzial werden wir mit dem DTAD in Folgeprojekten heben.