Im August letzten Jahres hat DataCamps VP of Product Research, Ramnath Vaidyanathan, eine dreiteilige Webinarreihe zum Skalieren von Data Science mit unserem IPTOP-Framework moderiert. Das IPTOP-Framework zerlegt alle Stellhebel im Unternehmen, um Data Science zu demokratisieren und unternehmensweit datenkompetent zu werden.
IPTOP steht für Infrastructure, People, Tools, Organization und Processes. Die dreiteilige Webinarreihe zeigt im Detail, wie Unternehmen jeden dieser Hebel skalieren können, um Data Science zu demokratisieren und dabei datenkompetent zu werden. Hier ist eine Übersicht zu jedem dieser Hebel:
1 - Infrastructure
Ziel jeder Datenstrategie ist es, Rohdaten in Erkenntnisse und Entscheidungen zu verwandeln. Dafür müssen Unternehmen ihre Daten sicher und effizient sammeln, erfassen und speichern, sodass sie für alle zugänglich sind. Dazu gehört, Best Practices und Frameworks für Datenzugang, Data Governance, Datenherkunft (Data Lineage) und mehr zu verstehen.
2 - People
Menschen sind vermutlich der wichtigste Hebel im Framework, denn Unternehmen schöpfen ihr Datapotenzial nicht aus, wenn ihre Mitarbeitenden nicht die Kompetenzen haben, mit Daten zu arbeiten. Deshalb ist es entscheidend, die nötigen Datenkompetenzen über alle Rollen hinweg im Unternehmen aufzubauen, um Data Science zu demokratisieren und datenkompetent zu werden.
3 - Tools
Während die Infrastruktur es ermöglicht, aus Daten Erkenntnisse zu gewinnen, fördern und vereinheitlichen Tools eine gemeinsame Datensprache im gesamten Unternehmen. Daher ist es wichtig, die Bandbreite möglicher Werkzeuge für eine Aufgabe zu kennen und in Tools zu investieren bzw. sie zu entwickeln, die die Einstiegshürden für Data-Science-Arbeit senken.
4 - Organization
Eine zentrale Dimension beim Skalieren von Data Science ist, wie Data-Profis organisiert sind. Da Berichtswege und Agenden die Arbeit in den meisten Unternehmen prägen, muss die Organisationsstruktur dein Unternehmen auf nachhaltigen Erfolg ausrichten. Entsprechend will das Aufsetzen und Organisieren von Data-Science-Talenten im Unternehmen gut durchdacht sein.
5 - Processes
Schließlich braucht es beim Skalieren von Data Science Einigkeit über Konventionen, Best Practices und Prozesse. Diese Abstimmung ist entscheidend, um Zusammenarbeit zu fördern und Silos zu vermeiden. So können alle Teams zusammenarbeiten und sich nahtlos in einer gemeinsamen Datensprache austauschen.
Letzte Woche haben wir unsere Datentrends und Prognosen für 2021 veröffentlicht. Unsere Vorhersagen berühren jeden Hebel im IPTOP-Framework: vom besseren Datenzugang durch mehr Cloud-Nutzung und Metadaten-Tools (Infrastructure), einem stärkeren Fokus auf Datenweiterbildung (People), kollaborativeren und robusteren Werkzeugen (Tools), neuen Rollen für das Management von Machine-Learning-Modellen im Betrieb (Organization) bis hin zu Best Practices im Data Storytelling und in der Visualisierung (Processes).
Darum freuen wir uns, unser Versprechen zu erneuern, die neuesten und wichtigsten Insights von Data-Science-Praktikerinnen und -Praktikern sowie Führungskräften zu teilen – mit konkreten Wegen, wie du Data Science am besten skalierst und datenkompetent wirst.
2021 hosten wir eine monatliche Webinarreihe dazu, wie verschiedene Branchen Data Science nutzen können, wie Unternehmen ihre Daten steuern und besseren Datenzugang ermöglichen, Best Practices für die Weiterbildung von Menschen in Data Science, wie moderne Tools den Einstieg in die Datenarbeit erleichtern, wie man Data-Science-Talente organisiert und einstellt und wie man Prozesse aufsetzt, um datenbasiert zu arbeiten – und vieles mehr.
Behalte unsere Seite für Upcoming Events im Blick, um auf dem Laufenden zu bleiben – wir sehen uns 2021!
