#1 Unternehmen treiben den kulturellen Wandel voran
Eine Datenkultur beschreibt das gemeinsame Verhalten und die Überzeugungen von Menschen, die Daten wertschätzen, nutzen und deren Einsatz fördern, um bessere Entscheidungen zu treffen. Sie legt die Grundlage und die Denkweise fest, damit Unternehmen aus ihren stetig wachsenden Datensätzen echten Mehrwert schöpfen können.
Leider ist der Mangel an Datenkultur ein zentrales Hindernis auf dem Weg zur datenbasierten Organisation.
2022 werden Chief Data Officers (CDO) die wichtigsten Bausteine einer Datenkultur in den Fokus rücken: saubere Data Governance, Programme zur Datenkompetenz und eine datengetriebene Denkweise. Das sind die Katalysatoren für unternehmensweite, datenbasierte Entscheidungsprozesse.
#2 Unternehmen skalieren ihre Data-Governance
Die wachsende Nachfrage nach Self-Service-Analytik erhöht den Bedarf an konformen, umsetzbaren und hochwertigen Daten. Gleichzeitig steigt mit Größe und Komplexität der Datensätze auch die Herausforderung, Datenqualität zu messen und zu sichern. Entsprechend passen Unternehmen ihre Data-Governance-Strategien an.
Eine Strategie ist die Einführung von Data Observability in Datenpipelines. Vereinfacht gesagt zielt Data Observability darauf ab, Datenprobleme nahezu in Echtzeit zu erkennen, zu diagnostizieren und zu beheben.
2022 und darüber hinaus werden mehr Unternehmen ihre Data-Governance-Programme ausbauen und moderne Tools einführen, um Datenqualitätsprobleme zu überwachen und zu erkennen.
#3 NLP läutet eine neue Generation von Low-Code-Datatools ein
NLP hat in den letzten Jahren enorm zugelegt – angetrieben vom Wettrüsten um immer größere Large Language Models (LLM) wie T5, GPT-3 und Megatron-Turing NLG.
Large Language Models wachsen über die Jahre (Quelle)LLMs verschieben die Grenzen dessen, was mit NLP möglich ist. Die jüngsten Modelle überraschten mit der Fähigkeit, unterschiedlichste Texte zu erzeugen (etwa Computercode oder Gitarrentabulaturen) – ganz ohne explizites Training dafür.
Solche NLP-Modelle könnten das Zeitalter von Low-Code- und No-Code-Tools einläuten. Schon heute ermöglicht Microsofts Power App Nicht-Technikerinnen und -Technikern, Apps mit natürlicher Sprache zu bauen. Diese Tools senken weiter die Hürden fürs Coden und fördern den Aufstieg von Citizen Developern und Citizen Data Scientists in Unternehmen.
#4 L&D wird zum festen Bestandteil der Unternehmenskultur
Getrieben durch die Sorge des Top-Managements über den Mangel an Schlüsselkompetenzen investieren Unternehmen 2022 weiterhin stark in Learning & Development (L&D). Der Nutzen liegt auf der Hand – das World Economic Forum prognostiziert, dass durch Weiterbildung bis 2030 38% des BIP zusätzlich erwirtschaftet werden können.
Während die Belegschaft weiter mit den Folgen der Pandemie umgeht, erwarten wir, dass Unternehmen ihre L&D-Budgets in virtuelle Lernökosysteme investieren, die wirksames Lernen ermöglichen und Communities of Practice bieten. Unternehmen, die die Datenkompetenz ihrer Mitarbeitenden in der Breite stärken wollen, können bestehende L&D-Programme als interne Data-Science-Akademien nutzen.
Datentrend #5: MLOps reift in den Unternehmen weiter
MLOps ist ein Set an Praktiken, das Machine Learning, Data Engineering und DevOps verbindet. Es umfasst standardisierte Prozesse, die den Machine-Learning-Workflow automatisieren.
Wert aus Machine Learning im großen Maßstab lässt sich nur mit produktionsreifen KI-Systemen heben. Das erklärt, warum die Nachfrage nach MLOps stark wächst. Schätzungen zufolge könnte der Markt bis 2025 einen Wert von 126,1 Milliarden US-Dollar erreichen.
Im kommenden Jahr werden MLOps-Tools wie KubeFlow und MLFlow weiter reifen. Es ist nur eine Frage der Zeit, bis sie zum Standard in allen Data-Science-Teams gehören.
Datentrend #6: Responsible AI wird operativ verankert
Viele heutige KI-Systeme sind leider von versteckten Verzerrungen geprägt. Daher planen Regulierer in der EU, KI stärker in die Verantwortung zu nehmen – weitere Regionen dürften folgen. Unternehmen müssen sicherstellen, dass ihre KI fair und verantwortungsvoll bleibt. Wer das versäumt, riskiert Reputationsschäden und verschärft Ungleichheiten.
Deshalb operationalisieren Unternehmen zunehmend die Prinzipien von Responsible AI, um KI fair, interpretierbar, datenschutzwahrend und sicher zu gestalten. Ein Beispiel ist das Responsible AI Toolkit von PwC, das verschiedene Dimensionen verantwortungsvoller KI adressiert.
Datentrend #7: Aufstieg des Data Mesh
Die meisten Datenarchitekturen basieren heute auf Data Lakes. Das könnte sich bald ändern, denn eine neue Architektur adressiert die Schwächen der Lakes.
Die von Zhamak Dehghani geprägte Alternative heißt Data Mesh. Ein Data Mesh besteht aus verteilten „Datenprodukten“, die jeweils von funktionsübergreifenden Teams aus Data Engineers und Product Ownern verantwortet werden. Die Einführung einer Data-Mesh-Architektur ermöglicht es Unternehmen, Daten schneller bereitzustellen und die Agilität in den Fachbereichen zu erhöhen.
Schon bald – wenn die Schmerzen mit Data Lakes größer werden – werden Unternehmen mit Data Mesh experimentieren, so wie es Zalando und Intuit getan haben.
Datentrend #8: Neue Tool-Generation steigert die Produktivität von Datateams
2021 sind zahlreiche Produktivitätstools für Data Science entstanden – und sie werden in den kommenden Jahren weiter an Popularität gewinnen. Diese Tools reduzieren manuellen Aufwand und schaffen Raum für höherwertige Aufgaben.
Dazu zählen AutoML-Tools (wie H2O AutoML und Auto PyTorch), die die Auswahl von ML-Modellen und sogar das Hyperparameter-Tuning automatisieren.
Auch zahlreiche Tools zur Generierung synthetischer Daten sind im Aufwind. Ihre Fähigkeit, ausgewogene und gelabelte Datensätze im großen Maßstab zu erzeugen, ist für datenhungrige Unternehmen besonders attraktiv.
Große Data-Science-Teams profitieren zudem von Kollaborationstools wie Databricks und DataCamp Workspace. Diese ermöglichen asynchrone Zusammenarbeit bei Datenexploration und ML-Modellierung.
Datentrend #9: Fachkräftemangel und flexibles Arbeiten erweitern die Suche nach Datentalenten
Die Great Resignation verschärft den Fachkräftemangel weiter. Das veranlasst Unternehmen, ihre Strategien zur Gewinnung und Bindung von Datentalenten zu überdenken.
Wir erwarten insbesondere, dass Unternehmen bei Einstellungen Kompetenzen höher gewichten als Postleitzahlen – belegt durch den Anstieg um 280% bei Remote-Stellenausschreibungen auf LinkedIn seit März 2020. Und da FAANG-Unternehmen das Arbeiten von zu Hause unterstützen, werden andere Tech-Unternehmen nachziehen und ebenfalls flexible Arbeitsmodelle anbieten.
Mehr zu unseren Daten-Trends und Prognosen für 2022 findest du im kostenlosen Whitepaper – oder melde dich zu unserem kommenden Webinar an, in dem wir einen Deep-Dive in die Data-Science-Themen des neuen Jahres geben!