Aufrufe
vor 3 Jahren

Netzwoche 02/2017

  • Text
  • Unternehmen
  • Schweizer
  • Netzmedien
  • Webcode
  • Schweiz
  • Gesellschaft
  • Digitalisierung
  • Microsoft
  • Digital
  • Mitarbeiter

36 Management & Career

36 Management & Career Titelgeschichte Big Data steht auf der Prioritätenliste zahlreicher Unternehmen an erster Stelle. Dennoch kommen Big-Data-Projekte oft nur zögerlich voran oder führen nicht zu den gewünschten Ergebnissen. Es mangelt insbesondere an Kompetenzen, um aus den Daten wertvolle Erkenntnisse zu gewinnen. Grund genug, mit dem Data Scientist ein Berufsbild zu schaffen, das besonders gefragt ist. Autor: Rodolphe Koller, Übersetzung: Joël Orizet Data Scientists: Zu Beginn des Zweiten Weltkriegs führte der britische Geheimdienst eine Gruppe hochbegabter Wissenschaftler zusammen, darunter Alan Turing, um die Codes der deutschen Chiffriermaschine Enigma zu knacken. Auf der Suche nach Talenten organisierte der Geheimdienst zusammen mit dem «Daily Telegraph» einen Kreuzworträtsel-Wettbewerb und rekrutierte Kandidaten, die das Rätsel in weniger als zwölf Minuten gelöst hatten. Die Geschichte wurde übrigens im Film «The Imitation Game» geschildert. 80 Jahre später sind nun Unternehmen auf der Suche nach talentierten Mathematikern und Statistikern, die dabei helfen sollen, aus der riesigen Menge angesammelter Daten einen Nutzen zu ziehen. Ein Drittel der Schweizer Unternehmen priorisiert das Thema Big Data, wie aus einer Studie von MSM Research hervorgeht. Von Banken über Telekommunikationsunternehmen bis hin zu Grossverteilern: Unternehmen verlassen sich auf Informationen, die aus Daten gewonnen werden und die ihnen dabei helfen, ihre Angebote zu verbessern und Kosten zu sparen. Als Vorbild dient etwa die Suva. Die Unfallversicherung berichtete, dass sie im Jahre 2015 durch den Einsatz von Big-Data-Technologien weitgehend automatisiert ungerechtfertigten Forderungen auf die Spur kam. Auf diese Weise konnte sie 40 Millionen Franken mehr sparen als im Vorjahr. Ein weiteres Beispiel für die erfolgreiche Umsetzung eines Big-Data-Projekts zeigen die Transports Publics Genevois (TPG). Das Genfer Verkehrsunternehmen rüstete seine Fahrzeuge und Depots mit Sensoren aus, die Daten wie etwa Fahrzeiten erfassen. Dadurch sollen Prozesse optimiert werden. Michaël Chopard, Marketingverantwortlicher bei der TPG, erklärt, dass die Diskussionen im Unternehmen durch die Analyse der Einsatzdaten sachlicher wurden. «Mithilfe der Daten können wir die Fahrten des Vortages analysieren und sie in Grafiken visualisieren. Dadurch werden wir objektiver.» Wissenschaftliche Projekte, die schwierig umzusetzen sind Selbst wenn Big-Data-Initiativen zunehmen, reichen viele nicht über die Pilotphase hinaus. Gemäss Gartner Bild: Fotolia 02 / 2017

Management & Career Titelgeschichte 37 Die Big-Data-Helden gehen nur 15 Prozent der Projekte in die Umsetzung. «Das könnte daran liegen, dass viele Big-Data-Projekte keinen konkreten Return on Investment erzielen, der im Voraus festgelegt werden kann», erklärt Nick Heudecker, Research Director bei Gartner. Die Projekte werden auch durch Ängste um die Sicherheit, ein Mangel an Expertise, fehlende Daten oder schlechte Datenqualität behindert. Ausserdem sind Big-Data-Projekte technisch komplex und wissenschaftlich fundiert, wie viele Experten betonen. So wie Olivier Verscheure, der rund 20 Jahre für IBM arbeitete und heute das neue Swiss Data Science Center leitet. Das Forschungszentrum wurde vom ETH-Rat mit 30 Millionen Franken für die kommenden vier Jahre finanziert. Der Forscher vergleicht die Datenwissenschaft mit einer Reise: «Ein Data Scientist geht etappenweise vor. Er muss zuerst die Daten beschaffen, sie anschliessend bereinigen, dann vereinheitlichen, statistisch auswerten und schliesslich die Ergebnisse interpretieren sowie visualisieren. Er muss all diese Schritte beherrschen, um Einsichten zu gewinnen und daraus Empfehlungen abzuleiten.» Laut Diego Kuonen, CEO von Statoo Consulting und Professor für Data Science an der Universität Genf, müssen Unternehmen akzeptieren, dass Data- Science-Initiativen auf wissenschaftlichen Methoden beruhen, fortlaufend über Hypothesen und empirische Validierung weiterentwickelt werden, aber manchmal erst mit der Zeit einen Ertrag abwerfen. Die beiden Experten stehen den Deep-Learning-Methoden skeptisch gegenüber, welche die Webgiganten für die automatische Bilderkennung einsetzen. Wie interessant diese Konzepte auch sein mögen, die von solchen Systemen erzeugten Ergebnisse könnten kaum sinnvoll interpretiert und validiert werden. Wenn man nur nach Inhalten in sozialen Netzwerken suche, sei diese Einschränkung nicht so gravierend. Soll jedoch die Zahlungsfähigkeit eines Bankkunden überprüft oder Gesundheitsdaten analysiert werden, stossen solche kognitiven Systeme an ihre Grenzen, wie sie sagen. Der Data Scientist – viel gesucht, selten gefunden Data Science ist ein komplexes Sachgebiet. Dies erklärt, warum sich viele Unternehmen schwertun, einen wirtschaftlichen Vorteil aus ihren Datenbeständen zu ziehen. Gemäss einer Studie der MIT Sloan Management Review fehlt es nicht an Daten, sondern an Mitarbeitern, die in der Lage sind, eine Wertschöpfung aus der Datenflut zu generieren. «Die Technologie ist kaum noch ein Hindernis, um einen ökonomischen Nutzen aus den Daten zu gewinnen. Die grösste Hürde ist der Mangel an erforderlichen Kompetenzen.» Mit anderen Worten: Wird das Geschäft mit den Daten als Goldgrube bezeichnet, sind Data Scientists die Goldgräber. Ohne sie liegen die Schätze brach. Viele Hoch- und Fachhochschulen wollen die wachsende Nachfrage bedienen und gründen Studienfächer im 02 / 2017

Archiv