Kommentar von Prof. Mark Kennedy, Imperial College Business School Wie können wir Data Science erfolgreich in der Wirtschaft einsetzen?

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Disy Informationssysteme GmbH

Sinequa

Unternehmen befinden sich am Beginn einer neuen Ära des unbändigen Wandels. Mit dem Zugang zu neuen Technologien und einer nie dagewesenen Menge an Informationen wandeln sich die Unternehmen in einem außergewöhnlichen Tempo.

In dieser Hinsicht sind sie jedoch nicht allein. Dank der Datenwissenschaft und des maschinellen Lernens wurde praktisch jeder Winkel der Gesellschaft auf die eine oder andere Weise umgestaltet. Ob über das Internet oder unsere Mobiltelefone – wir haben Zugang zu riesigen Datensätzen, die uns eine Fülle potenzieller Einblicke in die Interaktion zwischen Menschen und „Dingen“ bieten. Speziell im Hinblick auf Unternehmen und Organisationen hat diese Informationsflut unzählige Firmen in die Lage versetzt, Automatisierung zu implementieren und auf der Grundlage von Erkenntnissen und Intelligenz in einem Umfang zu handeln, der zuvor unerreichbar war.

Und da die Datenwissenschaft und die Künstliche Intelligenz den Unternehmen weiterhin neue Technologien zur Verfügung stellen, die unter anderem die Produktivität bei nicht-physischen Arbeiten verbessern können, wird die nächste Generation technologiegestützter Veränderungen in Organisationen und bei der Arbeit wahrscheinlich weit reichend und tief greifend sein.

Vor dem Hintergrund der letzten anderthalb Jahre ist die Notwendigkeit – und der Wunsch – für Unternehmen, sich neue Erkenntnisse zunutze zu machen und bestimmte Funktionen neu zu gestalten wohl noch nie so deutlich spürbar gewesen. Die optimale Nutzung dieser neuen Technologien wird daher für den künftigen Erfolg von Unternehmen entscheidend sein. Dies erfordert jedoch eine neue Art des Denkens, da sich die Systeme nicht nur auf schlechter bezahlte Arbeitsplätze auswirken, sondern auch auf besser bezahlte, höher qualifizierte Arbeitsplätze, die eine umfangreiche Ausbildung erfordern.

Während sich Data Science und Business Analytics in den Unternehmen, die in diesem Bereich führend sind, insgesamt zu zuverlässigen und anerkannten Instrumenten entwickelt haben, ist die Vorstellung von datengesteuerter Künstlicher Intelligenz und maschinellen Lerntechnologien für viele noch immer überwältigend. Das ändert jedoch nichts an der Tatsache, dass die Datenwissenschaft, wenn sie effektiv eingesetzt wird, nicht nur die Arbeit der Unternehmen, sondern auch die Grenzen der Unternehmen selbst und die Architekturen der Branchen neu überdenken kann. Die Liste ließe sich fortsetzen, aber hier sind drei wichtige Erkenntnisse für diejenigen, die sich die Datenwissenschaft im geschäftlichen Kontext zunutze machen wollen.

Technisches Wissen ist ein Muss

Es versteht sich von selbst, dass der effektive Einsatz von Data Science in jedem Bereich – sei es in der Wirtschaft oder in anderen Bereichen – mit technischen Kenntnissen beginnt. Das mag wie eine Feststellung des Offensichtlichen erscheinen, aber auf dem Markt herrscht noch immer große Verwirrung darüber, welche Fähigkeiten erforderlich sind, um jemanden als „Datenwissenschaftler“ zu bezeichnen. Da in diesem Bereich in letzter Zeit die Neunastellung von Fachkräften sprunghaft angestiegen ist, müssen die Unternehmen besser wissen, wonach sie suchen sollten. Und, was noch wichtiger ist, angehende Datenwissenschaftler müssen ihr Handwerk verstehen. Hier kommen Institutionen wie die Imperial College Business School ins Spiel.

Am Imperial College vermittelt das Data-Spark-Programm Studenten, die eine Reihe von Fächern wie das MSc-Business-Analytics-Programm studieren, reale Fähigkeiten, indem es sie mit realen Problemen konfrontiert. Die Studenten arbeiten in Teams mit einem akademischen Mentor und einem Kundensponsor zusammen, um ein bestimmtes Problem zu lösen und ihre Ergebnisse direkt an das Unternehmen zu liefern, das das Problem hat. Durch die Durchführung von Projekten in einer Reihe von Branchen wie dem gemeinnützigen Sektor, dem Finanzdienstleistungssektor, dem Gesundheitswesen, der Energiebranche, der Luft- und Raumfahrt und professionellen Dienstleistungen wie Beratung, Recht und Buchhaltung sind die Studenten nach ihrem Abschluss und beim Berufseinstieg in der Lage, bewährte Methoden zu nutzen und bereits zu einem frühen Zeitpunkt fundierte Erfahrungen in ihre Aufgaben einzubringen.

Und es ist diese Praxiserfahrung unter der Aufsicht von erfahrenen Akademikern und Praktikern, die Fachleuten im Bereich der Datenwissenschaft die Fähigkeiten und das Verständnis für die effektive Durchführung von Schlüsselaufgaben wie überwachtes und unüberwachtes maschinelles Lernen sowie das Know-how für den Umgang mit ungereinigten Daten vermittelt, was mich zu meinem nächsten Punkt führt ...

Die Arbeit mit unsauberen Daten ist oft unvermeidlich

Während man sich in einem Klassenzimmer oder in einer Laborumgebung den Luxus leisten kann, über gut zusammengestellte Daten zu verfügen, gibt es in der realen Welt Probleme mit Datensätzen. Mit den neuen Techniken des „Datenlernens“ ist es möglich, auch problematische Daten sicher und wirtschaftlich zu nutzen. Dazu müssen Studenten jedoch das unter Beweis stellen, was wir bei Imperial als „Data Entrepreneurship“ bezeichnen: Sie müssen durch Einfallsreichtum und Kreativität Wege finden, um Herausforderungen – wie etwa unbereinigte Daten – zu umgehen. Wer das nicht kann, wird es als Datenwissenschaftler nicht weit bringen.

Nichtsdestotrotz erinnert uns die Realität der unbereinigten Daten daran, dass wir KI-basierten Systemen nicht vertrauen können, wenn wir die Daten und das Modell dahinter nicht kennen. Deshalb ist es wichtig, dass Datenwissenschaftler beim Umgang mit datengesteuerten KI- und maschinellen Lerntechnologien sich diese wichtigen Fragen stellen: Stammen die Daten aus ethischen Quellen? Reproduzieren die Systeme menschliches Verhalten, das hinterfragt und geändert werden muss? Erreicht das Modell die erforderliche Genauigkeit oder Leistung? Ist das Modell für die gegenwärtigen Bedingungen validiert? Indem Datenwissenschaftler diese Fragen stellen, öffnen sie sich für eine durchdachtere Arbeit und unterscheiden sich so von den skrupellosen Modellierern da draußen.

Mehr wissen als nur die Datenwissenschaft

Technische Fähigkeiten und das Verständnis für Datenwissenschaft sind zwar von grundlegender Bedeutung für den effektiven Einsatz von KI und maschinellem Lernen in einem geschäftlichen Kontext, aber Studenten müssen auch die Branche, in der sie tätig sind, verstehen und sich für sie interessieren.

Ganz gleich, ob es sich um den Einzelhandel, Finanzdienstleistungen oder sogar das Gesundheitswesen handelt (die Liste ließe sich beliebig fortsetzen): Datenwissenschaftler müssen die Feinheiten ihres Sektors – und ihres Unternehmens – verstehen. Und wenn sie dieses Interesse oder dieses Verständnis nicht haben, dann brauchen Organisationen jemanden, der es hat. Um in Data Science Teams zu arbeiten, muss man zumindest „fachlich neugierig“ sein.

Das heißt nicht, dass man ein Experte für die Branche sein muss, in der man tätig ist. Aber die Fachleute, die den größten Einfluss haben, sind diejenigen, die nicht einfach darauf warten, dass ein Problem auftaucht oder dass eine Führungskraft außerhalb des Data Science Teams ein Problem anspricht. Sie lernen genug über das Unternehmen, um ihre eigenen Ideen einzubringen und Probleme zu lösen, an die andere, die nicht über einen datenwissenschaftlichen Hintergrund verfügen, nicht denken.

Darin liegt der Wert von Data Science in einem geschäftlichen Kontext: Sie arbeiten stets daran, neue Probleme zu lösen, Herausforderungen zu bewältigen und Erkenntnisse zu gewinnen, um ihr Unternehmen in einer sich ständig verändernden Welt effektiver, effizienter und widerstandsfähiger zu machen.

(ID:47551515)