Erfolgreiche Data-Science-Projekte leben von teamübergreifender Zusammenarbeit. Ohne die richtige Abstimmung mit allen relevanten Stakeholdern entfalten sie keine Wirkung. In einem aktuellen DataCamp-Webinar spricht Brian Campbell, Engineering Manager, Internal Engineering bei Lucid Software, über Best Practices für die bereichsübergreifende Zusammenarbeit in Data-Science-Projekten.
Drei Arten von Mitwirkenden
Data Scientists müssen mit anderen Stakeholdern zusammenarbeiten, um mit ihren Projekten Wirkung zu erzielen. Sie sollten sich auf Kolleginnen und Kollegen im Unternehmen stützen, um den geschäftlichen Nutzen und die Metriken hinter den Problemen besser zu verstehen, sich in komplexen Datenlandschaften zurechtzufinden und ihre Modelle beim Kunden auszurollen. Im Webinar unterscheidet Brian drei Arten von Mitwirkenden:
Problemexpertinnen und -experten
Problemexpertinnen und -experten legen das Fundament für ein Data-Science-Projekt. Ihre Aufgabe ist es, Fachwissen einzubringen und das zugrunde liegende Problem klar zu definieren.
Sie kennen die Metriken, die durch ein Data-Science-Projekt beeinflusst werden, und wie diese in Geschäftsergebnisse einzahlen. Außerdem wissen sie, welche Genauigkeit ein Modell erreichen muss, um echten Mehrwert zu liefern. Diese Informationen sind entscheidend, weil kein Modell perfekt ist. Zu verstehen, was ein realistisches und sinnvolles Ziel ist, ist zentral, um Ziele zu setzen und Erwartungen frühzeitig zu klären.
Datenexpertinnen und -experten
Daten sind die Schlüsselzutat für jedes erfolgreiche Data-Science-Projekt. Viele Unternehmen haben komplexe Datenlandschaften, in denen es schwierig ist zu wissen, welche Daten verfügbar sind und welche für die Lösung eines Problems benötigt werden.
Datenexpertinnen und -experten wissen, welche Daten in einem Bereich vorliegen, wie man an sie herankommt und welche Daten sich für bestimmte Geschäftsfragen am besten eignen. Manchmal sind sie zugleich die Problemexpertinnen und -experten, meist arbeiten sie jedoch in Datenengineering-Rollen im Unternehmen.
Implementierungsexpertinnen und -experten
Implementierungsexpertinnen und -experten verstehen, wie Modelle beim Kunden ausgerollt werden. Sie sind versiert in der Infrastruktur und den Ressourcen, die nötig sind, um Modelle in großem Maßstab zu betreiben.
In der Zusammenarbeit ist es wichtig, sie frühzeitig über das Projekt zu informieren, damit genug Zeit bleibt, die passende Infrastruktur bereitzustellen, wenn das Modell einsatzbereit ist. Es ist auch entscheidend zu wissen, wie die Arbeit genutzt wird—als Produkt-Feature, Teil einer API, integriert in einen bestehenden Prozess oder als komplett neuer Prozess. Der geplante Einsatz bestimmt, wer die beste Ansprechperson für die Implementierung ist.
So arbeitest du effektiv mit Mitwirkenden zusammen
Zeitpläne sind ein entscheidender Faktor der Zusammenarbeit. Sie helfen allen Beteiligten zu planen, wann sie sich einbringen, damit das Projekt zügig vorankommt.
Nehmen wir ein Projekt zur Einführung eines Modells für Kundenbindung. Das Modell identifiziert Kundinnen und Kunden mit Kündigungsrisiko und versendet ihnen eine Promotion-E-Mail, um sie zum Bleiben zu bewegen.
Dieses Vorhaben erfordert zunächst das Verständnis von Bindungsmetriken und Trends, das Sammeln relevanter Daten, deren Bereinigung und Analyse, den Aufbau des Klassifikationsmodells, die Integration in das automatisierte E-Mail-System und schließlich den Go-Live. All diese Schritte können Wochen dauern, und viele davon benötigen Unterstützung durch die drei zuvor beschriebenen Stakeholder.
Ein erster Zeitplan ermöglicht es allen, ihren Beitrag im Lernplan des Projekts zu verankern und Verfügbarkeiten zu planen. Wenn es Verzögerungen gibt, sollten Partner sofort informiert werden. Implementierungsexpertinnen und -experten sollten nicht einen Monat zu früh aufschlagen, wenn sich die Datensammlung verzögert—das verschwendet Zeit und schmälert die Bereitschaft für künftige Kooperationen.
Mehr über Best Practices im Projektmanagement für Data Science erfährst du im On-Demand-Webinar mit weiteren Praxisbeispielen.
