Data Science Management (eBook)

Einleitung: Ein Handbuch zum Management von Data Science

Ein typisches Szenario: Ein mittelständisches Unternehmen mit Milliardenumsatz vollzieht die digitale Transformation. Die Zukunft des Unternehmens liegt in einer effektiven und effizienten Nutzung von Daten, das ist allen Beteiligten klar. Erste Schritte werden unternommen, es wird investiert, Ziele werden gesteckt, und es vergehen einige Monate. Doch dann kommt der Prozess ins Stocken.

In den Abteilungen des Unternehmens finden sich bereits Menschen, die Datenanalysen durchführen. Dies sind Menschen mit einem Studium in Betriebswirtschaftslehre oder Wirtschaftsinformatik. Es soll wohl auch einen promovierten Physiker geben, der sehr gut in Statistik ist. Man hat vor einiger Zeit alle Mitarbeitenden mit entsprechenden Kompetenzen zusammengezogen und in der IT-Abteilung gebündelt. Die dortige Leitung weiß aber nicht so recht, welche Ziele verfolgt werden sollen, die das Unternehmen voranbringen könnten. Die Verortung in diese Abteilung scheint zwar nicht verkehrt, da man sich auf kurzem Dienstweg Zugang zu Datenbanken und anderen IT-Ressourcen verschaffen kann, aber es bleibt unklar, woran man nun konkret arbeiten soll. Es gibt viele Ideen, aber keine konkreten Projekte, die wertstiftende Ergebnisse liefern.

Das Management des Unternehmens wird langsam unruhig, hatte man doch schon vor Monaten eine Strategie verabschiedet, die das Unternehmen in eine datengetriebene Zukunft führen sollte. Nach einigen Gesprächen mit der IT-Abteilung kristallisiert sich heraus, dass sich Ziele und Mission der Datenanalystinnen und -analysten sowie der Data Scientists klar an der Strategie des Unternehmens orientieren müssen. Da die Entwicklung von Strategien zum Bereich der Geschäftsführung gehören, werden die Data Scientists organisatorisch hier verortet. Die Sprache, die Art der Kommunikation und das hierarchische Gefälle ändern sich schlagartig. Es wird klar, wohin es langfristig gehen soll. Doch leider bleibt über Wochen unklar, was konkret umgesetzt werden soll. Die Reiseziele kennen nun zwar alle, aber das Transportmittel bleibt ungewiss.

Das Unternehmen hat nun also eine Strategie, kompetente Mitarbeitende, eine technische Infrastruktur und sicherlich auch schon umfangreiche Datenschätze aus den operativen Systemen der Fachabteilungen – und doch führen die Bemühungen nicht zu den gewünschten Erfolgen. Es fehlt etwas, das die verschiedenen Komponenten zusammenhält und gleichzeitig entsprechende Prozesse in Gang bringt und antreibt. Zum einen fehlt es an einer klaren Rolle für die Steuerung dieses Prozesses, die weder vom Topmanagement noch von der Leitung der IT-Abteilung oder einer anderen Fachabteilung wahrgenommen werden kann. Zum anderen fehlt ein Management- und Prozessmodell, um entsprechende Datenanalyseprojekte auch über längere Zeiträume hinweg planen und kalkulieren zu können – es werden zwar viele kleine Projekte angefangen, konnten bisher aber nie in größere, nachhaltige und gewinnbringende Anwendungen überführt werden.

Und es fehlt noch eine Zutat, die im Englischen oft als Secret Sauce bezeichnet wird: eine Kultur, die datengetriebene Entscheidungen ermöglicht und Mitarbeitende kollaborativ an Datenanalysen arbeiten lässt.

Das hier dargestellte Beispiel ist zwar fiktiv, basiert aber auf den Erfahrungen, die wir in den letzten zehn Jahren in verschiedenen Rollen als Berater, Data Scientists, Projektmanager und Professoren in der Zusammenarbeit mit Technologie-Start-ups, klassischem deutschem Mittelstand, öffentlich finanzierten Forschungsinstituten und Großkonzernen mit vielen Subunternehmen sammeln durften. Es ließen sich immer wieder zwei Hürden identifizieren, an denen viele Projekte scheitern: das Fehlen einer dezidierten Rolle für das Management von Data-Science-Projekten und unterschiedliche Vorstellungen davon, wie solche Projekte organisatorisch zu gestalten sind.

Für wen ist dieses Buch besonders geeignet?

Um Unternehmen für die oben geschilderten Herausforderungen zu wappnen, haben wir das Konzept für dieses Buch entwickelt. Hier lernen Sie und lernt ihr, was Daten sind und wie man mit ihnen umgeht, wie Datenanalysen durchgeführt werden und welche Werkzeuge hierfür heutzutage infrage kommen. Wir schauen uns den Prozess der Datenwertschöpfung von Anfang bis Ende an und analysieren, wie mit Daten ein Mehrwert für das Unternehmen generiert werden kann. Dabei nehmen wir Sie und euch mit auf eine Reise durch die Datenmodellierung und -verarbeitung und zeigen Best-Practice-Ansätze. Schließlich präsentieren wir Wege, wie man Data-Science-Projekte organisieren kann und als Unternehmen in diesem Bereich erfolgreich wird und bleibt. Zusammengefasst, bietet dieses Buch Folgendes:

• eine Einführung in das Management von Data-Science-Projekten aller Größenordnungen bis hin zur Data Science Governance von Unternehmen,
• einen umfassenden Überblick über konkrete Vorgehen in Data-Science-Projekten,
• einen Einblick in die Schritte zur Automatisierung und Operationalisierung für produktive Data-Science-Anwendungen,
• ein Schritt-für-Schritt-Vorgehen im Data-Science-Lifecycle sowie
• Techniken für den Umgang mit Daten und Stakeholdern für eine erfolgreiche Datenmodellierung.

Wir wollen mit diesem Buch Individuen und Unternehmen in die Lage versetzen, zu verstehen, was Data Science ausmacht und welcher Methoden man sich bedienen kann, um die Komplexität zu managen. Dabei steht für uns im Vordergrund, die Methoden aus dem Bereich Data Science einzuführen, aber nicht erschöpfend zu diskutieren. Für einen umfassenden Überblick über den Bereich Data Science und mögliche Anwendungsfelder empfehlen wir »Data Science für Unternehmen« von Foster Provost und Tom Fawcett (mitp 2017). Entsprechendes statistisches Grundwissen vorausgesetzt, gibt es außerdem sehr gute praktische Einführungen, beispielsweise Datenanalyse mit Python von Wes McKinney (O’Reilly 2023) oder Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow von Aurélien Géron (O’Reilly 2023). Wir wollen die Grundzüge dieser Methoden unseren Leserinnen und Lesern allerdings nahebringen, damit sie ein breites Wissen über die Arbeitsweise von Data Scientists entwickeln können. Gleichwohl wollen wir dafür werben und Verständnis dafür aufbauen, dass Data Science nicht als Monolith in Unternehmen funktioniert, sondern aktiv in bestehende Strukturen eingebettet werden muss, um zu den Zielen und dem Erfolg des Unternehmens beizutragen.

Die wertstiftende Auswertung von Daten betrifft viele Menschen in Unternehmen, da immer mehr datengetriebene Entscheidungen getroffen werden. Dasselbe gilt für die Unternehmen: Immer mehr Unternehmen analysieren ihre Daten. Das Besondere an unserem Buch ist die deutsche Sprache, die das Buch auch für Menschen in kleinen und mittelständischen Unternehmen interessant macht, die bei englischsprachigen Büchern eventuell eine zu große Sprachbarriere sehen. Ganz konkret richtet sich das Buch an:

• Entscheidungsträgerinnen und Entscheidungsträger sowie Managerinnen und Manager, die Data Science in ihrem Unternehmen einführen wollen,
• Verantwortliche für Projekte und Product Owner im Umfeld von Data Science, Big Data und Data Analytics,
• IT-Verantwortliche, die den Data-Science-Bereich ausbauen und stärken wollen,
• Data Scientists, die sich über statistische und technische Fähigkeiten hinaus fortbilden wollen,
• Studierende in den Bereichen Data Science, Statistik, Wirtschaftsinformatik, BWL, VWL, Digital Business usw. sowie an
• alle interessierten Menschen, die sich weiterbilden möchten.

Was ist Data-Science-Management?

Data Science ist eine interdisziplinäre Wissenschaft, die sich bei den Theorien und Methoden anderer Disziplinen wie Mathematik und Statistik, Computerwissenschaften bzw. Informatik sowie entsprechenden Domainwissenschaften und beim Branchenwissen (also beispielsweise der Betriebswirtschaftslehre im Kontext von Business Analytics) bedient. Das Ziel von Data Science ist es, Entscheidungsprozesse mit Daten bzw. Datenanalysen zu unterstützen.

In Abbildung E-1 ist die Interdisziplinarität visualisiert. Diese bringt es mit sich, dass sich Data-Science-Teams aus Personen mit sehr unterschiedlichen fachlichen Hintergründen zusammensetzen können und mit verschiedenen Stakeholder-Gruppen (beispielsweise anderen Fachabteilungen oder diversen Kundengruppen) zusammenarbeiten.

Abbildung E-1: Venn-Diagramm der Fähigkeiten und Disziplinen, die Data Science ausmachen, in Anlehnung an Drew Conway1

Das Venn-Diagramm nach Conway zeigt eine Schwäche: Es fehlt die soziale Komponente, die als Kitt zwischen den Disziplinen dient. Interdisziplinarität kann nur funktionieren, wenn Kommunikation stattfindet und es Strukturen gibt, die diese ordnen. Es bedarf also des Managements des Zusammenspiels zwischen Menschen mit ihren unterschiedlichen fachlichen Hintergründen und methodischen...