Kommentar von Hermann Hebben, Qunis

Dieses Potenzial haben Citizen Data Scientists

| Autor / Redakteur: Hermann Hebben / Nico Litzel

Der Autor: Hermann Hebben ist Geschäftsführer der Qunis GmbH
Der Autor: Hermann Hebben ist Geschäftsführer der Qunis GmbH (Bild: Steffen Vierkorn)

Unternehmen sind bereit für Big Data und Advanced Analytics, der Mangel an erfahrenen Data-Science-Experten erweist sich jedoch als ernstzunehmender Hemmschuh. Die neu entstehende Funktion des Citizen Data Scientist kann hier Abhilfe schaffen und Digitalisierungsprojekten zu einem Boost verhelfen.

Die Digitalisierung produziert Unmengen und eine bisher nie dagewesene Vielfalt an Daten. Das Generieren von Mehrwert aus diesen Big Data wird für Unternehmen und Institutionen zunehmend zum erfolgskritischen Faktor. Es gilt, die neuen polystrukturierten und oft schnell entstehenden Massendaten zu erschließen und in verbesserte Prozesse und Produkte oder sogar ganz neue Geschäftsmodelle und Dienstleistungen zu überführen. Mit den Methoden und Technologien der Artificial Intelligence und des Machine Learning eröffnet speziell die Advanced Analytics viele interessante Einsatzfelder und Möglichkeiten zur wirtschaftlichen Nutzung der Daten.

Die benötigten Technologien für das Arbeiten mit Big Data stehen bereit, sie entwickeln sich rasant weiter und sind in der Regel direkt und kosteneffizient als Cloud-Angebote verfügbar. Unverzichtbar für die Umsetzung von Advanced-Analytics-Vorhaben ist jedoch auch eine durchdachte Datenstrategie, die alle Fragen rund um die technische Systemintegration, die Data Governance und das unternehmensweite Data Quality Management (DQM) regelt. Diese gilt es auszuarbeiten und im Unternehmen zu etablieren. Darüber hinaus gibt es neue fachliche Anforderungen und Aufgabenfelder wie die Definition komplexer Algorithmen für das Heben wirtschaftlicher Potenziale oder das Deployment der entstandenen Data Science Services.

Der Data Scientist – eine zentrale aber rare Ressource

Zur Erledigung der neuen Advanced-Analytics-Aufgaben werden Experten mit vielfältigen mathematischen, technischen und prozessualen Skills und Kompetenzen benötigt. Der Data Scientist nimmt dabei eine Schlüsselrolle ein. Mit seinem tiefen Einblick in die Fachbereiche formuliert er die Projektanforderungen, kümmert sich um die Themen Datenmanagement und DQM unter Beachtung der Data Governance und übernimmt die Definition von Datenmodellen und Algorithmen. Er hat tiefe mathematisch-statistische Kenntnisse, kann programmieren, kennt sich mit Datenschutz und sonstigen Compliance-Regeln aus und verfügt über umfangreiches Business-Know-how. Kurzum, der Data Scientist ist ein Allrounder mit viel Spezialwissen und umfassender Erfahrung. Kein Wunder daher, dass diese Fachkräfte äußerst gefragt und ziemlich rar sind und dass viele Digitalisierungsvorhaben schlichtweg wegen dieser fehlenden Skills und Ressourcen stagnieren.

Auch mit verstärkt ausgebildetem Nachwuchs von den Universitäten wird der steigende Personalbedarf in naheliegender Zeit kaum zu decken sein; denn was diesen fehlt ist schlicht und ergreifend die Berufserfahrung. Das bezieht sich sowohl auf die Einschätzung tauglicher Business Cases als auch auf das ganze Feld der Datenbewirtschaftung. Vom Zugriff auf diverse Datenquellen über die Definition der Schnittstellen bis hin zum Aufbau von Data Warehouses oder dem Umsetzen von Data Lake-Konzepten – das technische und organisatorische Datenmanagement im modernen heterogenen Systemumfeld ist eine nicht zu unterschätzende Herausforderung und benötigt neben dem technischen Know-how ebenfalls viel Praxis- und Projekterfahrung.

Arbeitsteilung, Tools und das Konzept des Citizen Data Scientists (CDS)

Abhilfe für dieses Ressourcen-Dilemma kann Arbeitsteilung schaffen. Ein Ansatzpunkt ist die Entlastung des Data Scientists von Routinen im Datenmanagement. Speziell bei der Datenakquisition können technisch versierte Experten, die sogenannten Data Engineers, den Data Scientist gut unterstützen. Ein zweiter Ansatzpunkt, der sich derzeit am Markt für analytische Applikationen abzeichnet, ist die zunehmende Verlagerung von analytischem Know-how in die Systemwelt. Etablierte BI-Anbieter beispielsweise erweitern ihr Portfolio um Datenvisualisierungstools, die Visual Analytics ohne Programmieraufwand unterstützen. Per Drag-and-drop können hier Datenströme hinzugefügt, verbunden und analysiert werden, und im Hintergrund laufen die neuesten Algorithmen für die fortgeschrittene Datenanalyse. Auch die Branche der AI-Spezialisten liefert unter der Bezeichnung „Augmented Analytics“ anwenderorientierte Werkzeuge, die Funktionen zur Automatisierung der Datenaufbereitung, Erkenntnisfindung und Datenanalyse enthalten.

Mithilfe dieser anwenderorientierten Frontends können geübte BI Power User, die ein mathematisch-statistisches Grundverständnis sowie Interesse an Analytics mitbringen, bestimmte Aufgabenfelder der Data Science übernehmen und so neben den Data Engineers ebenfalls ihren Teil dazu beitragen, das begehrte Skillset des Data Scientists zu erfüllen. In diesem Zusammenhang kristallisiert sich derzeit ein neues Rollenbild heraus. Wir sprechen vom Citizen Data Scientist (CDS), der mit den richtigen Tools in der Lage ist, analytische Aufgaben auszuführen und auch selbst Modelle zu erstellen, die fortgeschrittene Analysen, Vorhersagen und präskriptive Funktionen enthalten.

Der Begriff „Citizen Data Scientist“ wird dabei eher als Etikett denn als Jobbeschreibung verwendet. Gemäß Definition des Analystenhauses Gartner kommt der CDS typischerweise aus der Fachabteilung, bringt viel Business-Know-how und ein Grundverständnis im Umgang mit Daten ein, muss aber nicht über das gleiche tiefe mathematisch-statistische Wissen wie der Data Scientist verfügen. Denn der CDS wird von Tools mit einer hohen Usability unterstützt, die bereits vielfältige Funktionalität aus den Bereichen Künstliche Intelligenz und Machine Learning in ihren Bordmitteln enthalten und damit ein hohes Maß an Self-Service Data Science ermöglichen.

Internes CDS-Potenzial heben

Viele Unternehmen sehen die Weiterbildung und systemtechnische Unterstützung ihrer eigenen Personalressourcen als die beste Möglichkeit, ihre personellen Lücken im Bereich Data Science in nächster Zeit zu füllen. Geeignet sind hier die bereits genannten BI Power User, die lernbereit und neugierig darauf sind, Data Science und vorhersagende Algorithmen für ihre Geschäftsprozesse zu erkunden. Im Gegensatz zum klassischen BI-Anwender, der auf der Basis vorgefertigter Daten-Cubes arbeitet, bewegt sich der CDS dabei auch auf der Ebene der Rohdaten, um explorativ neue Erkenntnisse zu generieren. Weitere aussichtsreiche Kandidaten für Citizen Data Science sind Ingenieure mit Hintergrundwissen aus Mathematik, Statistik und Modellierung.

Im Grunde kann jeder Fachanwender oder IT-Spezialist, der ein Grundverständnis für die Datenarbeit mitbringt, den Umgang mit Self-Service-Data-Science-Werkzeugen erlernen. Die Technologie wird so zum Schlüssel für den Aufstieg von Citizen Data Science. Gartner schätzt, dass im Jahr 2020 über 40 Prozent der Data-Science-Aufgaben automatisiert laufen werden. Damit wird Advanced Analytics für alle im Unternehmen zugänglich gemacht und kann sich künftig auch in der Breite in den Fachabteilungen etablieren.

So wird der CDS zum Erfolgsfaktor

Die Ausbildung geeigneter Personen zu CDS ist ein erfolgsversprechender Ansatzpunkt, um die analytische Organisation im Unternehmen weiterzuentwickeln. Ein wesentlicher Vorteil ist dabei, dass die neuen Data-Science-Experten ihr bereits vorhandenes unternehmensspezifisches Business-Know-how und ihr Branchenwissen in ihre Datenanalysen einbringen können.

Für ihre Aufgabenfelder brauchen die CDS aber auch Rückendeckung durch das Management sowie Unterstützung durch die interne IT, denn sie benötigen mehr Daten, zum Teil auch mehr ungefilterte Daten, für ihre Analysen. CDS brauchen IT-Umgebungen, in denen sie mithilfe aktueller Tools und Technologien experimentieren und Prototypen von Modellen und Applikationen bauen können – und sie brauchen zeitlichen Freiraum für ihre Datenrecherchen.

Wenn die Rahmenbedingungen stimmen, können sich Unternehmen auf diese Weise pragmatisch wertvolle Personalressourcen aus den eigenen Reihen erschließen, die richtig Schubkraft in ihre Digitalisierungsprojekte bringen. Ein versierter Partner an der Seite, der neben der expliziten Data-Science-Expertise auch Erfahrung aus anderen Projekten mit einbringt und die neuen CDS auf ihrem Weg begleitet, ist eine weitere äußerst wertvolle Hilfe und ein wichtiger Baustein für den Erfolg einer Advanced-Analytics-Initiative.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45925238 / Analytics)