Analytics Translator – the sexiest role of these times
Von Daniel Egli, Oktober 25, 2023
Die Einführung in den CAS AI Management beinhaltet unter anderem einen Ausblick, wo man nach erfolgreichem Abschluss landen könnte (in einer high-performing Organisation) und zeigt weiter auf, welche Rollen dabei in Frage kommen. Eine davon ist die Rolle des Analytics Translators. Dabei bezieht sich die Studiengangsleiterin Afke Schouten auf eine im Dezember 2022 publizierte Survey von McKinsey.
Die Ära von Artificial Intelligence (AI) bringt auch neue berufliche Rollen mit sich. Üblich ist, eine Data Science aufzubauen, welche für die Datenauswertung verantwortlich ist. Damit allein werden die AI-Initiativen jedoch noch nicht erfolgreich und mehrwertgenerierend umgesetzt. Deshalb wird die Rolle der Analytics Translators (AT) zunehmend wichtiger und findet immer mehr Anerkennung.
Zum ersten Mal wurde die Rolle des AT 2018 in einem McKinsey Report beschrieben. Mittlerweile gibt es zum Thema zahlreiche Berichte und Reports, welche die Rolle kommentieren sowie weiter definieren. Einigkeit herrscht darüber, dass die ATs die Brücke bilden zwischen dem Business, für das eine AI-basierte Lösung entwickelt wird und der Data Science, welche die Lösung entwickelt. Die Frage, die sich stellt, ist, weshalb das Business nicht mit Data Science direkt in Kontakt steht.
Es lässt sich aus der Literatur ableiten, dass die Lösung oft nicht einfach auf dem Tisch liegt, sondern iterativ entwickelt werden muss. Dies beginnt, indem man zuerst Fragen stellt. Hierfür braucht es ein fundiertes Business-Verständnis. Und genau hier kommt die AT-Rolle zum Tragen. Eine Aufgabe besteht darin, das Business-Problem genau zu verstehen, um anschliessend einen AI-basierten Lösungsansatz entwickeln zu können. Womit ein wesentlicher Skill, der eine erfolgreiche AT-Person ausmacht, genannt ist: die richtigen Fragen stellen können, um dann zu beurteilen, ob das Problem mit AI gelöst werden kann oder nicht. Im ersteren Fall wird das Problem in eine Fragestellung übersetzt, die datenbasiert beantwortet werden kann. Nach dieser Vorarbeit werden gemeinsam mit Data Science Lösungen entwickelt. Der Vorteil dieses Vorgehens liegt darin, dass sich die Data Science voll und ganz auf ihre Domaine konzentrieren und dort ihre Kapazitäten einsetzen kann: Ein Modell zu entwickeln, das die von der AT-Person präzis gestellte Fragestellung des Business beantworten kann.
Ein Blog auf analytic-translator.com von Dezember 2022 hält fest, dass es Studien* zufolge weniger als 20 % der befragten Firmen gelingt, erfolgreich eine datenbasierte Kultur einzuführen. Damit ist der Grund für das Scheitern nicht in der Technologie zu verorten, sondern bei den Menschen. Die Aufgabe der AT-Position ist somit, die Menschen dahin zu bringen, die vorhandene Lösung zu nutzen. Dazu gehört zuallererst die Bekanntmachung der Lösung an sich. Das Business muss Kenntnis von der Lösung haben. Die Lösung muss also promotet werden. Gleichzeitig muss sie so ausgestaltet sein, dass sie leicht anzuwenden und operativ einfach nutzbar ist.
Im selben Blog wird die Rolle der ATs beschrieben als „Berater, vom Business und vom Data Scientist gleichermassen geschätzt, welcher effizient und kollaborativ eine Anwendung vom Konzept bis zur Anwendung implementiert.“ Damit wird unterstrichen, wie wesentlich es ist, von Anfang an und während der ganzen Entwicklungsphase jederzeit das grosse Ganze im Blick zu haben („think end-to-end“).
Sind in einem grösseren AI-Projekt mehrere Unternehmensbereiche involviert, sorgt die AT-Person dafür, dass jederzeit alle vom Gleichen sprechen und damit das gleiche Verständnis von den Dingen haben. Insbesondere wenn es um die Entwicklung von Lösungen geht und sich dabei neue Optionen ergeben, ist es wichtig, präzise zu kommunizieren und damit alle Involvierten auf eine Ebene zu bringen.
Dies ergibt jedoch nur Sinn, wenn der Fokus von Anfang an auf der Schaffung von Mehrwert liegt. Denn ausschliesslich darum geht es im AI Management:
Mehrwert schaffen, indem das Business mittels AI unterstützt wird, besser und effizienter werden.
Daher ist es hilfreich, bei den Überlegungen vom zu schaffenden Mehrwert auszugehen, also einen Bottom-up-Ansatz zu wählen. Die Frage lautet somit: Was wird benötigt, um eine Lösung zu entwickeln, die Mehrwert schafft? Das ist trivial und pragmatisch, hilft aber, beim aktuellen Hype um AI einen kühlen Kopf zu bewahren und sich auf das Wesentliche zu konzentrieren.
* leider werden im Blog die Studien selbst nicht erwähnt, die Aussage findet jedoch Bestätigung in den von McKinsey veröffentlichten Studien, auf welche sich bereits Afke Schouten bezieht.
Dieser Fachbeitrag wurde im Rahmen eines Leistungsnachweises für das CAS AI Management HWZ verfasst und wurde redaktionell aufgearbeitet.