Der Aufstieg des Datenstrategen - Teil II

Im zweiten Blog der Serie The Rise of the Data Strategist stellen Boyan Angelov, Senior Data Scientist, und Majella Clarke, Senior Data Strategist von DAIN Studiosdas neue Daten-Venn vor und stellen die Frage: Was ist ein Datenstratege? Und welche Fähigkeiten sind erforderlich, um diese neue Rolle zu definieren und zu entmystifizieren?

Seien wir ehrlich - Data Science-Blogs sind voll von Venn-Diagrammen, die die ultimativen Fähigkeiten eines der begehrtesten Berufe dieses Jahrzehnts darstellen. Aber optimieren wir im Jahr 2020 das Management der Datentalente? Genauer gesagt, nutzen wir die Möglichkeiten von Daten und künstlicher Intelligenz (KI), um signifikante geschäftliche Auswirkungen zu erzielen? Das ist genau die Frage, die sich viele Unternehmen derzeit stellen, da sich die Datenwirtschaft weiterentwickelt.

Geschäftsleute wissen, dass Weitsicht und eine gute Geschäftsstrategie für die Aufrechterhaltung einer Wettbewerbsposition unerlässlich sind. Datenstrategien werden in der Regel von Geschäftsmanagern entwickelt, die die Zustimmung der Unternehmensleitung einholen. Andererseits sind Data Scientists und Data Engineers nach wie vor in der Regel organisatorisch der IT oder dem digitalen Betrieb zugeordnet, auch wenn die Datenstrategie und -vision von Geschäftsleuten entwickelt wird. Daher besteht ein aktueller und wachsender Bedarf an einer übersetzenden Rolle zwischen Datenexperten und Geschäftsmanagern/Führungskräften.

In einer idealen Welt, in der es viele Einhorn-Talente gibt, könnte man vorschlagen, die Anforderungen an Datenwissenschaftler und Ingenieure zu erweitern, so dass sie auch über Geschäftswissen, Fachkenntnisse und vielseitige Kommunikationsfähigkeiten verfügen. Erfahrene Unternehmensleiter wissen jedoch, dass Geschäftsentscheidungen von multidisziplinären und interdisziplinären Erkenntnissen in Form eines vielfältigen Teams profitieren. Je vielfältiger das Team ist, desto höher ist die kollektive Intelligenz. Im letzten Blog - Der Aufstieg des Datenstrategen Teil I von Boyan Angelov hat Boyan überzeugend dargelegt, dass die Rolle des Datenstrategen eine äußerst nützliche Rolle ist, um die Datenwissenschaft mit dem Geschäftsfall zu verbinden. 

In einem Follow-up zu diesem Blog haben unsere Datenstrategen bei DAIN Studios ein Brainstorming durchgeführt und einen übergreifenden Ansatz entwickelt, um die Kompetenzbereiche und die damit verbundenen Fähigkeiten aufzulisten, die die einzigartigen Fähigkeiten eines Datenstrategen definieren. Wir ergänzen das Venn-Diagramm und die Datenliteratur, indem wir das folgende Venn für den Datenstrategen in Abbildung 1 unten vorschlagen.

Die drei Kreise stellen die wichtigsten Wissensbereiche für einen Datenstrategen dar: Wirtschaft, Kommunikation sowie Daten und Technologie.

Geschäftliche Fähigkeiten sind für einen Datenstrategen wichtig, da sie erforderlich sind, um die Datennutzungsfälle mit den Geschäftszielen und -abläufen zu verknüpfen. Der Wissensbereich Daten und Technologie spielt bei der Umsetzung einer Daten- und KI-Strategie eine klare Rolle. Es ist jedoch wichtig, die Fähigkeiten und Erfahrungen eines Datenstrategen im Bereich Daten und Technologie zu unterscheiden, die sich stark von denen eines Dateningenieurs unterscheiden. Genauer gesagt benötigen Datenstrategen ein gutes allgemeines Wissen über Dateninfrastrukturen, Frameworks und Datenmanagement-Tools, müssen aber keine große Erfahrung oder Kompetenz in der Entwicklung dieser Frameworks und Tools haben. Idealerweise müssen Datenstrategen die vielfältigen Möglichkeiten aktueller Technologie- und Datenlösungen kennen und wissen, wie sie zur Unterstützung der Geschäftsziele eingesetzt werden können. Um in der Lage zu sein, Daten- und Technologiekonzepte effektiv mit dem Geschäft zu verknüpfen und zu übersetzen, werden starke Kommunikationsfähigkeiten schnell zu einer der wichtigsten Fähigkeiten in der übersetzenden Rolle des Datenstrategen. 

Um das vorgeschlagene Venn-Diagramm für Datenstrategen weiter auszuarbeiten, haben wir die folgenden Top-Fähigkeiten in jedem der drei für einen Datenstrategen relevanten Wissensbereiche herausgearbeitet:

Geschäftsfeld:

1. Geschäftsstrategie und Anwendungsfallwissen: Unternehmen konzentrieren sich zunehmend auf die strategische Nutzung von Daten zur Verbesserung der Unternehmensleistung. Daher ist es für Strategen von Vorteil, über eine Bibliothek erfolgreicher (und erfolgloser) Anwendungsbeispiele aus verschiedenen Branchen und Organisationen in unterschiedlichen Stadien der Datenreife zu verfügen, um Entscheidungen und strategische Beratung zu unterstützen. Die Vorteile sollten immer die Kosten überwiegen, wenn ein Unternehmen eine höhere Daten- und KI-Reife anstrebt, und ein Datenstratege benötigt ein umfangreiches Arsenal an Anwendungsfällen, um den potenziellen Wert einer Dateninvestition aufzuzeigen.
2. Funktions- und bereichsübergreifende Geschäftsübersetzungsfähigkeiten: End-to-End (E2E)-Lösungen erfordern funktions- und bereichsübergreifende Kenntnisse und Fähigkeiten, um das "große Ganze" zu konzipieren und den Teams zu vermitteln. Datenstrategen müssen in der Lage sein zu erkennen, wie verschiedene Geschäftsbereiche und Funktionen innerhalb einer Organisation zusammenarbeiten können, um Probleme zu lösen und neue Produkte und Dienstleistungen zu entwickeln. Dieses Wissen muss angewandt werden, wenn z. B. Fachexperten in einzelnen Bereichen nicht wissen, welche Daten und Lösungen andere Fachexperten in einzelnen Bereichen verwenden, wodurch ihnen oft wertvolle Geschäftseinblicke mit wiederverwendbaren Datensätzen entgehen.
3. Governance und Datenprotokolle: Jüngste Gesetze und Vorschriften zum Schutz personenbezogener Daten und zur Anerkennung der Bedeutung der Cybersicherheit erfordern neue Protokolle, die innerhalb der Geschäftsfunktionen verwaltet werden müssen. Darüber hinaus haben die Automatisierung und die jüngsten technologischen Entwicklungen (z. B. 5G, Cloud usw.) neue Arbeitsweisen geschaffen. Datenstrategen müssen sich ihrer organisatorischen Datenprotokolle sowie der rechtlichen Bestimmungen zum Schutz und zur Sicherung von Daten bewusst sein. Eine unzureichende Data Governance kann erhebliche Auswirkungen auf die gesamte Geschäftsstrategie haben.
4. Projektmanagement: Projektmanagement ist eine wesentliche unternehmerische Fähigkeit. Für einen Datenstrategen ist die Kenntnis verschiedener Projektmanagementpraktiken, von Scrum bis Wasserfall, nützlich, da viele fortgeschrittene Analyseprojekte zunächst durch kürzere Projekt-/Pilotansätze strukturiert werden, bevor sie in unternehmensweite Maßnahmen überführt werden.
5. Kreativität und Lösen komplexer Probleme: Computergestütztes Denken und Datenwissenschaft verändern die Art und Weise, wie wir über Probleme nachdenken und Unternehmenslösungen entwickeln. Die Vertrautheit mit Methoden wie Design Thinking, Brainstorming, Reduktion und Abstraktion kann beispielsweise dazu beitragen, Künstliche Intelligenz (KI) für Innovationen zu nutzen und mithilfe von Datenwissenschaft tiefe Einblicke in Probleme zu gewinnen.
6. Strategisches Personalmanagement für Datenrollen: Für einen Strategen ist es sehr wichtig zu verstehen, was die verschiedenen Rollen im Datenbereich sind (d.h. Wissenschaftler, Ingenieure, Business-Intelligence-Entwickler und andere), wie sie zusammenarbeiten und welche Zusammensetzungen von Datenexperten für verschiedene Anwendungsfälle benötigt werden.
7. Foresight: Foresight wird oft als eine der wichtigsten Geschäfts- und Führungsfähigkeiten des 21. Jahrhunderts bezeichnet, bei der es um die Planung für die Zukunft geht, wobei verschiedene strategische Methoden eingesetzt werden, um sich entwickelnde Pfade zu scannen und zu finden. Die digitale Transformation und die Technologie haben einerseits ein Geschäftsumfeld geschaffen, das sich schnell verändert. Große Mengen an automatisierten Daten mit maschinellem Lernen bieten auch neue Möglichkeiten für den Einsatz prädiktiver Analysen, um Erkenntnisse über die Zukunft zu gewinnen.

Bereich Daten und Technologie:

1. Verwaltung von Datenbeständen: Wie für jeden Unternehmensstrategen ist das Verständnis und die Steigerung des Wertes von Unternehmensressourcen eine Voraussetzung für Leistung. Data Asset Management (DAM) ist eine Schlüsselkompetenz für Datenstrategen, da die Ergebnisse, die Qualität der Empfehlungen und die Beratung von Datenstrategen zunehmend mit der Qualität der Daten zusammenhängen. Daher müssen Datenstrategen die besten Praktiken für die Sammlung, Pflege und Verwaltung des Datenwerts innerhalb einer Organisation kennen. Darüber hinaus ist es wichtig zu wissen, welche Methoden für welche Datentypen geeignet sind (z. B. Computer Vision vs. Text, Data 360). So sind beispielsweise Deep-Learning-Methoden oft nützlicher bei der Arbeit mit großen Mengen unstrukturierter Daten.
2. Allgemeine Kenntnisse über Methoden des maschinellen Lernens: Es ist zwar nicht erforderlich, dass ein Stratege in der Lage ist, Modelle des maschinellen Lernens (ML) zu erstellen und einzusetzen, aber es ist dennoch wichtig, dass er ein gutes Verständnis der verschiedenen derzeit verfügbaren Techniken hat. Zum Beispiel überwachte vs. unüberwachte Methoden, Regression vs. Klassifizierung und Deep Learning. Das Verständnis der wesentlichen ML-Methoden und der relevanten potenziellen geschäftlichen Anwendungsfälle und analytischen Erkenntnisse, für die sie eingesetzt werden können, ist von strategischer Bedeutung für die Aufrechterhaltung eines effektiven Algorithmenportfolios. 
3. Bewusstsein für Data Engineering: Die Kenntnis der Puzzleteile für den Aufbau einer tragfähigen Dateninfrastruktur und -architektur ist für die Umsetzung einer Daten-, KI- und/oder digitalen Transformationsstrategie unerlässlich. In diesem Zusammenhang sollte der Datenstratege die Auswahl der Datenbank, des Cloud-Anbieters und verschiedener Open-Source-Technologien auf die Geschäftsstrategie abstimmen. Die Abwägung zwischen der Leistung der Architektur und der Technologie und der Kosteneffizienz sind Schlüsselfaktoren im Entscheidungsfindungsprozess.
4. Datenethik: Jetzt, da maschinelle Lernsysteme in immer mehr kritischen Branchen eingesetzt werden (u. a. im Gesundheitswesen und bei Behörden), ist es von größter Bedeutung, dass die Ethik jeden Aspekt der Arbeit durchdringt. Erfolgreiche maschinelle Lernsysteme haben verallgemeinerbare Ergebnisse. Damit dies funktioniert, müssen die Daten für die jeweilige Aufgabe repräsentativ sein. Außerdem müssen diese Daten frei von Voreingenommenheit sein - hier können Methoden aus einem sich entwickelnden Bereich, der als eXplainable Artificial Intelligence (xAI) bezeichnet wird, in verschiedenen Teilen des Systems angewendet werden (z. B. bei der Datenerfassung, dem Modelltraining und dem Debugging der Modelle).

Bereich Kommunikation:

1. Datenvisualisierung: Ein Bild sagt mehr als tausend Worte und kann das Konzept anhand großer Datenmengen sehr schnell vermitteln. Datenvisualisierung ist eine mächtige Fähigkeit, die Führungskräfte und Manager überzeugen und beeindrucken und Veränderungen vorantreiben kann.
2. Zuhörkompetenz: Zuhören ist die andere Seite der Übersetzerrolle. Zuhören wird immer wichtiger, denn es ist entscheidend für die Produktivität und den Umgang mit den Emotionen und Reaktionen von Teams und Menschen. 
3. Präsentationsfähigkeiten: Bei all den datengesteuerten Erkenntnissen ist es wichtig, komplexe und technische Konzepte an Geschäftsleute mit unterschiedlichen Fähigkeiten zu vermitteln. In den Präsentationsfähigkeiten kulminiert die übersetzerische Rolle des Datenstrategen. So wird ein Datenstratege, der mit einem Datenwissenschaftler über Analysen spricht, bei der Präsentation und Diskussion der Ergebnisse eine ganz andere Sprache verwenden, als wenn er dieselben Ergebnisse mit dem CEO/CSU bespricht.
4. Coaching- und Mentoring-Fähigkeiten: Der Weg zu fortgeschrittener Analytik kann lang und mühsam sein, und das Coaching von Managern bei der Überwindung von Hindernissen und Widerständen sowie die Vermittlung von Mut und Zuversicht an Manager und ihre Teams bei der Umsetzung der Datenstrategie werden sehr geschätzt und gewürdigt. 
5. Change Management: Dies ist vielleicht die am meisten unterschätzte Fähigkeit bei der Umsetzung einer Datenstrategie oder eines digitalen Transformationsprozesses. Sobald der digitale Transformationsprozess in einem Unternehmen begonnen hat und die Unternehmensleitung den Return on Investment eines hohen Reifegrads der Analytik verstanden hat, müssen die Veränderungen durch rechtzeitige und angemessene Kommunikation begleitet werden. Ein guter Change Manager ist in der Lage, in einem sich ständig verändernden, abstrakten Umfeld Vertrauen zu gewinnen und einen reibungslosen Veränderungsprozess zu schaffen, dem die Unternehmensleitung langfristig verpflichtet ist. Änderungsmanagement ist die Fähigkeit, die Datenstrategen benötigen, um eine effiziente Umsetzung der Datenstrategie zu gewährleisten.

Der Bedarf an technischen Generalisten in der Wirtschaft nimmt weiter zu. Die Fähigkeiten, die die Anforderungen an einen Datenstrategen unterstützen, bringen die Bereiche Technologie und Daten, Kommunikation und Wirtschaft zusammen. An den bilateralen Schnittstellen der Datenstrategie gibt es Daten- und Geschäftsarchitekten, die sich bestens mit bereichsübergreifenden Daten- und Technologielösungen auskennen und mit funktionsübergreifenden Geschäftsprozessen und -zielen vertraut sind; Geschäftsbereichsexperten sind Führungskräfte, die sich mit Kommunikation und Geschäftsabläufen und -verwaltung auskennen. Daten- und Technologie-Befürworter verfügen über ein hohes Maß an Wissen und Erfahrung im Technologie- und Datenbereich sowie über ausgeprägte Übersetzungsfähigkeiten, die es ihnen ermöglichen, komplexe Daten- und Technologiekonzepte auf der richtigen Ebene zu vermitteln. Das Einhorn der Datenstrategen, so argumentieren wir, arbeitet in allen drei Bereichen, um Führungskräfte und Unternehmen bei der Umsetzung einer stark datenzentrierten Geschäftsstrategie zu unterstützen, die ihre Datenressourcen optimal nutzt und monetarisiert.