Das Ziel ist immer die Gewinnung von neuen Erkenntnissen auf Basis von Daten. Data Science stellt dafür fortschrittliche Methoden aus unterschiedlichsten mathematischen Bereichen zur Verfügung. Dem Scheitern eines Data Science-Projekts können schon deshalb verschiedenste Komplikationen zugrunde liegen. Die häufigsten Stolpersteine sind jedoch schnell identifiziert und mit vergleichsweise wenig Arbeit aus dem Weg geräumt. Unser Blog kann Ihnen helfen einige ganz typische zu vermeiden.

 

Interdisziplinäre Ausrichtung fehlt

Data Science ist als ein „Allround-Konzept“ anzusehen, denn das Fach vereint Bereiche aus der Mathematik, Statistik, Prognostik und nicht zuletzt Informatik. Kenntnisse im Umgang mit IT-Systemen respektive Wissen in Programmiersprachen à la Python & Co. dürfen zudem als Grundvoraussetzung erachtet werden. Darüber hinaus ist tiefgehende Fachexpertise notwendig. Nur wenn man die Prozesse versteht, lassen sich aus den zugehörigen Daten valide Erkenntnisse gewinnen.

Der Data Scientist agiert als Einzelkämpfer

Data Science vereint etliche Bereiche. Wer glaubt, ein „Allround-Genie“ der modernen Datenwissenschaft finden, geschweige denn beschäftigen zu können, unterliegt einem Irrtum beziehungsweise Wunschdenken. Der Datenkorpus aus Informatik, Prognostik, Statistik und nicht zuletzt Fachexpertise kann nur von einem starken Team separiert, untersucht, aufbereitet und in einen aussagekräftigen Kontext gebracht werden. Dies hat häufig zur Folge, dass schon in der Aufgabenvermittlung Missverständnisse bestehen: Oft wird schlicht der „falsche“ Datenspezialist beschäftigt. Dieser möchte sich nicht die Blöße geben und bemüht sich um ein zufriedenstellendes Ergebnis. Dies bleibt jedoch häufig hinter den Erwartungen des Auftraggebers zurück und spiegelt tatsächlich nicht das Potenzial eines datenwissenschaftlichen Analysemodells wider. Wir raten demnach, nicht einen einzelnen Datenspezialisten zu beauftragen, sondern ein Team aus den primären Fachbereichen zusammenzustellen. 

Die Kultur im Team stimmt nicht

Häufig herrscht Misstrauen gegenüber Data Scientists. Die klugen Köpfe werden als „Zahlenschieber“ und „IT-Nerds“ abgetan. Ein fataler Fehler. In solch einem Umfeld kann sich kein Team entfalten. Ein angemessenes Arbeitsklima gilt (auch) für jeden datenwissenschaftlichen Arbeitserfolg als Grundvoraussetzung. Ein separierter Arbeitsbereich und eine umfangreiche Autorisierung gelten ebenso wie ein herzlicher Empfang zu den Voraussetzungen für einen erfolgreichen Data Science-Projektstart.

Die zur Verfügung stehenden Daten werden dem Gesamtkonzept nicht gerecht

Zwar mag die gesammelte Datenmenge überzeugen, doch fehlende Analysen über vermeintlich nebensächliche Faktoren hebeln häufig die Effizienz des Data Science-Projekts aus. Darauf erhalten die handelnden Personen aber keinen, eingeschränkten oder nur aufwändig Zugriff.

Das Unternehmen verweigert die Handlungsweisen

Skepsis gehört zu den Herausforderungen, mit denen jede unternehmerische Neuausrichtung zu kämpfen hat. In Data Science-Projekten zeigt sich häufig die Kluft zwischen Theorie und Praxis: Was im Modell nahtlos klappt, kann in der Ausführung auf unvorhersehbare Komplikationen treffen. Die Simulation am Computer mag durch eine Anpassung des Algorithmus auf „Linie“ gebracht werden. Reale Faktoren jedoch lassen sich nicht auf Knopfdruck ändern und sind überdies häufig nicht zu erahnen: Änderungen von Marktbedingungen können ebenso schnell wie neue technische Errungenschaften auch relevante Bereiche beeinflussen. 

Die Umsetzung der Strategie gelingt nicht

Auch bei überwundener Skepsis gegenüber dem Data-Science-Projekt kann die letztendliche Umsetzung scheitern, denn viele Data-Science-Projekte sind „zu kurz gedacht“. Werden Bereiche außer Acht gelassen oder umständlich formuliert, summieren sich Unklarheiten und die Umsetzung scheitert.

 

Unsere Tipps für ein erfolgreiches Data Science-Projekt:

1. Beachten Sie alle Aspekte, die das Konzept der Data Governance mit sich bringt.

Datenqualität
Achten Sie darauf, dass nicht nur der Umfang, sondern auch die Reichweite und Versiertheit der Daten überzeugen.

Datensicherheit
Nicht erst seit dem Inkrafttreten der DSGVO sind rechtliche Aspekte zu berücksichtigen.

Datenzugriff
Gewähren Sie dem Data Scientist einen umfangreichen Zugriff auf die Unternehmensdaten. Zudem können sich Ausgaben für Studienzugänge auszahlen.

Datenverantwortlichkeit
Stellen Sie einen verantwortungsbewussten Umgang mit den Daten sicher. 


2. Stärken Sie die Position der Data Scientisten.

Die Bedeutung des Data Science-Projekts muss auf jeder Ebene klar formuliert werden. Unterrichten Sie Ihre Mitarbeiter über die Reichweite dieses Geschäftsbereichs und stellen Sie ein arbeitsfreundliches Klima sicher. Zudem gilt es, Vorurteile abzubauen und die Bereitschaft für neue Ansätze zu stärken.


3. Wählen Sie Ihr Data Scientist-Team mit Bedacht.

Kein Data Science-Projekt ist wie das andere und jedes Data Science-Projekt benötigt eine Reihe an Experten, die erst im Zusammenspiel ihr volles Potenzial entfalten können. Vereinen Sie deshalb Informatiker, Mathematiker, Analysten, Statistiker und Fachexperten in Ihrem Team. Ganz zu schweigen vom Data Engineer. Achten Sie zudem auf Feedback: Benötigt das Team weitere Unterstützung in einem Bereich, kümmern Sie sich um zusätzliches Fachpersonal.


4. Seien Sie offen für Neues.

Am Ende eines Data Science-Projekts können verschiedene Resultate stehen. Nicht selten offenbart eine datenwissenschaftliche Analyse auch Fehler im Management oder in der Zusammenarbeit. Diese Kritik zu akzeptieren und den Ergebnissen zu vertrauen fällt vielen Managern schwer. Seien Sie sich deshalb bewusst, dass ein Data Science-Projekt Veränderungen mit sich bringt. Machen Sie sich zugleich klar, dass dies der Weg zu einem intelligenten, datengetriebenen Unternehmen ist.

 

Gerne unterstützen wir Sie bei Ihrem Data Science-Projekt. Sprechen Sie uns an!

Was können wir für Sie tun?