| Analytics

Wie Data Science erfolgreich ins Unternehmen integriert werden kann

Das Data Science-Team sollte am besten zentral ins Unternehmen eingebunden werden.
Bild: MEV Verlag GmbH, Germany

Ohne Datenanalyse geht heute nichts mehr – das wissen alle. aber einfach ist das Ganze nicht. zum einen braucht man die Fachleute, die Data Scientists, zum anderen stellt sich die Frage, wo sie angesiedelt sein sollen. je komplexer die Anforderungen, desto besser sei ein zentrales Team von Datenexperten, meint Gastautor Simon Nehls.

In allen Unternehmen mit mehr oder weniger komplexen Geschäftsprozessen ist die anfallende Datenmenge heute enorm. Es hat sich mittlerweile herumgesprochen, dass eine gezielte Analyse dieser Daten unterschiedliche positive Effekte für ein Unternehmen bringt. Der Bedarf an Data Science-Know How ist deshalb groß wie nie, und der Kampf um diese Ressourcen zwischen den Abteilungen ist bereits in vollem Gange.

Eigenes Data Science-Team bringt Wettbewerbsvorteile

Ausschlaggebend für eine sinnvolle Analyse von Daten sind diejenigen Personen, die einerseits Zugriff auf die vielen unterschiedliche Datenquellen haben und andererseits über ein tiefes Verständnis verfügen, was man aus diesen Informationen herauslesen und mit ihnen erzielen kann. Es ist kein Geheimnis mehr dass ein Unternehmen mit einem eigenen, professionellen Data Science-Team im Besitz eines entscheidenden Wettbewerbsvorteils ist.
So hoch das Thema Data Science unter Business-und IT-Führungskräften gehandelt wird, so ernüchternd ist die Situation am Arbeitsmarkt, wenn es darum geht, diese Experten anzuheuern. Aus dieser Not heraus haben sich in den letzten Jahren in Unternehmen einzelne Mitarbeiter in das große Feld der Data Science hineingearbeitet. Doch der oft intrinsisch motivierte Datenbastler und Frickler, der die Nische „Analyse“ in seinem Unternehmen mit sehr hohem unternehmensinternen Daten- und Prozesswissen besetzt, kommt mittlerweile an seine Grenzen.

Professionalisierung von Data Science

Um immer komplexeren Business-Tasks, der Entwicklung neuer Produkte und Dienstleistungen und der Optimierung von Prozessen gerecht zu werden, sind Unternehmen zunehmend auf analytische Einsichten von Data Science Teams angewiesen, die nicht nur technisch versiert sind, sondern auch über Markt-Know-how verfügen und gleichzeitig gute Kommunikatoren sind. Als Folge erlebt der Bereich Data Science in den letzten Jahren eine zunehmende Professionalisierung und Standardisierung.
In unserem Beratungsalltag erleben wir immer häufiger, dass ein Unternehmen uns nach Unterstützung beim Aufbau eines schlagkräftigen Data-Science-Teams fragt. Bei der Umsetzung stellt sich dann bald die die Frage, ob und wie man die oben beschriebene „One-Man-Show“ institutionalisiert und damit in das Netzwerk eines Unternehmens beziehungsweise dessen Organigramm einpasst. Im nächsten Schritt ist dann unbedingt zu klären, ob man die Data-Science-Kompetenz in einem Team bündelt oder dezentral über verschiedene Abteilungen verteilt.

Die Anwendungsfälle

Welches Ziel verfolgt ein Unternehmen mit dem Aufbau eines Data-Science-Teams? Welches Data-Science-Produkt entwickelt das Team? Die Antworten auf diese Fragen sind kritisch und sollten früh geklärt werden. Bei der Definition der Zielsetzung und des Data-Science-Produkts ist die Unterscheidung zwischen Ad-hoc-Analyse und analytischer Applikation entscheidend:
Ad-hoc-Analyse: Eine Analyse ist statisch und wird nicht produktiv genutzt bzw. ist nicht in den Kontext einer Anwendung eingebunden. Ein klassisches Beispiel wäre hier eine Kundensegmentierung, die auf einem Snapshot der Kundenbasis zu einem gewissen Zeitpunkt entstanden ist. Es werden Handlungsempfehlungen abgeleitet, umgesetzt und zu einem späteren Zeitpunkt evaluiert. Dies geschieht aber nicht fortlaufend.
Am anderen Ende des Kontinuums steht die analytische Applikation: Die Segmentierung wird genutzt, um Kunden, die auf eine Webseite kommen, zu kategorisieren und die Nutzererfahrung so zu individualisieren. Die Verarbeitung der dafür nötigen Information kann zur Laufzeit geschehen. Der Kunde einer Data-Science-Abteilung muss jedoch nicht immer der Endkunde sein; so gibt es die Möglichkeit, interaktive Applikationen für einen kleinen Kreis, beispielsweise nur im Intranet zur Verfügung zu stellen. Das kann zum Beispiel eine interaktive Visualisierung einer Szenariorechnung sein. So lässt sich für das Management direkt erkennen, wie sich gewisse Entscheidungen (simuliert) auf den Geschäftserfolg auswirken. Denkbar ist hier zum Beispiel die interaktive grafische Aufbereitung von Wechselströmen von Kunden zwischen verschiedenen Tarifen auf Basis der relativen Preisunterschiede zweiter Produkte.

Schlagworte zum Thema:  Analytics, Big Data, Marketing

Aktuell

Meistgelesen