Mit Big Data zum Smart Enterprise

Organisatorische Verankerung von Data Science und Machine Learning im Unternehmen: Evolution statt Revolution? Unter dieser Fragestellung erläutert Dr. Lars Schwabe, Leiter des Data Insight Labs, wie Unternehmen sich zur datengetriebenen Organisation wandeln.

Big Data ist als Technologie in den Unternehmen angekommen, aber der Weg zum datengetriebenen und digitalisierten Unternehmen ist mit der Installation der Technologien nicht abgeschlossen. Was macht ein datengetriebenes Unternehmen aus? Wie können Data Scientists und Engineers Ihre Leistung „auf die Straße“ bringen? Um als datengetriebenes Unternehmen erfolgreich zu sein, bedarf es meist eines unternehmensweiten Kulturwandels, der empirisches und unternehmerisches Denken verbindet. Das lässt sich erreichen, wenn Data Scientists im Unternehmen ihre Denk- und Lösungsansätze verbreiten können, und zwar sowohl im Fachbereich als auch in die IT. Dafür sind die organisatorischen Rahmenbedingungen zu schaffen.

Die Evolution von Unternehmen hin zu Smart Enterprises zeigt ein breites Spektrum. Während einige Unternehmen ihre Reise zum datengetriebenen Unternehmen gerade erst begonnen haben, haben andere schon länger einen starken Fokus auf Daten und experimentieren bereits mit neuen Business Use Cases, um das bestehende Geschäft zu ergänzen und perspektivisch vielleicht zu dominieren.

Mithilfe von Data Science neue Business Use Cases entwickeln

Die entsprechenden Technologien sind dabei manchmal schon im Hause, oft durch Initiativen aus der IT, die proaktiv ihre neue Führungsrolle angenommen hat. Aber Technologien alleine werden ein Unternehmen nicht zum Smart Enterprise machen. Vereinzelt wird berichtet, dass Investitionen in Big-Data-Technologien getätigt wurden und man sich dann erst die Frage stellt: „Und was machen wir jetzt damit?“ Hier kommen in erster Linie datenaffine Business-Analysten ins Spiel, die ein gutes Gespür dafür haben, was mit Data Science und Machine-Learning-Methoden realisiert werden kann. So entstehen neue Business Use Cases, die verprobt werden können, beispielsweise in Proof-of-Concept-Implementationen oder in laborähnlichen Umgebungen.

Ein denkbares Szenario ist, in typischer Projektarbeit erfolgreich verprobte Business Use Cases in die IT-Backend-Systeme zu überführen und eine Übergabe in den Betrieb vorzunehmen. Ein datengetriebenes Unternehmen sichtet und bewertet dann kontinuierlich die eigenen Daten. Es überprüft die Business Use Cases und erarbeitet neue. Und dabei muss es sich an der Realität reiben: Nur solche Business Use Cases, die technisch und methodisch funktionieren und sich rechnen, werden überleben. Das sind alles keine großen Neuigkeiten. Der wesentliche neue Aspekt dabei ist jedoch, dass dies heute alles mit im Prinzip sehr guter Datenlage zur quantitativen Beurteilung der Situation passieren kann. Und mit einer hohen Geschwindigkeit.

Data-Science-Abteilung als Stabsstelle im Unternehmen

Ein solches Arbeiten ist erfolgreichen Wissenschaftlern sehr vertraut: Hypothesen formulieren, Daten erheben, Daten auswerten, analytisch Schlussfolgerungen ziehen und diese verwerten. Data Scientists und Machine-Learning-Experten sind die Wissenschaftler im Unternehmen. Aber wie können sie ihre Erfahrung am besten in Unternehmen verankern? Dazu folgende Überlegungen:

Die organisatorische Verankerung von Data Science und Machine Learning muss als eine Kette von Verankerungen gedacht werden. Wer das Fernziel im Auge hat, beispielsweise unternehmensweites datengetriebenes Denken, der sollte die Schritte dahin mit Bedacht wählen. Wo wäre beispielsweise eine „Data Science“-Abteilung anzusiedeln: als Stabsstelle, in den Fachabteilungen, in der IT? Warum nicht mit einer im Unternehmen gut vernetzten Stabsstelle beginnen und dann die Data Scientists – nach einigen Jahren – in die IT und/oder Fachabteilungen integrieren? LinkedIn hat einen ähnlichen Weg beschritten. Dort wurde eine der ersten „Data Science“-Abteilungen letztendlich aufgelöst und das Wissen ist mit den Mitarbeitern in die Abteilungen gewandert.

Data Science ist ein transientes Thema. Wenn Data Scientists und die Softwarehersteller für die entsprechenden Werkzeuge erfolgreich sind, dann machen sich „Data Science“-Abteilungen überflüssig. Wer in fünf Jahren noch eine eigene „Data Science“-Abteilung hat, der ist bei der Digitalisierung gescheitert. Das empirische Denken, das Data Scientists vorleben sollten, muss nachgeahmt und verinnerlicht werden.

Machine Learning ist essenziell für datengetriebene Unternehmen

Machine Learning ist eine Aufgabe für IT-Abteilungen. Während Predictive Analytics und eine Next Generation Business Intelligence (BI) von Analysten gestemmt und vorangetrieben werden können, so ist der Produktiveinsatz von Machine Learning abhängig von Entwicklern, die sich primär auch als solche verstehen, aber einen Blick für das Wesentliche in der Domäne des Machine Learning haben. Methodisch ist der Übergang von Business Intelligence zu Data Science und Machine Learning zwar fließend. Machine Learning ist aber zumindest in einem Aspekt weitaus IT- und informatiklastiger: der strikte Fokus liegt auf Mechanisierung und Automatisierung. Die Aufgaben für ein angewandtes Machine Learning werden gerade erst sortiert. Es zeigt sich aber bereits jetzt, dass die Kombination der Expertise von Entwicklern und DevOps-Enthusiasten mit einem Blick für das Wesentliche im Machine Learning für datengetriebene Unternehmen essenziell sein wird.

Der Artikel von Dr. Lars Schwabe wurde zuerst auf euroforum.de im Rahmen des CeBIT Innovation Day „Mit Big Data zum Smart Enterprise“ 2016 veröffentlicht.

Zum Artikel auf www.euroforum.de

Um die Website und Services für Sie zu optimieren, werden Cookies verwendet. Durch die weitere Nutzung der Website stimmen Sie der Verwendung von Cookies zu. Nähere Informationen finden Sie hier.