The Data Scientist – Do I need a Wizard?
Juli 6, 2020
Aus dem Unterricht des CAS AI Management mit Dozentin Laura Meyer berichtet Roland Krell:
The Data Scientist – Do I need a Wizard? Der Zertifikatslehrgang hat schon viele spannende Themen rund um Artificial Intelligence (AI) hervorgebracht. Heute Nachmittag steht im Modul «People/Organization» das Analytics Team im Zentrum unseres Interesses. Nicht nur um AI herrscht ein grosser Hype, sondern auch um Data Scientists. Der Data Scientist – unser AI Held – kann analysieren, visualisieren, kommunizieren, programmieren und Mathematik ist seine Muttersprache. Doch brauchen wir einen Data Scientist? Und wenn ja, wo finden wir ihn?
Das Analytics Team
Die folgende Grafik gibt einen guten Überblick über benötigte Rollen in einem Analytics Projekt:
Das Zusammenspiel von 3 Dimensionen machen ein Analytics Team erfolgreich:
- Business Skills
- Analytics Skills
- Technology Skills
Die Rollen
Ausgehend vom Businessbereich sammelt der Change Manager die Ideen für die Umsetzung und priorisiert diese während der Analytics Translator die Anforderungen für die Analytics Organisation aufarbeitet und so die Prioritäten weitergibt.
Der Analytics Bereich hat seine Stärken in der Visualisierung von komplexen Zusammenhängen (Data Visualization Analyst) und in der Prototyp Erstellung durch den Model Integrator in enger Zusammenarbeit mit dem Data Scientist.
Für die nötigen Datenbereitstellung ist der Data Engineer und der Data Quality Expert and Owner besorgt. An der Schnittstelle zum Businessbereich schliesst der Data Strategist den Kreis, der sich um Datenarchitektur kümmert.
Bei sehr kleinen Firmen können im Extremfall alle Rollen durch 1-2 Personen besetzt werden, aber Achtung vor der «Swiss Army Knife» Falle
In grossen Konzernen und Projekten kann aber auch das andere Ende des Spektrums vorkommen, dass jede dieser Rollen durch unterschiedliche Mitarbeiter besetzt wird. Damit werden die Schnittstellen zwischen den Dimensionen noch wichtiger um effizientes Arbeiten zu ermöglichen und Missverständnisse zu vermeiden.
Der Data Scientist ist Teil des erfolgreichen Projekt Teams und kümmert sich als Schnittstelle zwischen «Analytics» und «Data» um die Modell- und statistische Algorithmus-Entwicklung und Validierung. Er verwendet Machine Learning (ML) und andere AI Technologien. Auch wenn dies nach der «Most Sexiest Position» klingt, kann er ohne die Unterstützung der anderen Mitarbeiter nicht erfolgreich sein.
Während des Projektfortschritts sind nicht immer alle Rollen in gleicher Intensität nötig. Aber der Ansatz nur bestimmte Rollen anhand der Projektphase zu besetzen wird speziell in einem agilen Projektumfeld eine schwierige Aufgabe sein. Mehr dazu weiter unten im Blog.
Auch der Einsatz von externer Unterstützung kann sinnvoll sein, wenn man sich durch Experten signifikant Zeit erspart. Durch die jeweilige «Learning Curve» ist jedoch eine minimale Einsatzdauer von 6 Monaten zu empfehlen.
Die Rekrutierung
Bei der Besetzung eines Analytics Teams sollte man sich genaue Gedanken machen welche Tätigkeiten erledigt müssen. Wie oben beschrieben sind sehr unterschiedliche Fähigkeiten nötig. Der Data Scientist ist nicht die Lösung für alle Aufgaben und Herausforderungen in einem Analytics Projekt. Dies muss in der Stellenausschreibung unbedingt genau beschrieben werden um die passenden Kandidaten anzusprechen!
Die Konkurrenz in diesen Bereichen ist sehr gross, auch daher sollte man der Stellenausschreibung entsprechende Wichtigkeit zuordnen und die folgenden Punkte mitaufnehmen:
Die Employer Value Proposition (EVP)
«A set of associations and offerings provided by an organization in return for the skills, capabilities and experiences an employee brings to the organization.»
- Was bieten wir für spannende Projekte und Entwicklungsmöglichkeiten?
- Was für eine (agile) Kultur wird geboten?
- Wie steht es um die «Analytics Community» in unserer Firma?
- Was bieten wir für ‘Financial’ und ‘Non-Financial’ Benefits?
Vermeide klassischen und formalen Karriere-Jargon in der Stellenausschreibung!
Wo findet man nun passende Kandidaten? Auch hier sollte man etwas erfinderisch sein und versuchen out-of-the-box zu denken. Nebst frisch ausgebildeten Experten von der ETH und Fachhochschulen gibt es auch langjähre Mitarbeiter, die sich gerne in diesem Gebiet weiterentwickeln und schon unternehmensspezifisches Know-How mitbringen. Das Rekrutieren von Junior Data Scientists in Verbindung mit passenden Rahmenbedingungen in Anlehnung an die Illustration oben kann eine langjährige Partnerschaft bedeuten! Dozieren an Fakultäten, externe Recruiter, Teilen auf diversen Social Media Plattformen und ein grosses Netzwerk kann ebenfalls helfen!
Beim Interview sollte dem Kandidaten zwingend ein aktuelles Fallbeispiel vorgelegt und mit Experten besprochen werden. Analytics ist ein interdisziplinäres Gebiet und die Fähigkeiten der Kandidaten müssen genau eingeschätzt werden können um die Rollen passend zu besetzen.
Recruiting is an art…
Die Organisation
Wo sollten Analytics Team(s) in Firmen angegliedert werden?
In einer Übung haben wir versucht die Organisationsstrukturen unserer Arbeitgeber einer der 4 Varianten zuzuordnen:
- Centralized Model
- Center of Excellence
- Other Hybrid Models
- Decentral Model
Es zeigt sich, dass grössere multinationale Konzerne zu einer Art Hybrid Model tendieren, das heisst einer Form der Zentralisierung aber nicht auf oberster hierarchischer Ebene, sondern eher auf Business Unit Stufe. Je kleiner der Betrieb, desto eher macht eine Zentralisierung des Analytics Teams Sinn, wobei Business Analysts durchaus weiterhin dezentral angegliedert werden können.
«Agile» for Analytics
Unsere Dozentin Laura Meyer spricht als «Head Digital Distribution & Analytics» und Co-Founderin des Center of Excellence für Data & Analytics bei der UBS Schweiz, wo über 80 Leute in einer virtuellen Organisation zusammenkommen, aus Erfahrung:
Agile ist essenziell für Analytics.
Geschwindigkeit, Flexibilität, Pragmatismus, Fokus.
«Try and Error» kommt bei Analytics Teams besser an, als monatelang Spezifikationen schreiben.
Zum Abschluss ein Buchtipp zum Thema Agile Leadership:
Agiles Führen – Führungskompetenzen für die agile Transformation von Puckett, S. & Neubauer, R. M. (2018)
Alle Details zu dem visualisierten HAVE Model sind in dem Buch detailliert beschrieben
Wir bedanken uns bei Dozentin Laura Meyer für den spannenden und kurzweiligen Nachmittag (trotz herrlichem Wetter draussen) und freuen uns auf das «Grande Finale» des CAS AI Management Anfang Juli 2020!