Data Science: 10 Tipps für die erfolgreiche Umsetzung von Big Data in Ihrem Unternehmen

 In Data Science, Digitale Transformation

Data Science: 10 Tipps für die erfolgreiche Umsetzung von Big Data in Ihrem Unternehmen

Viele Unternehmen verfügen heute über einen gigantischen Datenbestand. Doch um daraus einen echten Mehrwert zu generieren, sind laufend neue Formen der Informationsverarbeitung und unkonventionelle Analyseverfahren nötig. Das Stichwort: Data Science. Die Anwendungsfälle sind dabei genauso umfangreich wie individuell. Unabhängig vom jeweiligen Szenario warten aber ähnliche Herausforderungen: Die effiziente Beherrschung, Verarbeitung und Analyse großer Datenmengen. Dafür kann es keinen Masterplan geben, sehr wohl jedoch einige grundlegende Faktoren, die es zu beachten gilt.

Allein im Jahr 2016 wurden weltweit 9 Billionen Gigabyte an Daten generiert. Jeden weiteren Tag werden 2,5 Quintillionen Bytes an Daten – dies entspricht einer Potenz von 10 hoch 30 – erzeugt. Durch den zunehmenden Einsatz von Technik im Alltag – Stichwort: Smartphone, Kreditkarte, Navigationsgerät – und im Betrieb – Stichwort: Industrie 4.0, Automatisierung, Digitalisierung – produzieren, sammeln und archivieren Unternehmen immer mehr Informationen. Doch wie lassen sich diese Datenmengen sinnvoll weiterverwenden, um den größtmöglichen Nutzen zu generieren?

Das neue Schlagwort dafür lautet: Data Science. Auch wenn der Begriff selbst schon mehr als 40 Jahre alt ist, verbirgt sich heute dahinter mehr als “nur” ein Synonym für die Verarbeitung von Daten: Data Science lehrt wissenschaftliche Methoden, die dabei helfen sollen, Informationen aus einer Datenflut – Big Data – zu filtern und entsprechend zu verknüpfen, um daraus neues, unerwartetes, wertvolles Wissen zu generieren. Somit wird aus Big Data Smart Data.

Der Bedarf nach Data Scientists ist groß. Laut dem aktuellen Report der National Science Foundation besteht weltweit ein Mangel an Experten im Bereich der Datenanalyse. Das Statistik-Portal Statista schätzte einen Bedarf von mehr als vier Millionen Fachkräften allein für 2015, Tendenz steigend. 9,4 Milliarden Dollar sollen bis 2020 weltweit im Big-Data-Markt umgesetzt werden, schätzt das Marktforschungsunternehmen Ovum. 2016 waren es noch 1,7 Milliarden.

Reine IT-Spezialisten – so formulierte es Norbert Seibel, Educational Manager DACH beim Softwarehersteller SAS, gegenüber der österreichisches Tagenszeitung Standard – kämen für diesen Job eher nicht in Frage, denn dazu brauche es „einen bunten Mix aus Funktionen und Fähigkeiten.”

Anforderungen und Aufgabenbereiche eines Data Scientists

Nach allgemeingültiger Definition sollte ein Data Scientist überzeugend und kreativ sein, aber auch ein gewisses Kommunikationstalent mitbringen, um sich mit den verschiedenen Ebenen einer Organisation austauschen zu können. Ein Data Scientist stellt das Bindeglied zwischen allen Ebenen im Unternehmen dar. Er nimmt die Rolle eines „Übersetzers“ ein, weil er die Ergebnisse für die einzelnen Fachabteilungen genauso verständlich aufbereitet wie für das obere Management.

Außerdem setzt dieser Beruf ein gewisses Koordinationstalent voraus, nicht zuletzt weil bestimmte Aufgaben, wie zum Beispiel die Beschaffung der Daten, an andere Facharbeiter delegiert werden müssen. Kontrolle und Steuerung sollten jedoch immer in der Hand des Data Scientist bleiben.

Der Job eines Data Scientist ist es schließlich, aus großen Datenmengen Informationen zu generieren und Handlungsempfehlungen abzuleiten, die das Unternehmen befähigen, effizienter zu arbeiten. Dabei bedient er sich neuester Smart-Data-Analysetools und entwickelt Abfragen, die aus unübersichtlichen Datenmengen wertvolle Informationen destillieren. Anschließend werden Hypothesen abgeleitet, die statistisch überprüft und den jeweiligen Fachabteilungen oder dem Management als Entscheidungsgrundlage dienen: Aus Big Data wird Smart Data. Aus Smart Data werden konkrete Handlungsempfehlungen.

Denn, so die verantwortliche Data Scientistin Nadia Vazquez Novoa bei der InterFace AG: „Wer Muster und Abhängigkeiten findet, kann schneller und fundierter Entscheidungen treffen, Prozesse effektiver gestalten und Kosten sparen. Das gilt so ziemlich für alle Unternehmen jedweder Branche.”

Für welche Branchen hat Data Science Relevanz

In der Logistikbranche werden Transportnetzwerke völlig neuen Analysen unterzogen. Namhafte Hersteller im produzierenden Gewerbe beginnen mittels Big Data ihre Wertschöpfungsketten neu zu überdenken. In der Gesundheitsbranche verspricht man sich individualisierte Behandlungen und neue Methoden durch die richtige Auswertungen von Patientendaten. In der Handelsbranche ist es vor allem die Analyse des Kaufverhaltens, die Regressansprüche minimieren und die Anzahl zufriedener Käufer maximieren soll. Diese branchenübergreifende Auflistung ließe sich fortsetzen.

Entscheidender ist jedoch das Urteil der Data Scientistin der InterFace AG Johanna Griebel, die die Umsetzung von Smart-Data-Projekten observiert und die Anforderungen verschiedener Unternehmen genau kennt: „Diese sind so unterschiedlich wie Data Science selbst. Den einen Masterplan gibt es nicht.“ Jedoch lassen sich laut Frau Griebel einige grundlegende Erfolgsfaktoren herauskristallisieren

001-student

1. Von unten nach oben

Data Scientists kommen i.d.R. frisch aus dem Studium. Ihre Arbeitsweisen und Methoden bringen neuen Wind ins Unternehmen, der auch etablierten Mitarbeitern schmackhaft gemacht werden und zu einer Art „Aufbruchstimmung” führen muss.

001-brainstorming

 2. Interdisziplinäres Team

Data Science ist ein großes Feld: Man benötigt Expertise in Mathematik, insbesondere Statistik sowie in Informatik, Softwareentwicklung, u.v.m. Data Scientisten müssen Daten auch in betriebswirtschaftliche Kontexte setzen können. Die Leistung eines interdisziplinären Teams besteht vor allem darin, komplexe Sachverhalte auch an Laien im Unternehmen zu kommunizieren.

002-professor

3. Lebenslanges Lernen

Die Entwicklung von Analysemethoden und neuer Technologien bewegt sich stets am Limit des technisch Machbaren. Deshalb benötigt ein Data Scientist genügend Freiraum, sich in neue Methoden und Verfahren einzuarbeiten.

004-maps-and-flags

4. Open Source

Da eine weltweite Entwickler-Community laufend an neuen Analyseinstrumenten bastelt, kann die Leistungsfähigkeit von Open-Source-Anwendungen grundsätzlich als hoch bezeichnet werden. Die Auswahl eines Open-Source-Produktes sollte allerdings mit größtmöglicher Sorgfalt erfolgen. Hinreichende Performance und Sicherheit sind nicht bei allen Providern gegeben.

002-efficiency

5. Analysemethodik

Eine einzelne Methode, die jedes Problem lösen kann, existiert nicht. Data Scientists benötigen einen großen Werkzeugkasten, aus dem sie schöpfen können. Ganz im Sinne Paul Watzlawicks, der einmal sagte: „Wer als Werkzeug nur einen Hammer hat, sieht in jedem Problem einen Nagel.”

001-trucking

6. Branchenbezug

Bei Data Science gibt es keine alleinige branchenbezogene Strategie, die sich passgenau in einen Unternehmenskontext gießen ließe. Vielmehr gilt es, über den eigene Tellerand zu blicken und auch mit Methoden zu liebäugeln, die ursprünglich für andere Bereiche entwickelt wurden. Das bedeutet auch, die verschiedenen Branchen und deren Eigenheiten zu analysieren, um die wichtigsten Faktoren in diesen Bereichen identifizieren zu können.

003-chatting

7. Erwartungshaltung

Unternehmen sollten die Grenzen des Möglichen anerkennen. Data Science ermöglicht es zwar, Zusammenhänge besser zu verstehen und die Zukunft genauer zu prognostizieren, aber dennoch gilt: Der Grat zwischen Enthusiasmus und Unerfüllbarkeit ist schmal.

002-administrator

8. Projektverlauf und Anlage

Die Geschäftsführung ist dafür verantwortlich, Akzeptanz, Offenheit und Bereitschaft zu schaffen. Des Weiteren muss sie mit den Data-Science-Verantwortlichen zusammenarbeiten und Wissen wertschätzend teilen. Besonders ein agiles Projektmanagement lässt Fehler schneller erkennen und führt über ein effizientes „Learning” zu sichtbaren Erfolgen.

001-businessman

9. Fachabteilungen

Experten fühlen sich bedroht von der künstlichen Intelligenz und fürchten, Aufgaben und Wertschätzung zu verlieren. Hier muss ein solides Kommunikationsmanagement Fuß fassen und allen Beteiligten klar machen, dass beide Seiten – Data Science und Fachabteilungen – den nötigen Erfolgsbeitrag stiften. Alleine schon deshalb, weil es nicht darum geht Abteilungen zu ersetzen, sondern um automatisierte „Assistenzsysteme” zu entwickeln.

006-collaboration

10. Kommunikation

Schlussendlich hat Data Science sehr viel mit der Organisation der innerbetrieblichen Kommunikation zu tun. Einem Data Scientists kommt die Aufgabe zu, ein Verständnis für die abteilungsübergreifenden Herausforderungen herbeizuführen und komplexe statistische Analyseverfahren zu erläutern. Transparenz und Teamorientiertheit sind zwei nicht zu unterschätzende Hürden, um Data Science erfolgreich anzuwenden.


Autor: Redaktion InterFace AG
Bildquelle: Pexels, Shutterstock, flaticon.com
Veröffentlicht: 5. Mai 2017

Ihr Browser ist veraltet!

Bitte aktualisieren Sie Ihren Browser, um diese Website korrekt dazustellen.Den Browser jetzt aktualisieren

×