Seite wählen

Wie gelingt es Data-Science-Initiativen einen echten Mehrwert zu schaffen? Warum investieren Unternehmen oft viel Geld und Ressourcen in Data-Science-Projekte und messen keinen Return of Invest? Diesen Fragen haben wir unserem Experten Matthias Niehoff von der codecentric AG gestellt.

 

Inhalt

      1. Data-Science-Projekte: von der Idee bis zur Produktion
      2. Experte Matthias Niehoff
      3. Unternehmen müssen Datenschatz nur heben
      4. Hier kommt Data Science ins Spiel
      5. Data-driven, nicht Discussion-driven
      6. Die Proof of Concept-Phase
      7. Stimmt das Ergebnis?

 

Data-Science-Projekte: von der Idee bis zur Produktion

Unternehmen investieren häufig viel Budget in Data-Science-Projekte, verdienen aber auch nach dem x-ten Proof of Concept immer noch kein Geld. In vielen Fällen werden Data-Science-Projekte sogar abrupt beendet, obwohl es eigentlich erfolgreiche Proof of Concepts gab. Statt einen Business Value zu schaffen, hangeln sich Data Scientists oft nur von einem Proof of Concept zum nächsten.

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

 

Experte Matthias Niehoff

Unser Moderator Martin Puscher begrüßte Herrn Matthias Niehoff, Head of Data & AI bei codecentric. Er unterstützt Kunden auf dem Gebiet Design und Umsetzung von Datenarchitekturen. Dabei liegt der Fokus auf der notwendigen Infrastruktur und Organisation, um Data-Science-Projekte zum gewünschten Erfolg zu führen.

 

Unternehmen müssen Datenschatz nur heben

Unternehmen sitzen auf einem regelrechten Datenschatz, der nur gehoben werden muss. Daten und die Idee sind also gesetzt. Die Kunst besteht jetzt in der nutzbringenden Umsetzung. Wie bekommt man aus Ideen und Daten das richtige Produkt heraus, um damit auch tatsächlich Geld zu verdienen?

 

Hier kommt Data Science ins Spiel

Das Data-Science-Projekt gliedert sich in drei Bereiche:

  • Business (Was will der Kunde, was ist die Vision und wie lässt sich damit Geld verdienen?)
  • Data Science (Welche Daten sind relevant, welches Modell funktioniert und wie gut sind die Vorhersagen?)
  • Engineering (Wie kann deployed werden, wie sehen solide Pipelines aus, was soll automatisiert werden?)

 

Data-driven, nicht Discussion-driven

Wichtig ist es, sich klare, messbare Business-Ziele zu setzen. Damit schafft man eine Grundlage, auf die man hinarbeiten kann. Die Devise lautet: Data-driven, nicht Discussion-driven.

 

Die Proof of Concept-Phase

In der Proof of Concept-Phase geht es um die Klärung des Business Cases und der technischen Durchführbarkeit. Dabei gilt es, frühzeitig Risiken zu identifizieren, um nicht in die PoC- Falle zu tappen. Wichtiger Tipp: Nicht zwingend ein Modell weiterverfolgen, wenn sich bereits abzeichnet, dass es in einer Sackgasse endet.

Stimmt das Ergebnis?

Bei einem erfolgreichen Data Science-Projekt sollten im Ergebnis eine Steigerung des Umsatzes sowie eine Erhöhung der Conversion Rate herauskommen. Weitere Zielsetzung ist die Nutzung für weitere Use Cases.

 
Die vollständige Sendung ist jetzt On-Demand abrufbar. Lassen Sie sich das Angebot von Herrn Niehoff für ein Data-Lunch nicht entgehen. Die codecentric bietet für Sie und Ihr Unternehmen spannende Tech-Talks mit Expertenwissen an – während Ihrer Mittagspause remote via Videocall und das Ganze kostenlos. Sie müssen lediglich für Appetit und Interesse sorgen! Die Geschmacksrichtung Ihres Brown Paper Bag Lunches stellt das Team  gerne gemeinsam mit Ihnen individuell zusammen.

 
 
 

Sicher sind einige Ihrer Kontakte ebenfalls an diesem Inhalt interessiert. „Sharing is Caring“ - Bitte teilen Sie daher diese Seite auch in Ihren Netzwerken. Sie unterstützen unsere Arbeit & wir sagen: "Vielen Dank!"