Data-Science-Projekte und ihre Besonderheiten
- PDF / 486,228 Bytes
- 6 Pages / 595.276 x 790.866 pts Page_size
- 114 Downloads / 287 Views
ta-ScienceProjekte und ihre Besonderheiten Warum scheitern so viele Data-Science-Projekte? Man mag die Gründe darauf reduzieren, dass es sich um eine neuartige Disziplin handelt, die von klassischen Anlaufschwierigkeiten betroffen ist. Dies würde aber zu kurz fassen. Data-ScienceProjekte besitzen Besonderheiten, durch deren Berücksichtigung die Wahrscheinlichkeit des Scheiterns reduziert werden kann, die allerdings auch dafür sorgen, dass ein gewisses Risiko für Projektabbrüche immer bestehen wird. Michael Schulz
Wirtschaftsinformatik & Management 2020 • 12 (5): 376–381 https://doi.org/10.1365/s35764-020-00281-z Online publiziert: 7. September 2020 © Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2020
376
Wirtschaftsinformatik & Management 5 | 2020
Spektrum
In den letzten Jahren wurden unzählige Umfragen durchgeführt, in denen Unternehmen über erschreckend hohe Anteile von gescheiterten Data-Science-Projekten berichten. Häufig lag dieser Wert bei deutlich über 50 %. Solche Studien zugrunde legend, scheint der Einsatz von komplexen datengetriebenen Analysen trotz deren Möglichkeit, neue und wichtige Erkenntnisse zu generieren, für Unternehmen nicht sinnvoll zu sein. Durch eine Beschäftigung mit den Besonderheiten dieser Disziplin kann das Risiko des Scheiterns jedoch deutlich reduziert werden. Im Folgenden sollen drei Thesen betrachtet werden, warum es so häufig zum Scheitern von Data-Science-Projekten in Unternehmen kommt.
Prof. Dr. Michael Schulz () hat eine Professur für Wirtschaftsinformatik, insbesondere Data Science an der NORDAKADEMIE inne und arbeitet als Projektmanager bei der valantic Business Analytics GmbH. [email protected] [email protected]
Data Science ist kein Hexenwerk Wie bei jeder anderen Disziplin auch, die in ein Unternehmen etabliert werden soll, gilt es zunächst zu verstehen, worum es sich bei der Data Science eigentlich genau handelt. Wird ein falsches oder unvollständiges Verständnis zugrunde gelegt, kann dies in ungeeigneten Projektherangehensweisen oder -erwartungen resultieren und damit sehr frühzeitig den Grundstein zum Scheitern von Analysevorhaben legen. Bei einer Recherche nach dem Data-Science-Begriff stößt man unweigerlich auf die weitverbreitete Definition von Drew Conway [1], die den Charme besitzt, dass sie die Einordnung des Begriffes visuell vornimmt (vergleiche Abb. 1).
NORDAKADEMIE Hochschule der Wirtschaft Elmshorn, Elmshorn, Deutschland
Data Science wird nach Conway als eine Kombination aus mathematisch-statistischem und anwendungsspezifischem Wissen sowie Programmierkenntnissen gesehen. Auch wenn die Darstellung häufig für diesen Zweck verwendet wird, stellt
Abb. 1 Data Science, in Anlehnung an Conway [1]
Mathemasch-stassches Wissen
Data Science Programmierkenntnisse
Wirtschaftsinformatik & Management 5 | 2020
Anwendungsspezifisches Wissen
377
Spektrum
sie weniger eine Definition des Data-Science-Begriffes dar, sondern zeigt vielmehr die Kompetenzen auf, die nötig sind, um ein Data-Science-Vorhabe
Data Loading...
