Kurzbeschreibung:

Die Zielsetzung von der Erfolgsgeschichte 8 war die Erarbeitung eines modularen Vorgehensmodells zur Unterstützung der Einführung von Data Science in Unternehmen im Dreiklang Mensch, Technik und Organisation. Es wurde ein Vorgehen vorgestellt, beginnend bei der ersten Idee bis zum produktiven Einsatz der gewonnenen Erkenntnisse.

In der Literatur sind Modelle wie das Knowledge discovery in databases (KDD)-Modell oder der Cross-industry standard process for data mining (CRISP-DM) anerkannt. Die Durchführung von Datenanalyseprojekten setzt in den Unternehmen jedoch spezifische IT-Systeme (Tools & Infrastruktur) sowie Prozesse & Rollen voraus, die bei vielen Unternehmen einen erheblichen strukturellen Wandel erfordern. Mit Blick auf die Dimensionen Mensch und Organisation fehlt in den standardisierten Modellen jedoch ein detailliertes Verständnis dazu, welche Faktoren den Erfolg oder Misserfolg eines Data Science-Projektes beeinflussen.

Infolgedessen wurde im Rahmen des Forschungsprojekts AKKORD eine branchen- und altersübergreifende qualitative Interviewstudie durchgeführt. Fokus der Studie war es zu verstehen,

  • welche Erfahrungen zu Erfolgsfaktoren und Hemmnissen bei der Durchführung von Industrial Data Science (IDS)-Projekten gesammelt wurden,
  • was die Mitarbeitenden zu Themen im Bereich IDS und künstliche Intelligenz (KI) antreibt,
  • wie die Mitarbeitenden diese Themen in ihrem Arbeitsumfeld erleben,
  • welche Beeinflussung des Arbeitsumfeldes durch technologischen Fortschritt die Mitarbeitenden in Zukunft erwarten,
  • welche die notwendigen Rollen und Kompetenzen in Bezug auf den Projektumfang sind
  • welche Change Management Maßnahmen bereits umgesetzt wurden und erfolgskritisch sind.

Auf Basis dieser ganzheitlichen Betrachtung wurden Handlungsempfehlungen für das Change Management im Kontext Data Science abgeleitet und eine konkrete fachliche Vorgehensweise vorgestellt, die die Industriestandards berücksichtigt. Die Interviewstudie wird weiterführend in diesem News-Beitrag beschrieben.

Die Anwendung des Vorgehensmodells setzt voraus, dass die notwendigen Rollen und Kompetenzen (Data Engineer, Data Scientist, Projektleiter, Product Owner, Domänenexperte usw.) abhängig vom Projektumfang vorhanden sind und ein Change Management parallel umgesetzt werden.