Wie man erfolgreich ein Data Science Team aufbaut

Vor kurzem durfte ich fĂŒr die Freelancer Plattform malt einen Gastbeitrag zum Thema, wie man ein herausragendes Data Science Team im Unternehmen aufbaut, schreiben. In diesem Artikel fasse ich die wesentlichen Punkte zusammen.

Warum sollten Unternehmen eigene Data Science Teams aufbauen?

Seit einigen Jahren zeigt sich weltweit ein einheitlicher Trend. Die umsatzstĂ€rksten Unternehmen haben ĂŒberdurchschnittlich viel Kompetenz im Umgang mit Daten. Zu diesen Unternehmen gehören beispielsweise Google, Apple und Tesla. Diese Unternehmen nutzen Daten um strategische Entscheidungen zu treffen und haben es geschafft, lukrative Daten-GeschĂ€ftsmodelle zu entwickeln. Diese Firmen konnten sich auf diesem Weg einen außerordentlichen Wettbewerbsvorteil erarbeiten. FĂŒr solch eine strategische Ausrichtung muss Datenkompetenz breit im Unternehmen verankert sein.

SelbstverstĂ€ndlich können Unternehmen auch Datendienstleistungen einkaufen. Langfristig gesehen macht es jedoch fĂŒr viele Unternehmen Sinn, einen gewissen Grad an UnabhĂ€ngigkeit von externen Dienstleistern zu erarbeiten und die eigenen Mitarbeiter mit den wertvollen Kompetenzen auszustatten. Denn dies sorgt nicht nur schneller zu neuen Innovationen, sondern fördert auch ein datengetriebenes Mindsets ĂŒber die verschiedenen Fachbereiche hinweg.

Da die Umsetzung dieser Strategie eher einem Marathon als einem Sprint entspricht, starten die meisten Unternehmen erst einmal mit dem Aufbau eines eigenen Data Science Teams.

Welche Rollen braucht ein erfolgreiches Data Science Team?

Eine ganz pauschale Antwort gibt es auf diese Frage nicht. Entscheidend ist eher, welche Aufgaben das Data Science Team erfĂŒllen soll und wie viel Vorarbeit, vor allem in Bezug auf die Datenbereitstellung, erledigt wurde.

Viele Unternehmen beginnen bei der Rekrutierung eines Data Scientists, da sie die Hauptaufgabe bei der Datenmodellierung annehmen. Doch sehr hÀufig verbringen Data Scientists anfangs kaum Zeit mit der Datenmodellierung, weil Daten entweder unzureichend vorhanden sind oder keiner ausreichenden QualitÀt entsprechen. Um diese Aufgaben abzufangen, sollte von Anfang an ein Data Engineer ins Team genommen werden. Dessen Aufgabe es ist, Daten aus verschiedenen Quellen zu vereinen, zu sÀubern und zu standardisieren.

ZusĂ€tzlich sollte von Beginn an ein Data Analyst im Data Science Team sein. Ein Data Analyst ist meist etwas weniger in der Datenmodellierung involviert, bringt dafĂŒr aber meist etwas mehr BusinessverstĂ€ndnis und Kommunikations-Skills mit. Vor allem die Datenvisualisierung gehört zu den Aufgaben des Data Analysts. Dadurch kann das Data Science Team seine Ergebnisse effektiv an Stakeholder kommunizieren.

Aufgabenverteilung im Data Science Team

Um sicherzustellen, dass das Data Science Projekt zu nĂŒtzlichen Ergebnissen fĂŒhrt und innerhalb des Zeit- und Budgetrahmens bleibt, braucht jedes Data Science Team einen Projektmanager. Egal, wie groß das Data Science Team letztendlich ist, die Rolle des Projektmanagers sollte von Beginn an fest im Team verplant sein.

Welche Kompetenzen sollten die ersten Data Scientists ins Team bringen?

Auch hier gibt es keine allgemein gĂŒltige Regel. Im Idealfall verfĂŒgen die ersten Teammitglieder ĂŒber eine breite Methodenkompetenz und bringen Praxiserfahrung in der Projektumsetzung mit. Außerdem sollten die ersten Data Scientists ein gutes VerstĂ€ndnis von der Branche und den GeschĂ€ftsprozessen in ihrem Unternehmens haben. Denn gerade die ersten Teammitglieder werden viel mit EntscheidungstrĂ€gern und Mitarbeitern aus unterschiedlichen Fachbereichen zusammenarbeiten.

KompetenzausprĂ€gung 

Zu Beginn wird das Data Science Team viel in der Auswahl von geeigneten Use Cases involviert sein. Auch bei der Dateninterpretation und der Empfehlung von Handlungsempfehlungen wird die Expertise der Datenexperten benötigt. Idealerweise werden die ersten Data Science Initiativen in Form von Pilotprojekten getestet. Am besten ist es hierbei mit kleineren Projekten, die möglichst einfach zu realisieren sind, zu starten. Konnten diese erfolgreich umgesetzt und in ein produktives Setting gebracht werden, können sich Unternehmen den komplexeren Fragestellungen widmen. HierfĂŒr kann es sinnvoll sein Data Scientists mit speziellem Know-How in einem Bereich zu rekrutieren. So komplettieren Spezialisten zu einem spĂ€teren Zeitpunkt das eher generalistisch aufgestellte Team aus den Anfangszeiten.

Wie sollte das Team ins Unternehmen integriert werden?

Manchmal ist es sinnvoll einen Data Scientist mit speziellem DomĂ€nenwissen direkt in einem Fachbereich, wie zum Beispiel Controlling oder Marketing, zu platzieren. In solch einem Fall gibt es kein eigenes Data Science Team. Der Nachteil hieran ist aber, dass sich Datenexperten mit ihren direkten Kollegen selten ĂŒber statistische Verfahren unterhalten können. Der Austausch unter Gleichgesinnten aus anderen Fachbereichen muss also gezielt gefördert werden.

Viel hĂ€ufiger werden Data Science Teams aufgebaut, die verschiedenste Fachbereiche im Unternehmen bedienen. Somit agiert das Data Science Team als interner Dienstleister. Die große Herausforderung besteht in der Kommunikation zwischen den technischen Data Scientists und den Fachbereichen, aus denen meist die Vorgaben fĂŒr Data Science Projekte kommen. Ein gutes VerstĂ€ndnis fĂŒr die Arbeit der jeweils anderen Abteilung ist essenziell fĂŒr den Erfolg von Initiativen und dem Data Science Team.

Eine zusÀtzliche Gefahr besteht darin, dass Data Science Teams zu Silos werden. Wertvolles Wissen bleibt nur innerhalb des Teams und kann an anderen Stellen im Unternehmen nicht richtig genutzt werden.


Wenn du mehr darĂŒber lesen willst, wie man ein Data Science Team erfolgreich im Unternehmen aufbaut, findest du HIER meinen Gastbeitrag bei malt in voller LĂ€nge. Viel Spaß beim Lesen. đŸ€“

Dieser Artikel wurde verfasst von:
Author image

Sarah Stemmler

Als Analytics Translator schlage ich die BrĂŒcke zwischen UX, Business und Tech und stelle sicher, dass das Data Science Projekte zum Erfolg fĂŒhren.
Abonnement hinzugefĂŒgt synsugar
Super! Schließe den Checkout ab um vollen Zugriff zu erhalten synsugar
Welcome back! You've successfully signed in.
Success! Your account is fully activated, you now have access to all content.