Data Science-Projekte: Unternehmensdaten (richtig) verwerten – Sebastian Heinz im Interview
Herr Heinz, Unternehmensdaten gelten im Digitalzeitalter oft als das eigentliche Kapital vieler Betriebe. Liegt da Vieles brach?
Vielen Unternehmen ist bereits klar geworden, dass ihre Daten ein zentraler Baustein für den künftigen Unternehmenserfolg sein werden. Ich würde noch einen Schritt weiter gehen und behaupten, dass Daten – neben Arbeit, Boden und Kapital – ein vierter Produktionsfaktor in der digitalen Ökonomie werden beziehungsweise. bereits geworden sind. Noch weitergedacht sind es nicht nur Daten, die den Erfolg treiben, sondern die Möglichkeiten und Fähigkeiten, diese Daten zu nutzen oder überhaupt erst nutzbar zu machen. Eher an dieser Stelle liegt in vielen Unternehmen und Konzernen der Hase begraben. Noch klafft ein eklatanter Gap zwischen der allgemeinen Erkenntnis der Wichtigkeit von Daten und der tatsächlichen Ableitung von Maßnahmen daraus für das Unternehmen.
Der Wandel hin zum digitalen Unternehmen oder Konzern ist langwierig und wird ein Generationenthema werden. Die meisten Unternehmen scheitern nicht daran, neue, datengetriebene Produkte oder Services zu entwickeln, sondern an der Herausforderung, den digitalen Wandel in die Köpfe der Mitarbeiter zu transportieren. Traditionelle Konzerne mit mehreren hunderttausend Mitarbeitern müssen sich neu ausrichten – und das nicht nur in den Führungsetagen, sondern bis in die kleinsten Parzellen. Ein Kunde von uns hat es einmal treffend formuliert: Deutsche Konzerne sehen in puncto Digitalisierung aus wie ein Dinosaurier, dem man ein Jetpack aufgeschnallt hat.
Um Geschäftsdaten und -prozesse zu optimieren, müssen Ihnen die Unternehmen ihr Allerheiligstes zunächst für Analysezwecke anvertrauen. Wie freigiebig sind Unternehmen hierzulande mit ihren Firmendaten?
Die Weitergabe der Daten an unser Team ist in den allermeisten Fällen kein Problem – das ist in den meisten Unternehmen ein standardisierter Prozess. Typischerweise arbeiten wir in unseren Beratungsprojekten auch auf beziehungsweise mit den IT-Infrastrukturen des Kunden. Somit verlassen die Daten des Kunden in der Regel nie das Unternehmen. Interessanterweise ist es in der Praxis häufig schwieriger, die zur Analyse benötigten Daten innerhalb eines Unternehmens aufzuspüren und zu konsolidieren. Aufgrund dezentraler IT-Systeme, Datensilos und Konzernpolitik kann es einige Zeit dauern, bis alle benötigten Daten beisammen sind. Die IT-Systeme unserer Kunden sind oft sehr heterogen aufgestellt und historisch gewachsen.
Wie sieht ein Data Science-Projekt bei STATWORX typischer Weise aus? Womit arbeiten Sie, wovon gehen Sie aus, wo wollen Sie hin?
Die Art, wie Data Science-Projekte geplant und umgesetzt werden, hat sich bei unseren Kunden in den letzten Jahren stark verändert. Wo vor zwei bis drei Jahren eher das Sondieren und Experimentieren im Vordergrund stand, spielen heute Themen wie Skalierung, Implementierung und Deployment von Modellen eine wichtige Rolle. In unserem Beratungsansatz vermitteln wir unseren Kunden einen ganzheitlichen Blick auf die gesamte End-2-End-Strecke eines Data Science-Projekts. Diese beginnt bei der strategischen Erarbeitung und Priorisierung des Data Science, ML und AI Use Cases im Unternehmen (Data Strategy), geht dann über die strukturierte Datenakquise und Aufbereitung (Data Engineering) hin zur Entwicklung der Modelle und Algorithmen (Data Science) bis hin zur Überführung der Modelle in einen fortlaufenden Betrieb (Data Operations). Ein für uns logischer Schritt ist auch die Schulung von Mitarbeitern (Data Academy). Wir sind keine Beratung, die Black Box-Lösungen verkauft. Wir sind ferner davon überzeugt, dass nur solche ganzheitlich betrachteten und umgesetzten Data Science-Projekte einen langfristigen Erfolg für das Projekt und das Unternehmen sichern können.
Sie entwickeln datengetriebene Unternehmenslösungen. Welche Rolle spielen bei dieser digitalen Zielbestimmung noch Entscheidungen des Faktors Mensch?
Auch heute ist der Mensch nach wie vor ein zentraler Faktor in der Gleichung – AI und Automatisierung hin oder her. Ich kenne nur wenige deutsche Unternehmen, die Prozesse oder ganze Abteilungen durch die Anwendung von Machine Learning oder AI vollautomatisiert haben. Aktuell befinden wir uns eher in einer Art Vorstufe. In dieser fungieren Modelle primär als Entscheidungsunterstützung für Menschen, ersetzen diese jedoch nicht. Die Maschine liefert Prognosen und Vorschläge, der Mensch entscheidet und handelt entsprechend. Obwohl ich davon überzeugt bin, dass viele Tätigkeiten in Unternehmen in den nächsten Jahren teil- oder vollautomatisiert werden, sollte man auch immer die Sinnhaftigkeit dieses Vorhabens hinterfragen – aus unternehmerischer, logischer und menschlicher Sicht.
Bei STATWORX arbeiten Informatiker, Volks- und Betriebswirte, Statistiker und Psychologen. Ist ein Unternehmen, das sich an den Algorithmen Ihrer Modelle orientiert, auf Dauer das erfolgreichere?
Es gibt bereits zahlreiche Studien, die belegen, dass Unternehmen, in denen datengetrieben entschieden wird, erfolgreicher sind als solche, die dies nicht tun oder noch nicht den gleichen Reifegrad erreicht haben. In der Zukunft werden Algorithmen beziehungsweise die Qualität der Algorithmen ein entscheidender Differenzierungsfaktor für den Erfolg des Unternehmens sein. Nehmen Sie als Beispiel das Thema autonomes Fahren: In der Vergangenheit haben Sie die Entscheidung, einen Mercedes, BMW oder Audi zu kaufen auf Faktoren wie Design des Fahrzeugs, Image der Marke, Ausstattungsvarianten, Preis und so weiter getroffen. Wird autonomes Fahren nun zur Realität, vertrauen Sie Ihr Leben einem Algorithmus an, der sie in einem Fahrzeug von A nach B befördert. Zwangsweise werden sie Ihre Kaufentscheidung nun auch an der Qualität des autonomen Systems orientieren, also an Faktoren wie Unfallquote, Zuverlässigkeit und Geschwindigkeit des Systems oder der gesamten Usability. Digitale Geschäftsmodelle krempeln nicht nur die Unternehmen um, sondern auch deren Kunden. Die Frage, die sich hierbei stellt ist, ob alteingesessene Unternehmen die Agilität und Kompetenz besitzen, auf diese Änderungen von Kundenbedürfnissen reagieren zu können.
Wie flexibel können Ihre wissenschaftlichen Unternehmensmodelle auf Marktveränderungen, individuelle Entscheidungen oder unerwartete Ereignisse reagieren?
Ein Machine Learning oder AI Modell ist ein lebender Organismus, der im Zeitverlauf adjustiert, mit neuen Daten rekalibriert und gewartet werden muss. Dabei funktionieren die meisten Modelle so, dass sie basierend auf historischen Daten Muster erkennen, die sie dann in die Zukunft extrapolieren. Dabei kann es selbstverständlich immer wieder vorkommen, das gewisse Ereignisse oder Muster in der Vergangenheit nicht beobachtet wurden und somit für das Modell unbekannt sind. Dies kann zu Verzerrungen und Abweichungen der Prognosen führen. Entsprechend müssen diese neuen Daten dann im Rahmen einer teilweisen oder vollständigen Rekalibrierung und Wartung des Modells mit einbezogen werden, um künftig robuster zu sein. Ein guter Data Scientist weiß das selbstverständlich – viele Kunden haben diesbezüglich noch einen eher unrealistischen Erwartungshorizont und müssen entsprechend abgeholt und geschult werden.
Eine gute Analyse* ist eine Sache, sie in den Unternehmensalltag zu implementieren meist eine Herausforderung. Wie praxistauglich sind Ihre Beratungskonzepte?
Hier sprechen Sie ein zentrales Thema an. Schlussendlich generieren Daten und Modelle nur dann einen Mehrwert, wenn diese auch tatsächlich implementiert, also im Unternehmensalltag, vom Fachbereich oder auf der Website des Kunden eingesetzt werden. Hierzu müssen die, meist in agilen Labor-Umgebungen entwickelten, Modelle und Algorithmen in die IT-Infrastrukturen des Kunden implementiert werden. Viele Unternehmen machen hierbei den Fehler, ihre Prototypenentwicklungen nicht rechtzeitig mit den Fragen und Herausforderungen der Konzern-IT zu harmonisieren. Dies ist darin begründet, dass meist kein ganzheitlicher Ansatz für die Entwicklung und Implementierung von Data Products existiert, sondern stattdessen nur prototypisch experimentiert und „ausprobiert“ wird. Weiterhin bedeutet auch jede Modell-Implementierung eine Anpassung des bisher geltenden Prozesses. Mitarbeiter des Unternehmens müssen anders arbeiten, denken oder entscheiden. Auch hier gilt: je früher und besser die Stakeholder in das Data Science-Projekt involviert werden, desto besser gelingt die Implementierung des Modells.
Verstehen Sie Ihre Data Science-Projekte als einen einmaligen Optimierungsservice oder sollten sie langfristig in die Unternehmensplanung integriert werden?
Datengetrieben zu denken und zu entscheiden ist kein Einmalprojekt. Vielmehr ist es eine der zentralen Herausforderungen jedes Unternehmens, sich auf den digitalen Wandel einzustellen. Wir leisten hierzu durch unsere Beratungsprojekte einen wichtigen Beitrag – jedoch muss jedes Unternehmen am Ende des Tages diesen Weg für sich aus eigener Kraft gehen. Den digitalen Wandel kann man nicht einfach extern einkaufen wie eine Bilanzprüfung – man muss ihn sich erwirtschaften, erarbeiten und gegenüber Mitbewerbern verteidigen.
Sie bieten in der STATWORX Academy auch Schulungen zu verschiedenen Data Science und Machine Learning Tools für einen qualifizierten Umgang mit Unternehmensdaten an. Wie viel sollte ein Chef heute von Machine Learning und Informatik verstehen, um sein Unternehmen erfolgreich zu führen?
Damit Data Science, Machine Learning und AI funktionieren, müssen Führungskräfte grundsätzliche Konzepte und Thematiken verstehen, jedoch nicht bis ins Letzte. Aus einem Manager wird man keinen Data Scientist machen können und umgekehrt eher auch nicht. Data Science Teams funktionieren insbesondere dann gut, wenn die Aufgaben klar verteilt sind und auch jeder seine Aufgabe wahrnimmt. Im Unternehmenskontext ist dabei immer wichtig, zwischen Business und Data Science Team zu übersetzen – entweder durch eine dedizierte Rolle im Team oder durch den Einsatz von Mitarbeitern der Fachabteilung im Data Science Team als Stakeholder oder Subject Matter Expert. In der STATWORX Academy bieten wir beispielsweise mit dem Data Science Hands-on ein Format an, das wir speziell für Fach- und Führungskräfte konzipiert haben. Hierbei erlernen die Teilnehmer an zwei Tagen die wichtigsten Grundlagen in Data Science und Machine Learning und wenden diese im Rahmen von vielen Praxisbeispielen End-2-End an – ganz ohne Programmieren. Weiterhin bieten wir im Data Science Bootcamp ein besonders innovatives Format an, das an fünf Tagen einen Schnellstart in die Welt von Data Science, Machine Learning und AI vermittelt. Das Bootcamp bildet die ideale Ausgangsbasis für eine Weiterentwicklung in diesem Bereich. Künftig werden wir auch noch speziellere Formate für Manager und C- beziehungsweise GL-Mitglieder in unser Academy Portfolio aufnehmen. Diese werden noch komprimierter und intensiver die relevanten Inhalte adressatengerecht vermitteln.
STATWORX ist seit seiner Gründung 2011 schnell gewachsen und verfügt mittlerweile neben seinem Hauptsitz in Frankfurt über zwei weitere Dependancen. Welche Ziele haben Sie für die nächsten drei Jahre?
Die nächsten drei Jahre werden eine spannende Zeit! Wir werden die Digitalisierung in Deutschland durch unsere Tätigkeiten und Projekte an vorderster Front gemeinsam mit unseren Kunden mitgestalten. Dabei verfolgen wir weiterhin das Ziel, unseren Kunden die bestmögliche Beratung im Bereich Data Science Machine Learning und AI zu bieten. Die Qualität unserer Dienstleistung ist für uns nach wie vor von höchster Priorität. Das schaffen wir, indem wir unsere jetzigen als auch neue Mitarbeiter gezielt ausbilden und qualifizieren sowie unsere Unternehmenskultur von Innovation, Begeisterung und Verantwortung festigen und gemeinsam mit unserem Team weiterentwickeln. Ferner werden wir in den Bereich Produktentwicklung investieren, um unsere langjährig akkumulierten Erfahrungen, Modelle und Codes für Kunden standardisiert besser nutzbar machen zu können. Auch wir müssen uns den Herausforderungen der Digitalisierung stellen!
Herr Heinz, wir danken für Ihre interessanten Antworten.
Das Interview mit Sebastian Heinz führte Oliver Foitzik.
—
*Siehe dazu auch an anderer Stelle unser Interview über die klassischen Fehler der Datenanalyse.
Über STATWORX
STATWORX ist eine erfolgreiche Frankfurter Unternehmensberatung für Data Science, Machine Learning und AI mit Niederlassungen in Zürich und Wien. Das 2011 gegründete Unternehmen hat sich auf die Analyse von Unternehmensdaten und Modulationen spezialisiert, die Unternehmensprozesse optimieren und die Vermarktung von Produkten verbessern sollen. Zudem bietet das Unternehmen ein umfangreiches Schulungsangebot zu Technologien aus dem Data Science- und Machine Learning-Umfeld an.
