Lektionen der Data Science Einführung: Das Modell des smarten Übersetzers mit TCW nutzen

Die Praxis zeigt: Die Mehrheit der Unternehmen setzt bei der Einführung von Advanced Analytics auf die Unterstützung durch einen externen Partner. Ziel dabei ist es, das Lernen aus Daten nicht als Selbstzweck zu sehen, sondern genau da anzusetzen, wo betriebswirtschaftlicher Mehrwert geschaffen werden kann. Die Identifikation von attraktiven Use Cases steht dabei an erster Stelle.

Folgende Schritte haben sich bei der Implementierung in cross-funktionalen Teams bewährt:

1. Use Case-Hypothese: In welchen Bereichen ist Bedarf nach neuen Erkenntnissen aus dem Lernen aus Daten vorhanden und wo könnte Mehrwert geschaffen werden?
2. Daten-Exploration: Wie sehen die Daten in diesem Bereich aus? Reicht die Vielfalt und die Qualität aus?
3. Business Case: Welches Aufwand/Nutzen-Verhältnis wäre für ein Data Science Modell zu erwarten? Welcher Aufwand ist mit der Entwicklung verbunden, welche Potenziale sind vorstellbar?
4. Prototyp: Entwicklung eines Demonstrators mit begrenztem Funktionsumfang auf der Basis von echten Daten. Experimente werden durchgeführt.
5. Pilotierung: Entwicklung eines Data Science Modells für einen abgegrenzten Bereich, Definition und iterative Verbesserung der Funktionsweise.
6. Rollout: Ausweitung der gelernten Methode auf den Rest des Unternehmens und Übertragung des Modells auf ähnliche Unternehmensbereiche.

TCW ist der smarte Übersetzer in den Einführungsprojekten von Data Science

Eine der größten Herausforderungen bei der Einführung von Data Science Methoden im Unternehmen liegt in der Qualifikation von Schlüsselpersonen. Viele Unternehmen beschäftigen bereits Datenwissenschaftler. Ebenso hohe Bedeutung haben jedoch sind kaufmännisch denkende Domain-Experten, die sich auch im Bereich Data Science auskennen und

• Chancen erkennen,
• ein Problem mathematisch formulieren können,
• eine Lösung gestalten und
• Veränderungen vorantreiben können.

Ziel ist es, den betriebswirtschaftlichen Mehrwert einer Analytics-Lösung klar zu bewerten. Es gibt häufig gute Ingenieure und Datenwissenschaftler und auch gute, ausgebildete Kaufleute. Wichtig sind vor allem aber Kompetenzträger, welche technologische Möglichkeiten in monetären Nutzen übersetzen können und diese Verbindung auch geistig herstellen können. Der Schlüssel liegt darin, Leute auszubilden, welche sich auf Daten stürzen und sie dann zum Nutzen des Unternehmens verarbeiten können. Data Science darf kein Selbstzweck sein.

Genau an dieser Stelle setzt die Rolle von TCW als smarter Übersetzer an. Wir unterstützen Unternehmen dabei, die technologischen Möglichkeiten im Bereich Data Science in betriebswirtschaftlich sinnvolle Konzepte zu übersetzen und ein passendes Konzept hierzu zu entwickeln. Ebenso unterstützen wir bei der Umsetzung.

Verschiedene Fragestellungen sind hierbei systematisch zu ergründen:

• Wie lässt sich ein Problem mathematisch darstellen?
• Welche Hypothesen sind sinnvoll?
• Welche Daten sind werthaltig und sollten betrachtet werden?
• Wie ist die Wirtschaftlichkeit des Data Science Ansatzes zu bewerten?
• Welche Besonderheiten sind für die Unternehmensfunktionen zu berücksichtigen und wie plausibel sind die Ergebnisse?
• Wie kann das mathematische Problem mit Hilfe eines Tools gelöst werden?
• Wie können große Datenmengen ausgewertet werden?
• Wie können Daten zusammengeführt und bereinigt werden?
• Wie können Algorithmen für Prognosemodelle, lernende Prozesse und einen KVP genutzt werden?
• Wie sehen effektive Dashboards aus?

Ein weiteres Ziel bei der Umsetzungsbegleitung in Projekten mit TCW ist es, die entscheidenden Kompetenzträger im Unternehmen auszuwählen und ein Organisationskonzept zu entwickeln, um das Unternehmen in die Lage zu versetzen, die Weiterentwicklung selbständig zu tragen. Wichtig hierbei sind Leistungsträger mit mathematischem Hintergrund, wie Statistiker und Kaufleute. Wir unterstützen Sie auch dabei, die Analysefähigkeiten im eigenen Team im Einsatz beim Kunden zu verbessern. Die Schulung sollte nicht nur Data Science umfassen, sondern auch die Führungsfähigkeiten, die erforderlich sind, um die Identifizierung und Implementierung eines Anwendungsfalles von Anfang bis Ende zu leiten, sowie die Fähigkeiten zum Veränderungsmanagement, die erforderlich sind, um den Kulturwandel voranzutreiben. Bei der Gestaltung dieser Programme werden innovative Lernmethoden wie Training-on-the-Job oder Online-Kurse kombiniert. Formale Zertifizierungen für diejenigen, die diese Kurse erfolgreich abschließen, sorgen für Anerkennung, schaffen eine gemeinsame Sprache und eine Reihe von Standards.

Der Zeitpunkt, um mit Data Science anzufangen ist jetzt!

Viele Branchen nutzen Daten und Analysen immer noch zu wenig. Um es besser zu machen, müssen Führungskräfte den Handlungsdruck klar machen und das Unternehmen die Bereitschaft mitbringen, eingefahrene Verhaltensweisen zu ändern. Auf jeden Fall ist es wichtig, dass Organisationen früh anfangen, sich Data Science-Kompetenz anzueignen, denn die erfolgreiche Einführung verlangt einigen Mut zum Experimentieren. Das digitale Labor ist ein Ort der spielerischen Kreativität, in dem das Gebaute auch schnell wieder abgerissen werden kann und Stopp-Entscheidungen getroffen werden, wenn es notwendig ist. Das es sich aber lohnt, in die Nutzung der eigenen Daten zu investieren und Big Data Analytics-Methoden zu verwenden, zeigen die vielen Fallbeispiele, auch aus kleineren Unternehmen.

Beratungsleistungen

• Data Science
• Neue Geschäftsmodelle Industrie 4.0
• Smart Factory
  Neue Technologien, Fallstudien, Wirtschaftlichkeit und Einführungsstrategien
• Neue Geschäftsmodelle in der Industrie 4.0
  Leitfaden zur Entwicklung neuer Geschäftsmodelle in der Industrie 4.0

Publikationen

• Innovationsbeschleuniger Krise
  Krisenmanagement - Hochlaufkurve - Wachstumspfade
• Neue Geschäftsmodelle – Künstliche Intelligenz – Maschinenlernen
  Tagungsband des Münchner Management Kolloquiums 2020

Praxisbeispiele

• Beherrschung horizontaler und vertikaler Komplexität über Produktordnungssysteme
• Produktivitätssteigerung mit dem TCW-Technologiebaukasten „Industrie 4.0“
• Reifegradorientierte Handlungsempfehlungen für die Digitalisierung in der Automobilproduktion