Machine-Learning-Lösungen für A1xCROZ

Overview

Ziel der Initiative bei A1 war es, über ein klassisches Technologie-Training hinauszugehen und den konkreten Mehrwert von Machine Learning im Unternehmenskontext systematisch zu erschließen. Im Fokus stand die Frage, wie sich datengetriebene Methoden nicht nur konzeptionell, sondern operativ wirksam einsetzen lassen. Im Rahmen eines zweitägigen Intensivformats vertieften Mitarbeitende aus den Bereichen Telekommunikation, Netzplanung und ICT Services ihr Verständnis für Machine-Learning-Systeme und analysierten gezielt Anwendungsfelder mit realem Geschäftsnutzen. Das Ergebnis: ein fundiertes Verständnis für die strukturierte Entwicklung von Machine-Learning-Use-Cases sowie eine klare Einordnung, wie datenbasierte Lösungen operative Effizienz, Entscheidungsqualität und Prozessstabilität nachhaltig verbessern können.Over two days, colleagues from across telecommunications, network planning, and ICT services gathered to deepen their understanding of machine learning systems and how to identify where these technologies can make a difference in our business context. We left with a stronger technical intuition, hands-on experience in framing machine learning problems, and a clearer view of how data-driven solutions can support smarter, more efficient operations.

real people not animations, in a full steam working office situation

Die Herausforderung

Machine-Learning-Lösungen bieten erhebliches Potenzial. In der praktischen Anwendung im Unternehmenskontext zeigte sich jedoch – wie in vielen Organisationen – eine typische Implementierungshürde.
Die zugrunde liegenden Konzepte erscheinen häufig abstrakt und lassen sich nicht ohne Weiteres auf konkrete fachliche Anforderungen und operative Prozesse übertragen. Gleichzeitig stehen zwar umfangreiche Datenbestände zur Verfügung, diese sind jedoch über verschiedene Teams und Systemlandschaften verteilt.
Diese fragmentierte Datenstruktur erschwert eine konsistente Nutzung und verhindert, dass das Potenzial datengetriebener Lösungen vollständig ausgeschöpft wird.

serious person that made a breakthrough in the work office environment and are really happy

Die Lösung

Um substanzielle Fortschritte zu erzielen, war klar, dass theoretische Konzepte allein nicht ausreichen würden. Erforderlich war ein Format, das neue Denkansätze ermöglicht, praktisches Ausprobieren fördert, unterschiedliche Herangehensweisen vergleichbar macht und eine realistische Einordnung erlaubt, wo Machine Learning im Unternehmenskontext sinnvoll eingesetzt werden kann – und wo nicht.

Vor diesem Hintergrund entwickelte CROZ ein maßgeschneidertes Workshop-Format, das gezielt auf die spezifischen Herausforderungen von A1 ausgerichtet war.

Tag 1 stand im Zeichen der gemeinsamen Grundlagenarbeit. Im Mittelpunkt standen die zentralen Bausteine von Machine Learning: Was Machine Learning ist – und was nicht –, wie typische Projekte strukturiert sind und welche Schritte erforderlich sind, um von einer Problemstellung zu einer funktionsfähigen Lösung zu gelangen.

Ergänzend wurden Praxisbeispiele aus der Telekommunikationsbranche analysiert – inklusive Erfolgsfaktoren, typischer Stolpersteine und der zugrunde liegenden Ursachen. Ziel war es, Konzepte greifbar zu machen und den Transfer in den eigenen Unternehmenskontext zu erleichtern. Der Fokus lag auf dem Aufbau einer gemeinsamen Sprache und eines einheitlichen Verständnisses, sodass Fach- und Technikbereiche auf Augenhöhe diskutieren konnten.

Tag 2 markierte den Übergang von der Analyse zur Anwendung. In interdisziplinären Teams bearbeiteten die Teilnehmenden konkrete Use Cases, die auf realen operativen Herausforderungen bei A1 basierten.

Die Teams bewerteten unterschiedliche Lösungsansätze, trafen fundierte Entscheidungen und entwickelten potenzielle Machine-Learning-Konzepte. In einzelnen Fällen wurde bewusst festgestellt, dass klassische, regelbasierte Ansätze die geeignetere Option darstellen. Die Aufgabenstellungen waren praxisnah und eng an bekannte operative Prozesse angelehnt.

Dabei wurden relevante Datenquellen identifiziert, die technische Machbarkeit geprüft und der erwartete Business Impact bewertet. Abschließend präsentierte jedes Team seinen erarbeiteten Use Case – einschließlich der zugrunde liegenden Argumentation und Entscheidungslogik
Die Ergebnisse blieben nicht auf theoretischer Ebene: Es entstanden konkrete, umsetzungsnahe Ansätze, die unmittelbar in die jeweiligen Fachbereiche zurückgespielt werden konnten.

Diese Erfahrung eröffnete eine neue Perspektive darauf, wie unternehmerische Herausforderungen datenbasiert, strukturiert und mit größerer Sicherheit angegangen werden können. Sie schuf eine gemeinsame fachliche Grundlage, stärkte das Vertrauen in den praktischen Einsatz von Machine Learning und setzte klare Impulse, um datengetriebene Ansätze im Unternehmen gezielt weiter auszubauen.