Erfolgreich mit Business Analytics

Big Data und Data Scientists – wer fragt, gewinnt

Der schwierigste Teil von Business Analytics ist nicht, die richtige Antwort zu finden, sondern die richtige Frage zu stellen. Von daher kommen laut Tom Becker, Alteryx, in Fachabteilungen angesiedelte Analysten besser an als zentral aufgestellte Data Scientists.

Tom Becker, Alteryx

Tom Becker, Director DACH bei Alteryx

IT-DIRECTOR: Herr Becker, glaubt man den Marketing-Aussagen der Software-Anbieter, reicht allein die Anschaffung von Big-Data-Tools aus, um Unternehmen mittels vorausschauender Analysen auf die Erfolgsspur zu bringen. Inwieweit ist eine solche Einschätzung realistisch oder doch viel zu kurz gegriffen?
T. Becker:
Gute Big-Data-Tools sind eine Voraussetzung, aber keine Garantie für Erfolg – dazu braucht es die richtige Unternehmenskultur, in der Daten und Analysen eine wichtige Rolle spielen. Nur die Werkzeuge zu kaufen genügt nicht, man muss sich auch über die richtigen Prozesse und Verantwortlichkeiten im Klaren sein.

IT-DIRECTOR: An welchen Stellschrauben müssen die Verantwortlichen tatsächlich drehen, damit der Einsatz von Big-Data-Analyse-Software das Unternehmen entscheidend voranbringen kann?
T. Becker:
Zunächst ist in vielen Unternehmen ein Paradigmenwechsel nötig, um die richtige Kultur zu etablieren, Verantwortlichkeiten und Prozesse festzulegen. Das bedeutet zum Beispiel, dass die IT-Abteilung den Fachabteilungen den Zugriff auf die Daten gibt, die deren Fragen beantworten können, anstatt zu versuchen, selbst auf die Antworten zu kommen. Es ist aber genauso wichtig zu entscheiden, was als Erfolg angesehen wird. Unternehmen müssen KPIs festlegen, um festzustellen, wann Analytics erfolgreich ist – oder eben wenn man das Projekt „Big Data“ von vorne beginnen sollte.

IT-DIRECTOR: Generell sind Analysen bzw. deren Ergebnisse immer nur so gut wie die Algorithmen, die ihnen zugrundeliegen. Wer in den Anwenderunternehmen sollte die Erstellung von Algorithmen übernehmen?
T. Becker:
Analytics ist ein breites Feld, deshalb sollten die Fähigkeiten der Nutzer darüber entscheiden, wer für was zuständig ist. Regelmäßig genutzte prädiktive und statistische Modelle sollten in wiederholbaren Workflows festgeschrieben sein, die von Analysten in den Fachabteilungen – die wissen, welche Fragen für den Geschäftsbereich wichtig sind, die aber oft Hilfe bei der Interpretation der Ergebnisse brauchen – ausgeführt werden können. Das Erstellen neuer Modelle wiederum sollte in der Verantwortlichkeit von Nutzern mit Statistikhintergrund liegen.

IT-DIRECTOR: Inwieweit kann dabei sichergestellt werden, dass Fachabteilungen eigene Big-Data-Analysen erstellen können, ohne auf das Fachwissen spezieller „Data Scientists“ angewiesen zu sein?
T. Becker:
Der schwierigste Teil einer Analyse ist nicht, die richtige Antwort zu finden, sondern die richtige Frage zu stellen, es kommt also eher darauf an, dass der Analyst die Fragestellung gut artikulieren kann. Und dies können Analysten in Fachabteilungen für ihren Geschäftsbereich besser als zentral angesiedelte Data Scientists. Am Ende kommt es also häufiger auf eine neugierige und analytische Grundeinstellung als auf Fachwissen an.

IT-DIRECTOR: Wie lassen sich aus den durch Big-Data-Analysen ermittelten Mustern und Zusammenhängen konkrete Erkenntnisse ziehen? Und im nächsten Schritt gar konkrete Handlungsempfehlungen ableiten?
T. Becker:
Wenn die eingesetzten Tools es ermöglichen, alle relevanten Daten zu erforschen, dann kann man daraus leichter Schlüsse ziehen – wie diese dann zu interpretieren sind, ist eine andere Frage. Big-Data-Analysen sind daher häufig ein Prozess, der solange wiederholt wird, bis die „richtigen“ Fakten zum Vorschein kommen, vergleichbar mit dem Schälen einer Zwiebel – man muss einige Schichten nicht-verwendbaren Materials abtragen, bevor man an den Teil kommt, den man braucht.

IT-DIRECTOR: Ein Bereich von Data Science umfasst Methoden wie Machine Learning oder Deep Learning. Was genau verbirgt sich dahinter?
T. Becker:
Dabei geht es vor allem darum, wiederholbare algorithmische Prozesse zu bauen, die versteckte Informationen aus Daten ziehen können, an die ein Mensch nicht herankäme. Im Grunde nutzt Machine Learning die Rechenleistung eines Computers, um mehr analytische Schritte schneller auszuführen und daraus Schlüsse zu ziehen. Noch sind diese Felder aber ein Randgebiet im Bereich der Business Analytics, wenn auch ein wachsendes.

IT-DIRECTOR: Inwieweit braucht man in Zeiten von künstlicher Intelligenz und selbstlernenden Algorithmen den Menschen überhaupt noch?
T. Becker:
Menschliche Interaktion ist im analytischen Bereich immer von Nöten, denn Menschen entwickeln die Theorien, testen die Hypothesen und stellen die Fragen hinter der Analyse. J.C.R. Licklider ist einer der führenden Wissenschaftler, der glaubt dass Singularität (also der Zustand, wenn Maschinen die Rechenleistung vergleichbar zum menschlichen Gehirn haben) nie erreicht werden kann, insbesondere wenn sich die menschliche Intelligenz durch mehr analytisches Lernen weiter verbessert. Und das ist es, worum es bei moderner Datenanalyse und unserem Geschäft geht: Menschen durch Analysen zum Nachdenken und Nachforschen bringen, damit sie dann die lineare Leistung der Maschine nutzen können, um die Rechenarbeit zu erledigen.

IT-DIRECTOR: Warum sind „intelligente, selbstlernende Maschinen“ den Menschen überlegen – wie häufig in der IT-Branche kolportiert wird?
T. Becker:
Das ist in meinen Augen immer noch nur ein Gerücht. Aber auch wenn man dem mehr Aufmerksamkeit schenkt, stellt man fest, dass, auch wenn Maschinen manches besser können als Menschen, diese Beziehung immer nur als Symbiose funktionieren kann. Ich möchte hier noch einmal auf Licklider zurückzukommen und mir seine Analogie ausleihen, in der die Mensch-Maschine-Diskussion mit Feigenbäumen und Feigenwespen verglichen wird – jede Feigenbaumart hat eine „eigene“ Art Wespe, die sich um das Bestäuben der Bäume kümmern; im Gegenzug können die Wespen ihre Larven in den Früchten der Bäume ablegen, wo sie in Sicherheit aufwachsen. Beide Seiten helfen einander, aber viel wichtiger, beide Seiten sind auch unbedingt aufeinander angewiesen, um zu überleben. Und genauso ist es mit Menschen und Maschinen – die Maschinen mögen manche Aufgaben besser und schneller erledigen können als Menschen, aber sie werden gerade im Bereich der Datenanalyse immer auf die menschlichen Überlegungen angewiesen sein.

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok