Die Arbeit eines Data Scientist schafft somit nicht nur die Grundlage, um wichtige Entscheidungen zu treffen, sondern bildet auch die Basis für die Optimierung von bestehenden und die Entwicklung von neuen disruptiven Business-Modellen. Uber zum Beispiel hat mit einer App- und datenbasierten Fahrtenvermittlung den weltweiten klassischen Taximarkt revolutioniert. Nicht zufälligerweise dominieren Tech-Giganten wie Apple, Microsoft, Amazon und Alphabet (Google) das Ranking der weltweit grössten Marktkapitalisierung.
Doch wie sieht der Einsatz von Data Science in der Schweiz aus?
Das Center für Data Science und Technologie der Hochschule für Wirtschaft Zürich (HWZ) untersucht die Nutzung des Einsatzes von Data Science in den Schweizer Unternehmungen. Im Rahmen einer Untersuchung, die im März 2020 vom Center durchgeführt worden ist, wurden unter anderem die Erkenntnis gewonnen, dass der Einsatz von Advanced Analytics in KMUs eine wesentliche Verbesserung der Prognosegenauigkeit, der Ressourcenplanung und der Unternehmenssteuerung beitragen kann. Damit jedoch Data Science erfolgreich eingesetzt werden kann, werden Handlungsempfehlungen bezüglich Strategie, Daten, Methoden und Organisation abgegeben. Dabei wird bei deren Implementierung ein iterativer beziehungsweise agiler Ansatz vorgeschlagen.
Die Stolpersteine in KMUs
In einer weiteren Studie unseres Centers wurden die Herausforderungen für den Einsatz von Data Science in KMUs untersucht. Während Grossunternehmen Data Science zu über 80 Prozent anwenden, wird sie in mittelgrossen KMUs nur zu 27 Prozent eingesetzt. Ein wesentlicher Grund, der den Einsatz von Data Analytics und Machine Learning erschwert, ist die Systemheterogenität: Die Daten in den einzelnen Unternehmen sind häufi g fragmentiert. Dies führt dazu, dass Data Science-Projekte nicht wirtschaftlich geführt werden können. Ressourcenprobleme, Skepsis und eine kurzfristige Sichtweise des Managements, das den quantifi zierten Nutzen nicht sieht, werden als weitere Herausforderungen bei der Umsetzung von KI- und Data Science-Lösungen erkannt.
Die Erkenntnisse
Im Rahmen der empirischen Untersuchungen hat sich die Erkenntnis herauskristallisiert, dass Data Science als soziotechnisches System umgesetzt werden soll. Technische und soziale Aspekte sollen im Hinblick auf das Zusammenspiel zwischen Menschen, Technologie und Organisation in einem einheitlichen System integriert werden. Dabei sind insbesondere folgende Anforderungen zu erfüllen:
■ Datenorientierte Kultur
Unternehmen sollen ein datenorientiertes Denken etablieren, damit komplexe Machine Learning-Ansätze langfristig erfolgreich implementiert werden können. Das Management sollte dabei solche Vorhaben voll unterstützen. Die Vernetzung und Integration mit den betrieblichen Fachbereichen und die Schaffung eines einheitlichen Verständnisses sollten dabei sichergestellt werden.
■ Quantifizierung des Nutzens
Mit Hilfe von Szenarien soll gezeigt werden, in welchen Bereichen Mehrwert für das Unternehmen generiert werden kann. Agile Strukturen sollen Iterationen und Dynamik ermöglichen.
