Ein Las­ten­heft ist ein Doku­ment, das die Gesamtheit der Anforderun­gen und Wün­sche des Auf­tragge­bers für ein zu entwick­el­ndes Pro­dukt oder ein Pro­jekt fes­thält. Für Unternehmen hat das Las­ten­heft mehrere wichtige Funk­tio­nen und Vorteile:

·       Klarheit über Anforderun­gen: Das Las­ten­heft stellt sich­er, dass die Anforderun­gen und Erwartun­gen des Auf­tragge­bers klar, detail­liert und doku­men­tiert sind. Dies ver­mei­det Missver­ständ­nisse und sorgt für eine klare Kom­mu­nika­tion zwis­chen den beteiligten Parteien.

·       Grund­lage für das Pflicht­en­heft: Auf Basis des Las­ten­hefts erstellt der Auf­trag­nehmer ein Pflicht­en­heft. Dieses Doku­ment beschreibt, wie die im Las­ten­heft fest­gelegten Anforderun­gen umge­set­zt wer­den sollen.

·       Ver­gle­ich und Auswahl von Ange­boten: Bei Auss­chrei­bun­gen dient das Las­ten­heft als Grund­lage für Ange­bote poten­zieller Dien­stleis­ter oder Liefer­an­ten. So kön­nen Ange­bote bess­er miteinan­der ver­glichen und der geeignet­ste Anbi­eter aus­gewählt werden.

·       Ver­trags­grund­lage: Das Las­ten­heft kann Bestandteil von Ver­tragsver­hand­lun­gen sein und sich­er­stellen, dass der Liefer­um­fang sowie die zu erbrin­gen­den Leis­tun­gen klar definiert sind.

·       Risiko­min­imierung: Indem Anforderun­gen und Erwartun­gen klar fest­gelegt wer­den, wer­den Risiken in Bezug auf Missver­ständ­nisse, fehler­hafte Umset­zun­gen oder Fehlen­twick­lun­gen reduziert.

·       Pro­jek­t­pla­nung und ‑steuerung: Das Las­ten­heft gibt einen Überblick über den gewün­scht­en Pro­jek­tum­fang und kann somit als Grund­lage für die Pro­jek­t­pla­nung und ‑steuerung dienen.

·       Qual­itätssicherung: Mit einem detail­lierten Las­ten­heft als Ref­erenz kön­nen die fer­ti­gen Pro­duk­te oder Ergeb­nisse über­prüft und vali­diert wer­den, um sicherzustellen, dass sie den fest­gelegten Anforderun­gen entsprechen.

Für Unternehmen stellt das Las­ten­heft somit ein zen­trales Werkzeug in der Pro­jek­tvor­bere­itung und ‑durch­führung dar, das dazu beiträgt, die Erfol­gschan­cen des Pro­jek­ts zu erhöhen und Risiken zu minimieren.

Bei Alpha Sig­ma wurde ein inter­ak­tives, stan­dar­d­isiertes Las­ten­heft erstellt, das den Kun­de­nan­frage­prozess qual­i­fiziert und die Anzahl an Nach­fra­gen sowohl seit­ens Alpha Sig­ma als auch durch den Kun­den deut­lich reduziert. Somit wurde der Prozess beschle­u­nigt und ist nun weniger kostenintensiv.

Case-Based Rea­son­ing (CBR) ist ein Ansatz im Bere­ich der Kün­stlichen Intel­li­genz, bei dem auf frühere Fälle (Beispiele oder Sit­u­a­tio­nen) zurück­ge­grif­f­en wird, um neue Prob­leme zu lösen. Eine zen­trale Kom­po­nente des CBR ist die Ähn­lichkeitssuche, bei der ver­sucht wird, den aktuellen Fall mit den in der Daten­bank gespe­icherten früheren Fällen zu ver­gle­ichen, um den oder die ähn­lich­sten Fälle zu find­en. Bei Alpha Sig­ma sind das Daten­blät­ter, die Infor­ma­tio­nen zu bere­its gefer­tigten Unikat­en enthal­ten, und als Fall­ba­sis dienen. Jed­er Fall wird über zahlre­iche Attribute (Merk­male) repräsen­tieret. Ein neu zu fer­ti­gen­des Unikat wird via CBR auf seine Ähn­lichkeit zu bere­its gefer­tigten Unikat­en hin ver­glichen. Daraus ergeben sich dann erste Rückschlüsse auf Kosten, Pro­duk­tions­dauer, Spez­i­fika­tio­nen und Her­aus­forderun­gen bei der Fer­ti­gung (und eine Vielzahl weit­er­er Attribute (Merk­male)), die mit unter­schiedlich­er Gewich­tung in die Ähn­lichkeits­berech­nung ein­fließen. Das nach­fol­gend genan­nte Vorge­hen repräsen­tiert, das all­ge­meine Vorge­hen bei der Ähn­lichkeitssuche und kann auf das Vorge­hen bei Alpha Sig­ma adap­tiert werden:

·       Fall­repräsen­ta­tion: Jed­er Fall in der Daten­bank wird durch einen Satz von Attribut­en oder Merk­malen repräsen­tiert. Der aktuelle oder neue Fall wird eben­falls in dieser Form dargestellt.

·       Ähn­lichkeits­maß definieren: Ein Ähn­lichkeits­maß (oft eine Funk­tion oder ein Algo­rith­mus) wird definiert, um zu bew­erten, wie ähn­lich zwei Fälle sind. Dieses Maß kann je nach Anwen­dungs­domäne und den spez­i­fis­chen Anforderun­gen des Prob­lems vari­ieren. Häu­fig ver­wen­dete Maße sind euk­lidis­che Dis­tanz, kos­i­nusähn­lichkeit, Ham­ming-Dis­tanz und viele andere.

·       Durch­suchen der Daten­bank: Der aktuelle Fall wird mit jedem Fall in der Daten­bank ver­glichen, indem das Ähn­lichkeits­maß angewen­det wird.

·       Rank­ing der Fälle: Basierend auf den Ähn­lichkeits­be­w­er­tun­gen wer­den die Fälle ger­ankt. Die Fälle mit der höch­sten Ähn­lichkeits­be­w­er­tung zum aktuellen Fall wer­den als die rel­e­van­testen oder ähn­lich­sten betrachtet.

·       Lösungsvorschlag: Die Lösun­gen der am ähn­lich­sten bew­erteten Fälle wer­den herange­zo­gen, um eine Lösung für den aktuellen Fall vorzuschla­gen. Dies kann durch ein­fach­es Kopieren der Lösung des ähn­lich­sten Falls, durch Kom­binieren der Lösun­gen mehrerer ähn­lich­er Fälle oder durch Anpas­sung beste­hen­der Lösun­gen an den aktuellen Kon­text erfolgen

·       Rück­mel­dung und Ler­nen: Nach­dem eine Lösung angewen­det wurde und ihre Ergeb­nisse bew­ertet wur­den, kann der neue Fall (mit sein­er Lösung) der Daten­bank hinzuge­fügt wer­den, wodurch das Sys­tem im Laufe der Zeit lernt und sich anpasst. 

      Es ist wichtig zu beacht­en, dass die Effek­tiv­ität der Ähn­lichkeitssuche stark von der Qual­ität des Ähn­lichkeits­maßes und der Repräsen­ta­tion der Fälle abhängt. In eini­gen kom­plex­en Domä­nen kann die Entwick­lung eines geeigneten Ähn­lichkeits­maßes eine anspruchsvolle Auf­gabe sein.  

Ana­log zum Anwen­dungs­fall von Alpha Sig­ma wer­den bei Vowalon Tech­ni­cal Sheets (ana­log zu den bei Alphas Sig­ma genan­nten Daten­blät­tern), die eine Vielzahl an Attribut­en (Merk­malen) enthal­ten, auf ihre Ähn­lichkeit hin unter­sucht, um Rückschlüsse auf bere­its pro­duzierte Tex­tilien zu schließen. Mit der Meth­ode des Case based Rea­son­ing ist der Mitar­beit­er in der Lage, auf Knopf­druck, noch während er mit dem Kun­den am Tele­fon spricht, ähn­liche Tex­tilien zu iden­ti­fizieren und dem Kun­den erste Infor­ma­tio­nen zu Pro­duk­tion­sspez­i­fika­tio­nen, Kosten und der Pro­duk­tions­dauer zu liefern. Die Ange­bot­ser­stel­lung erfol­gt deut­lich schneller und basiert auf ein­er daten­basierten Entschei­dung­sun­ter­stützung. Daraus ergeben sich fol­gende Vorteile:

à Suchaufwand wird reduziert

à Ähn­lichkeitssuche erfol­gt daten­basiert und damit nicht mehr nach Bauchgefühl

  Die daten­basierte Entschei­dungs­find­ung ist deut­lich schneller.

Die Sei­den­man­u­fak­tur Eschke, ein Pro­duzent his­torisch­er Sei­den­stoffe, fer­tigt stets in Unikat­en und kleinen Men­gen Stoffe nach tra­di­tionellem Vor­bild. Häu­fig ist die Rekon­struk­tion alter Stoffe (bspw. aus Schlössern in Europa) der erste Schritt eines Kundenauftrags. 

Die Her­stel­lung eines Stoffes fol­gt einem „Pro­duk­tion­srezept“. Pro­duk­tion­srezepte kön­nen ana­log der Daten­blät­ter bei Alpha Sig­ma ange­se­hen wer­den. 

Für die Ermit­tlung von Faden­ver­brauch, Webart und Kosten der neu zu fer­ti­gen­der Stoffe wer­den alte Pro­duk­tion­srezepte herange­zo­gen und deren Ähn­lichkeit zum neu zu fer­ti­gen Stoff ermit­telt. Die ähn­lich­sten „Alt­fälle“ (siehe Erläuterung Case based Rea­son­ing) dienen als Entschei­dungs­ba­sis für die Kalku­la­tion des neu zu fer­ti­gen­den Stoffs. Außer­dem hilt es, dem Kun­den ad hoc ähn­liche Muster zu zeigen und ggf. von ein­er Einzelfer­ti­gung abzuse­hen und das schon ein­mal umge­set­zte Muster und damit ver­bun­den das Web­muster (= die Ein­stel­lung der Web­stüh­le) nochmals zu verwenden.