Warum das so ist und wie Sie davon profitieren können erörtern wird in diesem Beitrag.

In vielen Gesprächen hören wir von Hindernissen, die entstehen, wenn Data Science Aufgaben an externe Partner ausgelagert werden. Wir finden, dass das nicht so sein muss. Deswegen stand die Wissensweitergabe im Zentrum des Vorgehensmodells bei der Gründung der Data Science Abteilung von IT-PS. In diesem Blogbeitrag zeigen wir, dass externe Partner und interner Wissenstransfer kein Widerspruch sind.  

Warum externe Partner und interner Wissensaufbau kein Widerspruch sind

Wer will nicht mit großem Vorsprung starten? Beim Start einer erfolgreichen Data Science Initiative will man Projekte effizient mit sehr erfahrenem Personal umsetzen. Gleichzeitig soll Data-Science-Wissen im Unternehmen aufgebaut werden. Doch in den seltensten Fällen beginnt die Reise mit einem großen erfahrenen Team. Mit dem richtigen Partner, einem ausgeklügelten Projektmodell und intelligent eingesetzten Weiterbildungsmaßnahmen kann man aber Effizienz und nachhaltige Aufbauschritte kombinieren. 

Das kollaborative Projektmodell als Basis für Wissenstransfer 

Ein Data Science Projekt ist immer kollaborative Teamarbeit mit einem bunten Expertisenmix aus verschiedenen Domänen, vom Fachbereich, über DatenspezialistInnen, bis hin zu den Data Scientists*.  

Interdisziplinäres Data Science Projektteam mit ProzessexpertInnen aus dem Fachbereich, DatenspezialistInnen und Data Scientists*.

Damit die Zusammenarbeit reibungslos und effektiv funktioniert, haben wir über die Jahre ein Vorgehensmodell entwickelt, das den explorativen Charakter von Data Science Projekten und die Kollaboration wirkungsvoll verbinden. Wir arbeiten dabei in Wocheniterationen, an deren Ende ein Statusmeeting steht, an dem alle am Projekt beteiligten Personen teilnehmen. Dabei werden der Fortschritt besprochen, Fragen erörtert sowie Lösungsansätze diskutiert und validiert. Dieser Austausch bildet die Grundlage für Wissenstransfer. Zusätzlich gibt es im Laufe der Iterationen zusätzliche Breakoutmeetings nach Bedarf, um spezifische Aspekte genauer zu beleuchten. Auch diese helfen sehr dabei, Wissen weiterzugeben.

Viele Unternehmen starten mit einem kleinen Data Science Team bestehend aus einer oder zwei weniger erfahrenen Personen. Die Komplexität erster Projekte kann dabei für dieses Team überwältigend sein und es besteht das Risiko, dass das Projekt scheitert und Potential vergeben wird. Daher bietet es sich an, das interne Data Science Team in den ersten Projekten mit externen ExpertInnen zusammenarbeiten zu lassen, um an einem konkreten Projekt lernen zu können und so einen ‚head start‘ zu ermöglichen.

Das um Junior Data Scientists* erweiterte Projektteam.

Die erfahrenen Data Scientists* von IT-PS nehmen dabei im Projektverlauf die Junioren Data Scientists* an die Hand und unterstützen den Lernprozess anhand eines realen Use Cases. Das neue Team wird dabei am Arbeitsplatz ausgebildet und perfekt aufgestellt zukünftige Projekte eigenständig erfolgreich umzusetzen. In der heutigen Zeit sind Unmengen an Informationen, Forschungspapers, Hilfestellungen, Beispiele und Tutorials online verfügbar. Das ermöglicht enorme Fortbildungsmöglichkeiten. Doch auch die Projektarbeit kann dadurch informiert werden. Die große Schwierigkeit kann dabei sein, Relevantes zu finden und einzuordnen. Der Austausch mit erfahrenen Personen kann von ungemeiner Bedeutung sein, es beschleunigt das Lernen und hilft dabei die Lücken, die es zwischen einzelnen Ressourcen gibt zu füllen.

Methodenbeschreibungen oder Dokumentation der Implementierung beinhalten auch oft Beispiele, wie die Methode oder ein Algorithmus eingesetzt werden können. Doch diese Beispiele sind oft weit weg von der Realität und vom eigentlichen Use Case. Bei der Datenaufbereitung wird es noch schwieriger, da Daten, die “in der freien Wildbahn” vorkommen oft viel komplexer zu verstehen sind als die Daten der “toy problems”. Oft müssen dabei gewisse Abwägungen gemacht und Kompromisse eingegangen werden. Auch die Interpretation der Ergebnisse kann herausfordernd sein. Welche Metriken sollen verwendet werden? Welche Visualisierung zeigt die echte “model performance”? All diese Entscheidungen im Projekt auf sich allein gestellt zu treffen, kann stressig und unangenehm sein. Es kann auch passieren, dass vielleicht ein nicht optimaler Weg gegangen wird, weil etwas übersehen wurde. Dafür haben wir ein spezielles Coachingformat: die Peer Review. Peer Reviews bauen darauf, dass externe, fachlich kompetente Personen die Arbeit anderer überprüfen. Das Instrument ist aus der Wissenschaft bekannt und wird in Journalen zur Qualitätssicherung eingesetzt. Doch anders als in der Wissenschaft, ist unser Fokus darauf, gemeinsam, auf Augenhöhe, informell und in respektvoller Atmosphäre eine Analyse oder Teilschritte daraus zu besprechen und Feedback und Anregungen zu geben.

Coaching und Peer Review sind Formate, von denen sowohl Berufseinsteigende als auch erfahrene Personen profitieren können. Ebenso hat die Anwendung von externem Coaching und Peer Review einen enormen Benefit aus Managementsicht, denn es ist eine Form der Qualitätssicherung und stellt damit die Qualität der AI Projekt sicher.

Schulungen

Am Arbeitsmarkt sind Data Scientists* sehr gefragt, aber oft schwer zu bekommen. Wenn sie dann im Unternehmen ankommen, müssen sie das Unternehmen, die Prozesse und Daten erst kennenlernen. Daher gehen Unternehmen den Weg, bestehendes Personal, zum Beispiel aus Controlling oder IT, weiterzubilden. Dafür haben wir Schulungen entwickelt. Es gibt einen Standardkatalog, der allgemein in die Data Science Domäne einführt: von der Data Science Basisschulung, zu mathematischen und statistischen Grundlagen, bis hin zu angewandte Data Science und Machine learning mit Python und R, Grundlagen der Optimierung und Docker für Data Scientists*. Zusätzlich gibt es die Möglichkeit, kundenspezifische Schulungen aufzusetzen, die an konkrete Fragestellungen angepasst werden, die für ein Team relevant sind.


Wissenstransfer durch externe Partner

Alles in allem orientiert sich das Angebot von IT-PS daran, jedem Kunden einen möglichst reibungslosen Wissenstransfer beim Thema Data Science und AI zu ermöglichen. In realen, sinnvollen Projekten werden bestehende Ressourcen des Kunden zunächst geführt und ausgebildet, um so einen schnellen und effektiven Einstieg in die Welt der Data Science zu ermöglichen. Später kann das Team des Kunden durch Coaching und Peer Review begleitet oder anlassbezogen unterstützt werden, um effektives Arbeiten und einen hohen Qualitätsstandard zu sichern. Interner Wissensaufbau und der Einsatz von externen Partnern sind also kein Widerspruch – interner Wissensaufbau kann sogar von externen Partnern profitieren!