|
|
Erfolgreich die erste
strategische Data-Science-Initiative starten
23.07.2021 | Der Einsatz von Machine Learning, Artificial Intelligence, oder Big Data Analytics in Produkten, Dienstleistungen oder im Unternehmen wird heute oft als unabdingbar angesehen. Tatsächlich können solche Methoden äusserst mächtige Hilfsmittel darstellen, um Prozesse zu automatisieren, Kunden gezielter zu bedienen oder bessere Strategieentscheide zu treffen. Damit ein Data-Science-Projekt aber erfolgreich sein kann, müssen einige wichtige Punkte berücksichtigt werden.
Was ist Data Science?
Data Science ist ein breites interdisziplinäres Fachgebiet, das wissenschaftliche Methoden, Algorithmen und Prozesse einsetzt, um Muster in Daten zu erkennen und diese in verwertbare und praktisch nutzbare Informationen umwandelt.
Data Scientists kombinieren Fach- und Domänenwissen, Algorithmen für maschinelles Lernen und Methoden aus der Statistik und Wahrscheinlichkeitsrechnung. Damit gewinnen sie aus Unternehmensdaten nutzbare Informationen oder entwickeln komplette datengesteuerten Lösungen.
Die Liste der Kompetenzen für Data Scientists ist dementsprechend lang. Sie umfasst das Sammeln, Speichern, Aufbereiten und Analysieren von Daten und das klare Kommunizieren daraus gewonnener Informationen. Ebenfalls gehört dazu das Auswählen geeigneter Machine-Learning-Ansätzen sowie der korrekten Modellierung der Unternehmensziele. Und schliesslich auch das Konzipieren, Erstellen und Unterhalten ganzer Data-Science-Lösungen. Eine erfahrene Datenwissenschaftlerin hat ein breites Grundwissen in allen diesen Bereichen, muss sich jedoch spezialisieren. Deshalb erfordert der Aufbau einer vollständigen datengesteuerten Lösung ein kleines Team aus mehreren Datenwissenschaftlern, die von Fachexperten und dem Management unterstützt werden.
Data Science ist kompliziert, kostet viel Geld und bringt nichts
Die Erwartungen an Data-Science-Projekte sind auch im Jahr 2021 immer noch oft sehr unklar und diffus. Sie sind gleichermassen beeinflusst durch Erfolgsgeschichten grosser datengetriebener Unternehmen und dem Hype um Big Data, Machine Learning, künstlicher Intelligenz und dergleichen. So entsteht schnell der Eindruck, dass mit vielen Daten und dem «modernsten» Machine-Learning-Algorithmus oder dem «besten» Analyse-Framework kurzerhand gute Lösungen geschaffen werden können. Leider kommt so schnell nach dem Start grosse Ernüchterung auf, weil sich die erhofften Mehrwerte nicht einstellen.
Es gibt diverse Studien und Untersuchungen über die Gründe fehlgeschlagener Data-Science-Projekte. Diese zählen oft ähnliche technische wie operationelle und strategische Ursachen auf, wovon im folgenden deren drei nicht-technischer Art genauer diskutiert werden.
Unklare Strategie, Ziele und KPIs
Einem erfolgreichen Data-Science-Projekt liegt immer eine schlüssige Strategie mit klaren Geschäftszielen zugrunde. Diese Geschäftsziele müssen mit KPIs («Key Performance Indicators», also Leistungsmessgrössen) quantifizierbar und qualifizierbar sein und bringen dem Unternehmen einen (finanziellen) Mehrwert. Sind diese Zielvorgaben unklar oder gar falsch, wird viel Energie in das Data-Science-Projekt investiert, ohne dass je etwas Nutzbares geschaffen wird. Es lohnt sich ausserdem, sich auf ein Ziel zu fokussieren, als sich zu verzetteln.
Ungenügender Management-Support
Data-Science-Initiativen kosten Geld, setzen eine gewisse «Durchlässigkeit» über Team- und Abteilungsgrenzen voraus (Stichwort: Datenquellen und Fachressourcen) und verlangen oft nach Prozessanpassungen. Es ist deshalb unabdingbar, dass die Geschäftsleitung auf strategischem und operativem Niveau ein grundlegendes Verständnis von Data Science hat. Nur so kann sie die Data-Science-Initiative operationell, strategisch und finanziell gezielt unterstützen. Fehlt diese Unterstützung, so werden beispielsweise wichtige Erkenntnisse durch die Data-Science-Lösung zwar generiert, aber nicht umgesetzt, da die Umsetzung durch eine andere Abteilung erfolgen müsste.
Unpassende Teamzusammenstellung
Data Scientists sind Expertinnen und Experten im Aufbereiten von Daten, Implementieren und Auswerten von Machine-Learning-Modellen und Präsentieren von Erkenntnissen. Sie sind jedoch keine Fachexperten der jeweiligen Branche und haben deshalb oft nur unzureichende Kenntnisse des Umfeldes (Prozesse, Brancheneigenheiten, Hintergründe etc.). Die Teamzusammenstellung ist deshalb äusserst wichtig. Nebst dem passenden Data-Science-Know-how braucht es auch Fachspezialistinnen und Management-Vertreter, die sich gegenseitig unterstützen. Gemeinsam müssen sie sicherstellen, dass die erarbeitete Lösung stets der Strategie und dem gesetzten Geschäftsziel entspricht, und beides optimal fördert.
Wie weiter?
Starten Sie klein, und erarbeiten Sie mit Vertreterinnen und Vertretern aus dem Management, dem Betrieb und der Data Science eine Aufgabenstellung, welche ein konkretes Geschäftsziel und -strategie unterstützt. Falls Ihnen das Data-Science-Know-how zu Beginn noch fehlt, suchen Sie sich einen kompetenten externen Beratungspartner. Stellen Sie sicher, dass alle an einem Strick ziehen und das gesetzte Ziel/Strategie gemeinsam verfolgen und unterstützen. Definieren Sie anschliessend klare Leistungsmessgrössen, die es Ihnen (und dem Projektteam) später erlauben, die Effizienz der Data-Science-Lösung zu messen. Bestenfalls gibt es bereits Vergleichsgrössen (z. B. historische Werte), welche zum Vergleich der Performanz hinzugezogen werden können.
Falls Sie Schwierigkeiten haben, eine geeignete Aufgabenstellung zu formulieren, oder über deren Umsetzbarkeit oder Potenzial unsicher sind, können Ihnen Data Scientists dabei helfen, mit explorativen Analysen, schnell verschiedene Fragestellungen und/oder Machbarkeiten abzuklären, um anschliessend eine davon für den Pilot auszuwählen.
Zusammengefasst in drei Sätzen
Eine erfolgreiche Data-Science-Initiative verfolgt ein klares Geschäftsziel, entspricht der Unternehmensstrategie und kann mit KPIs auf ihre Eignung evaluiert werden. Sie ist eingebettet in die Branche des jeweiligen Unternehmens, und verlangt somit nicht nur nach fundiertem Data-Science-Know-how, sondern bedingt den Einbezug von Fachexpertinnen und Fachexperten. Das Management muss die Initiative unterstützen und für eine gewisse «Durchlässigkeit» und regen Austausch zwischen allen relevanten Stellen sorgen.
Unverbindliche Online-Standortbestimmung
Wir von der Ateleris GmbH haben eine gratis Online-Standortbestimmung entwickelt, welche es Ihnen erlaubt, Ihr Unternehmen bezüglich der wichtigsten Eckpunkte einzuschätzen. Aus Ihren Angaben wird im Anschluss automatisch ein umfangreicher PDF-Bericht erstellt, welcher der Orientierung dient und als Grundlage für Verbesserungen verwendet werden kann.
|
|