Die Ergebnisse einer neuen Studie von Domino Data Lab bestätigen die Bedeutung von Data Science und Advanced Analytics für moderne Unternehmen. Kjell Carlsson, Leiter der Data-Science-Strategie und -Evangelisation des Unternehmens, geht näher auf die Umfrageergebnisse ein.
Eine kürzlich von Domino Data Lab durchgeführte Umfrage ergab, dass fast vier von fünf Befragten der Meinung sind, dass Data Science, ML und KI für das künftige Wachstum ihres Unternehmens insgesamt entscheidend sind. 36 Prozent gaben sogar an, dass dies die wichtigsten Einzelfaktoren sind. Das ist eine ziemlich eindeutige Aussage. Was ist der Grund für den Glauben an diese Technologien?
Es ist erwähnenswert, dass diese Zahlen mit den Umfragen übereinstimmen, die ich in der Vergangenheit durchgeführt habe. Im Jahr 2021 habe ich bei Forrester eine Umfrage durchgeführt, bei der 25 Prozent der Befragten angaben, dass Data Science der wichtigste Faktor für ihre Wettbewerbsfähigkeit sei, und erwarteten, dass dieser Anteil in den nächsten zwei Jahren auf 51 Prozent steigen würde. In zwei Umfragen, die ich in jenem Jahr durchführte, gaben 21-25 Prozent an, dass Data Science/ML/AI ihr größter Investitionsbereich sei, was innerhalb von zwei Jahren auf 49-54 Prozent anstieg.
Der Grund für die hohen Erwartungen an Data Science ist wohl, dass immer mehr Unternehmen die Ergebnisse ihrer Data-Science-Initiativen sehen. Das liegt zum großen Teil daran, dass die Unternehmen bei der Nutzung dieser Technologien immer ausgereifter werden und ihre Data-Science-Teams immer besser etabliert sind und vom Rest der Organisation integriert und unterstützt werden. In den von mir durchgeführten Umfragen berichten Unternehmen regelmäßig von einem 4-5-fachen ROI aus diesen Investitionen. Es besteht jedoch eine erhebliche Kluft (30 %) zwischen den Führenden und den Nachzüglern, und diese Kluft wird immer größer.
Auch die Erwartungen des Managements an den Gewinn steigen rapide. Fast die Hälfte der Teilnehmer an Ihrer Umfrage gab an, dass die Unternehmensleitung zweistellige Umsatzzuwächse von Data Science erwartet - im Vergleich zu nur 25 Prozent in einer ähnlichen Umfrage, die Sie letztes Jahr durchgeführt haben. Was ist der Grund für diesen großen Sprung in den Erwartungen?
Auch dies liegt (erfreulicherweise) daran, dass Unternehmen Ergebnisse aus bestehenden Projekten sehen. Es gab nicht nur auf der Seite der Tools und Technologien einen Sprung nach vorne, sondern, was noch wichtiger ist, auf der Seite der Menschen und der Prozesse. Organisationen waren in der Lage, die Kluft zwischen der Entwicklung von Data-Science-Lösungen und deren Bereitstellung zu überbrücken, was besser integrierte MLOps-Plattformen sowie eine Abstimmung zwischen Data Science, Data Engineering, Operations und Branchenführern erforderte. Das Problem, auf das Unternehmen stoßen, besteht darin, diese Erfolge zu skalieren. Viele Teams finden sich selbst als Opfer ihres eigenen Erfolgs wieder, indem sie nun mehr Zeit damit verbringen, bestehende Modelle und Projekte zu pflegen und sich schwertun, neue zu übernehmen.
Vor welchen Herausforderungen stehen Unternehmen Ihrer Umfrage zufolge, wenn es um Data Science geht?
Wenn es um Data Science geht, stehen die Unternehmen vor mehreren Herausforderungen.
Die Mehrheit der Befragten gab an, dass die größten technologischen Herausforderungen im Zusammenhang mit der Skalierung und Operationalisierung von Data Science der Zugang zu geeigneten Data-Science-Methoden und -Tools (27 Prozent der Befragten nannten dies als größte Herausforderung) und Sicherheitsüberlegungen (26 Prozent der Befragten nannten dies als größte Herausforderung) sind.
Wenn es um personal- und prozessbezogene Herausforderungen geht, nannten die meisten Befragten genügend Data-Science-Talente (26 Prozent) als die größte Herausforderung. Es ist keine Übertreibung, dass jedes schnell wachsende Unternehmen mehr Datenwissenschaftler braucht - sie spielen eine entscheidende Rolle bei der Umwandlung von Rohdaten in innovative neue Produkte und Dienstleistungen.
Es ist jedoch auch wichtig zu verstehen, dass die Vorstellung eines "normalen" Datenwissenschaftlers ein Mythos ist. Die Datenwissenschaftler von heute kommen aus den unterschiedlichsten Bereichen, von der Informatik bis zur angewandten Physik. Wenn Unternehmen also Data-Science-Talente einstellen und rekrutieren wollen, sollten sie darauf vorbereitet sein, ein weites Netz auszuwerfen.
Da wir gerade von Personal sprechen: Genügend Data-Science-Talente zu haben, ist schon seit einiger Zeit ein Problem. Ihre Umfrage ergab, dass mehr als ein Viertel der Befragten dies als ihre größte Herausforderung in Bezug auf Mitarbeiter und Prozesse bezeichneten (die Implementierung und/oder Verwaltung der Infrastruktur kam erst an zweiter Stelle). Wie werden die Unternehmen Ihrer Meinung nach mit diesem Talentproblem fertig?
Eine Möglichkeit für Unternehmen, dieses Talentproblem in den Griff zu bekommen, ist die Einbeziehung aller Mitarbeiter. Jedes Unternehmen muss sich die Idee der Vielfalt von Datenwissenschaftlern zu eigen machen, da es nicht genug von ihnen mit einem bestimmten Profil gibt, um sie exklusiv einzustellen. Zunächst müssen sie sich mit den personellen, verfahrenstechnischen und technologischen Aspekten der Vielfalt in der Datenwissenschaft befassen.
Auf der Personalseite müssen sie aus unterschiedlichen Profilen rekrutieren und dabei übertragbare Fähigkeiten und nachgewiesene Lernfähigkeit berücksichtigen. Was die Prozesse angeht, müssen Unternehmen eine vielfältige Gemeinschaft fördern, die konsequent gepflegt wird, um ein Gefühl der Zugehörigkeit unter den Datenwissenschaftlern zu schaffen. Und schließlich müssen Unternehmen ihren Datenwissenschaftlern ein vielfältiges Instrumentarium an die Hand geben, um die Zusammenarbeit und Produktivität zu fördern.
Durch die Berücksichtigung von Menschen, Prozessen und Technologien geben Unternehmen Datenwissenschaftlern die Freiheit, sich in ihrer Arbeit zu entfalten, und vermitteln ihnen ein Gefühl der Zugehörigkeit. Großartige datenwissenschaftliche Arbeit ist das Ergebnis unterschiedlicher Ideen und Hintergründe, die die Zusammenarbeit fördern, um gute Ergebnisse zu erzielen.
Waren einige dieser Umfrageergebnisse überraschend?
Es ist erfreulich zu sehen, dass in dieser Umfrage der Zugang zu Daten, die Datentechnik und die Datenvorbereitung nicht mehr an erster Stelle stehen, wenn es darum geht, mit Data Science Ergebnisse zu erzielen. Ein „besserer Zugang zu Datenplattformen“ stand sogar an letzter Stelle der Dinge, die für den Erfolg von Data Science hilfreich wären. Die Unternehmen scheinen endlich die Bereitstellung von Daten für das Unternehmen in den Griff zu bekommen, und die Teams können sich nun den Herausforderungen der Entwicklung, Operationalisierung und Verwaltung von Produktionsmodellen zuwenden.
Wie werden sich diese Antworten Ihrer Meinung nach verändern, wenn Sie die Umfrage im nächsten Jahr durchführen?
Ich erwarte, dass sich die Kluft zwischen Unternehmen, die die notwendigen Veränderungen vorgenommen haben, um Data Science in ihr Geschäft zu integrieren, und solchen, die dies nicht getan haben, vergrößern wird. Wenn es zu einem erheblichen wirtschaftlichen Abschwung kommt, wird sich diese Kluft vergrößern, da es für die zurückgebliebenen Unternehmen schwieriger wird, Transformationsprojekte zu finanzieren, obwohl gerade in dieser Zeit Data-Science-Projekte besonders wertvoll sind. Data Science kann Unternehmen dabei helfen, veränderte Marktbedingungen zu erkennen, zu verstehen und sich an sie anzupassen, und zwar auf eine Weise, die Intuition und traditionelle Entscheidungsprozesse nicht leisten können.
Welches sind die allgemeinen Trends im Bereich Data Science, die Unternehmen in den nächsten 6 bis 12 Monaten beachten sollten?
Unternehmen sind zunehmend bestrebt, Data Science als unternehmensweite Fähigkeit zu entwickeln. Erwarten Sie Initiativen zur Schaffung konsolidierter Data-Science-Communities in Unternehmen und größere Investitionen in zentralisierte Plattformen, die eine gemeinsame Infrastruktur, Zusammenarbeit und Governance-Funktionen bieten und gleichzeitig eine wachsende Anzahl von Data-Science-Tools unterstützen. Erwarten Sie einen verstärkten Fokus auf MLOps und verstärkte Bemühungen, End-to-End-Workflows zu rationalisieren und zu automatisieren. In diesem Zusammenhang ist zu erwarten, dass immer mehr Unternehmen Feature Stores, Model Registries, Experiment-Tracking-Funktionen und Pipeline-Tools implementieren.
Unabhängig davon scheinen synthetische Daten, die für die Beschleunigung des Trainings und die Verbesserung der Robustheit von Data-Science-Modellen wertvoll sind, endlich auf dem Vormarsch zu sein. Es gibt jetzt eine kritische Masse von Anbietern und ein wachsendes Verständnis unter den Nutzern für den Wert dieser Daten. Ein ähnlicher Trend ist bei tinyML zu beobachten, wo eine wachsende Zahl von Lösungen dazu beiträgt, ML-Modelle zu entwickeln, die in Edge-Geräte wie Unterhaltungselektronik eingebettet werden können.
Was kommt als nächstes für MLOps-gesteuerte Unternehmen?
In dem Maße, in dem Unternehmen ihre Nutzung des maschinellen Lernens ausweiten und integrieren, wächst die Erkenntnis, dass Datenwissenschaftler in der Lage sein müssen, überall im Unternehmen auf Daten zuzugreifen und Modelle zu entwickeln und bereitzustellen, sei es über mehrere Standorte hinweg, vor Ort, in der Cloud oder über mehrere Cloud-Plattformen. Tatsächlich benötigen sie hybride Cloud-Lösungen für ihre Datenwissenschaftler. Leider gibt es keine zufriedenstellenden Lösungen, und nur wenige Anbieter geben glaubwürdige Zusagen zur Unterstützung dieser Lösung. Unternehmen sollten ein hybrides Cloud-Angebot implementieren, das es ihnen ermöglicht, Data Science an jedem beliebigen Ort durchzuführen und die Probleme der Datenhoheit, Kosten, Infrastrukturverfügbarkeit und Anbieterbindung zu lösen.
[Anmerkung: Kjell Carlsson ist Leiter der Data Science-Strategie und -Evangelisation bei Domino Data Lab. Zuvor arbeitete er im Bereich KI, ML und Data Science als Principal Analyst bei Forrester Research, wo er Berichte zu KI-Themen wie Computer Vision, MLOps, AutoML und Conversational Intelligence bis hin zu Augmented Intelligence, KI-Technologien der nächsten Generation und Best Practices für Data Science schrieb. Er hat bei unzähligen Keynotes, Panels und Webinaren gesprochen und wurde häufig in den Medien zitiert. Carlsson promovierte in Betriebswirtschaftslehre an der Harvard Business School.]
