Erfolgsfaktoren von Data Science

www.eoda.de 130.03.2017 eoda GmbH©
Die Data Science Spezialisten.
12 Erfolgsfaktoren von Data Science

Data Mining, Künstliche Intelligenz, Neuronale Netze oder Maschinelles Lernen: Data
Science kursiert derzeit unter vielen Begriffen. Ihnen gemeinsam ist die Extraktion von
Wissen aus Daten – einem Thema, das Unternehmen aller Branchen, Universitäten und
den gesellschaftlichen Diskurs zunehmend beschäftigt.
Einige Unternehmen betreiben bereits heute erfolgreich Data Science, andere haben das
Potenzial erkannt und suchen nach dem richtigen Einstieg. Wieder andere arbeiten an
der Implementierung von analytischen Anwendungen in ihre IT-Landschaft. Oliver
Bracht, Chief Data Scientist der eoda GmbH, leitet seit Jahren Analytik-Projekte und
kennt die Anforderungen der Unternehmen sehr genau: „Diese sind so heterogen wie
Data Science selbst. Den einen Masterplan gibt es nicht.“
Einige grundlegende Erfolgsfaktoren lassen sich laut Bracht jedoch identifizieren.
Oliver Bracht
Chief Data Scientist

Die Erfolgsfaktoren im Überblick
• Einstieg
• Team
• Weiterbildung
• Entwicklung
• Toolset
• Analysemethoden
• Branchenbezug
• Erwartungshaltung
• Projektverlauf
• Projektanlage
• Fachabteilungen
• Kommunikation

• Einführung von Data Science in Unternehmen: Bottom-Up-Prozess
• Berufseinsteiger und Praktikanten bringen neue Impulse
• Umgang mit Programmiersprachen wie R
• Positive Überraschung über die analytischen Möglichkeiten für etablierte Mitarbeiter und
Geschäftsführung
Es kann ein Sog entstehen, der Energie freisetzt
und Aufbruchsstimmung erzeugt
Der Einstieg

• Data Science ist ein weites Feld und steht für interdisziplinäre Fähigkeiten
• Statistik, Informatik, Mathematik, Softwareentwicklung und Fachwissenschaften mit statistischem Schwerpunkt
• Kombination mit einem tiefgreifenden Verständnis von Geschäftsprozessen
• Ausgeprägte Kompetenz, komplexe Sachverhalte auch Laien kommunizieren zu können
Data Science ist daher vor allem eines: die Leistung eines Teams mit unter-
schiedlichem fachlichen Hintergrund und unterschiedlichen Kompetenzen
Das Team

• Rasante Entwicklung von Analysemethoden, Frameworks und Technologien
• Kombination aus mathematisch-technischer Komplexität und technischen Herausforderungen
• Data Science bewegt sich oft am Limit des technisch machbaren
• Massiv parallele Systeme oder die Verlagerung der Analysen von der CPU auf die GPU erfordern tiefgehende
architektonische Kenntnisse
• Langfristiger Erfolg bedingt Freiraum, um sich in neue Methoden und Verfahren einarbeiten zu können
• Dieser Freiraum muss sich auch im Projektmanagement abbilden
Wenn Data Scientists die Freiheit durch die Auslastung im Tagesgeschäft verlieren,
geht der Anschluss an State-of-the-art-Technologien nach und nach verloren
Die Weiterbildung

• Data Scientists sind selten als Softwareentwickler ausgebildet
• „Hacking-Skills“ entwickeln sich meist nebenbei
Analysen, die näher an operative Systeme rücken, erfordern die
strukturierte Vorgehensweise der Softwareentwicklung
• Dazu zählen Code-Versionierung, Unit Testing, Performanceoptimierung oder standardisierte
Dokumentationen
Die Entwicklung

• Die Wahl der richtigen Tools hängt vom jeweiligen Anwendungsfall und der Vorliebe des Teams ab
• Data Science setzt im Kern aber auf Open Source
• Die Gründe dafür: Leistungsfähigkeit, Schnittstellen zu den Hochsprachen (Java, C etc.),
Businessanwendungen (SAP, Salesforce etc.) und zu Datenbanken aller großen Anbieter
Open Source Lösungen wie die Programmiersprache R lassen sich besonders
flexibel in bestehende Prozesse einbetten
Das Toolset

• Wahl der Analysemethode sollte sich am Problem orientieren
• Es ist wichtig einen großen Methodenkoffer zur Verfügung zu haben
• Eine einzelne Methode, die jedes Problem lösen kann, existiert nicht
• Häufig sind Kombinationen verschiedener Methoden (Ensemble-Modelle, mehrstufige Analysen)
erfolgreicher als einzelne Verfahren
• Bei der Wahl der Methoden sollte zudem die Zielgruppe der Analysen im Auge behalten werden
• Fachabteilungen brauchen ein Mindestmaß an Akzeptanz bezüglich der eingesetzten Verfahren
Eine transparente und nachvollziehbare Vorgehensweise baut Barrieren ab und schafft
Akzeptanz – Dies ist bei einigen Analysemethoden leichter zu realisieren als bei anderen
Die Analysemethoden

• Data Science ist immer in einen Branchen- und Unternehmenskontext eingebunden
• Fokussierung auf die eigene Branche sollte dennoch nicht zu stark sein
• Branchentransfer ist ein weiteres Erfolgskonzept von Data Science
Der Blick über den Tellerrand lohnt sich: Häufig lassen sich Methoden, die ursprünglich
für andere Bereiche entwickelt wurden, auf die eigenen Anwendungsfälle übertragen
Der Branchenbezug

• Große Chance für Unternehmen Zusammenhänge zu erkennen und für die Zukunft zu prognostizieren
• Aber: Es ist wichtig die Grenzen des Möglichen anzuerkennen
• Datenqualität spielt in diesem Zusammenhang eine große Rolle
• Kontextuelle Einbettung ebenfalls sehr wichtig
• Viele Verfahren sind hypothesenfrei
• Es ist nicht notwendig im Vorhinein Vermutungen über Zusammenhänge zu formulieren
• Das heißt nicht, dass man beliebige Daten out-of-the-box an einen Algorithmus übergeben kann, der
Fragen beantwortet, die noch gar nicht gestellt wurden
Der Grat zwischen Begeisterung für die Chancen und
unrealistischen Erwartungen ist schmal
Die Erwartungshaltung

• Data Science gleicht einer Entdeckungsreise
• Die Schätze, die es dabei zu finden gilt, liegen jedoch nicht unbedingt dort,
wo man sie im Vorfeld erwartet hat
• Es bedarf Offenheit bei Fachabteilungen und Geschäftsführung gegenüber einem hochgradig agilen
Vorgehen
Transparenz und kontinuierliche Kommunikation helfen, Fachabteilungen
und Geschäftsführung mit auf die Entdeckungsreise zu nehmen
Der Projektverlauf

• Gerade für Unternehmen, die ihre ersten Gehversuche im Bereich Data Science machen, ist die
Projektanlage elementar
• Typischerweise verlaufen Data-Science-Projekte entlang dreier Reifegradstufen:
1. Definition und Bewertung potentieller Use Cases
2. Umsetzung der erfolgsversprechendsten Use Cases als Proof-of-Concept
3. Integration erfolgreicher Proof-of-Concept-Lösungen in den Produktivbetrieb
• Dadurch lassen sich Potenziale und Probleme frühzeitig erkennen
• Fail-Fast ist das Stichwort
• Fehlschläge vermeiden, um Ressourcen effektiv einzusetzen
Die Projektanlage

• Fachabteilungen hegen Skepsis gegenüber Data Science
• Es besteht die Sorge, durch Data Science, Machine Learning sowie künstliche Intelligenz, Aufgaben und
Wertschätzung zu verlieren
• Diese Zurückhaltung aufzulösen ist die Grundbedingung für den Erfolg von Data-Science-Projekten
• Zwei Aspekte sind dabei wesentlich:
• Data Science muss deutlich machen, dass der Fachbereich die führende Rolle behält
• Der Fachbereich sollte motiviert werden, Data Science mit inhaltlicher
Expertenkompetenz zu unterstützen
• Data Science und Fachbereich liefern den Erfolgsbeitrag für das gemeinsame Ziel
• Es geht darum Assistenzsysteme zu entwickeln, die dabei helfen, bessere Entscheidungen zu treffen
Die Fachabteilungen

• Neben der fachlichen Aufgabe kommt den Data Scientists die Aufgabe zu, ein Verständnis für die
Herausforderungen und Fragestellungen der Fachabteilungen zu entwickeln
• Außerdem müssen komplexe statistische Verfahren verständlich erklärt werden
• Statistische Fachtermini gilt es gegenüber den Fachabteilungen zu vermeiden
• Das Vorgehen sollte möglichst nachvollziehbar dargestellt werden
Die Kommunikationskultur im Unternehmen spielt eine entscheidende Rolle für
den Erfolg von Data-Science-Projekten
Die Kommunikation

eoda ist ein auf Data Science spezialisiertes IT-Unternehmen. Das Portfolio umfasst Consulting,
Analytic Services, Produkte und Training.
Die Leistungen erstrecken sich dabei über den gesamten Workflow von der Datenerfassung über die
Analyse und Interpretation der Ergebnisse bis hin zur Integration von Analyse-Workflows in
bestehende Prozesse und Applikationen. Das interdisziplinäre Team von eoda kombiniert fundiertes
Wissen über Geschäftsprozesse mit der kompetenten Anwendung der passenden statistischen
Analyseverfahren.
In Deutschland ist eoda der Vorreiter der freien Statistiksprache R und bietet
herstellerneutral ein umfassendes Portfolio zum produktiven Einsatz von R an.
www.eoda.de
Über die eoda GmbH

@eodaGmbH
@eodaGmbH eodaGmbH
blog.eoda.de
eoda GmbH
Universitätsplatz 12
34127 Kassel
www.eoda.de
info@eoda.de
+49 561 202724-40
Die Data Science Spezialisten.

Erfolgsfaktoren von Data Science

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (6)

Similar to Erfolgsfaktoren von Data Science

Similar to Erfolgsfaktoren von Data Science (20)

More from eoda GmbH

More from eoda GmbH (10)

Erfolgsfaktoren von Data Science