Kommentar von Manuel de Francisco, Vinted Data Science & Analytics brauchen ausdifferenzierte Experten-Teams

Anbieter zum Thema

INFOMOTION GmbH

QUNIS GmbH

BigData-Insider

Täglich werden gigantische Mengen an Daten generiert. Das Empfangen, Verarbeiten und Analysieren dieser Informationen erfordert ständig neue Technologien und Speicherformate. Mit anderen Worten – die Verwaltung großer Datenmengen ist für Tech-Unternehmen eine komplexe Herausforderung.

In Zeiten, in denen sich technologische Tools schnell weiterentwickeln und sich Lösungen zur Analyse von Big Data ständig optimiert werden, ist es entscheidend, dass sich vor allem Tech-Unternehmen fortlaufend über die neuesten Entwicklungen informieren und überprüfen, inwieweit Anpassungen bezüglich ihrer Strategie vorgenommen werden müssen. Nur so können sie sicherstellen, sowohl innovativ als auch konkurrenzfähig zu bleiben.

Vermutlich jeder Experte und jede Expertin würde dem zustimmen: Effizienz im Bereich Data Science & Analytics ist essentieller Baustein, um am Markt relevant zu bleiben. Um sich innerhalb der eigenen Branche von den Wettbewerbern abzuheben, müssen sich Tech-Unternehmen daher entscheiden, auf welche Bereiche sie sich fokussieren wollen.

Welche konkreten Bereiche im Bereich Data Science & Analytics sind also für ein Unternehmen von zentraler Bedeutung, um die Verarbeitung großer Datenmengen so effizient wie möglich zu gestalten und so letztendlich auch Wachstum und Umsatz zu steigern?

Hubs of excellence – Effizienz mithilfe designierten Teams erreichen

Der beste Weg, um sich in der schnelllebigen Data-Science-&-Analytics-Branche auf dem Laufenden zu halten, ist, neue Technologien mit bereits vorhandenem Fachwissen zu kombinieren. Der Schlüssel zum Erfolg liegt einerseits in der Unternehmensstruktur und andererseits dem Potenzial der Mitarbeiterinnen und Mitarbeiter, das oftmals nicht vollständig ausgeschöpft wird. Neue Technologien bieten zwar fortschrittliche Lösungen, sie fordern allerdings auch neue Standards der Expertise. Unternehmen, die nicht in die Weiterbildung und das Fachwissen ihrer Mitarbeiter investieren, werden auf Dauer nicht mithalten können. Es ist daher an der Zeit, in die Data Science & Analytics Teams zu investieren – die dadurch erzielten Veränderungen werden den größten Effekt erzielen.

Während eine effektive Unternehmensstruktur also nicht zu unterschätzen ist, sollten wir dennoch auch einen Blick auf die Tools und Frameworks werfen, die ich empfehlen würde, um im dynamischen Feld von Data Science & Analytics weiterhin an der Spitze zu bleiben.

Die Zukunft heißt Data Mesh und setzt auf Cloud-basierte Lösungen

Durch die Implementierung eines Frameworks wie Data Mesh kann das Unternehmen ein hohes Maß an Agilität erreichen – vorausgesetzt, die Infrastruktur wird umfassend implementiert. Einer der Hauptvorteile ist die Tatsache, dass Data Mesh einen höheren Dezentralisierungsgrad vorweist als andere Strategien wie beispielsweise das traditionelle Data Warehousing. Das gibt den einzelnen Teams mehr Kontrolle über die Erfassung und Verarbeitung bestimmter Daten und ermöglicht ihnen, unabhängiger zu arbeiten und schneller eigene Entscheidungen zu treffen. So erhöht Data Mesh automatisch die Verantwortung jedes einzelnen Teammitglieds.

Insbesondere in Zeiten des Fachkräftemangels, der uns für eine noch unabsehbare Zeit begleiten wird, erhöht dieses Framework die Attraktivität eines Unternehmens für potenzielle Mitarbeiterinnen und Mitarbeiter. Moderne Datenarchitektur-Frameworks verlangen modernes Denken, und ich würde jedem empfehlen, der seine Data Science & Analytics Teams auf das nächste Level heben möchte Data Mesh zu implementieren. Dabei gilt es jedoch zu beachten: Je nach Branche, Geschäftsmodell, Produkttyp und Unternehmensstrategie gibt es viele verschiedene Variationen von Data Mesh.

Doch nicht nur das Framework muss evaluiert werden, sondern auch die Tools, mit denen das Team täglich arbeitet. Die Implementierung von Data Mesh erhöht zwar die Effizienz der Datenverarbeitung, aber es nützt nichts, wenn der Prozess aufgrund veralteter Technologien viel länger dauert, als theoretisch möglich wäre. Daraus wird deutlich, dass die Umstellung auf eine Cloud-basierte Datenspeicherung und -verarbeitung früher als später erforderlich ist.

Experimentation und Machine Learning als Priorität

Experimentation und Machine Learning sind zwei elementare Komponente unserer täglichen Arbeit. Aber wie sieht der beste Weg aus, um diese entscheidenden Aufgaben im beschriebenen Kontext der Arbeit mit dem Data Mesh Framework auszuführen? Aus meiner Erfahrung würde ich folgende Vorgehensweise empfehlen: Es ist wichtig, sicherzustellen, dass die Machine-Learning- und Experimentation-Funktionen innerhalb der Data Mesh Infrastruktur so konzipiert sind, dass sie gleichzeitig zwei Rollen einnehmen: Datenkonsument und Datenproduzent.

Datenkonsument bedeutet, dass Machine-Learning-Modelle durch die Verbindung und Extraktion von Daten erstellt werden können, die als Produkt aus verschiedenen Domänen bereitgestellt werden. Wenn die einzelnen Bereiche den für alle geltende Grundsätzen von Data Mesh folgen, sollten die Daten eine hohe Qualität aufweisen, einfach zu verknüpfen und gut dokumentiert sein. Das ist ein Schlüsselelement, das den Lebenszyklus für maschinelles Lernen beschleunigt, da innerhalb veralteter Strukturen Datenerfassung, Datenbereinigung und Datenverarbeitung von Data Scientists als zeitaufwendig und teilweise sogar frustrierend beschrieben werden.

Der zweite Teil besteht darin, das Machine Learning-System als Datenproduzent zu definieren. Ein praktisches Beispiel dafür ist die Sicherstellung, dass die Machine-Learning-Algorithmen ihre Ergebnisse zurück in das System schreiben, und dass diese automatisch und in Echtzeit von anderen genutzt werden können. Auf diese Weise können komplexe hybride Modelle erstellt werden, die Bewertungen, Meldungen und Ergebnisse von Machine-Learning-Modellen zusammenfassen, die von anderen Bereichen deiner Organisation initiiert wurden.

Das Gefühl von Eigenverantwortung ist entscheidend

Wie bereits erwähnt, sind für neue Technologien spezifische Fachkenntnisse auf Seiten der Mitarbeitenden erforderlich. Die Erfolgsquote hängt maßgeblich davon ab, wie das Team organisiert ist.

Vor allem schnell skalierende Unternehmen müssen darauf achten, ihre Teamstrukturen differenzierter zu organisieren und spezifische Verantwortlichkeiten so zuzuweisen, dass sie auf explizite Anwendungsfälle in der Datennutzung zugeschnitten sind. Es gibt keine allgemeingültige Lösung, aber erfahrungsgemäß haben wir festgestellt, dass die Aufteilung der Mitarbeitenden in drei verschiedene Rollen – Decision Scientist, Data Scientist und Analytics Engineer – es vereinfacht, individuelle Verantwortung und Zuständigkeiten während des Prozesses zuzuweisen. Ein Decision Scientist würde zum Beispiel eng mit dem Produktmanager zusammenarbeiten und deshalb sich vor allem mit dem Business-Aspekt befassen, während der Data Scientist Modelle für Machine Learning entwickelt und in die Produktion implementieren würde. Der Analytics Engineer ist für die Erstellung von Pipelines verantwortlich und stellt sicher, dass die Datenqualität zufriedenstellend und für die Data und Decision Scientists einsatzbereit ist.

Diese Rollen schaffen ein größeres Bewusstsein für Verantwortung und gleichzeitig ein Gefühl von Autonomie. So sind die Teams an keine starre Hierarchie gebunden. Die Individuen haben die Möglichkeit, sich weiterzuentwickeln – genauso wie die Technologie selbst.

Wachsen ohne Wachstumsschmerzen

Wie wir sehen können, ist der Aufbau einer soliden Teamstruktur und effizienter Arbeitsabläufe ebenso wichtig wie die Kenntnis der technischen Aspekte, um den vollen Nutzen aus Big Data zu schöpfen. Das Ziel sollte sein, weiter zu wachsen, ohne dass uns die Herausforderungen, vor die uns Big Data stellt, über den Kopf wachsen. Letztlich geht es darum, eine kontinuierliche Verbesserung und Anpassung der laufenden Prozesse anzustreben. Denn eines steht fest: Die Tech-Branche schläft nicht und schreitet unaufhaltsam voran.

(ID:48725959)