In fünf Schritten zum erfolgreichen Data Science Projekt

Ohne Data Science, Data Analytics und Business Intelligence können Firmen heute im Wettbewerb kaum mehr erfolgreich wirtschaften. Mit der Fünf-Schritte-Methodik von valantic identifizieren Unternehmen Data Science Anwendungsszenarien, die einen echten Mehrwert generieren, den Umsatz steigern und den Gewinn erhöhen.

Daten werden gerne als das „Gold des 21. Jahrhunderts“ bezeichnet, und viele handfeste Gründe sprechen dafür. So gut wie alle Firmen und Branchen sitzen auf einem Datenschatz, ohne es so richtig zu realisieren. Daten können Unternehmen helfen, die Wettbewerbsfähigkeit zu steigern, exaktere Bedarfsprognosen für die Produktion zu erstellen, Betrügereien im Zahlungsverkehr zu erkennen oder Kommunikationsprozesse und Fertigungsprozesse zu automatisieren. In Folge steigen Effizienz, Performance, Rentabilität und Gewinn. Daher gibt es so gut wie keine Branche, die von Data Analytics und Data Science nicht profitieren könnte.

Trotzdem tun sich immer noch viele Unternehmen schwer damit, Data Science – die wissenschaftliche Methodik zur systematischen Analyse riesiger Datenvolumina – für sich zu nutzen und naheliegende Mehrwerte zu realisieren. Sie lassen ihr Gold einfach liegen, ohne es nutzbringend einzusetzen. Zwei Beispiele: 65 Prozent der europäischen Manager geben an, sie bräuchten sauberere und akkuratere Daten in Echtzeit, um auf einer soliden Datenbasis erfolgreichere Entscheidungen treffen zu können. Business Analysten verbringen 80 Prozent ihrer Zeit damit, geeignete Daten zu suchen und aufzubereiten. Zeitressourcen, die für höherwertige Tätigkeiten nicht mehr zur Verfügung stehen.

Gesucht: Das Top-Projekt mit bestmöglichem Mehrwert

Vielen Unternehmen ist bewusst, was Data Science für sie leisten kann. „Den allermeisten fehlt jedoch schlicht ein geeigneter Einstiegspunkt, um mit einem ersten Data Science Projekt zu beginnen. Denn jedes erfolgreiche Data Science Projekt basiert auf einem geeigneten Anwendungsfall“, betont Daniel Völker, Lead Consultant Data Science bei valantic Business Analytics. valantic hat deshalb eine Methodik in fünf Schritten entwickelt, mit der Unternehmen Use Cases identifizieren und realisieren, die den größtmöglichen Mehrwert generieren und echte Vorteile bringen.

Diese fünf Schritte umfassen:

1. Brainstorming: Data Science Use Cases entwickeln
2. Use Cases auf Anwendbarkeit überprüfen
3. Die durch Schritt 2 ausgewählten Use Cases nach Relevanz und Durchführbarkeit selektieren
4. Use Cases in der Feinplanung ausarbeiten
5. Use Cases umsetzen, etwa mithilfe des Data Science Process Model (DASC-PM)

Am Ende des fünfschrittigen Prozesses können zum Beispiel assoziative Empfehlungssysteme stehen, die den Vertrieb eines Unternehmens dabei unterstützen, seinen Kund*innen die sogenannte „Next-Best Action“ anzubieten. Ein assoziatives Modell berechnet – unter anderem auf Grundlage historischer Kundendaten – die Wahrscheinlichkeit, wie empfänglich ein Kunde für ein zusätzliches Angebot ist. Abverkäufe lassen sich auf diese Weise signifikant steigern.

Text Analytics, die automatisierte Auswertung der Kundenkommunikation, erkennt durch Sentiment-Analysen, was Kund*innen über bestimmte Produkte und Lösungen wirklich denken. Unternehmen sind dadurch in der Lage, auf negative Kommentare etwa in den sozialen Medien schneller zu reagieren oder versteckte Ressentiments in der E-Mail-Kommunikation besser zu erkennen. In Folge steigen die Kundenzufriedenheit und die Kundenbindung.

Wunderwaffe Robotic Process Automation

Robotic Process Automation (RPA) entlastet Mitarbeiter*innen von repetitiven Routinetätigkeiten, die unnötig Zeit und Geld kosten, und senkt zudem markant die Fehlerquote. Bestellungen gehen zum Beispiel per E-Mail, Bestellformular oder Fax ein und müssen von Mitarbeitenden manuell auf Korrektheit und Vollständigkeit überprüft und in ein ERP-System eingepflegt werden. Durch den Einsatz natürlicher Sprachverarbeitung und Texterkennung lässt sich dieser Prozess automatisieren und deutlich verkürzen. Aber auch in vielen anderen Geschäftsbereichen kann RPA die Effizienz und Produktivität durch Automatisierung signifikant steigern. RPA-Projekte haben, je nach Use Case, eine Laufzeit von wenigen Wochen und erfordern typischerweise ein Budget im niedrigen bis mittleren fünfstelligen Bereich.

In der Praxis bewährt hat sich die Vorgehensweise, die identifizierten Use Cases nach Relevanz für das Unternehmen und nach Durchführbarkeit zu clustern und dann mit den sinnvollsten Data Science Anwendungsfällen – hoher Nutzen, hohe Durchführbarkeit – zu starten.

Die besten Use Cases stecken auf operativer Ebene in den Fachabteilungen

Schnelle Erfolge, die sogenannten „low hanging fruits“, führen der Geschäftsleitung und den Mitarbeitenden in den Fachabteilungen den konkreten Nutzen von Data Science Projekten vor Augen und schaffen damit die nötige Investitionsbereitschaft und Akzeptanz für Folgeprojekte. Denn Data Science Projekte benötigen die Unterstützung des obersten Managements. In der Regel finden sich jedoch auf der zweiten operativen Ebene der Fachabteilungen die meisten Use Cases, die konkreten Mehrwert stiften.

Data Science – die Kunst, aus Daten Wissen zu generieren – kennt eine Vielzahl von Methoden und Techniken, darunter Regressionsverfahren, Klassifikationen, Simulationstechniken „Was wäre, wenn“, Process Mining, Text Analytics und Robotic Process Automation. Das kostenlose Whitepaper „In 5 Schritten zum erfolgreichen Data Science Projekt“ von valantic will Sie zu eigenen Projekten inspirieren.