Den Erfolg messbar machen

Viele Unternehmen haben den Mehrwert von Data-Science-Projekten erkannt und in Datenteams, Infrastruktur und Tools investiert. So sehr diese Investitionen die Innovationskraft stärken, so schwierig ist es auch, den ROI wirklich messbar zu machen.

Die größte Schwierigkeit bei der Berechnung liegt in der Identifikation von Beiträgen, die neue Data-­Science-Projekte wirklich geleistet haben. Diese sind oft über viele Abteilungen verstreut und nicht auf den ersten Blick ersichtlich. Um den ROI dennoch bestmöglich zu messen, hat die Enterprise-AI-Plattform Dataiku die wichtigsten Beiträge identifiziert, die in die Berechnung einfließen sollten.

Zeitersparnis und erhöhte Kunden- und Mitarbeiterzufriedenheit

Relativ einfach zu quantifizieren ist die Zeitersparnis: Verringerte Zeitaufwände – beispielsweise bei der Datenaufbereitung durch Data Scientists – lassen sich sehr gut messen. In der Praxis ist die Zeitersparnis aber nur selten auf die Tätigkeiten des Datenteams beschränkt – um alle auftretenden Zeitvorteile korrekt zu identifizieren, muss das gesamte Unternehmen betrachtet werden.

Weniger offensichtlich sind die Auswirkungen neuer Dateninitiativen auf Mitarbeiter: Immer wenn neue Lösungen es Data Scientists ermöglichen, sich re­volutionäreren Aufgaben zu widmen, steigt auch deren Zufriedenheit. Die Wahrscheinlichkeit, dass sie das Unternehmen verlassen, sinkt. Der wirkliche Mehrwert liegt hier also darin, dass die – oft sehr lang­wierige – Suche nach neuem Personal wegfällt.

Zusatzkosten unvermeidbar

Ganz offen und ehrlich: Wer neue Data-Science-Projekte einführt, muss auch mit anfänglichen Zusatz­kosten rechnen: Hierzu zählen vor allem kurzfristige Positionen, etwa durch die Kosten notwendiger Fortbildungen innerhalb der Datenteams. Auch Ausgaben für neue Tools, die im Zuge des Projekts angeschafft werden müssen, sollten nicht vergessen werden.

Dies ist ein Artikel aus unserer Print-Ausgabe 3/2021. Bestellen Sie ein kostenfreies Probe-Abo.

Ein weiterer Kostenfaktor können Produktivitätseinbußen sein. Diese resultieren einerseits aus anfäng­lichen ineffizienten Änderungen bei den Projekten selbst, andererseits aber auch aus möglichen Verzögerungen beim Projekt. Sie sind besonders wahrscheinlich, wenn nicht alle am Projekt beteiligten Mitarbeiter die Vorteile neuer Vorgehensweisen verstehen.

Absolute Berechnung kaum möglich

Auch die beste Berechnung kann den ROI nur selten hundertprozentig korrekt abbilden. Ein Tipp: Unternehmen sollten in ihren Schätzungen bei der Berechnung eher konservativ vorgehen. Um ein möglichst exaktes Ergebnis zu erhalten, ist es sinnvoll, mit betroffenen Teams zu sprechen. All diese Unsicher­heiten bei der Bewertung des Erfolgs von Data-Science-Projekten hemmen die Investitionsbereitschaft in Unternehmen. Doch nicht zuletzt bringt dieser Fortschritt ein weiteres wichtiges Gut, dessen Mehrwert sich eher langfristig manifestiert: Innovative Projekte und der Grad der digitalen Reife zahlen auch auf das Image von Unternehmen und deren Wettbewerbsfähigkeit ein.

Bildquelle: Getty Images / iStock / Getty Images Plus