Reflektionsarbeit ‐ Grafiken - roger-infanger-weibel/cas-hzw-ai-innovation GitHub Wiki

Abbildungen der Reflexionsarbeit als Mermaid-Diagramme

Erstellung der Bilder mit mermaid.live - wie auch mit Support von Claude und Gemini - zur grafischen Verbesserung der Anordnung und dem Style.

Abbildung : Learning Journey

flowchart TB
    subgraph F["<b>FUNDAMENT</b>"]
        F1["⑥ AI & Analytical Thinking"]
    end
    subgraph R["<b>RAHMEN</b>"]
        R1["① Innovationsmanagement im Führungsalltag\n② AI Management"]
    end
    subgraph P["<b>PROZESS</b>"]
        P1["⑦ AI Use Cases\n⑧ KI im Innovationsprozess"]
    end
    subgraph RE["<b>REALISIERUNG</b>"]
        RE1["③ IBM AI Developer Professional Certificate\n④ Agentic AI\n⑤ KI-Projekte erfolgreich umsetzen"]
    end
    C(("<b>Prädiktive\nParkhaus-Lösung (PPL)</b>\n"))

    F <---> C
    R <---> C
    P <---> C
    RE <---> C

    subgraph Z["<b>ZEITACHSE 2026</b> — chronologische Besuchsreihenfolge ①–⑧"]
        direction LR
        Mai["<b>Mai</b>\n①\n▶ PPL Flask"] --> Jun["Jun"] --> Jul["<b>Jul</b>\n② ③\n▶ PPL ML"] --> Aug["Aug"] --> Sep["Sep"] --> Okt["<b>Okt</b>\n④"] --> Nov["<b>Nov</b>\n⑤ ⑥ ⑦ ⑧"]
    end

    C <---> Z

    classDef fundBox fill:#dbeafe,stroke:#2563eb,color:#1f2937
    classDef rahmBox fill:#ccfbf1,stroke:#0d9488,color:#1f2937
    classDef prozBox fill:#fef3c7,stroke:#d97706,color:#1f2937
    classDef realBox fill:#ede9fe,stroke:#7c3aed,color:#1f2937
    classDef fundKurs fill:#ffffff,stroke:#2563eb,color:#1f2937
    classDef rahmKurs fill:#ffffff,stroke:#0d9488,color:#1f2937
    classDef prozKurs fill:#ffffff,stroke:#d97706,color:#1f2937
    classDef realKurs fill:#ffffff,stroke:#7c3aed,color:#1f2937
    classDef zentr fill:#1e3a8a,stroke:#1e3a8a,color:#ffffff
    classDef achse fill:#f9fafb,stroke:#6b7280,color:#1f2937
    classDef monatAktiv fill:#1e3a8a,stroke:#1e3a8a,color:#ffffff
    classDef monatLeer fill:#f3f4f6,stroke:#d1d5db,color:#9ca3af

    class F fundBox
    class R rahmBox
    class P prozBox
    class RE realBox
    class F1 fundKurs
    class R1 rahmKurs
    class P1 prozKurs
    class RE1 realKurs
    class C zentr
    class Z achse
    class Mai,Jul,Okt,Nov monatAktiv
    class Jun,Aug,Sep monatLeer
Loading

Abbildung : Four types of analytics

flowchart LR
    Q["Question<br/><i>Auto oder ÖV?</i>"]:::band --> D["Data<br/><i>Crawler · 5 Städte<br/>Wetter · Events</i>"]:::band
    D --> DE["Descriptive<br/>«Was ist jetzt frei?»<br/>Parkleitsystem heute"]:::a1
    D --> DI["Diagnostic<br/>«Warum war es voll?»<br/>historische Muster"]:::a2
    D --> PR["Predictive ◀ heute<br/>«Was wird frei sein?»<br/>LightGBM-Prognose"]:::a3
    D --> PS["Prescriptive ◀ Vision<br/>«Was soll ich tun?»<br/>Ampel-Antwort → Agent"]:::a4
    DE --> DEC["Decision<br/><i>Auto oder ÖV?</i>"]:::band
    DI --> DEC
    PR --> DEC
    PS --> DEC
    DEC --> AC["Action<br/><i>rechtzeitig umsteigen</i>"]:::band
    AC --> VA["Value<br/><i>planbar ankommen,<br/>ÖV entlastet</i>"]:::val
    VA -. "Feedback = Learning Loops" .-> D
    classDef band fill:#2563eb,stroke:#1e3a8a,color:#ffffff
    classDef val fill:#bbf7d0,stroke:#16a34a,color:#1f2937
    classDef a1 fill:#dbeafe,stroke:#2563eb,color:#1f2937
    classDef a2 fill:#bfdbfe,stroke:#2563eb,color:#1f2937
    classDef a3 fill:#60a5fa,stroke:#1d4ed8,color:#1f2937
    classDef a4 fill:#1d4ed8,stroke:#1e3a8a,color:#ffffff
Loading

Abbildung 2: Reifegradmodell Data und AI

Einordnung des Projekts: Städte/Parkleitsysteme heute auf Stufe 2–3, Zielbild Stufe 4 (Stufe 5 als Vision).

flowchart LR
    S1["<b>1 Initial</b>\nsporadische, manuelle Erfassung\n<i>keine Analytik</i>"]
    S2["<b>2 Experimentell</b>\nSensordaten, einfache Dashboards\n<i>Descriptive</i>"]
    S3["<b>3 Definiert</b>\nDatenstrategie, historische Muster\n<i>Diagnostic</i>"]
    S4["<b>4 Operational</b>\nPrognosen im Prozess integriert\n<i>Predictive</i>"]
    S5["<b>5 Optimiert</b>\nautomatisierte Empfehlungen\n<i>Prescriptive</i>"]
    S1 --> S2 --> S3 --> S4 --> S5
    HEUTE["Städte / Parkleitsysteme\nheute: Stufe 2–3"]:::mark -.-> S3
    ZIEL["Zielbild Projekt: Stufe 4\nStufe 5 als Vision"]:::mark2 -.-> S4
    classDef mark fill:#fef3c7,stroke:#d97706,color:#1f2937
    classDef mark2 fill:#ccfbf1,stroke:#0d9488,color:#1f2937
    style S1 fill:#dbeafe,stroke:#3b82f6,color:#1f2937
    style S2 fill:#bfdbfe,stroke:#3b82f6,color:#1f2937
    style S3 fill:#93c5fd,stroke:#2563eb,color:#1f2937
    style S4 fill:#3b82f6,stroke:#1d4ed8,color:#ffffff
    style S5 fill:#1d4ed8,stroke:#1e3a8a,color:#ffffff
Loading

Abbildung 3: LightGBM im Vergleich zu traditionellen Verfahren

Modellwahl für die Belegungsprognose: tabellarische Zeitreihendaten mit kategorialen Merkmalen.

flowchart LR
    subgraph T["TRADITIONELLE VERFAHREN · z.B. lineare Regression"]
        direction TB
        T1["− setzt lineare Zusammenhänge voraus"]
        T2["− kategoriale Merkmale manuell umkodieren"]
        T3["− Interaktionen manuell modellieren"]
        T4["− einfach interpretierbar, begrenzte Genauigkeit"]
    end
    subgraph G["GRADIENT BOOSTING · LightGBM (Ke et al., 2017)"]
        direction TB
        G1["+ erfasst nichtlineare Muster automatisch"]
        G2["+ verarbeitet kategoriale Merkmale direkt"]
        G3["+ lernt Interaktionen selbständig aus den Daten"]
        G4["+ hohe Genauigkeit bei geringem Rechenaufwand"]
    end
    T ==> G
    style T fill:#ffffff,stroke:#6b7280,color:#1f2937
    style G fill:#eff6ff,stroke:#2563eb,color:#1f2937
Loading

Abbildung 4: Umsetzungs-Roadmap

Vier Phasen vom Fundament bis zum Weiterführungsentscheid.

timeline
    title Umsetzungs-Roadmap (12 Monate)
    Monat 1–2 · Phase 1 : Fundament & Datenstrategie : Crawler-Ausbau · Anreicherung (Wetter, Events, Ferien) · Datenkatalog
    Monat 2–4 · Phase 2 : Modellreife & Nutzererlebnis : LightGBM-Ausbau · Unsicherheitsintervalle · UI nach Value Proposition · öffentlicher Prototyp
    Monat 4–8 · Phase 3 : Pilotpartnerschaft & Governance : Betreiber gewinnen · Datennutzungs-Rahmenwerk · 3 Monate Testbetrieb
    Monat 8–12 · Phase 4 : Bewährung & Entscheidung : KPI-Auswertung · Weiterführungsentscheid (skalieren / weiterbetreiben / abschliessen)
Loading

Meilensteine: M1 Datenkatalog · M2 öffentlicher Prototyp · M3 Pilotvereinbarung · M4 Weiterführungsentscheid

Alternative (Gantt)

gantt
    title Umsetzungs-Roadmap (12 Monate)
    dateFormat X
    axisFormat %s
    section Phase 1
    Fundament & Datenstrategie      :0, 2
    section Phase 2
    Modellreife & Nutzererlebnis    :2, 4
    section Phase 3
    Pilotpartnerschaft & Governance :4, 8
    section Phase 4
    Bewährung & Entscheidung        :8, 12
Loading

Abbildung 2: Value Proposition Canvas der Parkhaus-Lösung

Das Lösungsangebot (Value Map) passt zum Kundenprofil (Jobs, Pains, Gains). Kernbotschaft: Der Fit entsteht nicht durch die Prognosekurve, sondern durch die Entscheidungsantwort.

flowchart LR
    subgraph VM["◻ LÖSUNGSANGEBOT (Value Map)"]
        direction TB
        VM1["<b>Produkte &amp; Services</b><br/>Prädiktive Web-App (Cloud Run)<br/>Belegungsvorhersage auf Zielzeitpunkt (LightGBM)"]:::vm
        VM2["<b>Pain Relievers</b><br/>Entscheidungsantwort statt Kurve<br/>«Parkhaus X um 19:00 Uhr fast voll»<br/>vor dem Entscheid verfügbar"]:::vm
        VM3["<b>Gain Creators</b><br/>frühzeitige, planbare Verkehrsmittelwahl<br/>bewusster ÖV-Umstieg möglich"]:::vm
    end
    subgraph KP["◯ KUNDENPROFIL"]
        direction TB
        KP1["<b>Kundentätigkeiten (Jobs)</b><br/>rechtzeitig am Zielort ankommen (KKL Luzern)<br/>~30 Min vor Abfahrt: Auto oder ÖV?"]:::kp
        KP2["<b>Schmerzen (Pains)</b><br/>Info «jetzt frei» kommt zu spät<br/>Unsicherheit zum Ankunftszeitpunkt"]:::kp
        KP3["<b>Gewinne (Gains)</b><br/>Planbarkeit · Zeitersparnis<br/>gutes Gewissen bei der Wahl"]:::kp
    end
    VM1 -.-> KP1
    VM2 ==>|Fit| KP2
    VM3 -.-> KP3
    classDef vm fill:#eff6ff,stroke:#2563eb,color:#1f2937
    classDef kp fill:#fef3c7,stroke:#d97706,color:#1f2937
Loading

Fit-Prinzip: Pain Relievers antworten auf die Pains, Gain Creators auf die Gains. Quelle: nach Osterwalder et al. (2014); Kundenprofil-Struktur nach HWZ (2026d).

Abbildung 3: Reifegradmodell Data und AI

Einordnung des Projekts: Städte/Parkleitsysteme heute auf Stufe 2–3, Zielbild Stufe 4 (Stufe 5 als Vision).

flowchart LR
    S1["<b>1 Initial</b><br/>sporadische, manuelle Erfassung<br/><i>keine Analytik</i>"]
    S2["<b>2 Experimentell</b><br/>Sensordaten, einfache Dashboards<br/><i>Descriptive</i>"]
    S3["<b>3 Definiert</b><br/>Datenstrategie, historische Muster<br/><i>Diagnostic</i>"]
    S4["<b>4 Operational</b><br/>Prognosen im Prozess integriert<br/><i>Predictive</i>"]
    S5["<b>5 Optimiert</b><br/>automatisierte Empfehlungen<br/><i>Prescriptive</i>"]
    S1 --> S2 --> S3 --> S4 --> S5
    HEUTE["Städte / Parkleitsysteme<br/>heute: Stufe 2–3"]:::mark -.-> S3
    ZIEL["Zielbild Projekt: Stufe 4<br/>Stufe 5 als Vision"]:::mark2 -.-> S4
    classDef mark fill:#fef3c7,stroke:#d97706,color:#1f2937
    classDef mark2 fill:#ccfbf1,stroke:#0d9488,color:#1f2937
    style S1 fill:#dbeafe,stroke:#3b82f6,color:#1f2937
    style S2 fill:#bfdbfe,stroke:#3b82f6,color:#1f2937
    style S3 fill:#93c5fd,stroke:#2563eb,color:#1f2937
    style S4 fill:#3b82f6,stroke:#1d4ed8,color:#ffffff
    style S5 fill:#1d4ed8,stroke:#1e3a8a,color:#ffffff
Loading

Abbildung 4: LightGBM im Vergleich zu traditionellen Verfahren

Modellwahl für die Belegungsprognose: tabellarische Zeitreihendaten mit kategorialen Merkmalen.

flowchart LR
    subgraph T["TRADITIONELLE VERFAHREN · z.B. lineare Regression"]
        direction TB
        T1["− setzt lineare Zusammenhänge voraus"]
        T2["− kategoriale Merkmale manuell umkodieren"]
        T3["− Interaktionen manuell modellieren"]
        T4["− einfach interpretierbar, begrenzte Genauigkeit"]
    end
    subgraph G["GRADIENT BOOSTING · LightGBM (Ke et al., 2017)"]
        direction TB
        G1["+ erfasst nichtlineare Muster automatisch"]
        G2["+ verarbeitet kategoriale Merkmale direkt"]
        G3["+ lernt Interaktionen selbständig aus den Daten"]
        G4["+ hohe Genauigkeit bei geringem Rechenaufwand"]
    end
    T ==> G
    style T fill:#ffffff,stroke:#6b7280,color:#1f2937
    style G fill:#eff6ff,stroke:#2563eb,color:#1f2937
Loading

Abbildung 5: Design-Thinking-Doppeldiamant

Der Prozess gemappt auf die Parkhaus-Lösung, mit Ampel-Selbstbewertung pro Phase (grün = sauber angewandt, gelb = teilweise, rot = Lücke).

flowchart LR
    E["1 Empathize<br/><i>eigenes Entscheidungsverhalten<br/>(KKL, 30-Min-Entscheid)</i>"]:::rot
    D["2 Define<br/><i>Value Proposition Canvas<br/>(→ Kap. 2.1)</i>"]:::gelb
    I["3 Ideate<br/><i>Prognose-Ansätze,<br/>Vorbild SBB-App</i>"]:::rot
    P["4 Prototype<br/><i>LightGBM + Crawler + Web-App<br/>(live MVP)</i>"]:::gruen
    T["5 Test<br/><i>Nutzertest 9 Personen<br/>(Anhang D)</i>"]:::gruen
    PR(["◆ PROBLEMRAUM"]):::raum
    LR(["◆ LÖSUNGSRAUM"]):::raum
    PR --- E --> D
    D --> LR --- I --> P --> T
    T -. "Learning Loop" .-> D
    classDef gruen fill:#dcfce7,stroke:#16a34a,color:#1f2937
    classDef gelb fill:#fef3c7,stroke:#d97706,color:#1f2937
    classDef rot fill:#fee2e2,stroke:#dc2626,color:#1f2937
    classDef raum fill:#e0e7ff,stroke:#4338ca,color:#1f2937
Loading

Grün = sauber angewandt · Gelb = teilweise · Rot = Lücke. Prozessmodell nach Brown (2008); Systematisierung nach HWZ (2026e).

Abbildung 6: Stakeholder-Matrix nach Einfluss und Interesse

Kernaussage: Die Parkhausbetreiber sind vom Risikoträger zum Nutzniesser zu entwickeln.

quadrantChart
    title Stakeholder nach Einfluss und Interesse
    x-axis "Geringes Interesse" --> "Hohes Interesse"
    y-axis "Geringer Einfluss" --> "Hoher Einfluss"
    quadrant-1 "Eng einbinden"
    quadrant-2 "Zufrieden halten"
    quadrant-3 "Beobachten"
    quadrant-4 "Informieren"
    "Parkhausbetreiber": [0.32, 0.80]
    "Städte / Open Data": [0.72, 0.68]
    "Endnutzende": [0.72, 0.34]
    "ÖV-Anbieter (SBB)": [0.22, 0.30]
Loading

Die Parkhausbetreiber liegen im Feld «Zufrieden halten» (hoher Einfluss, zunächst geringes Interesse); Ziel ist ihre Bewegung Richtung «Eng einbinden».

Abbildung 7: Umsetzungs-Roadmap über zwölf Monate

Vier Phasen vom Fundament bis zum Weiterführungsentscheid.

timeline
    title Umsetzungs-Roadmap (12 Monate)
    Monat 1–2 · Phase 1 : Fundament & Datenstrategie : Crawler-Ausbau · Anreicherung (Wetter, Events, Ferien) · Datenkatalog
    Monat 2–4 · Phase 2 : Modellreife & Nutzererlebnis : LightGBM-Ausbau · Unsicherheitsintervalle · UI nach Value Proposition · öffentlicher Prototyp
    Monat 4–8 · Phase 3 : Pilotpartnerschaft & Governance : Betreiber gewinnen · Datennutzungs-Rahmenwerk · 3 Monate Testbetrieb
    Monat 8–12 · Phase 4 : Bewährung & Entscheidung : KPI-Auswertung · Weiterführungsentscheid (skalieren / weiterbetreiben / abschliessen)
Loading

Meilensteine: M1 Datenkatalog · M2 öffentlicher Prototyp · M3 Pilotvereinbarung · M4 Weiterführungsentscheid

⚠️ **GitHub.com Fallback** ⚠️