Mobile-Menu

Gewinnbringende Datenanalyse Mit Agilität zum Ziel: Das Potenzial von Data Science & Analytics effizient ausschöpfen

Ein Gastbeitrag von Manuel de Francisco*

Anbieter zum Thema

Can Do GmbH
NetModule AG
Elunic AG

Technologieunternehmen sind aufgrund des wachsenden Datenaufkommens auf Analytiker angewiesen. Damit sich aus Rohdaten nützliche Erkenntnisse gewinnen lassen, müssen aber die Arbeitsprozesse ebenso wie die Tools oder Frameworks regelmäßig überprüft und angepasst werden.

Die massiv steigenden Datenaufkommen in Unternehmen können nur von Experten umfassend analysiert werden.
Die massiv steigenden Datenaufkommen in Unternehmen können nur von Experten umfassend analysiert werden.
(Bild: frei lizenziert / Pixabay)

Data Science & Analytics-Experten sind aktuell gefragter denn je. Vor allem Tech-Start-ups sind aufgrund des weiterhin massiv steigenden Datenaufkommen auf Experten angewiesen, die diese Unmengen an Rohdaten umfassend analysieren können. Zentrales Ziel ist es, Erkenntnisse zu gewinnen, die sich positiv auf das Geschäft des Unternehmens auswirken.

Möchte ein Tech-Unternehmen eine progressive Form von Data Science & Analytics etablieren, gilt es unterschiedliche Bereiche zu berücksichtigen.

Zeitgemäße Arbeitsprozesse und die richtigen Teamkonstellationen

Neben technischen Optimierungsprozessen und neuen Erkenntnissen aus der Datenwelt darf die zwischenmenschliche Komponente nicht unterschätzt werden. Transparenz und Kommunikation sind deshalb auch in der IT-Branche unerlässlich. Um die Motivation innerhalb der Teams aufrechtzuerhalten, kommt es vor allem darauf an, den Teammitgliedern von Anfang an zu vermitteln, welche konkreten Aufgaben in ihren Verantwortungsbereich fallen. Dabei hilft es, auf ausdifferenzierte Teamstrukturen und Arbeitsprozesse zu setzen, die stetig evaluiert und angepasst werden müssen. Hierfür bietet es sich an, drei Funktionen zu etablieren. Der Decision Scientist arbeitet gemeinsam mit dem Produktmanager, dem Entwickler und Designer des Unternehmens zusammen, um Geschäftspotenziale zu entdecken und Hypothesen zu bewerten. Der Data Scientist ist für die Implementierung und Entwicklung verschiedener maschineller Lernmodelle verantwortlich, die in den Produkten eingebettet werden, während der Analytics Engineer sicherstellt, dass alle Daten von hoher Qualität und bereit für die Verarbeitung sind.

Flache Hierarchien, gepaart mit Autonomie und Eigenverantwortung sind dabei ein wichtiges Mittel zum Erfolg. Nur, wenn sich neben der Technologie auch die einzelnen Teammitglieder weiterentwickeln können, kann das volle Potenzial von Data Science & Analytics ausgeschöpft werden. Denn gerade in diesem so schnell voranschreitenden Fachbereich gilt: Wer rastet, der rostet.

Langfristig führt kein Weg an cloud-basierten Lösungen vorbei

Wir leben in einer Zeit, in der tagtäglich 2,5 Trillionen Byte an Daten generiert werden. Um diese Mengen an Informationen zu verarbeiten und zu speichern, bedarf es enormer Speicher- und Computerkapazitäten mit agilem Skalierungspotenzial. Physische PCs vor Ort verfügen jedoch nicht mehr über die notwendigen Kapazitäten. Während die Datenmengen also immer gigantischer werden, müssen auch die Leistungen der Rechner größer werden. Die Lösung liegt in der Cloud. Das spart nicht nur viel Zeit, weil die Prozesse auf cloud-basierten Lösungen deutlich schneller ablaufen. Das Speichern der Daten lässt sich auch sehr viel präziser und transparenter skalieren, je nachdem, welche Datenmengen für welchen Algorithmus bearbeitet werden müssen. Ein weiterer Vorteil: Es kann ganz konkret der Return on Investment bestimmt werden, denn das Unternehmen sieht schwarz auf weiß die dezidierten Kosten, um ein bestimmtes Modell zu durchlaufen, welche sich anschließend mit dem expliziten Effekt dieses Modells auf das laufende Geschäft abgleichen lassen.

Eine aktuelle Umfrage des Research- und Beratungsunternehmens Gartner prophezeit, dass Betriebe, die nicht rechtzeitig eine cloud-basierte Strategie einführen, es in Zukunft schwer haben werden. Doch wie gelingt der Umstieg reibungslos?

Moderne Tools steigern nicht nur die Agilität des Unternehmens

Organisationen, die großen Wert auf moderne Tools und innovative Ansätze zur Datenverwertung legen, steigern auch ihre Beliebtheit für potenzielle Bewerber. Gerade Techtalente wie Data Science & Analytics-Experten gehören im aktuellen Fachkräftemangel zum raren Gut. Unternehmen, die nicht die neuesten Technologien oder keine modernen Data Frameworks nutzen, fallen schnell durch das Raster und werden bei der Jobsuche nicht beachtet.

Aktuell in aller Munde ist das Thema Data Mesh. Der große Vorteil von Data Mesh ist, dass es das absolute Gegenteil der bisher üblichen zentralisierten Ansätze darstellt: Es handelt sich dabei um ein dezentralisiertes, domaingesteuertes Datenarchitektur-Framework, das den Austausch der Daten über das ganze Firmen hinweg vereinfachen soll. Data Mesh fördert die Agilität des Unternehmens, indem die Teams eigenständiger arbeiten und Entscheidungen schneller getroffen werden können.

Vor der Einführung dieser neuen Organisationsstruktur sollten sich die für den Datenbereich Verantwortlichen ausführlich mit der aktuellen Organisation auseinandersetzen, um den analytischen Reifegrad zu definieren. Es muss herausgefiltert werden, welche Herausforderungen beseitigt werden müssen, um den Wert der Daten zu maximieren. Außerdem sollten jene Geschäftsbereiche identifiziert werden, die am meisten von diesem dezentralen Ansatz der Datenverarbeitung profitieren würden. Bis dato gibt es allerdings noch kein standardisiertes Einführungsverfahren sowie verschiedene Varianten des Frameworks.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Datenverantwortliche müssen einige Faktoren berücksichtigen, um ein geeignetes Architekturmodell für ihr Unternehmen zu finden. Unter anderem:

  • Wie nützlich sind zentrale Teams?
  • Kann durch die Implementierung im ganzen Unternehmen ein Mehrwert geschaffen werden?
  • Wie sind die einzelnen Geschäftsbereiche miteinander verbunden? Welche können besser isoliert betrieben werden?
  • Bestimmung des Reifegrades der Technik- und Datenteams.
  • Bewusstsein über die Feinheiten bei der Pflege von Altsystemen.

Fazit: No risk, no fun!

Möchte ein Unternehmen den bestmöglichen Mehrwert aus Data Science & Analytics ausschöpfen, muss es auch bereit sein, Neues zu riskieren. Dazu gehören neue, zunächst eventuell ungewohnte Team-Konstellationen, aber auch die Integration modernerer Tools und Frameworks. Nur so kann eine Organisation langfristig konkurrenzfähig bleiben und ihre Attraktivität am hart umkämpften Arbeitsmarkt ausbauen, während im Operativen der maximale Nutzen aus Big Data gezogen wird.

* Manuel de Francisco ist Senior Director Data Science & Analytics bei Vinted.

(ID:48973166)

Weiterführende Inhalte