3 keys successful data science

Immer mehr Unternehmen nutzen Big Data. Data Science spielt in vielen Organisationen inzwischen eine wichtige Rolle. Eine Studie von Continuum Analytics aus dem Jahr 2017 hat ergeben, dass 62 % der Unternehmen Data Science wöchentlich nutzen (31 % sogar täglich). 89 % der Unternehmen haben mindestens einen Datenwissenschaftler, der sich darum kümmert, dass Data Science im Unternehmen eingesetzt wird. Der Aufwärtstrend bei der Nutzung von Big-Data wird in einer weiteren Studie aus dem Jahr 2017 von Dresner Advisory Services bestätigt. Sie kommt zum Ergebnis, dass 53 % der Unternehmen Big Data inzwischen angenommen haben. 2015 waren es nur 17 %. Und bei AT Internet haben schon fast zwei Drittel unserer Kunden ein Data Science Projekt angestoßen!

 

Data Science wird zu einer der wichtigsten Prioritäten der Unternehmen und immer entscheidender für den Geschäftserfolg. Egal ob Data Science neu für Sie ist oder ob Sie bereits erfolgreich innovative Big-Data-Initiativen durchführen: Schauen Sie sich an, was die drei Geheimzutaten für ein erfolgreiches Data-Science-Projekt sind. (Schauen Sie sich unbedingt auch die Aufnahme von unserem Webinar mit dem Data-Scientist und -Strategen Dr. Sébastien Foucaud an: „Nutzen Sie die Kraft der Data Science„!)

 

Relevante und hochwertige Daten

Es ist keine Überraschung: Daten sind eine der Geheimzutaten für ein erfolgreiches Data-Science-Projekt.

 

An Daten heranzukommen, ist kein Problem – von E-Commerce über Medien bis zu Telekommunikationsunternehmen gibt es keine Branche, in der nicht massenhaft Daten zur Verfügung stehen: Digital Analytics Daten, Transaktionsdaten, CRM-Daten, Offlinedaten, Social-Media-Daten und so weiter. Es herrscht wahrlich kein Mangel an Daten und laufend werden exponentiell mehr erzeugt.

 

Aber lassen Sie sich vom „Big“ in „Big Data“ nicht in die Irre führen: Es reicht nicht einfach nur Zugriff auf massenhaft Daten zu haben. Damit Ihr Data-Science-Projekt Früchte tragen kann, brauchen Sie qualitativ hochwertige Daten, die für die Lösung der Aufgabe, der Sie sich stellen wollen, relevant sind.

 

„Wenn wir über Big Data reden, verstehen viele Leute fälschlicherweise darunter, dass sie viele Daten brauchen“, sagt Dr. Sébastien Foucaud. „Aber in Wirklichkeit braucht man nicht immer große Mengen. Es ist tatsächlich besser relevante Daten zu haben, die Ihnen Informationen über Ihre Nutzer oder Ihre Transaktionen geben anstatt nur ‚ganz viele Daten‘.“

 

Ihre Digital-Analytics-Daten können eine hervorragende Quelle für relevante und qualitativ hochwertige Daten sein (besonders wenn Sie mit einem Analytics-Anbieter zusammenarbeiten, der absolut zuverlässige, ungesampelte Daten liefert). Warum? Sie bieten ultra-detaillierte, umfassende und konsistente Informationen darüber, wie Nutzer über alle Geräte und Plattformen hinweg mit Ihrer Marke interagieren bis hinunter zur Ebene des einzelnen Visitors. Tools wie Data Flow erleichtern es Ihnen diese Millionen von Ereignissen zu extrahieren, die Daten zu bereinigen und anzureichern. Danach können damit innerhalb weniger Minuten Ihre Data-Science- und Machine-Learning-Projekte gefüttert werden.

 

Also denken Sie daran: Relevanz und Qualität gehen vor Quantität. Mit Ihrem Kapital an Digital-Analytics-Daten, haben Sie bereits eine gute Ausgangsbasis!

Leistungsstarke (aber zugängliche) Technologie

Sie haben die richtigen Daten um sie in Ihr Data-Science-Projekt einfließen zu lassen. Jetzt brauchen Sie die Technologie und Maschine Intelligence – die zweite Geheimzutat – um Ihnen die schwere Arbeit abzunehmen.

 

Schauen wir uns das im Überblick an und beantworten zunächst eine einfache Frage: Warum sollten wir uns bei der Auswertung unserer großen Datasets auf eine Maschine verlassen?

 

„Maschinen sind besser [als Menschen], wenn es darum geht Muster zu erkennen“, sagt Dr. Foucaud. Er führt den Aktienhandel oder Wettervorhersagen als allgemein verständliche Beispiele an, bei denen „historische Daten verwendet werden, um Trends und Muster für die Vorhersage der Zukunft zu nutzen.“ Mit dem Aufschwung bei der Verwendung von Deep Learning, stößt diese Technologie zur Mustererkennung in neue Bereiche unseres täglichen Lebens vor. Ein typisches Beispiel: Hochgradig genaue Gesichtserkennung für das Entsperren von Mobiltelefonen oder das Aufspüren von Personen durch Sicherheitskameras.

 

Ein anderes Gebiet, auf dem wir nicht mit Maschinen mithalten können ist die Optimierung komplexer Probleme. „Computer werden heute ganz selbstverständlich für die Optimierung verwendet – zum Beispiel im Verkehr oder in der Logistik um Güter effizienter zu liefern“, fügt Dr.  Foucaud hinzu. Wenn es darum geht spezifische Anforderungen am effizientesten und oder / günstigsten zu erfüllen, gewinnt immer die Maschinen-Intelligenz.

 

Prima, Computer sind also gut darin Muster zu erkennen und etwas zu optimieren. (Schön für sie.) Warum ist diese Technologie aber so ein wichtiger Bestandteil unserer Analytics- und Data-Science-Projekte?

 

Mit ihnen können wir über die „beschreibenden Analysen“ (eine Diagnose dessen, was bereits vergangen ist) hinausgehen und von „vorhersagenden Analysen“ (mit Hinweisen darauf, was als nächstes passieren wird) profitieren. Es sind sogar „anweisende Analysen“ (wie man beeinflusst, was als nächstes passiert) möglich. Natürlich wird der Nutzen Ihrer Daten für Ihr Unternehmen exponentiell wachsen, je mehr wirksame Hebel die Maschine für die Performance-Steigerung findet.

 

In den vergangenen fünfzehn Jahren wurden Machine Learning und entsprechende Algorithmen immer zugänglicher. Damit sanken die Hürden Data Science zu nutzen.  Es stellt sich nicht mehr die Frage, ob man Zugriff auf die proprietäre Technologie hat. Inzwischen stehen zahlreiche Open-Source-Libraries zur Verfügung, mit denen Data Scientists arbeiten können.

 

Die richtige Art von Experte

Mit qualitativ hochwertigen Daten und entsprechend leistungsfähiger Technologie haben Sie eine solide Grundlage für Ihr Data-Science-Projekt, aber das reicht noch nicht. Die dritte Geheimzutat, die Sie nicht unterschätzen sollten, ist die menschliche Intelligenz. Mit anderen Worten: Ihr Data Scientist.

 

Laut der oben erwähnten Studie von Continuum Analytics haben 56 % der Unternehmen Probleme damit den oder die richtigen Data Scientist(s) einzustellen. (Offenbar ging die Nachfrage durch die Decke, nachdem sich herumgesprochen hat, dass das der „sexiest Job des 21. Jahrhunderts“ ist!) Das ist nicht nur Hype: Jeder will einen Data Scientist. Es ist deshalb nicht unbedingt einfach den (richtigen) zu finden.

 

Die Suche ist zusätzlich kompliziert, weil Data Scientists sehr enge Spezialisierungen haben können. Deshalb ist nicht jeder Kandidat gleich gut für Ihr Data-Science-Projekt geeignet.

 

„Es gibt viele Arten von Data Scientists – nicht nur einen Typen“, sagt Dr.  Foucaud. „Es gibt diejenigen, die Insights aus großen Datenmengen ableiten und mit den Business-Stakeholdern zusammenarbeiten könnten … und diejenigen, die eher Machine-Learning-Ingenieure sind. Sie können komplexe Algorithmen für Ihre Plattform programmieren und mit Ihrem Produktteam zusammenarbeiten.“ Er fügt hinzu: „Typischerweise sind diese zwei Arten von Profilen sehr unterschiedlich.“

 

Deshalb kann es für Unternehmen eine Herausforderung sein zu bestimmen, welche Art von Data Scientist sie wirklich brauchen (und im Hinterkopf zu behalten, dass sich das je nach Data-Science-Projekt stark unterscheiden kann). Eine Lösung ist es einen digitalen Markt für solche Experten zu nutzen, wie zum Beispiel Certace, um die Auswahl von geprüften Datenwissenschaftler auf die Bedürfnisse Ihres Projekts abzustimmen. Viele Data Scientists arbeiten am liebsten auf selbstständiger Basis. Damit bleiben sie flexibel und können sich die Projekte aussuchen, die sie interessieren. Wenn Sie einen Markt verwenden um Ihre Data Scientists auszuwählen, können Sie je nach Bedarf auf diese erfahrenen Freiberufler zurückgreifen und sicherstellen, dass Sie die passenden Skills für Ihre verschiedenen Projekte bekommen.

 

Egal ob Ihr Unternehmen bei der Data Science noch ganz am Anfang ist oder schon profitable Ergebnisse vorweisen kann: Sie können sich sicher sein, dass Big Data und Machine Learning auch in den kommenden Jahren für viele Unternehmen eine der obersten Prioritäten haben wird. Lernen Sie in dieser Webinar-Aufzeichnung mehr darüber, wie Sie die Macht der Data Science für Ihr Unternehmen (und einige Use Cases in der Praxis) nutzen können:

Data Quality in Digital Analytics guide
Autor

Ashleys Heimat ist das Silicon Valley. Sie verfügt über 10 Jahre Erfahrung als Marketing Writer und hat zuletzt bei Google im digitalen B2B-Marketing gearbeitet. 2014 ist sie zu AT Internet gekommen um unsere internationale Kommunikation in 6 Sprachen auf- und auszubauen. Ihr Ansporn ist es, die Inhalte aus dem komplexen, sich unablässig verändernden digitalen Universum in klare, ansprechende und verlässliche Botschaften zu übersetzen – mit nichts als den richtigen Worten.

Comments are closed.