point of origin - logo
17.08.2018: https://www.pointoforigin.at//data_science_data_insights.htm

Von Data Science zu Data Insights

06.08.2018 | In 6 Schritten zur Implementierung

von Bernadette Fellner
Senior Strategic Consultant

Die Verwertung und Nutzbarmachung von Daten in einem Unternehmen gestaltet sich oft schwierig, da es gefühlt viele Hürden zu nehmen gilt und man häufig bereits etwas ratlos vor der ersten steht, nämlich: Wo soll man denn nun eigentlich anfangen?
Ganz generell gilt: Die Reise beginnt immer dort wo man ist, mit den Dingen die man bereits hat. Danach geht man einen Schritt nach dem anderen.

Aller Anfang ist leicht

Sofern man sich mit der Handhabung von Daten im Unternehmen noch gar nicht befasst hat, sollte man ein paar grundsätzliche Überlegungen anstellen:

  • Was möchte ich überhaupt erreichen und wer könnte mich darin unterstützen, weil er ebenfalls einen Vorteil davon hat? 
  • Habe ich das benötigte Skillset im Unternehmen? (Normalerweise besteht dies aus: Business Knowhow, Mathematik und IT Kenntnissen, welche nicht alle in einer Person vereint sein müssen) 
  • Welche Ressourcen, sowohl personeller Natur aber auch in Bezug auf ein notweniges Toolset benötige ich? (Eine klassische Kombination besteht normalerweise aus einem Projektleiter, einem Analysten / Data Scientist und einem Entwickler) 
  • Wo soll das Thema innerhalb der Organisation platziert aber auch kommuniziert werden?

Sobald diese Grundfragen geklärt sind und ein entsprechendes Team zusammengestellt wurde, kann mit der eigentlichen Arbeit begonnen werden.

Der 6 Schritte Plan

Je nachdem wie komplex die Daten und die gewünschte Umsetzung sind, ist es notwendig, dass einige Schritte öfter wiederholt oder in einer oder mehreren Schleifen mit anderen Schritten abgehandelt werden:

Schritt 1 - Fragen: Im ersten Schritt gilt es, die wichtigste aller Fragen zu beantworten: „Was möchte ich wissen und wie möchte ich dieses Wissen verwerten?“ Daten zu analysieren und daraus Insights zu erzeugen ist durchaus intensive Arbeit. Darum sollte man sich im Vorfeld bereits Gedanken machen, was der eigentliche Anwendungsfall sein soll und was man wissen möchte, um diesen zu verwirklichen.

Schritt 2 - Suche: Welche Daten sind denn bereits im Unternehmen vorhanden, und welche Qualität haben diese? Sind die Daten vorhanden und ausreichend, oder müssen diese erst erfasst werden? Spätestens an dieser Stelle sollten Sie sich mit Ihrer IT Abteilung gut stellen, denn diese sind im Normalfall die Wächter der Daten. Gerne treten an dieser Stelle auch Fragen zum allgemeinen Datenmanagement, zu Sicherheit, Infrastruktur oder Governance auf, um die man sich kümmern muss.

Schritt 3 – Reinigung: An dieser Stelle werden die Daten einer näheren Betrachtung unterzogen. Sie werden plausibilisiert („Kann das so sein und macht das Sinn“) und der Umgang mit fehlenden Daten wird definiert. Dabei werden die Daten in unterschiedliche Formate konvertiert und so aufbereitet, dass sie gut und sinnvoll verarbeitet werden können.

Schritt 4 – Hypothese & Insights: Hier beginnt der spannende Teil. Die Daten (oder ein Ausschnitt davon) werden verarbeitet und es werden die ersten Insights gewonnen. Hierbei entstehen dann mögliche Korrelationen und es werden Zusammenhänge aufgezeigt. An diesem Schritt passiert viel Arbeit und es wird immer wieder versucht, die Ergebnisse entsprechend zu hinterfragen und ihre Validität zu testen. An diesem Punkt sind wir meist noch im Bereich der Analyse und Tatsachendarstellung unterwegs – die Business Intelligence setzt hier klassisch auf.

Schritt 5 – Datenmodellierung: Wenn wir über die Tatsachen und Gegebenheiten hinausgehen möchten, ist es notwendig, eine entsprechende (mathematische) Modellierung der Daten vorzunehmen. Das bedeutet, mathematisch die Wirklichkeit bzw. die Zusammenhänge zu beschreiben. Klassisches Beispiel ist der Zusammenhang zwischen Preis und Nachfrage. Dieser Schritt ist notwendig, um zum einen die aufgestellten Hypothesen zu testen und ggf. zu revidieren, aber auch um den entwickelten Algorithmus dann in die Praxis überführen zu können. Die Datenmodellierung kann übrigens auch mit einem Machine Learning Ansatz quasi „automatisch“ passieren – das Testen und Nachjustieren darf dabei allerdings nicht vergessen werden. An dieser Stelle versuchen wir bereits die Welt so gut zu beschreiben, dass wir quasi in die Zukunft sehen können, um z.B. mögliche Abwanderer zu identifizieren. Hier befinden wir uns im Kern von Data Science.

Schritt 6 – Implementierung: Sobald ein zufriedenstellendes Modell der Daten entwickelt wurde, muss dies auch in einer Anwendung verwertet werden. An dieser Stelle ist meist wieder intensive Zusammenarbeit mit den Entwicklerteams erforderlich, um den erstellten Algorithmus in das Produkt zu integrieren und die Basis für Kundensegmentierung, Recommendation Engine, etc. zu bilden. Ziel ist dabei die laufende Ausführung, Monitoring und Verbessern der Ergebnisse.

Mit diesen 6 Grundschritten als Fahrplan lässt sich das ganze Themengebiet rund um datenzentrierte Anwendungen im Unternehmen gut planen und transparent vermitteln. Wichtig ist dabei mit offenen Augen und einer Zielsetzung in das Thema zu gehen. Denn nur weiß wohin er möchte, kann auch dort ankommen.

Marketing Consulting & Consumer Intelligence GmbH
Kontakt

HEAD OFFICE WIEN

Himmelpfortgasse 19
1010 Wien
T +43 1 548 48 00 - 0
F +43 1 548 48 00 - 9

LAB WIEN

Goldschlagstraße 172
Stiege 6, 3. Stock
1140 Wien
T +43 699 14228240

OFFICE ZÜRICH

Rietstrasse 50
8702 Zollikon
T +41 43 499 61 44

OFFICE MONTREAL

PO smart solutions Inc.
630 Boulevard
René-Lèvesque ouest
H3B 1S6 Montreal
Canada

SÃO PAULO

Av. Brigadeiro Faria
Lima 1478
9a/08 Jardim Paulista
01451-001 São Paulo
T +55 11 3280 5480

Um Ihnen den bestmöglichen Service bieten zu können, verwendet diese Website Cookies und Services (z.B. Google Maps) von Drittanbietern. Mit der Benutzung dieser Website erklären Sie sich damit einverstanden. Mehr Informationen

OK