Zukünftige Data Scientists sind entweder Entwickler oder Strategen – wen benötigen Sie?

Wie Schweizer Taschenmesser gelten Data Scientists als vielseitig einsetzbar. Allerdings verändert die zunehmende Skalierung und Automatisierung in der Datenwertschöpfung auch diesen Berufszweig. Es bedarf einer Spezialisierung, die den veränderten Anforderungen in der Praxis besser gerecht wird.
Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email

Data Scientists hätten den „sexiesten Job des 21. Jahrhunderts”, so hieß es 2012. Der Hype ist ungebrochen, doch der Berufszweig steht am Scheideweg.

 

Data Scientists ⇒ Entwickler

Unternehmen, die stark in die Datenwertschöpfung investieren oder gezielt an innovativen Datenprodukten arbeiten, können nur zu einem geringen Teil auf Standardlösungen zurückgreifen. Um die komplexen Data Science Pipelines managen zu können, müssen Data Scientists verstärkt die Best Practices der Softwareentwicklung anwenden. Das bedeutet neben der reinen Codequalität, dass alle Ergebnisse 1. kontinuierlich überprüft, dokumentiert und versionskontrolliert sowie 2. robust und skalierbar bereitgestellt werden.

Wenn die letzten Punkte nicht erfüllt sind, so ist keine zuverlässige, nachhaltige und wirklich gewinnbringende Datenwertschöpfung möglich. Immer mehr Unternehmen haben das erkannt und suchen deshalb nach Data Scientists mit starkem Engineering Fokus.

 

Data Scientists ⇒ Strategen

In unserem letzten Blogartikel haben wir aufgezeigt, wie neue Analytics Ansätze mittels Automatisierung Data Scientists zunehmend verzichtbar machen sollen. Wir haben aber auch in dem Zusammenhang darauf hingedeutet, dass gerade bei der Auswahl der Fragestellungen und bei der Ergebnisaufbereitung Data Scientists entscheidende Impulse liefern können. Dabei geht es vordergründig um strategische Aspekte, nämlich wie mit möglichst geringem Aufwand der größtmögliche Geschäftsnutzen entsteht.

Gerade an Letzterem scheitern viele Data Science Projekte. Die Technologie kann noch so gut sein — die erhofften Kosteneinsparungen oder Umsatzsteigerungen bleiben aus, wenn der Datenwertschöpfung die Nähe zum eigentlichen Business fehlt. Deswegen ist es wichtig, dass sich ein Teil der heutigen Data Scientists stärker in Richtung Strategie entwickelt.

 

Datenexperten mit verschiedenen Schwerpunkten

Was Berufsbezeichnungen angeht, so findet man sicherlich ein ganzes Dutzend, die in irgendeiner Form Daten” bzw. Data” enthalten. Wir wollen hier folgende Aufteilung vornehmen:

data_science_strategist_engineer_matrix_neu
Rollenverteilung verschiedener Datenexperten in der Datenwertschöpfung.

Data Engineers sind für das Fundament einer Datenwertschöpfungskette zuständig. Sie bauen die Datenplattform auf, in welche die Rohdaten fließen und auf der nach ersten Transformationen die Datenströme für die weitere Veredelung orchestriert werden. 

Idealerweise ist im Aufbau der Datenplattform auch ein Data Strategist involviert, welche/r mit einem wirtschaftlichen Hintergrund die Business Brille auf hat. Data Strategists bringen zwar ein grundlegendes Verständnis für das Potential von verschiedenen Datenquellen und Technologien mit, sie achten bei der Auswahl und der späteren Umsetzung aber in erster Linie auf Kosteneffizienz und das Einhalten der zeitlichen Vorgaben basierend auf ihrem Domänenwissen. 

In der Kommunikation mit den Data Engineers, den Data Scientists und der Führungsebene geben Data Strategists wichtige Impulse, damit die Datenplattform so gestaltet wird, dass die Unternehmensziele bestmöglich erreicht werden können.

Wie wir oben hergeleitet haben, sehen wir für Data Scientists eine Entwicklung, die sich an der Rollenverteilung zwischen Data Strategists und Data Engineers orientiert. 

In der Datenveredelung bereiten die Data Science Engineers die Daten final auf, entwickeln die Algorithmen und überführen die erstellten Analysen oder die trainierten Modelle in die Produktivumgebung. 

Data Science Engineers neigen jedoch dazu die „sexiesten” Algorithmen oder die neuesten Open Source Bibliotheken vorzuschlagen. Genau hier setzt ein Data Science Strategist an. Er oder sie hat ebenso einen guten Überblick und ein tieferes Verständnis für Data Science Algorithmen, hat aber die Business Brille auf und hinterfragt entsprechend kritisch die Methoden der Datenwertschöpfung: Muss es gleich Deep Learning sein? Müssen überhaupt neuronale Netze zur Anwendung kommen oder reichen nicht einfachere Methoden der Datenanalyse? 

Data Science Strategists bringen Domänenwissen mit und achten in erster Linie auf die Optimierung der Geschäftskennzahlen. Sie begleiten die Data Science Projekte mit Projektmanagementerfahrung und bilden die kommunikative Brücke zwischen der Führungsebene und den Data Science Engineers.

 

Sie benötigen zuerst eine/n Data Science Strategin/Strategen

Wir nehmen hier die Sicht eines mittelständischen Unternehmens ein, welches zwar schon Daten sammelt, in der Datenwertschöpfung aber noch am Anfang steht. Es mag kontraintuitiv klingen, aber es sollten nicht die Grundlagen im obigen Diagramm angepeilt werden. Ziel muss sein, zunächst die niedrig hängenden Früchte anzugehen. Dafür muss keine Datenplattform gebaut werden und Data Science Engineers werden ebenso noch nicht benötigt. Denn ein Data Science Strategist kann selbständig Proof–of–Concepts aufsetzen und wenn möglich mit geringer Unterstützung durch die IT Abteilung finale Lösungen operationalisieren. Der Vorteil dabei ist, dass durch den strategischen Fokus die Datenwertschöpfung von Beginn an den relevanten Geschäftskennzahlen unterliegt.

 

Fazit

Kernaussage dieses Artikels ist, dass wir in Zukunft eine zunehmend stärkere Aufteilung von Data Scientists sehen werden, und zwar in Strategen und Entwickler. 

Aktuell sind es vor allem Data Scientists in Führungspositionen, die den strategischen Aufgabenbereich übernehmen. Das muss jedoch stärker entkoppelt werden, um den Anforderungen besser gerecht zu werden. So sollte es Data Science Strategists geben, die Data Science Projekte ohne weitere Führungsverantwortung begleiten. Diese sind derzeit stark unterrepräsentiert, sind aber, wie wir oben beschrieben haben, gerade am Anfang für mittelständische Unternehmen besonders wertvoll.

5 1 vote
Article Rating
Abonnieren
Benachrichtige mich bei
guest
0 Comments
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x