Data Science Event 2021 – Q&A Teil 2
Und noch mehr Antworten auf Publikumsfragen zum Thema Data Science & Management finden Sie hier:
KI mit Köpfchen, Strategie als Erfolgsfaktor...
Unter diesem Motto haben wir am 30. November 2021 aufgezeigt warum es wichtig ist nicht nur ein paar Data Scientisten/Innen für Datenbereinigung und Programmierung abzustellen. Wenn das Management nicht mit einer Strategie dahinter steht, wird es kein erfolgreiches Data Science Projekt geben. Unser Kollege und Senior Data Scientist, Ingo Nader, hat mit seinem Vortrag „Rocky Horror Data Show“ das KI-Gruselkabinett dem AI-Wunderland gegenübergestellt und dabei die goldene Mitte aufgezeigt, wie es im realen Business laufen kann, soll und warum. Unser Gastredner, Thomas Huber, CEO unseres Partnerunternehmens mosaiic GmbH, hat aus seiner Sicht als Unternehmensberater in Deutschland veranschaulicht, warum ein KI (Künstliche Intelligenz)-Projekt nur erfolgreich sein kann, wenn das Management die entsprechende Priorität dazu setzt. Und auch aus Managementsicht wurde berichtet: Rainer Kegel, CIO der Wiener Stadtwerke, hat gezeigt wie im öffentlichen Dienst erfolgreich AI (Artificial Intelligence)-Projekte gemacht werden.
Übrigens: Kennen Sie unser Team schon? IT-PS Teamseite
Fragen aus dem Publikum
Leider war es uns aus Zeitgründen nicht möglich alle gestellten Fragen aus dem Publikum live zu beantworten. Die ersten Antworten konnten Sie bereits im ersten Teil nachlesen. Hier wollen wir Ihnen die Antworten von Thomas Huber noch zur Verfügung stellen zu den Fragen die während des Events gestellt wurden:
- Wie kann man den Ängsten begegnen und vielleicht auch Ängste nehmen? Prozent ist Alptraum, wie viel Prozent ist AI Wunderland?“
Um die Ängste zu nehmen, die Erwartungen richtig zu managen und das Unternehmen auf dem Weg auch mitzunehmen, ist eine transparente, offene und ehrliche Kommunikation sehr wichtig: vom Management in das Team und vom Team zum Management.
Wenn es eine klare, kommunizierte und auch verstandene Strategie gibt, die beschreibt, was das Unternehmen erreichen will, warum man es erreichen will und wie man es erreichen will, dann können das die Mitarbeiter auch nachvollziehen. Das Team / die Mitarbeiter müssen ihre zukünftige Rolle verstehen und ein klares Zielbild haben. Menschen haben i.d.R. nur vor Dingen Angst, die sie nicht kennen oder nicht verstehen.
- Aus Ihrer Erfahrung, welche Eigenschaften brauchen Unternehmen und Führungskräfte, um erfolgreich KI einzusetzen?
Prinzipiell bin ich der Meinung, dass jedes Unternehmen eine KI erfolgreich einsetzen kann. Unabhängig von den „Eigenschaften“ bzw. der Kultur im Unternehmen. Wichtig ist, dass man sich zu Beginn eines solchen Vorhabens Gedanken darüber macht, wie denn die Unternehmenskultur / die Führungskultur ist und welchen Effekt diese auf das Data Science / KI Projekt hat. Darauf aufbauend kann man dann Maßnahmen ergreifen, um das Projekt in die richtige Richtung zu steuern.
Welche Eigenschaften aber prinzipiell helfen, sind folgende:
Offenheit: Austausch über Abteilungsgrenzen, Datenbereitstellung, neue Ideen und Ansätze, offene Zusammenarbeit in interdisziplinären Teams, Ergebnisoffenheit
Tatkräftigkeit: Da in der Regel einige Voraussetzungen, z.B. Datenverfügbarkeit /-qualität, Infrastruktur und interdisziplinäre Zusammenarbeit, noch nicht so gegeben sind, ist es wichtig, dass ein Unternehmen in der Lage ist, die notwendigen Schritte auch direkt und pragmatisch anzugehen.
Kommunikationsstärke: Um die Ängste zu nehmen, die Erwartungen richtig zu managen und das Unternehmen auf dem Weg auch mitzunehmen, ist eine transparente, offene und ehrliche Kommunikation sehr wichtig: vom Management in das Team und vom Team zum Management.
- Der Nutzen von KI ist mir bekannt, aber kann ich den Nutzen für mein Unternehmen vorher definieren?
Naja, das kommt darauf an. Natürlich kann man für jeden Anwendungsfall oder Use Case auch einen Business Case rechnen und damit den Nutzen quantitativ errechnen. Als wichtiger sehe ich aber zunächst die strategische Bewertung. Wenn man sich - z.B. im Rahmen des IT-PS Strategieworkshops - aufzeigen lässt, was die Werkzeuge Data Science und KI leisten können, und darauf aufbauend gemeinsam mit den Mitarbeitern abteilungsübergreifend wichtige mögliche Anwendungsfälle definiert, um die Unternehmensziele besser oder schneller zu erreichen, erarbeitet man damit einen übergreifenden Nutzen. Allerdings sollte die Denkweise eigentlich andersherum sein. Wo habe ich als Unternehmen Problemstellungen, Herausforderungen etc., die ich ggf. mit Data Science und KI deutlich besser bewältigen kann als mit anderen „Werkzeugen“.
- Wie muss man als Mittelständler vorgehen, wenn ich bisher noch keine Berührungspunkte hatte? Was ist da ein guter erster Schritt?
Aus meiner Sicht ist der beste Schritt, sich zunächst einmal mit dem Thema zu befassen und z.B. ins Gespräch mit anderen Unternehmen zu gehen, die hier schon Erfahrung haben. Gerne können die IT-PS oder die mosaiic GmbH hier auch unterstützen und Kontakte vermitteln.
Aber gerade um solchen Unternehmen zu helfen, bieten wir den Strategieworkshop Data Science / KI an. Nach einer kurzen Voranalyse werden innerhalb eines Tages die wesentlichen Aspekte von Data Science und KI vermittelt und Impulse für die Nutzung von Data Science im Unternehmen gesetzt. Es werden mögliche Anwendungsfelder für das Unternehmen, sowie konkrete Vorgehensschritte für erarbeitet. Mit sehr wenig Aufwand bekommt man so einen ersten Überblick und schon konkrete Handlungsempfehlungen für das Unternehmen.
- Brauche ich zwingend einen eigenen Data Scientist in meinem Unternehmen um hier erste Schritte zu setzen?
Nein, als kleineres oder mittelständisches Unternehmen kann es aus meiner Sicht sogar hinderlich sein. Ich würde für die ersten Schritte dringend empfehlen, mit kompetenten, erfahrenen Dienstleistern in diesem Umfeld zu starten. Wichtiger ist es, die im Unternehmen vorhandenen Fachkompetenzen zu aktivieren und gemeinsam mit diesen die ersten Schritte zu machen. Da Externe nicht Teil des Unternehmens sind, können sie bzgl. der verschiedenen Hierarchieebenen viel leichter agieren und moderieren. Ein neuer interner Data Scientist tut sich hier erstmal viel schwerer. Als Teil des Systems kann man meist nicht mit dem notwendigen Nachdruck Dinge voranbringen. Zudem kann das Problem entstehen, die Verantwortung dann auf diesen einen Data Scientisten zu legen, der jedoch auf die intensive Zusammenarbeit/Mitwirkung der Fachkollegen und der IT-Kollegen angewiesen ist. - Ist Data Science eine Weiterentwicklung einer funktionierenden IT/IT-Abteilung? Oder kann ich Data Science als Speedboot parallel zur IT laufen lassen?
Unter einer „funktionierenden IT“ würde ich verstehen, dass sie gemeinsam mit den Fachbereichen schnell, flexibel und sicher Lösungen bereitstellt und das Datenmanagement so weit in Griff hat, dass Data Science Projekte sich nicht den Großteil der Zeit damit beschäftigt sind, die Daten in der richtigen Qualität und Vernetzung bereitzustellen.
Wenn das der Fall ist, dann kann Data Science eine Weiterentwicklung der vorhandenen IT sein. Ich muss und sollte das als Unternehmen aber nicht zur Voraussetzung machen, um mit Data Science zu beginnen. IT-Abteilungen haben den Fokus vor allem auf Sicherheit, Stabilität und Betreibbarkeit. Sie sind oft mit vielen Altlasten und mit der generellen Digitalisierung des Unternehmens beschäftigt. Da Data Science / KI Projekte in aller Regel einen Forschungscharakter haben, mit vielen Unsicherheiten arbeiten müssen und daher Bürokratie und starre Prozesse erst einmal hinderlich sind, ist das Konzept von leistungsfähigen, wendigen Speedbooten für solche Projekte sehr zu empfehlen. Man sollte jedoch darauf achten, dass diese dann als Teil der „Flotte“ gesehen werden und auch wieder integriert werden können. - Brauche ich zwingend einen eigenen Data Scientist in meinem Unternehmen um hier erste Schritte zu setzen?
Nein, als kleineres oder mittelständisches Unternehmen kann es aus meiner Sicht sogar hinderlich sein. Ich würde für die ersten Schritte dringend empfehlen, mit kompetenten, erfahrenen Dienstleistern in diesem Umfeld zu starten. Wichtiger ist es, die im Unternehmen vorhandenen Fachkompetenzen zu aktivieren und gemeinsam mit diesen die ersten Schritte zu machen. Da Externe nicht Teil des Unternehmens sind, können sie bzgl. der verschiedenen Hierarchieebenen viel leichter agieren und moderieren. Ein neuer interner Data Scientist tut sich hier erstmal viel schwerer. Als Teil des Systems kann man meist nicht mit dem notwendigen Nachdruck Dinge voranbringen. Zudem kann das Problem entstehen, die Verantwortung dann auf diesen einen Data Scientisten zu legen, der jedoch auf die intensive Zusammenarbeit/Mitwirkung der Fachkollegen und der IT-Kollegen angewiesen ist.
Sie haben Fragen zu Data Science? Kennen Sie schon unsere Data-Science Seite? Link
Lesen Sie weiter in unserem nächsten Blogbeitrag zum Data Science Talk 2021: Behind the Scenes