Wie baut man ein Data Science Team und damit intern Data Science Expertise auf? Und warum ist das überhaupt wichtig? Das erzählt uns Data Science Expertin Sarah Stemmler in ihrem Gastbeitrag. 

In einigen Jahren wird so gut wie jedes Unternehmen zum Daten-Unternehmen werden

Von Jahr zu Jahr wird es für Unternehmen wichtiger sich mit den Themen Business Intelligence, Big Data und Künstlicher Intelligenz auseinander zu setzen. Denn wir sehen heute schon, dass die weltweit erfolgreichsten Unternehmen Tech bzw. Daten-Unternehmen sind. Ihre Geschäftsmodelle und strategischen Entscheidungsgrundlagen basieren auf Technologie und Daten. Kurz gesagt: In einigen Jahren wird so gut wie jedes Unternehmen zum Daten-Unternehmen werden.

Das bedeutet auch, dass IT- und Datenkompetenz zum essentiellen Asset im Unternehmen werden muss. Unternehmen, die diese Entwicklung verpassen, werden in Zukunft immer schneller und heftiger von neuen, disruptiven Startups überholt werden. Eine jahrzehntelange Marktführerschaft schützt hier nicht.

Neben dem, dass sich Unternehmen mit einer internen Data Science Expertise fit für die Zukunft machen und langfristig einen strategischen Wettbewerbsvorteil sichern, ist das Argument der Unabhängigkeit nicht zu vernachlässigen.

Unternehmen, die ihre Daten ausschließlich von externen Dienstleistern analysieren lassen, machen sich in einem extrem wichtigen Bereich abhängig. Das hat negative Auswirkungen auf Innovationszeiten. Denn wenn Unternehmen bei neuen Projektvorhaben zunächst nach externen Partnern suchen und deren Expertise evaluieren müssen, vergeht wertvolle Zeit verloren, die bereits in die Entwicklung neuer Projektideen investiert werden könnte. Mit dem Know-How zum Umgang mit Daten & Algorithmen im eigenen Haus lassen sich langfristig schnellere Lösungen implementieren und Kosten senken.

Außerdem fördert der Aufbau von Data Science Know-How die Entwicklung eines datengetriebenen Mindsets. Werden die unterschiedlichsten Fachabteilungen immer wieder in Datenprojekte involviert, wächst langfristig das Vertrauen, dass der Umgang mit Daten nicht nur eine reine IT-Angelegenheit ist. Bestenfalls resultiert das in einen betriebsweiten Kulturwandel, wodurch Daten und Analysen zukünftig zum Standard jeglicher Entscheidungen werden.

Der Mangel an Fachkräften ist ein Problem

Mittlerweile sehen sogar größere Mittelstandsunternehmen, dass sie mehr von ihren Daten profitieren könnten, wenn sie wüssten wie man damit richtig arbeitet. Aktuell befinden sich Unternehmen oft an einem Punkt, bei dem sie in den letzten Jahren eine Menge an Daten gesammelt haben, eine größere Datenstrategie allerdings fehlt.

In manchen Fällen wurden bereits erste Analysen durchgeführt, der große Erfolg blieb aber aus.

Hier brauchen Unternehmen Expertise, also Mitarbeiter oder Externe, die dabei helfen vorhandene Ideen und Erkenntnisse zu strukturieren, Transparenz zu schaffen und eine passgenaue Beratung für die nächsten Schritte zu geben. Dabei geht es hauptsächlich darum vorhandene Daten zu verstehen und aus geschäftsrelevante Daten Use Cases abzuleiten.

Oft sind Mitarbeiter aus der IT zusammen mit dem jeweiligen Fachbereich in einem Data Science Projekt involviert. Die IT bringt meist schon sehr gute Grundvoraussetzungen für die Umsetzung von Data Science Aufgaben mit, hier fehlt es aber häufig noch an Erfahrung, vor allem was die Interpretation der Daten angeht.

Fehlt den Unternehmen diese Expertise komplett, müssen Unternehmen diese erst aufbauen.

Der Aufbau von Personal in diesem Bereich kann ein Problem sein, denn gute Mitarbeiter für den Bereich Data Science, Data Engineering oder Data Analytics zu finden ist eine Herausforderung. Die Nachfrage am Markt ist riesig und der Bedarf kann derzeit noch nicht mit Uni-Absolventen gedeckt werden. Außerdem ist die Branche immer noch sehr jung und extrem dynamisch. Andauernd tauchen neue Berufsbezeichnungen auf, die einerseits ähnlich und doch Unterschiede aufweisen.

Das Gewinnerteam: Die richtige Aufstellung, Talente und Training

Die optimale Zusammenstellung eines Data Science Teams hängt ganz von den Absichten des jeweiligen Unternehmens ab. Manchmal ist es sinnvoll einen Data Scientist mit Spezialisierung in einem Fachbereich, wie zum Beispiel Controlling, direkt im jeweiligen Fachbereich zu verorten. In solch einem Fall gibt es kein dediziertes Data Science Team. In anderen Fällen werden ganze Data Science Units gegründet, die verschiedenste Fachbereiche im Unternehmen bedienen. Das ähnelt dann stark dem Ansatz, wie man es oft aus IT-Abteilungen kennt, die oft als interner Dienstleister agieren.

Wenn wir uns also rein hypothetisch ein optimales Data Science Team anschauen, besteht dieses aus vielen unterschiedlichen Experten. Wer mit dem Recruiting von Data Science Personal bereits beschäftigt war, wird festgestellt haben, dass es tatsächlich unterschiedliche Rollen und Bezeichnungen gibt – Data Scientist, Data Engineer, Machine Learning Engineer, Data Analyst usw. Als Fachfremder ist es sehr schwer diese Rollen zu unterscheiden.

Eine festgeschriebene Reihenfolge, wann man welche Rolle ins Team holen sollte, gibt es nicht. Im Idealfall sind die ersten Teammitglieder breiter aufgestellt, haben fundiertes Know-How in den unterschiedlichen Data Science Task und sind in der Lage unterschiedliche Projekte umzusetzen. Im späteren Verlauf wird man komplexere Fragestellungen haben und immer mehr Spezialisten benötigen, die in einem Fachgebiet herausragende Expertise mitbringen.

Wenn bereits interne Expertise vorhanden ist, müssen diese richtig ins Team eingegliedert und geschult werden. Weiterbildungen sind hier meistens ein unverzichtbarer Teil, um sich für eine ganzheitliche Datenstrategie fit zu machen.

Wo anfangen? Warum sich der Einsatz von Freelancern lohnen kann

Ein erfahrener Freelancer kann der Personalabteilung bei der Formulierung von Stellenausschreibungen helfen, bei der Personalauswahl unterstützen und die optimale Zusammenstellung des Teams begleiten. Dabei ist es wichtig, das Ganze als nachhaltiges Investment zu betrachten. Das Ziel ist Mitarbeiter zu finden, die nicht nur fachlich, sondern auch menschlich gut ins Team passen. Dann sind die Chancen besser, dass das Team langfristig erfolgreich zusammenarbeitet.

Für den Aufbau des Teams oder die interne Schulung von Mitarbeitern ist ein Freelancer meistens flexibel und kann Unternehmen genau dort unterstützen, wo Expertise fehlt.

Das kann direkt auf dem Projekt in der operativen Umsetzung sein oder als Trainer und Coach im 1:1. Durch die aktive Mitarbeit am Projekt sieht er viel schneller, an welchen Stellen es Schulungsbedarf gibt. Er kann sein Wissen gezielt teilen und damit den internen Wandel vorantreiben.

Data Science Freelancer im Allgemeinen bringen meist langjährige Data Science Projekterfahrung mit, kennen die Best Practices und die typischen Pitfalls, die gerade am Anfang aus Unerfahrenheit passieren. Durch die aktive Mitarbeit in den Projekten fließt der Erfahrungsschatz des Freelancers ins Team ein, wovon die Mitarbeiter auf Kundenseite profitieren.

Für den Aufbau einer eigenen Data Science Kompetenz hat der Freelancer gegenüber einem externen Dienstleistungsunternehmen ebenfalls Vorteile. Der Freelancer wird meist für einen längeren Zeitraum ein fester Bestandteil des Teams. Dadurch entsteht die notwendige Nähe, um zum Beispiel bei der Personalauswahl und dem Onboarding neuer Kollegen für dem Kunden mitzuwirken. So kann der Freelancer Sie unterstützen sukzessive Strukturen und Personal aufzubauen.

Kurz: Bei der Zusammenarbeit mit einem Freelancer haben Sie die Chance das wertvolle Data Science Know-How bei sich zu bündeln, anstatt die Umsetzung aus der Hand zu geben.

Über Sarah Stemmler

Als Data Science Consultant & Interim Team Lead begleitet Sarah ein Data Science Team bzw. unterstützt beim Aufbau eines Teams über mehrere Monate, manchmal auch Jahre hinweg. Am liebsten arbeitet sie dabei im Tandem, also zusammen mit einem Projektverantwortlichen auf der Unternehmensseite. Für sie ist der enge Austausch notwendig, um am besten die Synergien innerhalb sowie außerhalb des Unternehmens zu nutzen.

Zum Malt Profil von Sarah