Herausforderungen beim Skalieren von Data-Science-Projekten meistern

Wir stehen am Ende des Informationszeitalters.

Doch Landwirtschaft und Industrie verschwanden auch nicht Mitte des 20. Jahrhunderts, als das Informationszeitalter das Industriezeitalter ablöste. Genauso wird das Informationszeitalter—ist es nicht längst so?—in die spannende neue Ära übergehen, in der wir jetzt leben: das Erlebniszeitalter.

Wenn es im Informationszeitalter darum ging, riesige Datenmengen zu sammeln, dreht sich im Erlebniszeitalter alles darum, diese zu analysieren und herauszufinden, was sie für uns leisten können—die Daten für uns arbeiten zu lassen.

Und hier kommst du als Data Scientist ins Spiel. Immer mehr Unternehmen stellen Data-Science-Teams auf, um aus kontinuierlichen Datenströmen Erkenntnisse zu gewinnen. Das U.S. Bureau of Labor Statistics schätzt, dass Data-Science-Jobs bis 2033 um 35 % zunehmen werden.

Zum Vergleich: Der nationale Durchschnitt über alle Branchen liegt bei 3 %.

Diese Zahl ist beeindruckend, aber die hohe Nachfrage nach Data Scientists zeigt vor allem eines: Der Bedarf an datenbasierten Erkenntnissen ist riesig—und jede Organisation will ein großes Stück vom Kuchen.

Der Druck kann überwältigend sein. Wie hält dein Team mit dem Bedarf an datenbasierten Einblicken mit? Wie skalierst du die Anzahl der Data-Science-Projekte, ohne unnötig viele Ressourcen zu verbrauchen?

Die Antwort liegt in guter Organisation. Mit sauberer Data Governance und strukturiertem Sprint-Planning kannst du mehr erreichen, als du für möglich gehalten hast.

Was ist Data Governance und warum ist sie wichtig?

Data Governance ist das System, mit dem ein Team den gesamten Lebenszyklus seiner Daten steuert. Mit einem wirksamen Data-Governance-Plan bleibt dein Team organisiert und erfüllt relevante staatliche, nationale und internationale Vorgaben.

Du fragst dich vielleicht: „Worin liegt der Unterschied zwischen Data Governance und Data Management?“ Denk es dir so:

• Data Governance definiert Richtlinien und Verfahren, wie Daten erhoben, genutzt und geschützt werden.
• Data Management umfasst das Sammeln, Verarbeiten, Speichern, Analysieren und Interpretieren dieser Daten.

Anders gesagt: Data Governance steckt den Rahmen fürs Data Management ab und überwacht diese Prozesse. Mehr zu Data-Governance-Konzepten lernst du bei DataCamp.

Die meisten Organisationen haben kleinteilige Standard-Governance-Pläne—jeweils für einzelne Tools oder Funktionen. Als Data Scientist ist es deine Aufgabe, die Data Governance zu bündeln und in eine hochorganisierte, verlässliche Maschine zu verwandeln.

Kostet das anfangs Aufwand? Ja. Aber sobald es steht, kannst du größere Datensätze handhaben und mehr Projekte stemmen. Um die Konzepte schnell zu verinnerlichen, wirf einen Blick auf das Data Governance Fundamentals Cheat Sheet von DataCamp—ein kompakter Leitfaden zu Kernbegriffen und Best Practices.

Ein Data-Governance-Framework aufsetzen

Der Data-Governance-Prozess beginnt mit dem Aufbau eines Teams.

Du und die anderen Data Scientists in deiner Organisation solltet gemeinsam ein Data-Governance-Programm implementieren. Titel und Zuständigkeiten variieren je nach Unternehmen, doch in der Regel braucht ihr vier Rollen:

• Data Steward: Steuert das Governance-Programm, stellt Sicherheit sicher und vermittelt zwischen Business und IT
• Data Architect: Entwirft das System zur Verarbeitung und Speicherung von Daten und unterstützt den Data Steward bei der Umsetzung der Governance-Richtlinien
• Data Custodian: Bewegt, speichert, schützt und überwacht die Datennutzung
• Data Analyst: Interpretiert Daten und verwandelt sie in umsetzbare Erkenntnisse fürs Business

Je nach Unternehmensgröße können mehrere Personen pro Rolle nötig sein. Manche Organisationen haben außerdem Data Administratoren oder Gremien, die die Erstellung der Governance-Richtlinien überwachen.

Eine ganzheitliche Strategie ist entscheidend; das DataCamp-Modul Creating a Data Governance Strategy bietet dir dafür einen strukturierten Ansatz.

Eine Data-Governance-Policy ausarbeiten

Sobald dein Team steht, definiert ihr gemeinsam die Data-Governance-Richtlinien, die für alle gelten.

Denkt über diese Fragen nach:

• Wie wird dein Unternehmen Daten gemäß Best Practices nutzen und verwalten?
• Wer trifft Entscheidungen über die Datennutzung, wenn sich die Technologie rasant weiterentwickelt?
• Wie sollen Endnutzer von den Daten profitieren?

Erarbeitet Antworten und nutzt sie, um eure übergeordnete Data-Governance-Policy zu formulieren. Denk an sie als schützenden Schirm über den Teilrichtlinien zu Standards, Datenkultur und Sicherheit.

Standards, Sicherheitsmaßnahmen und Datenkultur festlegen

Als Nächstes geht es um Datenstandards. Daten bringen wenig, wenn ihre Qualität nicht stimmt. Welche Qualitätskriterien müssen erfüllt sein? Wie filtert ihr Daten heraus, die diese nicht erfüllen? Datenqualität zu verstehen und sicherzustellen ist zentral. Vertiefe das Thema mit dem Introduction to Data Quality Course von DataCamp.

Danach steht Sicherheit auf der Agenda. Klärt:

• Wie ihr Daten klassifiziert—öffentlich, intern, vertraulich, streng vertraulich usw.
• Wer auf welche Klassifikation zugreifen darf
• Wie ihr Daten durchgängig verschlüsselt—vom Speichern über die Übertragung bis zur erneuten Ablage
• Welches Alarmsystem euer Team bei Sicherheitsvorfällen informiert
• Welche Richtlinie für den Umgang mit Verstößen gilt
• Welchen Test- und Auditplan ihr nutzt, um sicherzustellen, dass alles wie vorgesehen läuft

Eines der wichtigsten Dinge, die euer Governance-Team leisten kann, ist Aufklärung: das gesamte Unternehmen darüber informieren, wie Daten ihnen helfen. Wer den Wert von Daten versteht, behandelt sie wie das Asset, das sie sind.

Wie macht man etwas scheinbar Trockenes wie Daten für alle im Unternehmen greifbar?

Indem ihr sie lebendig werden lasst.

Zeigt konkret, wie Daten die Arbeit erleichtern. Haltet quartalsweise Vorträge mit Charts und Visualisierungen, die den Einfluss von Daten auf Unternehmensentscheidungen zeigen. Verschickt kurze Briefings oder monatliche Newsletter. Bietet unternehmensweite Kurse an, die die Datenkompetenz verbessern.

Ein Unternehmen, dem Daten wichtig sind, stützt die von euch definierten Richtlinien, Prozesse und Standards. Diese Klarheit erleichtert es eurem Data-Science-Team, mehr Projekte zu übernehmen—ohne Abstriche bei Qualität oder Sicherheit.

Und jetzt seid ihr bereit für den Sprint.

Sprint-Planning für Data-Science-Teams

Ihr habt das Fundament geschaffen, damit Daten sicher und effizient durchs Unternehmen fließen. Jetzt ist es Zeit zu schauen, wie Sprint-ähnliche Planung euch hilft. Klar, Sprint-Planung ist Teil von Scrum und in der Softwareentwicklung zuhause. Aber sie funktioniert auch hervorragend für Data Governance und Data Management.

Denn wie in der Softwareentwicklung gibt es im Data Management unzählige bewegliche Teile. Wirklich viele.

Zuerst: Was ist ein Sprint?

Ein Sprint ist ein festes Zeitfenster, in dem dein Team Aufgaben erledigt, um ein zentrales Ziel zu erreichen. Sprints können unterschiedlich lang sein, meist dauern sie ein bis vier Wochen. Oft reicht das, um kleine bis mittelgroße Data-Science-Projekte abzuschließen.

Manchmal braucht ihr mehrere Sprints für ein großes Vorhaben. Du weißt schon: wenn ein großer Datensatz erzeugt wird und den kompletten Lebenszyklus von der Erhebung bis zur Interpretation durchläuft.

Bevor der Sprint startet, plant ihr ihn gemeinsam.

So weiß bei Sprintbeginn jede Person genau, was zu tun ist. Nach Scrum sollten Sprint-Planungsmeetings maximal zwei Stunden pro Sprintwoche dauern.

Angenommen, eure Healthcare-Organisation gibt euch ein kleineres Projekt: Ihr sollt herausfinden, warum ein Call-to-Action-(CTA)-Button auf der Homepage schlecht performt. Der Button ruft Patientinnen und Patienten auf, einen wichtigen Krebsscreening-Termin zu buchen.

Um das zu lösen, müsst ihr:

• Historische Daten zur Zielgruppe des CTA-Buttons analysieren
• Ein bis zwei neue Varianten des CTA-Buttons entwickeln
• Die Varianten gegeneinander und gegen das Original A/B-testen
• Daten über einen definierten Zeitraum erheben, verarbeiten und analysieren
• Umsetzbare Empfehlungen liefern, damit das Marketing den besten CTA-Button auswählt

Das Marketing möchte Ergebnisse innerhalb von drei Wochen.

Das ist knapp für einen A/B-Test, aber euer Team ist dran. Ihr plant eine dreistündige Sprint-Planung für euren dreiwöchigen Sprint.

Anhand dieses Szenarios zeigen wir, wie Sprint-Planung für ein Data-Science-Team aussehen kann.

1. Sprint-Ziel und Zeitrahmen festlegen

Die ersten zwei Fragen in der Sprint-Planung sind:

• Welches Ergebnis soll dieser Sprint liefern?
• Welcher Zeitrahmen ist realistisch, um dieses Ergebnis zu erreichen?

Das Marketing hat das Wunschresultat vorgegeben: ein CTA-Button, der doppelt so viele Klicks erzielt wie der aktuelle.

Und ihr wisst bereits, dass ihr drei Wochen Zeit habt.

Weiter zum nächsten Schritt.

2. User Story schreiben

In der Softwareentwicklung beschreibt eine User Story das Endprodukt aus Sicht der Nutzenden. Sie wird in klarer Alltagssprache formuliert. Ziel ist es, das Team in die Perspektive der Nutzenden zu versetzen und Story-Punkte mit konkreten Aufgaben im Sprint zu verknüpfen.

Ähnlich kannst du es bei deinem Data-Science-Projekt machen.

Zurück zu unserem CTA-Button: Das Marketing möchte, dass Nutzende auf den Button für ein kostenloses Krebsscreening klicken. Also versetze dich in die Lage einer Person, die den Button auf der Website der Healthcare-Organisation sieht.

Beantworte beim Schreiben deiner User Story Fragen wie:

• Wer klickt auf den neuen CTA-Button?
• Welche gesundheitlichen Sorgen beschäftigen diese Person?
• Warum profitiert sie von einem Krebsscreening?
• Wie vermittelt der Button diese Vorteile klar und prägnant?
• Welche Wirkung haben Texte und Grafiken rund um den Button auf ihr Gefühl?
• Was an Farbe, Schrift und Copy des Buttons motiviert zum Klicken?
• Warum wird diese Person den CTA-Button klicken?

Passe die Fragen an dein Projekt an. Starte beim gewünschten Ergebnis und arbeite dich rückwärts vor, bis klar ist, wie es auf die Nutzenden wirkt und ihnen hilft.

Wenn du einzelne Story-Punkte konkreten Sprint-Aufgaben zuordnen kannst, umso besser. Das hilft im dritten Schritt.

3. Sprint-Aufgaben im Team verteilen

Jetzt weißt du, welche Aufgaben anstehen und warum sie wichtig sind.

Ordne jedem Teammitglied Aufgaben zu, die im Sprintzeitraum abgeschlossen werden. Manche Aufgaben musst du in kleinere Schritte teilen. Identifiziere Abhängigkeiten. Beispiel: Euer Team kann neue CTA-Varianten erst testen, wenn sie gebaut sind.

Nutze ggf. Task-Management-Software, um Verantwortlichkeiten und Abhängigkeiten transparent zu machen und zu steuern.

Schätze, wie lange jede (Teil-)Aufgabe dauert, und plane Sprintstunden ein. Prüfe mit dem Team, ob die Zeiten realistisch sind.

Denk daran: Das sind Schätzungen, Dinge ändern sich. Wenn der Zeitplan wackelt, sprich früh mit der anfordernden Abteilung. Verhandle bei Bedarf mehr Puffer. Ein bisschen Extra-Zeit ist sinnvoll, um Fortschritt zu bewerten und gegenzusteuern.

Hektik rächt sich oft mit mehr Zeit- und Kostenaufwand—genau das soll Sprint-Planung vermeiden.

Data Governance und Sprint-Planning: Ein starkes Duo

Da Data Science im Erlebniszeitalter immer gefragter wird, werdet ihr parallel an Dutzenden Projekten arbeiten.

Bleib ruhig und sprintet weiter.

Konkret heißt das:

• Für jedes Projekt einen voraussichtlichen Abgabetermin festlegen
• Jedes Projekt in einen oder mehrere Sprints teilen
• Verschiedene Sprints unterschiedlichen Sub-Teams zuweisen ODER Sprints nach Fälligkeit der Projekte staffeln
• Für jeden Sprint/jedes Projekt eine Sprint-Planung durchführen

Dann kannst du zusehen, wie ihr Ziel um Ziel erreicht. Mit eurem Data-Governance-Framework im Rücken wird der ständige Datenfluss sicher und reibungslos gemanagt.

Und wenn es unterwegs mal hakt, habt ihr Richtlinien und Prozesse parat, um das gelassen zu meistern.

Fazit

Wenn du deine Data-Science-Projekte skalierst, sind kontinuierliches Lernen und Anpassen der Schlüssel zum Erfolg. Vertiefe deine Kompetenzen mit den umfassenden Kursen von DataCamp zu Data Governance, zum Beispiel dem Data Governance Concepts Course, und behalte im Erlebniszeitalter die Nase vorn.