Data Science-Projekte: Drei Hindernisse auf dem Weg zum Erfolg

31.03.2021 Autor: Arjan van Staveren

Studien belegen: Unternehmen, die datengestützt agieren, sind erfolgreicher. Einer Analyse von Deloitte zufolge können sie ihre gesetzten Jahresziele sogar fast doppelt so häufig übertreffen wie jene, die noch keinen Mehrwert aus ihren gesammelten Informationen ziehen. Kein Wunder, dass immer mehr Unternehmen es sich gerade zum Jahresbeginn vorgenommen haben, ebenfalls auf diesen erfolgsversprechenden Zug aufzuspringen. Arjan van Staveren erläutert die größten Hindernisse, auf die sich Unternehmen bei der Umsetzung von Data Science-Projekten vorbereiten sollten:

1. Eine einfache und schnelle Verfügbarkeit

Der Zugang zu allen relevanten Daten ist einer der kritischsten Faktoren, der einem erfolgreichen Data Science-Projekt im Weg stehen kann. Über das Abschaffen der historisch gewachsenen Silos, in denen die Informationen der verschiedenen Abteilungen abliegen, wird zwar seit Jahren gesprochen. Dabei wird allerdings häufig übersehen, dass auch modernere Cloud-Lösungen keine Garantie für einen barrierefreien Datenfluss darstellen. In vielen Fällen haben diese ihre Wurzeln nämlich noch immer in traditionellen, lokalen Rechenzentren, weshalb sie die versprochene Leistung in der Praxis häufig nicht einhalten können.

Um diesen Hemmschuh abzulegen, ist es wichtig, sich vor dem Beginn eines jeden Data Science-Projekts zunächst die Frage zu stellen, welche Probleme die bestehende Infrastruktur verursachen und wie man diese bereits im Vorfeld vermeiden könnte. Es reicht dabei nicht aus, eine Infrastructure Cloud wie AWS oder Microsoft Azure zu implementieren. Um einen Mehrwert aus den Daten ziehen zu können, werden oft noch zusätzliche Application Clouds benötigt. SaaS-Lösungen wie die von Salesforce, ServiceNow oder SAP ermöglichen erst, die Daten je nach Bedarf analysieren und verwerten zu können.

Eine Lösung für dieses Hindernis könnte in der Nutzung der Data Cloud bestehen. Sie funktioniert wie eine Art Schnittstelle zwischen allen verwendeten Infrastructure und Application Clouds, die für die bedürfnisgerechte Datenspeicherung und -verarbeitung der verschiedenen Teams notwendig sind. Indem die Data Cloud diese flexibel verbindet, kann sichergestellt werden, dass alle Daten jederzeit verfügbar sind und somit in die Analyse des Data Science-Projekts miteinbezogen werden können.

Autor: Arjan van Staveren,
Country Manager Germany bei Snowflake

2. Die sichere Nutzung externer Daten

Für den Aufbau eines Datenpools, der groß und divers genug ist, um wertvolle Erkenntnisse daraus generieren zu können, führt kaum ein Weg an der Nutzung von Third Party-Daten vorbei. Jede andere Vorgehensweise wäre viel zu zeit- und kostenintensiv und stünde deshalb in keinerlei Verhältnis zum erhofften Output. Gleichzeitig bergen extern gesammelte Informationen aber auch ein hohes Risiko: Ist nicht ersichtlich, woher die Daten stammen oder wie und wann sie erhoben wurden, macht es keinen Sinn, den Erfolg des Unternehmens darauf zu begründen. Um für eine sichere Grundlage sorgen zu können, ist es deshalb dringend notwendig, sich nach vertrauenswürdigen Partnern umzuschauen, wobei der finanzielle Aspekt hier eher an zweiter Stelle stehen sollte.

Mindestens ebenso wichtig ist es, den Austausch externer Daten – egal ob mit Lieferanten, Kunden oder Geschäftspartnern – auf schnelle und effiziente Weise möglich zu machen. Damit ein Data Science-Projekt erfolgreich sein kann, ist die Einspeisung von hochwertigen und aktuellen Daten nämlich essentiell. Sollen beispielsweise Schwachstellen im Marketing aufgedeckt werden, nützt es nichts, dafür die Daten des vorletzten Quartals heranzuziehen. Je nach Saison kommt es zu großen Abweichungen, auf deren Grundlage sich zwar Ergebnisse liefern lassen, diese müssen für die jeweilige Fragestellung aber nicht zwingend die richtigen sein.

3. Ein Team für fortwährenden Erfolg

Daten sind das wertvollste Gut eines jeden Unternehmens. Ein Grundverständnis dafür über alle Abteilungen und Karrierestufen hinweg zu etablieren, ist deshalb das A und O. Nur, wenn alle gemeinsam an einem Strang ziehen, können die verfügbaren Daten auch ihr volles Potenzial entfalten. Doch die Annahme, Data Science-Projekte, die zu einem spürbaren Erfolg führen, ließen sich im Rahmen der bestehenden Teamstruktur einfach nebenbei durchführen, ist eine grobe Fehleinschätzung – nicht umsonst handelt es sich beim Data Scientist um einen etablierten und anspruchsvollen Beruf. Unternehmen, die langfristig umsatteln und datengestützte Entscheidungen fest in ihrem Geschäftsmodell verankern wollen, sind deshalb gut beraten, ein oder vielleicht sogar mehrere spezielle Teams für diese Aufgabe zu bilden. Wie viel Expertise hier konkret benötigt wird, ist ganz unterschiedlich und ist eng mit Faktoren wie der Größe oder der Branche des jeweiligen Unternehmens verknüpft.

Neben Data Scientists, welche über die entscheidenden Fähigkeiten verfügen, die es braucht, um große Datenmengen systematisch auszuwerten und Entscheidungen der Geschäftsführung darauf basierend zu unterstützen, ist auch die Anstellung sogenannter Data Stewards äußerst sinnvoll. Ihre Aufgabe besteht darin, die Datenqualität zu überwachen und Alarm zu schlagen, wenn diese losgelöst vom ursprünglichen Kontext zu Analysen herangezogen werden sollten.

Startschuss in eine datengestützte Zukunft

Wie jede wirtschaftliche Entscheidung will auch ein Data Science-Projekt gut geplant sein. Übermotivierte Schnellschüsse nützen keinem, sondern bewirken viel eher das Gegenteil und ehe man sich versieht, ist das investierte Kapital in den Sand gesetzt. Wer die zentralen Hindernisse jedoch kennt und diese gezielt angeht, kann eine nachhaltige Struktur aufbauen, die es für gut funktionierende Data Science-Projekte braucht. Mit der richtigen Infrastruktur und dem fest etablierten Expertenteam, ist das Unternehmen jederzeit auf der sicheren Seite und kann darauf vertrauen, dass aus den eingesetzten Ressourcen der bestmögliche Mehrwert resultiert.