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 BrachtChief 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

http://www.eoda.de/


@eodaGmbH

@eodaGmbH eodaGmbH

blog.eoda.de

eoda GmbHUniversitätsplatz 12

34127 [email protected]

+49 561 202724-40

Die Data Science Spezialisten.

Date post:	11-Apr-2017
Category:	Data & Analytics
Upload:	eoda-gmbh
View:	19 times
Download:	0 times

Erfolgsfaktoren von Data Science

Data & Analytics