Die Qualität eines Produkts zählt für die meisten Kunden zu den zentralen Faktoren einer Kaufentscheidung. Innerhalb eines Marktes versuchen daher viele Marken, sich über dieses Kaufkriterium zu differenzieren. Neben den ständig wachsenden Anforderungen aus dem Wettbewerb und von staatlicher Seite wachsen mit fortschreitendem technologischen Fortschritt auch die Herausforderungen in der Entwicklung von innovativen Produkten. Mit Blick auf den Automobilsektor steht in diesem Zusammenhang die Entwicklung von elektrischen und elektronischen Systemen und Funktionen unter besonderem Druck. Da schätzungsweise 90 % aller zukünftigen Fahrzeuginnovationen im Bereich der Elektrik-/Elektronikentwicklung entstehen werden, tragen die Fehlersuche und nachhaltige -abstellung in großem Maße zum Projekterfolg bei. Mit dem Zuwachs der funktionalen Vernetzung der Steuergeräte nimmt die Komplexität in der Absicherung der Produktqualität stark zu, da das Systemverhalten nicht länger deterministisch ist. Auf der anderen Seite steigen die Erwartungen an das Produkt und die Technische Entwicklung. Die Produkte sind in besserer Qualität, zu geringeren Kosten und in kürzerer Dauer zu entwickeln. Die Vorgaben an die Fehlerabstellung und -minimierung nehmen zu. Gleichzeitig steigen die Anforderungen an die Termintreue, da aus Meilensteinverschiebungen oft erhebliche Mehraufwände und -kosten entstehen, eine Ausdehnung der Projektlaufzeit resultiert oder eine Reduzierung des Leistungsumfangs erforderlich ist. Schon heute ist zu erkennen, dass die Prognose der Projektreife mit traditionellen Projektmanagementmethoden nur noch bedingt und unter großer Unsicherheit erfolgen kann. In diesem Werk wird demzufolge ein System diskutiert, das Risiken von Verschiebungen elementarer Projektmeilensteine in der frühen Phase erkennen kann, um somit die Voraussetzungen dafür zu schaffen, Projekte wieder frühzeitig in geordnete Bahnen zu lenken. Um dieses Ziel zu erreichen, wird der Einsatz von Verfahren aus dem Bereich der künstlichen Intelligenz untersucht. Mittels Implementierung datengetriebener, maschineller Lernansätze wird die zukünftige Entwicklung von Projektverläufen auf der Basis historischer Projektdaten prädiziert. Am Anwendungsfall der Elektrik-/Elektronikentwicklung der Marke Volkswagen PKW werden relevante, auf die Projektreife Einfluss nehmende Faktoren identifiziert, auf deren Basis anschließend ein Prädiktionsmodell trainiert und an beispielhaften Fahrzeugentwicklungsprojekten verifiziert wird.weiterlesen