impact·distillery - blog

Data Experience: Eine Einführung

2026-06-24T00:00:00+02:00

Eine Zahl ist selten nur eine Zahl.

Sie hat einen Rahmen, steht beispielsweise in einem Report, einer Präsentation oder einer App. Dort hat sie eine Farbe, eine Position, eine Beschriftung. Vor allem hat sie aber auch einen inhaltlichen Kontext, eine mehr oder weniger hochwertige Quelle, ist mit Unsicherheiten verbunden und kommt meist mit einer impliziten Aufforderung: Schau hier hin. Denk das. Tu etwas.

Deshalb reicht es nicht, Daten einfach bereitzustellen, sie müssen gestaltet werden. Nicht im Sinne von Dekoration oder damit Charts mehr Eindruck machen. Sondern weil die Art und Weise, wie wir Menschen diese Daten erleben, wesentlich beeinflusst, was wir verstehen, worauf wir vertrauen und welche Entscheidungen wir treffen.

Für diese Ebene schlage ich den Begriff »Data Experience« vor, als die bewusst gestaltete Schnittstelle zwischen Daten, Menschen und Entscheidungen. Dabei bringen wir klassische Datenanalyse, Kommunikation, User Experience und Entscheidungsunterstützung zusammen. Und wir fragen nicht nur: Sind die Daten korrekt? Oder ist die Visualisierung verständlich? Sondern vor allem auch: Hilft diese Datenanwendung einem Menschen, im jeweiligen Kontext besser zu denken, zu prüfen, zu verstehen oder zu entscheiden?

Daten wirken nie neutral

In der Theorie wünschen wir uns oft eine möglichst objektive Darstellung von Daten, aber die gibt es in der Praxis nicht. Schon die Auswahl einer Kennzahl ist eine Entscheidung, ebenso wie die Wahl des Zeitraums oder die Skalierung einer Achse. Und vor allem die Frage, ob Unsicherheit bewusst sichtbar gemacht wird.

Das bedeutet nicht, dass jede Darstellung manipulativ ist. Aber es bedeutet, dass jede Darstellung Verantwortung trägt. Wenn eine Conversion Rate mit 12,4 Prozent gezeigt wird, wirkt das zunächst präzise. Wenn darunter steht, dass die Stichprobe nur aus 87 Fällen besteht, verändert sich die Erfahrung dieser Zahl. Wenn eine Wachstumsrate von 100 Prozent gezeigt wird, klingt das stark. Wenn ergänzt wird, dass es sich um Wachstum von einem auf zwei Kunden handelt, wird die Aussage anders lesbar. Die Zahl bleibt dieselbe. Die Data Experience verändert sich.

Gute Data Experience macht solche Kontextinformationen nicht zu Fußnoten, die irgendwo am Rand stehen. Sie integriert sie in die Nutzung und zeigt genug Evidenz, um Ergebnisse reflektiert einordnen zu können.

Das Spektrum der Data Experience

Um diese Unterschiede beschreibbar zu machen, arbeite ich gerade mit einem »Spektrum der Data Experience«. Es reicht aktuell von -3 bis +3 und nimmt bewusst die Perspektive der Nutzerinnen und Nutzer ein. Es geht also nicht nur darum, ob die Daten technisch korrekt verarbeitet wurden, sondern welche Erfahrung und Entscheidungsqualität auf der Nutzerseite entsteht.

Abbildung 1. Spektrum der Data Experience von Betrug und Opportunismus bis zu Empowerment und Entscheidungsunterstützung.

Am einen Ende steht Betrug (-3). Hier werden Zahlen bewusst gefälscht, Daten erfunden oder Ergebnisse manipuliert. Das ist nicht schlechte Data Experience, sondern ein Bruch der grundlegenden Vertrauensbasis.

Eine Stufe darüber liegt Opportunismus (-2). Die Daten und Analysen können an sich richtig sein, aber die Darstellung ist bewusst irreführend gestaltet. Eine abgeschnittene y-Achse, selektiv gewählte Zeiträume oder eine gezielte Auswahl von Vergleichsgruppen können aus korrekten Daten eine falsche Wahrnehmung erzeugen.

Danach kommt Pfusch (-1). Hier fehlt nicht unbedingt die böse Absicht, aber die handwerkliche Sorgfalt. Daten werden ungeprüft in Dashboards geladen. Kennzahlen werden nicht erklärt. Nutzeranforderungen werden nicht verstanden. Visualisierungen werden verwendet, weil sie verfügbar sind, nicht weil sie zur Frage passen. Aus Sicht der Nutzerin ist das Ergebnis trotzdem problematisch: Man bekommt Daten, aber keine verlässliche Orientierung.

Bei null liegt solides Handwerk. Das ist wichtiger, als man vielleicht zunächst denken mag. Es bedeutet, dass die Analyse sauber ist, die Darstellung passt zur Frage, wichtige Begriffe sind erklärt und Unsicherheiten bzw. Limitationen werden nicht versteckt. In sehr vielen Fällen braucht es dafür keine besonders spektakulären Visualisierungen. Ein guter Satz, eine saubere Tabelle, ein Balkendiagramm, ein Streudiagramm, eine Heatmap oder ein Liniendiagramm reichen meistens aus.

Auf der positiven Seite beginnen wir mit Data Storytelling (+1). Hier werden Daten nicht nur korrekt dargestellt, sondern in Zusammenhang gebracht. Storytelling heißt nicht, eine hübsche Geschichte über Zahlen zu legen, sondern eine analytische Aussage so zu strukturieren, dass Menschen sie inhaltlich nachvollziehen können. Was ist passiert? Warum ist es relevant? Welche Entwicklung ist wichtig? Welche Vergleichswerte helfen? Welche Ereignisse erklären Brüche oder Wendepunkte?

Die nächste Stufe ist Empowerment (+2). Hier werden Nutzerinnen und Nutzer nicht nur informiert, sondern befähigt, selbst mit Daten zu arbeiten. Sie können filtern, vergleichen, explorieren und eigene Fragen stellen. Aber sie werden dabei nicht allein gelassen. Gute Data Experience gibt Leitplanken wie Qualitätsindikatoren, Hinweise auf kleine Fallzahlen, Erklärungen zu Kennzahlen, Warnungen vor problematischen Vergleichen oder Empfehlungen für sinnvolle Visualisierungen.

Die höchste Stufe ist der Decision Support (+3). Hier unterstützt die Anwendung direkt eine Entscheidung, aber ohne dem Menschen komplett das Denken abzunehmen. Es reduziert die Distanz zwischen Daten und Handlung. Google Maps ist ein gutes Alltagsbeispiel: Die Anwendung zeigt nicht nur Straßen, Verkehrsdaten und Entfernungen. Sie schlägt Wege vor, bewertet Alternativen, berücksichtigt den Kontext und bringt die Nutzerin näher an eine konkrete Entscheidung.

Im Folgenden wollen wir uns die Phasen vom soliden Handwerk bis zum Decision Support noch einmal genauer anschauen.

Solides Handwerk ist unterschätzt

In vielen Organisationen wird zu schnell über die oberen Stufen gesprochen. Man möchte Storytelling, Self-Service, KI-Assistenz oder automatisierte Empfehlungen. Das ist nachvollziehbar, aber Data Experience wird nicht besser, wenn man schlechte Grundlagen interaktiver macht.

Schlechte Daten und ein schlecht definiertes Dashboard bleiben schlecht, auch wenn man darin filtern kann (»Garbage in, garbage out«). Eine irreführende Kennzahl wird nicht besser, weil sie auf einer modernen Oberfläche steht. Und eine fehlerhafte Analyse wird nicht besser, wenn man sie als Story erzählt. Deshalb ist solides Handwerk der zentrale Nullpunkt des Spektrums. Nicht langweilig, sondern notwendig.

Solides Handwerk fragt: Welche Frage soll beantwortet werden? Welche Kennzahl passt dazu? Welche Datenqualität liegt vor? Welche Darstellung ist angemessen? Welche Information braucht die Nutzerin, um das Ergebnis nicht falsch zu verstehen? Erst wenn diese Grundlage stimmt, lohnt sich der Schritt zu Storytelling, Empowerment oder Decision Support.

Storytelling ist Verantwortung, nicht Dekoration

Data Storytelling wird häufig missverstanden. Es klingt nach Dramaturgie, Zuspitzung und Präsentationstechnik. Das gehört vielleicht auch dazu, ist aber für uns hier nicht der Kern.

Wichtiger ist die Verantwortung für Sinnzusammenhänge. Wer Daten zeigt, sollte nicht nur zeigen, was sichtbar ist, sondern auch helfen, es richtig einzuordnen. Eine Zeitreihe ohne markierte Ereignisse kann formal korrekt sein und trotzdem schwer verständlich bleiben. Ein Ranking ohne Methodenerklärung kann interessant aussehen und trotzdem falsche Schlüsse nahelegen. Eine Kennzahl ohne Vergleichswert kann präzise wirken und trotzdem kaum Bedeutung haben.

Gutes Storytelling macht Daten nicht einfacher, als sie sind, es macht sie anschlussfähiger. Es zeigt, welche Aussage zentral ist, welche Unsicherheit bleibt und welche Interpretation plausibel ist. Es hilft den Nutzerinnen und Nutzern, Zusammenhänge zu verstehen.

Empowerment braucht Leitplanken

Self-Service Analytics ist ein wichtiges Ziel. Fachbereiche sollten nicht für jede Frage auf ein zentrales Data-Team warten müssen. Menschen sollen Daten erkunden, Hypothesen prüfen und eigene Einsichten gewinnen können.

Aber mehr Freiheit erzeugt auch mehr Fehlermöglichkeiten. Wer beliebige Filter, Zeiträume, Samples und Diagrammtypen kombinieren kann, kann auch sehr überzeugende falsche Eindrücke erzeugen. Gerade deshalb ist Empowerment mehr als Interaktivität. Es geht nicht nur darum, Nutzerinnen und Nutzern neue Werkzeuge zu geben, sondern sie beim verantwortungsvollen Gebrauch dieser Werkzeuge zu unterstützen.

Eine gute Data Experience kann dabei helfen, indem sie Datenqualität direkt im Interface interpretierbar macht. Hier helfen Warnungen bei kleinen Fallzahlen oder Erklärungen zu methodischen Fragen. So können wir auch zwischen explorativen Ansichten und geprüften Kennzahlen unterscheiden. Das macht sichtbar, ob ein Wert belastbar, vorläufig oder erklärungsbedürftig ist.

Empowerment schafft einen Raum, in dem du Daten sinnvoll erkunden kannst, ohne bei jedem Schritt in methodische Fallen zu laufen.

Decision Support beginnt bei der Handlung

Die höchste Stufe der Data Experience beginnt nicht beim Chart, sondern bei der Entscheidung. Aber dafür müssen wir auch zunächst die Nutzerinnen und Nutzer verstehen, welche Entscheidung wollen oder müssen sie treffen? Und wie können wir sie dabei unterstützen, beispielsweise indem wir methodische Unsicherheiten lösen?

Ein gutes Decision-Support-System zeigt dabei nicht einfach mehr Daten. Es reduziert Komplexität an der richtigen Stelle, schlägt Optionen vor und macht Trade-offs sichtbar. Dabei hilft es insbesondere, Kontextinformationen bereitzustellen. So lässt es Menschen eingreifen, prüfen und verstehen.

Das ist besonders wichtig, weil Decision Support schnell mit Automatisierung verwechselt wird. Nicht jede Entscheidung sollte automatisiert werden. Manchmal ist es besser, Menschen mit gut aufbereiteten Informationen zu unterstützen. Dazu braucht es Vorschläge, aber keine automatische Ausführung.

Wie man bessere Data Experience baut

Ein paar Prinzipien helfen dir beim Start:

Beginne mit der Entscheidung, nicht mit dem Chart. Die Frage ist nicht, welche Visualisierung gut aussieht, sondern welche Nutzungssituation unterstützt werden soll.
Ermögliche Exploration, aber mit Leitplanken. Nutzerinnen und Nutzer sollen eigene Fragen stellen können, aber nicht ohne Kontext, Qualitätsinformationen und methodische Hinweise.
Baue die Erfahrung in Schichten. Eine gute Oberfläche zeigt zuerst die Antwort oder den wichtigsten Befund. Dann ermöglicht sie Interaktion. Und schließlich bietet sie Evidenz: Datenbasis, Definitionen, Unsicherheit, Methode und Grenzen.
Behandle Storytelling als Verantwortung, nicht als Dekoration. Eine Geschichte darf Daten nicht instrumentalisieren. Sie muss helfen, Zusammenhänge besser zu verstehen.
Unterstütze Data Literacy direkt in der Experience. Erklärungen, Tooltips, Qualitätsindikatoren und gute Defaults sind keine Nebensachen. Im besten Fall lernen die Nutzerinnen und Nutzer nebenbei auch noch methodisch etwas dazu, so als netter Nebeneffekt.

Fazit

Data Experience beschreibt die Qualität der Schnittstelle zwischen Daten, Menschen und Entscheidungen. Sie beginnt bei Integrität und handwerklicher Sorgfalt und reicht bis zu Systemen, die Menschen direkt bei Entscheidungen unterstützen.

Das Spektrum von Betrug über Opportunismus, Pfusch und solides Handwerk bis hin zu Storytelling, Empowerment und Decision Support hilft, diese Qualität differenzierter zu betrachten. Nicht jede Datenanwendung muss auf der höchsten Stufe stehen. Aber jede sollte wissen, auf welcher Stufe sie steht und welche Verantwortung damit verbunden ist.

Gute Data Experience macht Daten nicht einfach nur leichter konsumierbar. Sie macht es leichter, bessere Entscheidungen zu treffen.

Data Experience (DX) – eine erste Annäherung

2026-01-20T00:00:00+01:00

Vor kurzem bin ich über einen für mich neuen Begriff gestolpert: »Data Experience.« Und ich denke begeistert weiter.

In vielen Organisationen sind Dateninfrastruktur und Data Literacy heute vorhanden. Dashboards, KPIs und Reports gibt es im Überfluss. Trotzdem werden die meisten Entscheidungen immer noch ohne echte Auseinandersetzung mit Daten getroffen.

Warum? Weil wir Datenverarbeitung als einen primär technischen Prozess denken, dabei ist es insbesondere auch ein Prozess, den Menschen durchlaufen. Gerade wenn es um strategische Entscheidungen geht, müssen Menschen die Daten und Analysen (geistig) verarbeiten, die Technik ist nur da, um zu helfen, nicht andersherum.

Bei diesem intellektuellen Prozess geht es aber nicht nur um das klassische Suchen und Analysieren von Daten oder deren Präsentation und Storytelling. Es geht auch um Unsicherheiten im Umgang mit Daten oder ein kritisches Hinterfragen von Daten bzw. Analysen. Und vor allem geht es um den gedanklichen Abgleich von Handlungsoptionen mit dem, was Analysen zeigen. Dies wollen wir nicht nur ausgebildeten Data Scientists ermöglichen, sondern als Demokratisierung von Daten sehr viel breiter denken.

In diesem Sinne beschreibt »Data Experience« (DX) für mich die menschliche Erfahrung, mithilfe von Daten Orientierung zu gewinnen, Sinn zu konstruieren, Vertrauen zu bilden und verantwortliche Entscheidungen zu treffen.

Und die Herausforderung ist es, hier und jetzt eine positive Erfahrung zu ermöglichen :-)

Wie geht es konkret mit dem Thema weiter?

In der Impact Distillery möchten wir daraus ein konkretes Beratungsangebot und eine Tool-Suite für »Data Experience« entwickeln. Dabei geht es um Datenprodukte, Reports und Entscheidungsformate, die Menschen nicht nur informieren, sondern sie dabei unterstützen, Analysen einzuordnen, Unsicherheit zu verstehen und verantwortliche Handlungsoptionen abzuleiten. Unsere Arbeit an »Graphite«, mit dem Larissa Wunderlich und ich seit Jahren mehrschichtige Datenreports entwickeln, ist dafür ein wichtiger Ausgangspunkt.

Auch in der Lehre an der DBU wird Data Experience ein Thema: Ich entwickle dazu gerade ein Modul für unseren Master-Studiengang »Data Science & Management«.

Freund oder Feind? Was große Sprachmodelle für die Wissenschaft bedeuten

2023-10-26T00:00:00+02:00

Seit ChatGPT Ende 2022 öffentlich verfügbar wurde, wird viel darüber diskutiert, wie generative KI die Hochschullehre verändert. Deutlich weniger Aufmerksamkeit bekam zunächst eine andere Frage: Was bedeuten große Sprachmodelle für die Wissenschaft selbst?

Genau dieser Frage sind wir in einer Delphi-Studie mit 72 Expertinnen und Experten aus den Bereichen KI, Digitalisierung, Wissenschaft und Gesellschaft nachgegangen. In zwei Befragungsrunden wollten wir wissen: Wo können Large Language Models, kurz LLMs, wissenschaftliche Arbeit unterstützen? Wo liegen ihre Grenzen? Welche Risiken entstehen für das Wissenschaftssystem? Und welche Kompetenzen brauchen Forschende, um diese Technologien sinnvoll und verantwortungsvoll einzusetzen?

Sprachmodelle als Werkzeuge wissenschaftlicher Arbeit

Die Ergebnisse zeigen zunächst: Forschende sehen in LLMs vor allem Werkzeuge zur Unterstützung, nicht zum Ersatz wissenschaftlicher Arbeit. Besonders relevant erscheinen sie für textnahe Tätigkeiten. Dazu gehören das Überarbeiten und Verbessern von Texten, das Zusammenfassen von Informationen, Übersetzungen, erste Entwürfe, Ideenentwicklung und auch Unterstützung beim Programmieren.

Das ist wenig überraschend, denn Wissenschaft ist in vielen Disziplinen stark textbasiert. Forschungsanträge, Artikel, Gutachten, E-Mails, Lehrmaterialien, Projektberichte und Präsentationen prägen den Alltag. Wenn LLMs hier Routineaufgaben beschleunigen, können sie tatsächlich Zeit freisetzen: für Analyse, Reflexion, Forschungsdesign und kreative wissenschaftliche Arbeit.

Besonders deutlich wurde in unserer Studie, dass viele Expertinnen und Experten LLMs als Entlastung bei administrativen Aufgaben verstehen. Die Technologie erscheint also weniger als autonome „KI-Wissenschaftlerin“, sondern eher als Assistenzsystem für wiederkehrende, zeitintensive Tätigkeiten.

Der größte Nutzen liegt nicht nur im Schreiben

Textverbesserung wurde in der Befragung als besonders wichtige Anwendung bewertet. Aber der potenzielle Nutzen reicht darüber hinaus. LLMs können auch beim Sortieren von Gedanken helfen, beim Einstieg in ein Thema, bei der Strukturierung von Argumenten oder bei der Formulierung von Code.

Gerade für Forschende, die nicht auf Englisch als Erstsprache publizieren, könnten solche Systeme eine gewisse Ausgleichsfunktion haben. Wenn sprachliche Hürden geringer werden, kann das wissenschaftliche Teilhabe erleichtern. Zugleich ist dieser Punkt ambivalent: Wer Zugang zu leistungsfähigen Systemen hat, könnte Vorteile gewinnen; wer keinen Zugang hat, bleibt zurück. LLMs können also Ungleichheiten mindern, aber auch neue schaffen.

Die Grenzen bleiben wissenschaftlich relevant

So groß das Potenzial ist, so klar benannten die Expertinnen und Experten auch die Schwächen. Die wichtigste Grenze ist die Fehleranfälligkeit. LLMs können überzeugend klingende, aber falsche Aussagen produzieren. Besonders problematisch ist das bei Literaturangaben, Faktenbehauptungen und komplexen fachlichen Zusammenhängen.

Hinzu kommt fehlende Transparenz. Oft ist nicht nachvollziehbar, auf welchen Daten eine Antwort beruht, welche Quellen tatsächlich verwendet wurden oder warum ein Modell zu einer bestimmten Formulierung kommt. Für wissenschaftliche Arbeit ist das ein grundlegendes Problem, weil Nachvollziehbarkeit, Überprüfbarkeit und Begründung zentrale Qualitätskriterien sind.

Weitere Grenzen liegen in der möglichen Oberflächlichkeit der Ergebnisse. LLM-Texte können glatt, plausibel und ausgewogen wirken, ohne analytisch tief zu sein. Gerade diese Mischung aus sprachlicher Qualität und inhaltlicher Unsicherheit macht sie für die Wissenschaft riskant.

Drei Risiken für das Wissenschaftssystem

Unsere Studie zeigt drei besonders relevante Risiken.

Erstens können LLMs bestehende Verzerrungen verstärken. Da sie aus vorhandenen Daten lernen, reproduzieren sie tendenziell dominante Perspektiven, etablierte Wissensbestände und Mainstream-Positionen. Marginale, neue oder widersprechende Perspektiven können dadurch weiter an den Rand gedrängt werden.

Zweitens können LLMs Desinformation begünstigen. Wenn sich massenhaft plausible, aber falsche Inhalte erzeugen lassen, steigt die Gefahr, dass wissenschaftlich klingende Aussagen ohne belastbare Grundlage zirkulieren. Das betrifft nicht nur die Wissenschaft selbst, sondern auch ihr Verhältnis zur Öffentlichkeit.

Drittens könnten Qualitätssicherungsmechanismen überlastet werden. Peer Review, redaktionelle Prüfung und wissenschaftliche Selbstkorrektur sind ohnehin bereits unter Druck. Wenn KI-gestützte Texte die Menge wissenschaftlich aussehender Publikationen weiter erhöhen, wird die Unterscheidung zwischen substanzieller Forschung und plausibler Fassade schwieriger.

Forschende werden nicht ersetzt, aber ihre Rolle verändert sich

Die Expertinnen und Experten gingen mehrheitlich nicht davon aus, dass LLMs Forschende ersetzen. Wahrscheinlicher ist eine Verschiebung wissenschaftlicher Arbeit. Weniger Zeit könnte auf erste Formulierungen, sprachliche Glättung oder administrative Routinen entfallen. Mehr Gewicht bekämen Prüfung, Kontextualisierung, Bewertung und Verantwortung.

Das bedeutet: Die entscheidende Kompetenz ist nicht bloß „Prompt Engineering“. Wichtiger ist ein reflektierter Umgang mit KI-generierten Ergebnissen. Forschende müssen einschätzen können, wann ein Ergebnis hilfreich ist, wann es falsch oder unvollständig ist und welche Annahmen darin stecken. Sie brauchen fachliche Expertise, methodische Urteilskraft und ein ethisches Verständnis für den Einsatz solcher Systeme.

Kurz gesagt: Je besser die Werkzeuge werden, desto wichtiger wird wissenschaftliches Urteilsvermögen.

Regulierung und wissenschaftliche Standards sind nötig

Ein zentrales Ergebnis der Studie ist der klare Wunsch nach Orientierung und Regulierung. Dabei geht es nicht nur um rechtliche Fragen wie Urheberrecht, Datenschutz und Haftung. Es geht auch um wissenschaftliche Normen: Wann muss der Einsatz von KI offengelegt werden? Welche Rolle darf ein LLM im Publikationsprozess spielen? Wer trägt Verantwortung für KI-generierte Inhalte? Und wie lässt sich verhindern, dass kommerzielle Anbieter zu stark über wissenschaftliche Infrastrukturen bestimmen?

LLMs können keine Verantwortung übernehmen. Deshalb können sie auch nicht im gleichen Sinne Autorinnen oder Autoren wissenschaftlicher Arbeiten sein. Verantwortung bleibt bei den Menschen, die solche Systeme einsetzen.

Zwei mögliche Zukünfte

Aus den Antworten der Expertinnen und Experten lassen sich zwei Szenarien ableiten.

Im positiven Szenario helfen LLMs, repetitive Aufgaben zu automatisieren, Forschung inklusiver zu machen und interdisziplinäre Zusammenarbeit zu fördern. Wissenschaftlerinnen und Wissenschaftler gewinnen Zeit für kreative, analytische und gesellschaftlich relevante Arbeit.

Im negativen Szenario sinkt die Qualität wissenschaftlicher Kommunikation. Fehlerhafte, generische oder verzerrte Inhalte verbreiten sich schneller. Qualitätssicherung wird überfordert, wissenschaftliche Vielfalt nimmt ab und das Vertrauen in Wissenschaft leidet.

Welche dieser Zukünfte wahrscheinlicher wird, ist keine rein technische Frage. Sie hängt davon ab, welche Standards, Kompetenzen und institutionellen Regeln wir entwickeln.

Fazit: Kein Feind, aber auch kein neutraler Freund

Große Sprachmodelle werden die Wissenschaft nicht automatisch verbessern. Sie sind auch keine bloße Bedrohung. Sie sind Werkzeuge mit erheblichem Veränderungspotenzial.

Ihr Nutzen liegt vor allem dort, wo sie Forschende von Routineaufgaben entlasten, Zugänge erleichtern und wissenschaftliche Kommunikation unterstützen. Ihre Risiken liegen dort, wo Plausibilität mit Wahrheit verwechselt wird, wo Verzerrungen unsichtbar bleiben und wo Qualitätssicherung nicht Schritt halten kann.

Die zentrale Aufgabe besteht deshalb nicht darin, LLMs entweder zu feiern oder zu verbieten. Entscheidend ist, sie wissenschaftlich zu verstehen, kritisch zu nutzen und institutionell so einzubetten, dass sie Forschung stärken, ohne wissenschaftliche Standards zu unterlaufen.

Dieser Blogbeitrag basiert auf dem wissenschaftlichen Artikel „Friend or foe? Exploring the implications of large language models on the science system“, den ich gemeinsam mit Benedikt Fecher, Melissa Laufer, Jörg Pohle und Fabian Sofsky verfasst habe. Der Artikel ist als Open-Access-Beitrag in AI & Society erschienen und untersucht auf Grundlage einer Delphi-Studie mit 72 Expertinnen und Experten, welche Chancen, Risiken und Kompetenzanforderungen große Sprachmodelle für Wissenschaft und wissenschaftliche Praxis mit sich bringen. Die vollständige wissenschaftliche Zitation lautet: Fecher, B., Hebing, M., Laufer, M., Pohle, J., & Sofsky, F. (2025). Friend or foe? Exploring the implications of large language models on the science system. AI & Society, 40, 447–459. https://doi.org/10.1007/s00146-023-01791-1

Künstliche Intelligenz – ein Übersetzungsfehler?

2022-04-28T00:00:00+02:00

Im Zuge der digitalen Transformation, der vierten industriellen Revolution, dem Aufstieg von sozialen Medien und vielen weiteren teils disruptiven gesellschaftlichen Veränderungen sind Künstliche Intelligenzen (KI) in aller Munde. Die großen Tech-Riesen arbeiten mit diesen Künstlichen Intelligenzen und haben mit ihnen Geschäftsmodelle aufgebaut. Kleine- und mittelständische Unternehmen ziehen nach und versuchen ihre Datenschätze zu bergen, Prozesse zu optimieren und höhere Gewinne zu erzielen.

Bewusst wurde hier der Plural „Künstliche Intelligenzen" verwendet, da diese jeweils als Software verstanden werden. Somit kann es beispielsweise mehrere Software-Anwendungen in einem Unternehmen geben, die die Kriterien einer KI erfüllen. Künstliche Intelligenz im Singular ist wiederum als ein theoretisches Konzept bzw. als Teilgebiet der Informatik zu verstehen.

Abbildung 1. Sinnbild eines Missverständnisses: Wie die Managementebene sich Künstliche Intelligenz vorstellt (oben) und was die Data Scientists eigentlich einzubeziehen haben (unten). Darstellung verändert nach Andy Scherpenberg.

Oft genug wird in Unternehmen in den Management-Etagen und Geschäftsführungen vom Einsatz Künstlicher Intelligenz gesprochen, gar geschwärmt. Die Vorstellung, eine Technologie zu implementieren, die lernt das Unternehmen zu verstehen und Verbesserungsvorschläge macht, die beispielsweise den Umsatz steigern und dabei kein Gehalt verlangt oder Krankheitstage hat ist durchaus verlockend. Einzig: das können Künstliche Intelligenzen gar nicht leisten, auch wenn der Grundgedanke von Artifical Intelligence sicher in die Richtung ging, das menschliche Gehirn nachzuahmen und dieses Potential zu nutzen.

Data Scientists, die Künstliche Intelligenzen programmieren, benutzen diesen Begriff hingegen eher selten. Hier ist viel häufiger die Rede von Modellen, Algorithmen, Automatisierung oder schlichtweg Software. Auch wenn das, an dem sie arbeiten, vom Management als KI-Projekt deklariert wurde, ist das Verständnis der Data Scientists ein differenzierteres. Meist arbeiten sie nämlich an sogenannten schwachen KIs, also an Software die insbesondere mit maschinellem Lernen versucht, ein stark abgegrenztes und vereinfachtes Problem zu verstehen und dieses auf andere Probleme zur Lösung zur projizieren (Nilsson, 2009). Hierzu werden statistische Methoden und Maschinelles Lernen genutzt. Von einer Intelligenz ist man hier weit entfernt, da sich das Verhalten nur bedingt auf andere Kontexte anwenden lässt.

Bei einer starken KI sprechen wir andererseits von einem Verhalten, dass einem Menschen ebenbürtig ist. In vielen Fällen sind dies humanoide Roboter. Doch auch hier ist bisweilen zu konstatieren, dass zwar ein biologisches Verhalten nachgeahmt werden kann, der Transfer von Erlerntem und die damit verbundene Entwicklung von einer tiefgehenden Intelligenz bislang aber kaum realisiert wurde. Darüber hinaus ist gar die Freiheit zu eigenständigen und unabhängigen Entscheidungen, wie sie als Dystopie in Filmen wie Terminator gezeichnet wird, in weiter Ferne.

„...the most sophisticated AIs are still far from being able to solve problems that human four-year-olds accomplish with ease. In spite of the impressive name, artificial intelligence largely consists of techniques to detect statistical patterns in large data sets. There is much more to human learning." – John Brockman (Brockman, 2019)

Neben der durch Filme überzeichneten Intelligenz von Künstlichen Intelligenzen kann die schiere Übersetzung aus dem Englischen ein trügerisches Bild in den Köpfen erzeugen.

Bei intelligence haben wir neben der genannten Intelligenz auch Übersetzungen wie Geheimdienst, Spionage, aber auch Einsicht und Information. Wenn wir die letzteren Begriffe aufgreifen, kommt man viel näher an das, was wir als schwache KI bezeichnen. Mit klassischen statistischen Methoden, Data Science und maschinellem Lernen wird versucht, Information zu erlangen, die es bislang nicht gibt, beispielsweise über zukünftige Umsatzzahlen oder Muster in sehr großen Datensätzen.

In vergleichbaren Fällen würden wir auch nicht auf die Idee kommen, Business Intelligence mit Geschäftsintelligenz zu übersetzen. Dies ist schlicht die Information über das Geschäft, also beispielsweise Geschäftszahlen, die für Reportings benutzt werden. Anhand dieser Information treffen Menschen dann meist Entscheidungen. Auch die CIA, die Central Intelligence Agency ist keine Intelligenzagentur, sondern kümmert sich um die Beschaffung von Information auf Basis davon, dass Menschen Situationen bewerten und ihre Entscheidungen vornehmen.

Im Gespräch mit Muttersprachlern, die technisch versiert sind und somit die vollumfängliche Tragweite der Thematik verstehen, haben wir eruiert, dass AI im englischsprachigen Raum auf einem Spektrum eher in der Nähe von Business Intelligence (BI) verortet wird (siehe Abbildung 2, rechts). KI wird im deutschsprachigen Raum wiederum eher in die Nähe von Intelligenz (links) gebracht, was der Technologie daher eher die Konnotation der Intelligenz mitgibt.

Abbildung 2. Spektrum zwischen dem Intelligenzquotient, welcher häufig „zur Bewertung des intellektuellen Leistungsvermögens (Wikipedia) dient, und Business Intelligence, was „Verfahren und Prozesse zur systematischen Analyse des eigenen Unternehmens" (Klumbies, 2012) umfasst. Das Spektrum soll eine Möglichkeit bieten zwischen unterschiedlichen Übersetzungsmöglichkeiten von „intelligence" zu differenzieren.

Wenn wir Artificial Intelligence als generierte Information verstehen, wäre klarer, was schwache KI in den meisten Fällen leistet: zusätzliche Einsichten und bislang nicht vorhandene Information zu einem Sachverhalt. Dabei soll eins nicht außer Acht gelassen werden: Selbst mit einer schwachen KI können wir intelligente Lösungen bauen, die uns den Alltag erleichtern oder uns Erkenntnisse bringen, die wir andernfalls nicht hätten.

Auch die starke KI kann dazu beitragen, unsere Welt lebenswerter, präziser und komfortabler zu machen. Viele Anwendungen in der Robotik, Medizin und dem autonomen Fahren wäre ohne KI nicht denkbar und ganz gewiss werden diese die nächsten Jahre maßgeblich prägen. Doch auf absehbare Zeit wird diese Technologie keine dem Menschen ebenbürtige Intelligenz oder gar Superintelligenz (Good, 1965) hervorbringen.

So sprechen Data Scientists in den wenigsten Fällen von KI. Das Vorgehen der Analyse von Daten mit gewissen Unsicherheiten hin zu bislang fehlender Information, bezeichnen wir als Data Science. Der Rest ist Science Fiction.

Prof. Dr. Martin Manhembué arbeitet als Data Science Manager bei der Deutsche Bahn AG. Er unterrichtet an der Digital Business University of Applied Science und ist ein assoziierter Forscher am Humboldt Institute for Internet and Society (HIIG). Martin hat Agrarwissenschaften studiert und im Bereich der Umweltmodellierung promoviert.

Literatur

Brockman, J. (2019). Possible minds: Twenty-five ways of looking at AI. Penguin Press.

Good, I. J. (1965). Speculations concerning the first ultraintelligent machine.

Klumbies, H. (2012, 4. Juli). Geschäftsanalytik: Datengrundlagen für Entscheidungen schaffen.

Nilsson, N. J. (2009). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press.

Die 7 Aufgaben im Data Science Management

2021-10-09T00:00:00+02:00

Dieser Artikel erschien zuerst in englischer Sprache als The 7 Tasks in Data Science Management auf Towards Data Science.

In allen Wirtschaftsbereichen entstehen stetig neue Anwendungsfälle für Data Science. Und mit ihnen wächst von KMUs (Kleinen und Mittelständigen Unternehmen) bis hin zu Großkonzernen die Anzahl an Data Scientists sowie die Größe und die Komplexität der Teams, die an zu lösenden Fragestellungen arbeiten. Dabei zeigt sich jedoch, dass nur eine geringe Anzahl von Data Science Projekten (22%) nennenswerte Umsätze generieren und dass ein Großteil der Projekte schlichtweg scheitert (60 bis 85%) (Atwal, 2020). Dies wirft die Frage auf: Wie gehen wir mit der wachsenden Komplexität des Managements von Data Science um?

In diesem Artikel wollen wir

definieren, was Data Science Management ist,
die Vorteile für die Entwicklung einer Data Science Kultur verdeutlichen,
die Aufgaben von Data Science Manager*innen und deren Notwendigkeit im Unternehmen aufzeigen,
die Notwendigkeit für Data Science Manager*innen in Unternehmen aufzeigen
und überlegen, wie entsprechende Kandidat*innen für den Job gefunden werden können.

Was ist Data Science Management?

Data Scientists sind u.a. gut ausgebildete Informationswissenschaftler*innen, Naturwissenschaftler*innen, Sozialwissenschaftler*innen und Mathematiker*innen. Einige haben sogar Data Science als eigenständige Disziplin studiert, nachdem entsprechende Studiengänge seit jüngster Zeit angeboten werden. Sie lösen praktische Probleme in den Unternehmen, hinterfragen eingefahrene Routinen und lieben die Welt der Zahlen. Sie geben Einblicke in komplexe Prozessabläufe, analysieren gigantische Datensätze und stellen sich immer neuen Herausforderungen. Sie helfen durch automatisierte Prozesse Zeit zu sparen und gestalten die Zukunft der Unternehmen mit. Doch manchmal verbeißen sich Data Scientists leider auch mal in ein Problem und verlieren den Fokus auf die eigentlichen Herausforderungen. Das ist der Moment, wo Data Science Manager*innen ins Spiel kommen.

Um einen strategischen Vorteil zu erlangen, müssen Unternehmen zunehmend die Potenziale von Daten aus vielfältigen Datenquellen erschließen, diese zusammenführen und in anwendbares Wissen überführen. In vielen Fällen entsteht dabei der Fehlschluss, mehr Daten (\"big data\") sei automatisch besser, was leider nicht immer zutrifft. Vielmehr brauchen wir die richtigen Daten, passend zur jeweiligen Fragestellung. Dies nennen wir häufig \"smart data\". Smart Data fokussiert die Diskussion auf die Art und Weise wie Daten ergebnisorientiert zusammengeführt und aufbereitet werden, um so die wesentlichen Herausforderungen angehen zu können (Iafrate, 2015).

Viele Unternehmen stellen bereits eigene Data Scientists an. Die Arbeitgeber-Arbeitnehmer-Beziehung birgt jedoch Enttäuschungspotenzial: Unternehmen sind häufig nur unzureichend darauf vorbereitet, sowohl was die technischen Infrastrukturen als auch die Einbindung dieses neuen Berufsbilds in die Organisationsabläufe angeht. Solche Fehler führen dazu, dass Data Scientists nicht ihre Stärken ausspielen können. Die Data Scientists auf der anderen Seite fühlen sich dann häufig unterfordert und fangen an sich zu langweilen, was wiederum zu Frustration führt. Im schlimmsten Fall zahlen Unternehmen also viel Geld für Data Scientists, die aufgrund der gegebenen Arbeitsbedingungen ihre Potenziale nicht entfalten können.

Entwicklung einer datengetriebenen Organisationskultur

Data Science Manager*innen sind sich dieser Fallstricke von Anfang an bewusst und können sowohl Unternehmen als auch neue Kandidatinnen und Kandidaten optimal auf die Zusammenarbeit vorbereiten. In Abbildung 1 finden sich einige praktische Maßnahmen, welche durch sie in der täglichen Arbeit gut umgesetzt werden können, um eine datengetriebene Organisationskultur im Unternehmen zu fördern:

Siehe auch: Fünf erste Schritte zu einer datengetriebenen Organisationskultur

Abbildung 1. Wesentliche Bausteine, um eine datengetriebene Organisationskultur im Unternehmen aufzubauen, welche erfolgreiche und nachhaltige Data Science Projekte ermöglicht. Abbildung der Autoren (CC BY 4.0).

Data Science Manager*innen denken voraus. Sie müssen erkennen, welche Themen und Fragestellungen im Unternehmen an Bedeutung gewinnen, um die Data Scientists im Team rechtzeitig darauf vorbereiten zu können. Sie wollen Barrieren abbauen (vor allem beim Datenzugriff) und schaffen notwendige Austauschformate und Informationskanäle (Bhatti, 2017). Da Data Science eine Art Teamsport ist, sollten Data Science Manager*innen motivieren im Team zusammenzuarbeiten und ein Gefühl der Zusammengehörigkeit schaffen.

Und letztlich brauchen Data Science Manager*innen auch ein gutes Stück Handlungs- und Entscheidungsfreiheit. Data Scientists arbeiten in einem sich stetig weiterentwickelnden Feld, daher sind auch entsprechende Ressourcen, beispielsweise um an Konferenzen und Weiterbildungen teilnehmen zu können, notwendig. Im Hinblick auf die gesamte Unternehmung sollten Data Science Manager*innen dabei mehr als Botschafter*innen denn als Führungskräfte verstanden werden, welche für den optimalen Einsatz von Data Science Technologien einstehen.

Aufgaben der Data Science Manager*innen

Im Arbeitsalltag von Data Science Manager*innen gibt es ein ganzes Set von wiederkehrenden Aufgaben, welche wir in Abbildung 2 zusammengestellt haben. Auch wenn es viele Überschneidungen zu (agilen) Software-Entwicklungsteams gibt, stechen ein paar Punkte heraus. Im Folgenden wird auf diese Punkte näher eingegangen.

Abbildung 2. Das Dreieck des Informationsflusses im Data Science Management. Die blauen Pfeile stellen pull-Beziehungen dar, also Informationen, die gezielt eingefordert werden. Die grauen Pfeile hingegen stellen push-Beziehungen dar, bei denen aktiv auf die Gegenseite zugegangen wird. Während Data Science Manager*innen sowohl auf das Team als auch auf die Stakeholder aktiv zugehen, ist die push-Beziehung vom Data Science Team zu den Stakeholdern bewusst unterbrochen, um eine team bubble (also eine geschützte Arbeitsumgebung) für die Mitglieder des Teams zu schaffen. Neben der Pflege der Informationsflüsse und Beziehungen im Dreieck, liegen natürlich auch noch grundlegende Projektmanagementaufgaben bei den Data Science Manager*innen. Abbildung der Autoren (CC BY 4.0).

Aufgabe 1) Anforderungsmanagement

Der Ausgangspunkt für die meisten Data Science Projekte ist das Gespräch mit den Stakeholdern, um herauszufinden, was deren Anforderungen und Wünsche an das Projekt sind. Es geht also vor allem darum, Informationen zu sammeln und ein besseres Verständnis für das business problem zu entwickeln (vgl. Shearer, 2000). Es ist wichtig über Erwartungen zu sprechen, wobei letztlich die Frage beantwortet werden soll, was sich für die Stakeholder verändert haben wird, sobald das Data Science Projekt abgeschlossen ist.

Die gesammelten Anforderungen müssen dann in analytische Fragestellungen bzw. Aufgaben übersetzt werden, welche von Data Scientists bearbeitet werden können (Provost & Fawcett, 2013). Weiterhin sollte der Umfang der Aufgaben in gut handhabbare Pakete gegliedert werden, welche beispielsweise zunächst in einen backlog gesammelt und in user stories übersetzt werden, wie es auch in der (agilen) Softwareentwicklung üblich ist (Scrum.org, o. D.).

Aufgabe 2) Zeit und Ressourcen

Die Arbeit an komplexen Aufgaben ist meistens auch mit Unsicherheiten verbunden. Entsprechend muss die Komplexität reduziert werden, um die Projektkosten zu kalkulieren und entsprechend das zur Verfügung stehende Budget planen zu können. Für die Stakeholder kann es hilfreich sein, die Kosten an den user stories festzumachen. Aber wie schon angedeutet bedeutet Komplexität auch immer, dass mit verschiedenen Arten von Unsicherheiten umzugehen ist. So ist es beispielsweise eine gutes Vorgehen, Zeitpuffer in die Planung einzubauen, deren Umfang sich insbesondere am Ausmaß der Unsicherheiten orientierten sollte. Weiterhin bietet der Canvas of Uncertainty (vgf. Abbildung 3) eine gute Struktur, um user stories nach Komplexität und Unsicherheiten zu sortieren, um so einen besseren Überblick zu gewinnen.

Abbildung 3. Die Rumsfeld Matrix kann als Canvas of Uncertainty genutzt werden (Fournet, 2019). Welche Faktoren sind bereits bekannt (und können berechnet werden), wo fehlen Informationen, welche aber dritte potentiell haben (nachfragen!), welche Informationen sind unbekannt und werden es wohl noch eine Zeit lang bleiben (beispielsweise Börsenwerte oder das Wetter) und wie umfangreich sind für gewöhnlich komplett unerwartete Dinge, welche unsere Planung durcheinander bringen werden? Aufgrund des letzten Aspekts multiplizieren manche Software-Manager ihre Schätzungen am Ende noch mal mit einem bestimmten Faktor (beispielsweise Pi, also \~3.14159), um besser darauf vorbereitet zu sein (Strom, 2008). Abbildung der Autoren (CC BY 4.0).

Es ist unerlässlich, dass Mitarbeitende mit den jeweils notwendigen Kompetenzen für das Projekt bereitstehen. Und vor allem müssen sie auch die zeitlichen Kapazitäten haben, sich entsprechend einzubringen. Dabei geht es natürlich auch darum, die Beteiligten nicht mit zu vielen Projekten gleichzeitig zu überlasten, auch weil mit der Anzahl der Projekte die Transaktionskosten durch den Wechsel zwischen den Projekten schnell ansteigen (Weinberg, 1975). Wenn eine bestimmte Aufgabe nur von einer einzigen Person im Team gelöst werden kann, stellt dies automatisch ein Risiko für das gesamte Projekt dar. Ebenso ist bereits im Vorfeld die Verfügbarkeit der Daten sicherzustellen. Es gibt wohl kaum eine unnötigere Verschwendung von Ressourcen als gelangweilte Data Scientists, wenn die Daten zur Arbeit nicht verfügbar sind.

Um einen Überblick über Zeit und Ressourcen zu bekommen, bieten sich die folgenden Fragen an (angelehnt an Seiter, 2019):

Team: Welche Expertise ist erforderlich? Sind die richtigen Mitarbeitenden an Bord und haben sie ausreichend zeitliche Kapazitäten?
Daten: Welche Daten stehen zur Verfügung (in-house, offene Datenquellen oder durch Zukauf) und bieten sie eine entsprechende Datenbasis, um die vorliegenden Forschungsfragen bearbeiten zu können? Ist es notwendig eine eigene Datenerhebung durchzuführen (beispielsweise eine Befragung)?
Infrastruktur: Stehen die notwendigen Ressourcen zur Verfügung (Software, Hardware, Cloud)?

Diese Fragen sollten auch helfen, ggf. vergessene Stakeholder oder Personen zu identifizieren, die noch einzubeziehen sind (beispielsweise die IT- oder Rechtsabteilung).

Aufgabe 3) Promotion

Projektfortschritt und -ergebnisse müssen Stakeholdern in der Form präsentiert werden, dass alle „auf einem Nenner" sind. Data Science Manager*innen müssen sich darauf vorbereiten, dass die Komplexität der Fragen mit Fortschreiten des Projekt durchaus steigen können – wenn das entsprechende Produkt sich entwickelt und greifbarer wird, werden die Stakeholder auch genauer in einzelne Details gehen wollen.

Entsprechend ist es hilfreich auch schon vorläufige Ergebnisse in regelmäßigen Abständen zu reviewen und im Blick zu behalten, wie es sich beispielsweise aus einem Sprint-Design – wie in Scrum – ergibt (Scrum.org, o. D.). In vielen Fällen macht es Sinn, dabei ausgewählte Stakeholder einzubeziehen, insbesondere auch in Hinblick auf mögliche zukünftige Projekte. Wenn Stakeholder sich gut abgeholt und informiert fühlen, steigen auch die Chancen für erfolgreiche Kooperationen in der Zukunft.

Aufgabe 4) Rahmen und Kontext

Schauen wir noch einmal auf das Team. Jedes Mitglied sollte die Vision des Projekts und seine Roadmap (inklusive Zeitplanung) kennen und verstehen. Dabei sollte aber auch jeder und jede über aktuelle Entwicklungen im Projekt informiert sein und ggf. die Möglichkeit haben, eigene Gedanken und Überlegungen einzubringen. Gleichzeitig müssen Data Science Manager*innen aber manchmal auch die Spaßbremse sein, die sicherstellt, dass das Projekt den Fokus auf das angestrebte Ziel behält und die Teammitglieder sich nicht in Nebensächlichkeiten verlieren, auch wenn diese manchmal unterhaltsamer und interessanter wirken mögen als die eigentlichen Arbeitsaspekte.

Aufgabe 5) Kommunikation fördern und moderieren

Soweit es dem Projekt zuträglich ist, sollten Data Science Manager*innen die Kommunikation zwischen Projektteam, Stakeholdern und anderen Parteien fördern und moderieren. Insbesondere sollten Prozesse, Methoden und Ziele gut zwischen allen Beteiligten abgestimmt und kommuniziert werden.

In Abbildung 2 ist diese Aufgabe als pull-Beziehung modelliert, bei der das Data Science Team notwendige Informationen von den Stakeholdern erhält. Dies ist ein ganz wesentlicher Aspekt unseres Modells: Das Team bekommt zwar die notwendigen Informationen der Stakeholder, ist aber andersherum ein Stück weit von Anfragen seitens der Stakeholder abgeschirmt (siehe nächster Punkt).

Aufgabe 6) Team Bubble

Weitergehende Probleme sind so gut wie möglich vom Data Science Team fernzuhalten, damit dieses sich bestmöglich auf die inhaltlichen Aufgaben konzentrieren kann. So kann es beispielsweise helfen, coding days einzuführen oder den Vormittag für konzentrierte Arbeit zu reservieren.

Leider ist eine perfekte team bubble in der Realität meist sehr unrealistisch, auch weil Anforderungen regelmäßig mit den Stakeholdern nachjustiert werden müssen. Wenn dabei nicht alle Informationen vorliegen, kann es wichtig sein, die entsprechenden Data Scientists in Meetings einzubeziehen.

Graham (2009) unterscheidet dabei maker (das Team) und manager (Data Science Manager*innen und die meisten Stakeholder) in Bezug darauf, mit welcher Zeiteinteilung sie am besten und effektivsten arbeiten können. Während es für Data Science Manager*innen und Stakeholder absolut normal sein mag, den Tag in einstündigen Einheiten zu planen und dann von Meeting zu Meeting zu wechseln, wäre diese Zeiteinteilung das Schlimmste, was man dem Data Science Team zumuten könnte. Dies braucht deutlich längere Zeitintervalle (4+ Stunden) für ununterbrochene, konzentrierte Arbeit. Und ununterbrochen meint dabei wirklich ohne jede Unterbrechung von außen – selbst vermeintlich kleine Unterbrechungen von 5 Minuten brauchen im Anschluss häufig 20–30 Minuten, um wieder zur Aufgabe zurückfinden und voll konzentriert weiterarbeiten zu können.

Aufgabe 7) essentielles Projektmanagement

Die meisten Data Science Projekte brauchen essentielles Projektmanagement. Sobald Zeit und Ressourcen geplant sind (siehe oben) kann ein Zeitplan entwickelt werden, was je nach Methode unterschiedlich schwierig sein kann. Einige Dinge sind grundsätzlich zu beachten:

Ziele im Blick behalten, den Projektfortschritt monitoren und die finanziellen Ressourcen überwachen,
Qualität von Prozessen und Ergebnissen sichern,
Dokumentation, Aufgaben und Meetings organisieren und pflegen,
Urlaube, Krankheitstage und ggf. Trainings im Blick behalten und
das Team motiviert und zufrieden halten.

Wie finden wir Data Science Manager*innen?

"Managers coming from software engineering or business side functions (finance, accounting, etc.) can have trouble understanding data scientists and defining their project work." (vgl. Jee, 2019)

Das Management von Data Science Projekten ist nicht mit dem Management von Gütern und Ressourcen gleichzusetzen. Hard- und Software spielen zwar auch eine Rolle, aber am wichtigsten sind die beteiligten Menschen. Im Bereich von Data Science finden wir vor allem Personen mit einem akademischen Hintergrund, nicht selten auch promoviert, aus verschiedenen Forschungsbereichen. Darin unterscheidet es sich von klassischer Softwareentwicklung und den meisten anderen Funktionsbereichen im Unternehmen (vgl. Jee, 2019). Der hohe Bildungsgrad kommt meist auch mit hohen Gehaltsansprüchen und Erwartungen an die Arbeitsbedingungen, auch in Hinblick auf Selbstverwirklichung, selbstverantwortliches Arbeiten und Mitbestimmung. Diese Punkte gelten für Data Scientists, aber natürlich auf für Data Science Manager*innen.

Auch wenn bereits die ersten Hochschulen und Universitäten damit begonnen haben, Data Science Manager*innen auszubilden, wird es wohl noch ein paar Jahre dauern, bis dieses neue Berufsbild sich etablieren kann. In der Zwischenzeit werden Unternehmen wohl primär Personen für diese Aufgaben anheuern, die sich in anderen Disziplinen entsprechend spezialisiert haben und ihre Perspektive erweitern wollen. In den meisten Fällen wird dies bedeuten, einen Nerd zu engagieren, der besonderes Interesse an Kommunikations- und Managementaufgaben mitbringt – zugegebenermaßen eine seltene Kombination.

Data Science Manager*innen sollten analytisches Denken, Erfahrung im wissenschaftlichen Arbeiten und Sicherheit im Umgang mit Komplexität mitbringen – wir suchen einen klugen Kopf mit viel Neugierde. Data Science Manager*innen sollten sicher bei Kunden und vor dem Management präsentieren und verhandeln können, aber genauso auch im Team Anerkennung finden, beispielsweise dafür, jede Berechnung auf 42 hinauslaufen zu lassen (wenn sie diese Referenz nicht verstehen, sollten Sie dringend eine*n Data Science Manager*in engagieren).

Zusammenfassung

Data Science Management ist für jedes Vorhaben unerlässlich, das seine Prozesse mit datengetriebenen Entscheidungen optimieren will. Dies umfasst die Organisation von iterativen Prozessen mit dem Ziel, neue Einsichten mithilfe von wissenschaftlichen Methoden zu gewinnen, genauso wie die Automatisierung von daten- und softwarebasierten Infrastrukturen, um Geschäftsziele zu erreichen. Best practices betreffen hierbei das Anforderungsmanagement, die Verwaltung von Zeit und Ressourcen, die Interaktion mit Stakeholdern und die Anleitung des Teams. Dabei bedeutet Data Science Management insbesondere, Kommunikationskanäle zu etablieren, eine team bubble für fokussierte Arbeit zu schaffen und ganz grundlegendes Projektmanagement umzusetzen.

Nach heutigem Stand sind analytisches Denken, Programmiererfahrung und ein grundlegendes Verständnis von Data Science ganz wesentliche Teile einer Unternehmensentwicklung. Für viele Unternehmen ist es inzwischen selbstverständlich, sich zunehmend auf digitale Geschäftsmodelle zu konzentrieren, basierend auf Methoden des Data Minings und Machine Learnings. Die Entwicklung eines datengetriebenen Geschäftsmodells ist ein komplexer Prozess mit vielen Fallstricken. Entsprechend klug ist es schon jetzt, Data Science Manager*innen einzustellen, die sich in den kommenden Jahren immer mehr als eigenständiges Berufsbild etablieren werden.

Über die Autor:innen

Prof. Dr. Marcel Hebing ist Professor für Data Science an der Digital Business University of Applied Science, Gründer der Impact Distillery und assoziierter Forscher am Humboldt Institute for Internet and Society (HIIG). Marcel hat in der Schnittmenge von Statistik, Informatik und Sozialwissenschaften promoviert.

Literatur

Atwal, H. (2020). Practical DataOps. Apress. https://doi.org/10.1007/978-1-4842-5104-1

Bhatti, B. (2017). What are the qualities of a great data science manager?. Towards Data Science.

Chang, R. (2019). So you want to become a data science manager?. Deliberate Data Science.

Eva, N., Robin, M., Sendjaya, S., van Dierendonck, D., & Liden, R. C. (2019). Servant leadership: A systematic review and call for future research. The Leadership Quarterly. https://doi.org/10.1016/j.leaqua.2018.07.004

Fournet, B. (2019). How to use the "knowns" and "unknowns" technique to manage assumptions. The Persimmon Group.

Graham, P. (2009). Maker's schedule, manager's schedule.

Iafrate, F. (2015). From big data to smart data. John Wiley & Sons. https://doi.org/10.1002/9781119116189

Jee, K. (2019). Why is it so hard to find great data science managers?. Towards Data Science.

Provost, F., & Fawcett, T. (2013). Data science for business. O'Reilly Media.

Seiter, M. (2019). Business analytics. Vahlen.

Shearer, C. (2000). The CRISP-DM model: The new blueprint for data mining. Journal of Data Warehousing.

Scrum.org. (o. D.). What is Scrum?.

Strom, D. (2008). For technology projects, multiply by pi. Baseline.

Weinberg, G. M. (1975). An introduction to general systems thinking. Wiley.

Tobias Krüger, was ist die größere Herausforderung: Mensch oder Technologie?

2021-01-25T00:00:00+01:00

Die Otto Group gehört zu den First Movern, wenn es um das Thema Kulturwandel in der digitalen Transformation geht. Verantwortlich dafür ist Tobias Krüger, Division Manager für den Kulturwandel 4.0. Das Interview führt Carolin Stolpe.

In unseren Interviews sprechen wir mit Expertinnen und Experten über die Chancen und Herausforderungen von Data Science in der digitalen Transformation. Im Gespräch mit Tobias Krüger geht es um die wachsende Bedeutung der Unternehmenskultur und wie Digitalkompetenzen in Unternehmen gefördert werden können.

Tobias Krüger, was ist die größere Herausforderung in der digitalen Transformation? Mensch oder Technologie?

Bei der Otto Group haben wir für uns gelernt, dass die technische Komponente bzw. die Technologie per se eigentlich immer gut beherrschbar ist. Das geht mal etwas schneller oder auch etwas langsamer, lässt sich im Zweifel aber häufig auch über mehr Geld lösen. Viele Daten- und IT-Services lassen sich ja auch am Markt einkaufen.

Damit ist die digitale Transformation für uns kein primär technologisches Thema, denn das bekommst du am Ende immer irgendwie gelöst, sondern es ist vor allem ein kulturelles Thema. Wie schaffst du es, das Mindset zu verändern und eben nicht nur die Anwendung von Technologien in einem Unternehmen zuzulassen? Wie müssen sich auf einer Metaebene Rahmenbedingungen verändern? Welche Werte und neuen Verhaltensweisen werden gefordert?

Wie sehen solche veränderten Rahmenbedingungen aus?

Ich glaube, man muss viel mehr in Enabling investieren. Ein gutes Beispiel ist die Einführung von Office 365, das wir 2020 im gesamten Unternehmen eingeführt haben. Das technische Rollout hat vielleicht 10 Prozent des gesamten Prozesses ausgemacht, das Adaptionskonzept dagegen 90 Prozent. Dazu gehören Use Case Shopping, das Aufbauen von Communities, Mitarbeitenden Ängste zu nehmen und Arbeitsabläufe umzustellen. Das Verhältnis ist natürlich nicht immer 10 : 90, aber ähnlich für viele Projekte in der digitalen Transformation.

Was ist noch wichtig?

Vertrauen und eine gewisse Transparenz in der Kommunikation sind wichtig. Akzeptanzprobleme entstehen immer dann, wenn man sich in einer Unternehmenskultur bewegt, die nicht zulässt, Ängste auszusprechen. Wir versuchen deshalb, Mitarbeitende in ihren lokalen Kontexten und lokalen Ängsten abzuholen.

Ich glaube, neben diesen Themen ist es auch wichtig, den Mitarbeitenden hohe Freiheitsgrade zu schaffen. Als Unternehmen versuchen wir Richtlinien und Leitplanken zu entwickeln, also einen Rahmen abzustecken, innerhalb dessen man sich mit relativ großer Freiheit bewegen können soll.

Du musst in deinem Menschenbild darauf vertrauen, dass deine Mitarbeitenden das, was sie machen, gut machen und Expertinnen und Experten dafür sind, was sie tun. Weil nur so der Freiraum geschaffen wird, den Herausforderungen, welche die Digitalisierung mit sich bringt, überhaupt begegnen zu können.

Wird das Thema Unternehmenskultur in der digitalen Transformation präsenter?

Seit 2018 erlebe ich eine starke Zunahme an Unternehmen, die sich mit dem Thema Unternehmenskultur beschäftigen. Und ich denke, dass wir noch nicht den Peak gesehen haben.

Spannend daran finde ich auch die Perspektive, die Unternehmen auf das Thema Unternehmenskultur haben. Die meisten Organisationen haben eine sehr klare Außenperspektive, welche Anpassungen der Unternehmenskultur der Markt erfordert. Es gibt also einen sehr sichtbaren Druck von außen.

Was viele Unternehmen aber nicht so klar haben, ist die Innenperspektive, dass auch Mitarbeitende eine Anpassung der Unternehmenskultur an die Digitalisierung erwarten. Mitarbeitende werden in ihrem täglichen Leben immer digitaler. Selbst die Oma benutzt ihr Smartphone und schreibt über WhatsApp mit ihren Enkeln. Da kannst du heute nicht mehr davon ausgehen, dass Mitarbeitende durch das Firmentor schreiten und ihre digitale Haut abstreifen. Sie haben keine Lust mehr auf anachronistische und analoge Prozesse. Dieser Innendruck ist nicht zu verachten.

Wie schaffen Organisationen Offenheit gegenüber Data Science-Ansätzen im Unternehmen?

Ich glaube, auf der Metaebene ist es zunächst einmal sehr wichtig, dass es eine viel stärkere Durchdringung von Menschen mit digitalem Mindset im Unternehmen gibt. Und dieses digitale Mindset beinhaltet meistens auch einen stärkeren Daten-Fokus.

Das Ziel ist es dabei, eine kritische Masse zu erreichen. Im Zweifel muss dann gar nicht mehr jede oder jeder überzeugt werden. Wenn beispielsweise alle über Microsoft Teams kommunizieren, dann musst du das eben auch, sonst findest du nicht mehr statt.

–

Der Begriff der kritischen Masse findet sich auch in der Diffusionstheorie nach Everett Rogers wieder, einer Theorie zur Verbreitung von Innovationen in sozialen Systemen. Die Einführung von Innovationen gleicht demnach einer Diffusion, in der verschiedene Adaptionstypen die Innovation zeitlich verzögert annehmen bzw. ablehnen. Erst wenn eine kritische Masse erreicht wird, gilt eine Innovation als selbsttragend (Rogers, 2010).

–

Was ich dabei aber auch beobachte, ist, dass in den Paradigmen bereits viel gelöst ist, in der Breite der Mitarbeiterschaft aber noch Digitalkompetenzen fehlen.

Kannst Du da ein konkretes Beispiel geben?

Ein Beispiel ist das Thema Datenzugang: Per default sind heute alle Daten für jede und jeden im Unternehmen verfügbar. Während du früher immer Zugriffsrechte auf Daten beantragen musstest, müssen exklusive Daten heute als confidential markiert werden, damit diese nicht mehr öffentlich durchsuchbar sind.

In den Paradigmen fand ein Kulturwandel in Bezug auf den Datenzugang also bereits statt. Was aber noch in der Breite der Mitarbeiterschaft fehlt, ist die Fähigkeit mit den Daten umgehen zu können, daraus Insights zu generieren. Wobei man fairerweise fragen sollte: Muss jeder und jede Mitarbeitende immer alles interpretieren können? Wohl eher nicht. Wichtiger ist, dass das kulturelle Miteinander funktioniert, also Daten-Analysten und Mitarbeitende aus den Fachabteilungen gut zusammenarbeiten können.

Müssen Digitalkompetenzen von den Unternehmen stärker gefördert werden?

Ich kann das natürlich nur für die Otto Group beurteilen, aber wir haben für uns bestimmt, dass wir ein stärkeres Investment in die breitere Bildung tätigen müssen.

Ich glaube, wir müssen in der Breite der Belegschaft eine soziale Grammatik schaffen, sodass Grundbegriffe verstanden werden und wir uns untereinander unterhalten können. Wenn ich aus der Perspektive der Geschäftsführung immer nur in leere Augen schaue, dann funktioniert das einfach nicht. Um den Austausch zu fördern, brauchen wir deshalb ein gemeinsames Verständnis von Digitalisierung.

–

Welches Vokabular müssen wir teilen, um gemeinsam über Daten sprechen zu können? Dieser Frage gehen wir auch in unserem Artikel zu Data Literacy nach.

–

Wie lassen sich Digitalkompetenzen konkret fördern?

Bei der Otto Group haben wir ein sehr klares Curriculum erarbeitet und in Form eines Online-Kurses mit videobasierten Lerninhalten umgesetzt. Uns ist es dabei wichtig, ein gemeinsames Verständnis für die Digitalisierung bei unseren Mitarbeitenden zu schaffen.

Der Basiskurs ist deshalb für alle Mitarbeitenden Pflicht, von der Person, die das Zustellfahrzeug fährt, bis zum Mitarbeitenden im Call-Center. Uns ist es wichtig, dass beispielsweise jede und jeder versteht: Was bedeutet Netzwerkökonomie? Warum ist das wesentlich für uns? Was macht das mit uns? Warum müssen wir uns darauf vorbereiten?

Was bedeutet das konkret für das Thema Daten?

In den Videos diskutieren wir beispielsweise warum Daten für die Otto Group wichtig sind oder auch die Frage: Wie gehe ich mit Daten um? Ein großes Modul behandelt auch das Thema Datenschutz: Was bedeutet eigentlich Datenschutz? Warum ist die DSGVO wichtig? Welche Auswirkungen hat die DSGVO auf meine tägliche Arbeit?

–

Die Abkürzung DSGVO steht für die seit 2018 anzuwendende Datenschutz-Grundverordnung der Europäischen Union und regelt die Verarbeitung personenbezogener Daten durch Unternehmen.

–

Wichtig ist es dabei, eine gute Mischung aus Expertenwissen und Transfer in den Unternehmenskontext zu finden, denn am Ende ist das ja real. Also was hilft es dir, wenn ich dir erkläre, was eine Blockchain ist, aber auf deine Frage »Habe ich jetzt verstanden -- aber was macht das jetzt meinem Arbeitsplatz?« keine Antwort habe.

Wenn sich dann aber jemand hinstellt und sagt: »Das bedeutet für uns die bessere Nachvollziehbarkeit von Lieferketten. Damit kann die Kundin oder der Kunde genau sehen: Wurde das Produkt nachhaltig hergestellt? Wurde es ohne Kinderarbeit angefertigt?« -- dann kannst du es viel besser in einen Kontext einordnen.

Fällt es älteren Mitarbeitenden schwerer, sich auf die Digitalisierung einzulassen?

Dass ältere Mitarbeitende keine Lust auf Digitalisierung haben, halte ich für eine Zuschreibung. Das ist eine der größten Erkenntnisse und einer der größten Fehleinschätzungen, die ich so erlebe.

Ich erlebe, dass viele Themen nicht getrieben sind von der Hierarchie, von der Rolle, vom Geschlecht, von der Betriebszugehörigkeit oder von der fachlichen Ausbildung, sondern aus einem Mensch sein. Bin ich neugierig? Habe ich Lust auf neue Themen?

Ältere Mitarbeitende können genauso neugierig sein wie junge Mitarbeitende. Oder junge Mitarbeitende können genauso avers sein wie ältere, auch wenn in der Tendenz jüngere Menschen natürlich digital affiner sind, einfach weil sie mit deutlich mehr Digitalität aufgewachsen sind. Aber ich finde, da muss man schon sehr vorsichtig sein, das nicht zu pauschalisieren.

Danke für das Gespräch, Tobias!

Das Interview führte Carolin Stolpe, sie erforscht, welchen Herausforderungen sich Organisationen auf dem Weg zur data-driven culture stellen müssen.

Literatur

Rogers, E. M. (2010). Diffusion of innovations. Simon & Schuster.

Explainable AI – Vertrauen ist gut, Verständnis ist besser

2020-11-30T00:00:00+01:00

_Wenn Sie für die Entscheidung einer Maschine, die finanzielle, sicherheitsrelevante oder persönliche Interessen betrifft, zur Rechenschaft gezogen würden, würden Sie dieser Entscheidung blind vertrauen? Vermutlich nicht. Deshalb ist es wichtig, dass eine algorithmische Entscheidung um eine menschlich verständliche Erklärung erweitert wird, die eine Überprüfung der Sinnhaftigkeit erlaubt. Was dies konkret bedeutet, wird im Folgenden erörtert.*

Wenn eine Unternehmung im Rahmen der digitalen Transformation daten- und algorithmenbasiert Prozesse optimieren möchte, ist es wichtig, dass der Einsatz dieser neuen Technologie von allen Stakeholdern akzeptiert wird. Diese Akzeptanz muss aktiv geschaffen werden. Ein ganz wesentlicher Teil hierbei ist es, Logik und Funktionsweise der algorithmischen Lösung zu veranschaulichen und nicht nur auf grundlegendes Vertrauen in digitale Prozesse per se zu setzen. Dies gelingt, wenn folgende Fragen klar und möglichst anschaulich beantwortet werden können:

Welche Information gehen in den Algorithmus ein?
Wie wird diese Information von den eingesetzten Algorithmen verarbeitet?
Wie sehen die durch die künstliche Intelligenz identifizierten Regeln aus, auf deren Basis die KI eine Entscheidung trifft?
Und ganz wichtig: Finden sich bereits aus der Praxis bekannte sachlogische Muster in diesen Regeln wieder?

Ganz zentral kommen bei der Beantwortung dieser Fragen Erkenntnisse und Methoden aus dem Bereich Explainable AI (XAI) zum Einsatz. Der vorliegende Artikel diskutiert, weshalb XAI unverzichtbar ist und welche Aspekte es umfasst. Er illustriert die Abhängigkeit zwischen Algorithmenwahl und Interpretierbarkeit und gibt eine Anleitung, wie sich hier ein optimaler Mix entsprechend der bestehenden digitalen Reife eines Unternehmens finden lässt.

Warum XAI?

Parallel zur zunehmenden Menge an erfassten Daten, die zur Steuerung von Prozessen und Geschäftsabläufen zur Verfügung stehen, kommen auch immer komplexere Algorithmen zum Einsatz. Bei vielen dieser Algorithmen handelt es sich um sogenannte Black-Box-Modelle, bei denen lediglich die in den Algorithmus einfließenden Daten und das darauf basierende Ergebnis (z.B. eine Produktempfehlung für eine individuelle Kundin oder eine Prognose über ihre Bereitschaft erneut ein Produkt zu erwerben) bekannt sind. Warum, also auf Basis welcher in den verwendeten Daten enthaltenen Information die entsprechende Empfehlung erfolgt, ist allerdings oft nicht nachvollziehbar und lässt alle am Prozess Beteiligten und Verantwortlichen verunsichert zurück. Da niemand digitale Prozesse verantworten und umsetzen möchte, deren Wirkungsweise nicht nachvollziehbar ist, stellt diese Intransparenz eine ernst zu nehmende Hürde auf dem Weg der digitalen Transformation dar.

Abbildung 1. Das XAI Konzept. Explainable AI (XAI) übersetzt traditionelle Black-Box-Modelle so, dass zusätzlich zur algorithmisch gefundenen Empfehlung diese auch transparent und nachvollziehbar wird. Damit wird der Anwender in die Lage versetzt, die Einflussgrößen und deren Wirkungsweise im verwendeten Algorithmus zu verstehen, was für die Akzeptanz und das Vertrauen in digitale Prozesse unabdingbar ist (Gunning & Aha, 2019).

Mit der Lösung dieses Problems beschäftigt sich das Forschungsgebiet der Explainable AI (XAI), also der erklär- und interpretierbaren künstlichen Intelligenz. Zielsetzung hierbei ist, ein Interface zwischen Algorithmus und Nutzenden zu entwickeln, die das Nachvollziehen eines algorithmischen Vorschlags nicht nur ermöglicht, sondern darüber hinaus auch die Möglichkeit schafft, fehlerhafte Entscheidungen und Logiken zu erkennen und entsprechend zu korrigieren. Beispiele hierfür finden sich zuhauf, wie etwa die vermeintlich erfolgreiche Identifikation von Pferden auf Fotos, die in Wahrheit aber ausschließlich auf die in den Fotos enthaltene Quelleninformation zurückging (Lapuschkin et al., 2019).

Abbildung 2. Identifikation und Relevanz von Einflussgrößen. Der für die Klassifikation von Fotos trainierte AI Algorithmus hat gelernt, dass die im Foto enthaltene Quelleninformation (im gelben Kasten) ein klares Indiz für das Vorliegen eines Pferdefotos ist. Das Pferd selbst wird vom Algorithmus als kaum relevante Information angesehen. Die Konsequenz ist, dass das selbe Motiv nach Entfernen der Quellenangabe nicht mehr als Pferdefoto erkannt wird. Umgekehrt führt das Hinzufügen der Quelleninformation in einem anderem BIld dazu, dass dieses unabhängig vom tatsächlichen Motiv als Pferdebild klassifiziert wird (Lapuschkin et al., 2019).

Was zeichnet ein gutes XAI Interface aus?

Diese Frage soll anhand eines Beispiels aus der INWT Praxis illustriert und beantwortet werden. Für einen Klienten aus dem Online-Bereich haben wir einen Algorithmus entwickelt und kalibriert, der für die Bestandskunden des Unternehmens prognostiziert, ob und wann diese erneut einen Kauf tätigen werden. Damit dieser Algorithmus keine Black-Box darstellt, muss er auf drei Ebenen interpretierbar sein und folgende Fragenkomplexe beantworten:

1. Relevanz der Einflussgrößen

Welche in den Algorithmus einfließenden Informationen sind wichtig? In welchem Maße beeinflussen z.B. Geschlecht, Alter oder die Zeit seit dem letzten getätigten Kauf die Kaufwahrscheinlichkeit?

Abbildung 3. Beispiel für Relevanz der Einflussgrößen. Maßgeblich für die Kaufentscheidung sind die Preise der Wettbewerber, die Nutzungsintensität des Produkts und die Region, in der der potenzielle Kunde wohnt. Zu beachten ist, dass die ermittelte Relevanz einer Einflussgröße noch keine Aussage über deren Wirkungsrichtung erlaubt, also ob z.B. die Kaufwahrscheinlichkeit mit höherer Nutzungsintensität steigt oder fällt.

2. Wirkungsrichtung

Wie sehen Einfluss und Wirkungsweise der als relevant identifizierten Daten genau aus? Haben Frauen oder Männer die höhere Kaufbereitschaft? Nimmt diese mit zunehmendem Lebensalter ab oder zu? Nach welcher Zeitspanne im Anschluss an einen bereits getätigten Kauf steigt die Kaufbereitschaft wieder, gibt es ein Optimum?

Abbildung 4. Beispiel für Wirkungsrichtung. Betrachtet man den Einfluss des Alters eines Kunden beziehungsweise einer Kundin, so erkennt man, dass die Kaufwahrscheinlichkeit bei sehr jungen und sehr alten Konsumierenden deutlich erhöht ist. Konsumierende im Altersbereich 30 bis 60 Jahre fühlen sich durch das Produkt deutlich weniger zum Kauf veranlasst.

3. Nachvollziehbarkeit

Aufgrund welcher Datenpunkte wurde für einen konkreten Fall die konkrete Empfehlung ausgesprochen? Inwieweit haben das Lebensalter von 45 Jahren, die Tatsache, dass es sich um einen männlichen Kunden handelt, und die 42 Tage seit dem letzten Kauf die prognostizierte Kaufwahrscheinlichkeit beeinflusst?

Abbildung 5. Beispiel für Nachvollziehbarkeit. Möchte man für einen konkreten Konsumierenden nachvollziehen, wie die AI Prognose zustande kommt, müssen die Erkenntnisse aus (1) und (2) für die entsprechende Person ermittelt und bilanziert werden. Man sieht im Beispiel, dass sich die prognostizierte Wahrscheinlichkeit von 14% als Nettoeffekt aller berücksichtigten Effekte ergibt. Beim konkret betrachteten Kunden sind der Preis, die Region und ein möglicher Bonus die stärksten Treiber für einen Kauf, wohingegen Alter und bestehende Vertragsdauer die Kaufwahrscheinlichkeit verringern.

Die beiden ersten Punkten gehören zu den globalen makroskopischen Eigenschaften eines Algorithmus, wohingegen in Punkt 3 die lokale mikroskopische Funktionsweise verstanden sein möchte. Es ist offensichtlich, dass diese drei Perspektiven unverzichtbar sind: nur in Kombination versetzen sie den Anwender in die Lage, die identifizierte Funktionsweise des Algorithmus sachlogisch zu hinterfragen und die Ergebnisse zu plausibilisieren. Dadurch ist es zum einen möglich, Zusammenhänge, die lediglich korreliert nicht aber kausal sind - man denke an das obige Beispiel zur Quelleninformation in Fotos, herauszuarbeiten und aus dem Modell zu entfernen. Zum anderen wird verhindert, dass evtl. in den Daten noch enthaltene, diskriminierende Einflussfaktoren unbemerkt vom Algorithmus verwendet werden.

Benötigt man immer XAI? Wie sieht die konkrete Ausgestaltung aus?

Die konkrete Ausgestaltung des XAI Interfaces hängt auch vom konkret verwendeten Algorithmus ab. Bestimmte Klassen von Algorithmen, wie z.B. einfache Entscheidungsbäume und Regressionsmodelle, bieten per se die Möglichkeit, die oben diskutierten Fragen direkt zu beantworten. Modellklassen wie Deep Learning und neuronale Netze oder Ensembles, die aus hunderten bis tausenden Einzelmodellen bestehen, bieten diese Möglichkeit nicht, sind aber oftmals in Bezug auf die Prognosegüte den einfacheren Modellen überlegen. Den generellen Trade-Off zwischen direkter Interpretierbarkeit und Prognosegüte veranschaulicht die folgende Abbildung:

Abbildung 6. Trade-Off zwischen Interpretierbarkeit und Prognosegüte. Deep Learning Modelle und Ensembles sind aktuell unter dem Aspekt der Prognosegüte führend, aber schwer interpretierbar, wohingegen einfachere Modelle bessere Interpretierbarkeit bieten, aber bei deren Verwendung Abstriche bzgl. der Prognosegüte in Kauf genommen werden müssen. Mittels zusätzlicher XAI Interfaces gewinnen Modellklassen im oberen linken Bereich an Interpretierbarkeit (Barredo Arrieta et al., 2020).

Vor allem Modellklassen, die im oberen linken Teil der Abbildung verortet sind, benötigen ein zusätzliches XAI Interface, da hier eine unmittelbare Interpretierbarkeit nicht gegeben ist.

Um zu ermitteln, welche XAI Lösung für eine konkrete Fragestellung optimal ist, bietet es sich an, mehrere Realisierungsoptionen miteinander zu vergleichen:

Einfache und direkt interpretierbare Algorithmen
Komplexe, nicht direkt interpretierbare Algorithmen + XAI Interface
Interpretierbare Approximation komplexer Algorithmen: Sollte das optimale AI Modell aufgrund seiner Komplexität zu Vorbehalten führen, kann dieses in einem weiteren Schritt wieder stufenweise vereinfacht und dabei auf einfachere Regeln reduziert werden.

Abbildung 7. Optimale Positionierung im Spannungsfeld Interpretierbarkeit und Prognosegüte. Um zu ermitteln, welcher AI Algorithmus unter den Aspekten Interpretierbarkeit und Prognosegüte am besten für den konkreten Einsatz geeignet ist, bietet es sich an, mehrere Algorithmen zu trainieren und miteinander zu vergleichen. In diesem Rahmen können direkt interpretierbare Algorithmen und Black-Box-Algorithmen mit XAI Interface getestet werden. Im Falle zu hoher Komplexität bietet sich eine Reduktion der Komplexität durch weitere Vereinfachungen mit Hilfe einer Approximation an. Die verschiedenen Lösungen können abschließend miteinander verglichen und beurteilt werden, um zu entscheiden, welche Lösung den Anforderungen an Transparenz und Güte am besten genügt.

Durch den Abgleich der verschiedenen Realisierungsoptionen können Gemeinsamkeiten identifiziert und es kann der konkrete Trade-Off zwischen Interpretierbarkeit und Modellgüte ermittelt werden, was die Basis für die Festlegung auf die optimale datengetriebe Lösung darstellt.

Fazit

Um algorithmenbasierte Entscheidungen im Rahmen der digitalen Transformation zur Prozessoptimierung erfolgreich zu verwenden, ist ein grundlegendes Verständnis der zugrunde liegenden AI Algorithmen notwendig. Mittels XAI kann deren Funktionsweise auf allen relevanten Ebenen transparent und verständlich gemacht werden. Unterschiedlichen Anforderungen und Bedürfnissen im Spannungsfeld accuracy vs interpretability kann maßgeschneidert begegnet werden. Mittels eines klar strukturierten und anpassbaren Prozesses ist es möglich, die Voraussetzungen für die erfolgreiche und akzeptierte Anwendung von Algorithmen zu schaffen.

Über den Autoren

Dr. Steffen Wagner ist Mitgründer und Senior Data Scientist bei INWT Statistics. Er beschäftigt sich schwerpunktmäßig mit den Themen Predictive Analytics, Online Marketing und Customer Relationship Management.

Literatur

Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins, R., Chatila, R., & Herrera, F. (2020). Explainable artificial intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82--115. https://www.sciencedirect.com/science/article/pii/S1566253519308103

Doran, D., Schulz, S., & Besold, T. R. (2017). What does explainable AI really mean? A new conceptualization of perspectives. https://arxiv.org/abs/1710.00794

Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., & Pedreschi, D. (2018). A survey of methods for explaining black box models. ACM Computing Surveys, 51(5). https://dl.acm.org/doi/abs/10.1145/3236009

Gunning, D., & Aha, D. W. (2019). DARPA's explainable artificial intelligence (XAI) program. AI Magazine, 40(2). https://doi.org/10.1609/aimag.v40i2.2850

Lapuschkin, S., Wäldchen, S., Binder, A., Montavon, G., Samek, W., & Müller, K.-R. (2019). Unmasking clever hans predictors and assessing what machines really learn. Nature Communications, 10(1). https://www.nature.com/articles/s41467-019-08987-4

Bianca Frost, was bedeutet datengetriebene Organisationskultur für dich?

2020-11-16T00:00:00+01:00

Bianca Frost ist Teamlead im Bereich Data Analytics. Im Interview berichtet sie davon, wie data-driven culture bei flaconi gelebt wird. Das Interview führt Carolin Stolpe.

In keiner anderen Branche stehen so viele Daten über das Verhalten von Kund/innen zur Verfügung wie im E-Commerce. Eines der aufstrebenden Unternehmen im E-Commerce ist der Beauty-Onlineshop flaconi. Ein Interview darüber, wie datengetriebene Organisationskultur in der Praxis aussehen kann.

Bianca, was bedeutet datengetriebene Organisationskultur für dich?

Tatsächlich ist das gar nicht so einfach zu bezeichnen. Man findet ja sehr unterschiedliche Definitionen und häufig wird data-driven ja auch als Buzzword verwendet.

Ich würde sagen ein Unternehmen ist data-driven, wenn eine gewisse Datenabdeckung stattfindet, also alle Bereiche eines Unternehmens anhand von Daten gemessen und geplant werden können. Dazu gehört auch, dass Entscheidungen, wann immer möglich, basierend auf Daten getroffen werden und nicht nur durch ein Bauchgefühl.

Zu einem datengetrieben Unternehmen gehört auch, dass Daten immer den ersten Go-to-Punkt bilden. Bei flaconi haben wir z. B. den sehr aktiv gelebten Unternehmenswert #livingdata. Das heißt, wenn Diskussionen entstehen argumentieren wir mit konkreten Daten bzw. Zahlen und vermeiden unfundierte Annahmen und Behauptungen. Das verstehen wir unter data-driven culture.

Ist eine datengetriebene Organisationskultur für alle Unternehmen sinnvoll?

Ich glaube, dass es grundsätzlich für jedes Unternehmen erstrebenswert ist, datenbasierte Entscheidungen zu treffen. Allerdings ist es von Unternehmen zu Unternehmen unterschiedlich, wie stark data-driven es grundsätzlich überhaupt agieren kann. Bei uns heißt data-driven ja wirklich, dass basierend darauf, wie sich der Kunde beziehungsweise die Kundin auf der Website verhält, Entscheidungen getroffen und Optimierungen vorgenommen werden.

Aber nicht jedem Unternehmen liegen solche Datenstrukturen vor. Deshalb glaube ich, hängt es auch von der Datenverfügbarkeit des Unternehmens ab.

Am Ende möchte jedes Unternehmen seinen Gewinn und Umsatz optimieren und seine Position am Markt halten bzw. stärken. Und das kann aus meiner Sicht nur dann funktionieren, wenn man wirklich quantitativ messbare Ziele hat und durch Analysen besser versteht, warum bestimmte Ereignisse eintreten und warum Wachstum stattfindet oder nicht. Von daher sollte prinzipiell jedes Unternehmen daran Interesse haben, datenbasiert zu arbeiten.

Viele Organisationen stehen vor der Herausforderung, ihre Organisationskultur in der digitalen Transformation neu zu definieren. Lässt sich Unternehmenskultur überhaupt aktiv gestalten?

Ja, das kann man definitiv aktiv gestalten.

Was würdest du Organisationen raten, die noch ganz am Anfang stehen, eine datengetriebene Organisationskultur aufzubauen?

Es gibt vier Bereiche, die sich ein Unternehmen dafür anschauen muss: Datenbasis, Datenzugang, Umgang mit Daten und der Einsatz von Daten in der täglichen Arbeit. Wer data-driven werden möchte, sollte in diesen vier Bereichen mit einer Evaluation starten, um den Ist-Zustand zu erfassen.

Für die Datenbasis bedeutet das: Welche Daten habe ich und wie sind diese aufbereitet? Dann gibt es den Punkt des Datenzugangs: Also wer hat Zugang? Und weiß jeder, wo er Zugang findet? Der dritte Punkt ist der Umgang mit den Daten: Weiß jeder, wie er bestimmte Zahlen zu interpretieren hat? Wie er sich eine Wachstumsrate berechnen kann? Wie er mit einem bestimmten Tool arbeiten kann? Und der letzte Punkt ist der Einsatz der Daten in der täglichen Arbeit. Hier geht es darum das aus Daten gesammelte Wissen vorteilhaft einzusetzen, um bessere Entscheidungen zu treffen oder effizientere Prozesse zu gestalten.

Neben der Evaluierung des aktuellen Zustands braucht man dabei auch ein Zielbild. Wie soll data-driven bei uns umgesetzt werden? In welcher Form der Datengetriebenheit sollen die verschiedenen Unternehmensbereiche arbeiten und wie greift das am Ende wieder zusammen?

Durch Abgleichen des Ist-Zustands mit dem Zielzustand zeigt sich dann: Wo sind die Herausforderungen aktuell am größten? Diese können dann priorisiert und dementsprechend in der gegebenen Reihenfolge aktiv angegangen werden.

Für viele Mitarbeitende ohne Datenhintergrund sind Daten etwas sehr Abstraktes. Was würdest du Mitarbeitenden sagen, die skeptisch gegenüber Daten sind?

Ich glaube, dass es weniger darum geht, die Leute zu belehren. Ich würde versuchen durch Ergebnisse zu zeigen, welchen Nutzen Daten haben können und ein konkretes Beispiel durchrechnen, um skeptische Kollegen zu überzeugen.

Würdest du sagen, die Organisationskultur spielt eine Rolle in der Akzeptanz gegenüber neuen Daten[technologien]?

Ich würde schon sagen, dass unsere Unternehmenskultur den Akzeptanzprozess erheblich vereinfacht.

Bei uns ist die Unternehmenskultur so gestaltet, dass wir Neuem grundsätzlich erstmal offen und positiv gegenüberstehen und alle Themen sehr transparent halten. Ein Punkt, der uns dabei auszeichnet, ist das unsere Unternehmenswerte sehr aktiv gelebt werden und tatsächlich auch in täglichen Diskussionen als Argumentation verwendet werden.

Welche Unternehmenswerte sind das?

Neben #livingdata, haben wir z.B. einen Unternehmenswert, der #build4scale heißt, also skalierbare Lösungen zu finden.

Und dann heißt es in Diskussionen auch wirklich: „Ja, wir wissen, dass es aktuell nicht optimal ist und das neue Tool auch mit zusätzlichem Aufwand für euch verbunden ist. Aber ihr wisst ja: #build4scale. Wir wollen bereit sein für das Wachstum und deshalb macht es an dieser Stelle Sinn, mit dem neuen Tool zu arbeiten."

Ich glaube, diese positive Unternehmenskultur kommt auch daher, dass das obere Management sehr viel Vertrauen in uns Mitarbeiter hat. #trustinpeople ist ein weiterer Unternehmenswert, der bei uns sehr stark gelebt wird. Dadurch entsteht eine sehr produktive Arbeitsatmosphäre, die wenig anschuldigend ist, wie man es teilweise in anderen Unternehmen erlebt.

Abbildung 1. Unternehmenswerte einer datengetriebenen Organisationskultur am Beispiel von flaconi.

In unserem Artikel zum Aufbau datengetriebener Organisationskulturen haben wir das Seerosenmodell zur systematischen Beschreibung von Unternehmenskulturen vorgestellt.

Als datengetriebene Organisation wird bei flaconi auf der Ebene der Normen und Werte (Seerosenmodell) eine starke Ausrichtung von Prozessen und Produkten nach Daten und eine Anpassung an das Verhalten von Kundinnen und Kunden deutlich sichtbar. Das Risiko für Innovationen wird mit Hilfe von Daten bewertet und Mitarbeitende durch Vertrauen zu innovativen, skalierbaren Lösungsansätze motiviert (Flaconi, o. D.).

Was glaubst du, welche Bedeutung hat ein gewisser Reifegrad an Data Literacy für den Erfolg einer datengetriebene Organisation?

In einem Unternehmen gibt es natürlich immer unterschiedliche Reifegrade an Data Literacy, die abhängig sind von den Teams und in welcher Funktion jemand arbeitet. Ich glaube für das Unternehmen insgesamt kann es aber nur von Vorteil sein, wenn jeder zu einem gewissen Grad mit Daten umgehen kann. Auch dahingehend, dass dadurch wahrscheinlich eine gewisse Offenheit für das ganze Thema data-driven entsteht.

Wenn man sich die Erfolgsraten von Data Science-Projekten anschaut, sieht man, dass viele Projekte auch einfach scheitern. Und ich glaube, das liegt nicht unbedingt an der Technik oder an den mathematischen Modellen, sondern häufig auch einfach daran, dass der Teil der Mitarbeiter, der keine Data Science-Erfahrung hat, einfach noch nicht so weit ist, diese Dinge richtig zu verstehen und damit zu arbeiten.

Data Literacy: Um sich in einer digitalen Gesellschaft zurechtzufinden, wird die Fähigkeit „[...] Daten zu verstehen und effektiv zu nutzen, um Entscheidungen zu fundieren" (Ridsdale et al., 2015) immer wichtiger. Wir beschäftigen uns mit Data Literacy in Teil 4 unseres Dossiers.

Data Literacy wird ja oft auch als Schlüsselkompetenz des 21. Jahrhunderts bezeichnet (Schüller et al., 2019). Würdest du dem zustimmen?

Als Data Analyst bin ich der Auffassung, dass Datenkompetenzen sehr wichtig sind. Denn nur durch Daten kann ich mich der Wahrheit nähern. Trotz aller Datenliebe möchte ich aber auch darauf hinweisen, dass man auch immer berücksichtigen muss, wo die Grenzen von Daten liegen und was man vielleicht nicht mit Daten erklären kann. Es ist wichtig die Vorteile, aber auch die Fallstricke zu kennen: Wie darf ich die Daten jetzt genau nicht interpretieren, weil ich sonst auf die falsche Schlussfolgerung komme?

Aus meiner Sicht ist Data Literacy eine Kompetenz, die jeder Mensch haben sollte. Denn Datenkompetenzen sind nicht nur im Unternehmenskontext wichtig, sondern auch um zu verstehen: Wo können Daten mir persönlich Vorteile bringen, z.B. wenn es darum geht politische Entwicklungen besser einschätzen und beurteilen zu können.

Insgesamt geht es auch einfach darum, Ängste und Vorurteile von Datenkultur abzubauen, wie z.B. dass Machine Learning dazu führt, dass Arbeitsplätze abgebaut werden. Vielmehr muss Aufklärungsarbeit geleistet werden, dass Datentechnologien die Arbeitswelt in vielerlei, sehr positiver Hinsicht verändern. Es werden vielleicht Aufgaben in einigen Arbeitsreichen wegfallen, dafür aber mehr in anderen Bereichen mit stärkerem Datenfokus entstehen. Und diese stärker datengetriebenen Bereiche benötigen neue Mitarbeitern mit ausgeprägten Datenkompetenzen.

Danke für das Interview, Bianca

Das Interview führte Carolin Stolpe, sie erforscht, welchen Herausforderungen sich Organisationen auf dem Weg zur data-driven culture stellen müssen.

Literatur

Flaconi. (o. D.). Values. www.flaconi.de/karriere/#values

Ridsdale, C., Rothwell, J., Smit, M., Ali-Hassan, H., Bliemel, M., Irvine, D., Kelley, D., Matwin, S., & Wuetherick, B. (2015). Strategies and best practices for data literacy education: Knowledge synthesis report. Dalhousie University.

Schüller, K., Busch, P., & Hindinger, C. (2019). Future skills: Ein Framework für Data Literacy (Arbeitspapier 47/2019). Hochschulforum Digitalisierung.

Fünf erste Schritte zu einer datengetriebenen Organisationskultur

2020-10-30T00:00:00+01:00

TEIL 2 DES DOSSIERS ZUR DIGITALEN TRANSFORMATION

Technologien schaffen nur einen Mehrwert, wenn sie Teil der Organisationskultur werden. Das gilt insbesondere für den Einsatz von Data-Science-Technologien. In Teil 2 unseres Dossiers geben wir 5 Empfehlungen für den Start in eine datengetriebene Organisationskultur.

Die digitale Transformation ist nicht nur ein technologischer, sondern auch ein kultureller Wandel. Technologien stehen en masse zur Verfügung. Doch wie gestalten wir eine entsprechende Organisationskultur? In diesem Beitrag haben wir 5 Handlungsempfehlungen für all diejenigen erarbeitet, die noch am Anfang stehen und sich fragen, wie sie sich mit Ihrem Unternehmen auf den Weg dieses kulturellen Wandels begeben können.

Wir stellen das Modell der datengetriebenen Organisationskultur als eine Reaktion auf veränderte Rahmenbedingungen der digitalen Transformation vor. Einen besonderen Stellenwert hat für uns dabei die Frage, wie datengetriebene Entscheidungen zu einem Standard werden können.

Datengetriebene Organisationskultur

In einer datengetriebenen Organisationskultur ist man der Überzeugung, »[...] dass der Besitz, das Verständnis und die Nutzung bestimmter Arten von Daten eine entscheidende Rolle für den Erfolg ihres Unternehmens spielt« (Kiron & Shockley, 2011).

Dabei geht es zunächst einmal darum, bestehende Entscheidungsprozesse zu verbessern, indem die Informationsgrundlage für Entscheidungen datenbasiert erweitert wird. In einer datengetriebenen Organisationskultur ist es eine Selbstverständlichkeit, dass Daten direkt in Entscheidungsprozesse eingebunden werden und diese damit effizienter, objektiver und transparenter werden. Dabei kann es sowohl um große, strategische Entscheidungen gehen als auch um die vielen kleinen, operativen Entscheidungen des beruflichen Alltags.

Abteilungs- und positionsübergreifend erhalten Mitarbeitende dafür Zugang zu Daten. Und damit sie sinnvoll mit Daten arbeiten können, besitzen nicht nur Data Scientists, sondern auch die Mehrheit der Mitarbeitenden grundlegende Datenkompetenzen (Stichwort »Data Literacy«). Durch die Transparenz der Daten lassen sich Ziele der Organisation für den einzelnen Mitarbeitenden nachvollziehen und auch der eigene Beitrag zum Erreichen der Ziele messen (Anderson, 2015).

Bevor ein Kulturwandel in Richtung datengetriebene Organisationskultur angestoßen werden kann, braucht es zunächst eine Evaluierung der aktuell gelebten Unternehmenskultur. Um diese besser beschreiben zu können, kann auf das Drei-Ebenen-Modell nach Schein zurückgegriffen werden (Schein, 2017).

Organisationskultur als Seerosenteich

Das Drei-Ebenen-Modell nach Schein (2017) in Abbildung 1 dient uns als theoretisches Framework für die Analyse von Organisationskulturen. Wie können wir dieses Modell nutzen, um beispielsweise bei dem Betreiber eines (fiktiven) Webshops eine datengetriebene Organisationskultur zu entwickeln?

Data Literacy beschreibt die Fähigkeit »[...] Daten zu verstehen und effektiv zu nutzen, um Entscheidungen zu fundieren« (Ridsdale et al., 2015). Mehr dazu in unserem Dossier Teil 4.

Abbildung 1. Modell der Organisationskultur

In Analogie zu einem Seerosenteich beschreibt das Drei-Ebenen-Modell Organisationskultur als 3 Ebenen, die sich nach ihrem Bewusstsein für den Beobachtenden unterscheiden. Auf der obersten Ebene stehen bewusst wahrnehmbare Artefakte, wie Sprache, Verhalten oder andere Objekte. Die mittlere Ebene besteht aus kollektiven Zielen, Werten und Idealen, die zum Teil bewusst, zum anderen Teil aber auch unbewusst wahrgenommen werden. Die unterste Ebene besteht aus fest verankerten, grundlegenden Annahmen, die nicht mehr hinterfragt werden. Dazu gehören Überzeugungen und Werte, welche die Organisation in der Vergangenheit erfolgreich gemacht haben. Je tiefer die Ebene, desto verwurzelter und schwieriger zu ändern sind die Annahmen (Schein, 2017).

–

Unser fiktiver Webshop kann auf der Ebene der Artefakte ein Dashboard an der Wand installieren, welches jederzeit die aktuellen Zugriffs- und Verkaufszahlen der Website darstellt. Auf der Ebene der Werte vermittelt dies jedem Mitarbeitenden, dass er oder sie jederzeit Einblicke in die Entwicklungen des Unternehmens bekommt, was Werte wie transparente Führung und Einbindung vermittelt. Und auf der Ebene der verborgenen Annahmen wird dabei eine Kultur geschaffen, in der jeder Zugriff auf Zahlen hat und entsprechend befähigt wird, datengetriebene Entscheidungen zu treffen -- der erste Schritt zu einer data-driven culture.

–

Technologien als Hygienefaktor

In Zuständen der Veränderung, wie die digitale Transformation einer ist, müssen Unternehmen für sich überprüfen, ob die aktuell gelebte Organisationskultur die Anforderungen an Digitalisierung unterstützt oder ob sie diese behindert (Sackmann, 2017). In unserer Arbeit beobachten wir, dass das Thema Organisationskultur für immer mehr Unternehmen relevant wird. In unserer Arbeit nutzen wir dabei die Zwei-Faktoren-Theorie nach Herzberg (1968) als theoretisches Framework.

Die Zwei-Faktoren-Theorie nach Herzberg beschreibt die Arbeitsmotivation anhand von Hygienefaktoren und Motivatoren. Hygienefaktoren erzeugen Unzufriedenheit, wenn sie nicht erfüllt sind. Eine Übererfüllung bringt aber keine zusätzliche Motivation. Motivatoren hingegen können zusätzliche Motivation schaffen, ihr Fehlen führt jedoch nicht notwendigerweise zu Unzufriedenheit. Als Hygienefaktoren werden beispielsweise Gehalt, Arbeitssicherheit oder der Einfluss auf das Privatleben betrachtet, also Motivatoren hingegen Aspekte wie Anerkennung, Aufstiegschancen oder Verantwortung (Herzberg, 1968).

Technologien und Daten bilden dabei Hygienefaktoren -- stimmt hier etwas nicht, schafft das Unzufriedenheit. Gleichzeitig bilden sie die Grundlage für eine datengetriebene Organisationskultur, welche an verschiedenen Stellschrauben, wie beispielsweise die der Einbindung in Entscheidungsprozesse oder der Sichtbarkeit von Erfolgen, Motivatoren erzeugen oder fördern kann.

Fünf Empfehlungen für den Einstieg

Ausgehend von unseren theoretischen Vorüberlegungen und unserem Modell der digitalen Transformation (Abbildung 2) aus dem ersten Teil des Dossiers, möchten wir fünf Handlungsempfehlungen formulieren, wie die Organisationskultur Motivatoren schaffen und so zum Treiber der digitalen Transformation werden kann.

Abbildung 2. Modell der Digitalen Transformation

Gesellschaftliche Veränderungen und technologische Innovationen stellen den Rahmen der digitalen Transformation dar und erzeugen gleichzeitig Druck auf Unternehmen, sich an den Wandel anzupassen.

Neue Technologien sind der strategischen Ausrichtung und den Anforderungen der Organisation entsprechend auszuwählen. Mitarbeitende und Führung müssen die notwendigen Kompetenzen mitbringen oder erlernen, um mit neuen Technologien umgehen und sie gewinnbringend einzusetzen zu können. Die Organisation ihrerseits muss eine Kultur schaffen, welche bei den Mitarbeitenden Akzeptanz für Veränderungen schafft.

1. Überblick verschaffen: Landkarte der Datenquellen und Stakeholder anlegen

Unsere erste Empfehlung bezieht sich auf alle drei Teile des Modells der digitalen Transformation. Jedem Unternehmen steht heute eine kaum überschaubare Anzahl an internen und externen Datenquellen zur Verfügung. Leider sind diese Quellen aber meist nicht direkt nutzbar, die Zugriffsrechte sind häufig nicht geklärt, der technische Zugriff erst nach erheblichem Aufwand möglich und die Inhalte der Daten aus verschiedenen Quellen nicht verknüpft. In einer solchen Situation spricht man davon, dass die Daten in isolierten Silos liegen (Weissmann & Wegerer, 2018). Ziel wird es sein, relevante Datenquellen für schnelle Analysen zu integrieren, was ein langer Weg sein kann.

Als ersten praktischen Schritt auf dem Weg zu einer datengetriebenen Organisationskultur empfehlen wir, sich einen guten Überblick zu verschaffen. In der Impact Distillery haben wir dazu die Data and Stakeholder Map als Framework entwickelt, welche uns hilft die entsprechenden Informationen strukturiert zu sammeln und übersichtlich darzustellen. Basierend darauf können wir eine entsprechende Datenstrategie entwickeln, welche wiederum zur Grundlage der datengetriebenen Organisationskultur wird.

Methodisch wird eine solche Map in Workshops und qualitativen Interviews mit Stakeholdern erarbeitet. Dabei werden beispielsweise die folgenden Fragen betrachtet, welche hier exemplarisch die Inhalte der Map verdeutlichen sollen: Welche Daten gibt es? In welcher Form liegen sie vor und wie funktioniert der technische Zugriff? Welche Stakeholder haben Interesse an den Daten? Gibt es rechtliche (z.B. Datenschutz) oder organisatorische (z.B. Geschäftsgeheimnisse) Einschränkungen bei der Nutzung der Daten? Werden Tools oder Services zur Nutzung der Daten angeboten? Welche Kompetenzen bringen die Mitarbeitenden in Bezug auf die Nutzung von Daten mit?

2. Mit kleinen Projekten starten und iterativ steigern

Der Aufbau einer datengetriebenen Organisationskultur ist ein Prozess. Wie in unserem Modell dargestellt, braucht es an der Schnittstelle zwischen Organisation und Technologie dafür eine Strategie. Statt mit komplizierten Lösungen zu beginnen, startet ein erfolgreicher betrieblicher Kulturwandel zunächst mit einfachen und kleinen Datenprojekten. Erfolgreiche Organisationen bilden dazu kleine Gruppen von friendly usern oder auch early adopters (Rogers, 2003), in denen sie mit agilen Konzepten neue Technologien ausprobieren.

Abbildung 3. Prozess-Modell der Impact Distillery

Das Prozess-Modell der Impact Distillery ist für iterative Projekte optimiert. Ausgehend von der Konzeption einer Iteration (Design) werden Daten erhoben, aufbereitet und analysiert und die Ergebnisse werden für spätere Iterationen dokumentiert. Abschließend werden die Ergebnisse in konkrete Maßnahmen übersetzt (Impact) und die Konzeption der nächsten Iteration kann beginnen.

In Data-Science-Projekten werden dabei häufig drei Arten von Analysen unterschieden (Provost & Fawcett, 2013; Seiter, 2019), welche sehr gut als Struktur für ein iteratives Vorgehen dienen können. Dabei handelt es sich um beschreibende (descriptive), vorhersagende (predictive) und vorschreibende Analysen (prescriptive analysis). Entsprechend bietet sich für den Einstieg ein dreistufiges Vorgehen an:

Mithilfe der Data and Stakeholder Map schaffen wir uns einen Überblick über die aktuelle Situation und führen erste deskriptive Analysen durch, um die Inhalte und vor allem auch die Qualität von Datenquellen besser beurteilen zu können.
Anschließend werden gezielt Fragen aus aktuellen Geschäftsproblemen abgeleitet, welche wir mit erklärenden oder vorhersagenden Methoden zu beantworten versuchen.
Bei wiederkehrenden Fragestellungen können die Analysen dann schrittweise automatisiert werden, was die Ableitung von Handlungsvorgaben beinhalten kann. Dabei kommen insbesondere auch Methoden aus dem Bereich des maschinellen Lernens zum Einsatz.

3. Individuellen Mehrwert für Mitarbeitende schaffen

Im Idealfall werden Mitarbeitende neue Technologien und Möglichkeiten nicht nur akzeptieren, sondern pro-aktiv in ihre eigenen Arbeitsprozesse integrieren und deren Einsatzmöglichkeiten weiterdenken. Das wird aber nur passieren, wenn sie einen persönlichen Mehrwert in der Nutzung sehen.

Hierbei entsteht ein Wechselspiel zwischen Mitarbeitenden und Organisationskultur. Auf der einen Seite schafft die Organisationskultur den Rahmen für die Nutzung neuer Technologien und andererseits bringen motivierte Nutzer genau diese Kultur voran, wie es auch Everett Rogers Diffusion of Innovation beschreibt (Rogers, 2003).

Ein konkreter Mehrwert für Mitarbeitende kann darin liegen, dass ihnen Routineaufgaben abgenommen werden und dadurch neue Freiräume geschaffen werden, in denen sie sich kreativ und verantwortungsvoll einbringen können. Hier kann wieder die Zwei-Faktoren-Theorie nach Herzberg (1968) wie folgt helfen: Welche der von Herzberg identifizierten Motivatoren (wie beispielsweise Verantwortung) kann durch den Einsatz von Daten und Technologien positiv beeinflusst werden?

Es lohnt sich auch, spielerisch heranzugehen. Mitarbeitende werden sich schneller auf einen stärkeren Einsatz von Datenanalysen und anderen Technologien einlassen, wenn dies beispielsweise bedeutet, dass sie schneller (positives) Feedback bekommen beziehungsweise Erfolge schneller sichtbar werden. Verschiedene erfolgreiche Systeme haben hier von Computerspielen gelernt (Stichwort »Gamification«).

–

Mit Martin Fischer arbeiten wir an einem Artikel dazu, wie die insbesondere datenbasierten Feedbackmechanismen im Rahmen des digitalen Wandels genutzt werden können, um sowohl Akzeptanz für neue Technologien (Hygienefaktoren) zu schaffen als auch zu klären, wie sie darüber hinaus zum Motivator für eine aktive Beteiligung am Prozess des Wandels werden können.

–

4. Datenkompetenzen in konkreten Projekten fördern

Eine datengetriebene Organisationskultur lebt davon, dass möglichst viele Mitarbeitende mit Daten und Datentechnologien arbeiten können. Damit sich das volle Potenzial von Datentechnologien entfalten kann, brauchen Mitarbeitende Datenkompetenzen (in unserem Modell als Schnittstelle zwischen Technologie und Individuum dargestellt).

Um eine datengetriebene Organisationskultur zu schaffen, muss es einer Organisation deshalb gelingen, einen bestimmten Reifegrad an Data Literacy aufzubauen (Anderson, 2015). Mitarbeitende müssen befähigt werden, geeignete Daten zur Problemlösung zu erkennen, sie zu verstehen, zu interpretieren und sie für die Kommunikation mit anderen, wie Teammitgliedern oder Kunden und Kundinnen, zu nutzen (Montoya, 2018).

Um den Reifegrad an Datenkompetenzen im Unternehmen zu erhöhen, sollten Organisationen nicht auf kommende, datenaffinere Generationen warten, sondern aktiv das gemeinsame Lernen in der Organisation fördern.

Datenkompetenzen sind für viele Mitarbeitende nicht Teil der Ausbildung. Zusätzlich können Daten, losgelöst von ihrem Kontext, sehr abstrakt auf Mitarbeitende wirken. Um dem entgegenzuwirken, sollten, um Datenkompetenzen zu fördern, konkrete Bezüge zum Aufgabengebiet von Mitarbeitenden hergestellt werden. Der Erwerb von Datenkompetenzen gelingt dabei am besten an konkreten Projekten und Anwendungsfällen in der Organisation.

5. Geben Sie Technologien Zeit, ein Teil der Organisationskultur zu werden

Schlecht ausgewählte oder fehlende Technologien können in einem Unternehmen zu kritischen Einschränkungen in Bezug auf Produktivität und Arbeitsmotivation führen. Allerdings hat die Einführung von neuen Technologien eine deutliche Grenze. Wenn entweder zu viele Technologien eingeführt werden oder die Einführung zu schnell geht, werden sich Mitarbeitende und interne Strukturen nicht im erforderlichen Maße anpassen. Ein zu viel an neuen Technologien kann dann schnell auf Widerstände stoßen, also zu negativen Effekten führen. Entsprechend empfehlen wir Technologien als Hygienefaktor im Sinne von Herzberg (siehe oben) zu verstehen.

Im Gegensatz dazu sehen wir großes Potential darin, eine datengetriebene Organisationskultur zu entwickeln und zu fördern. Je besser neue Technologien in diese Kultur integriert werden und deren Nutzung durch die Mitarbeitenden unterstützt wird, desto größer wird die positive Wirkung durch den Einsatz einer neuen Technologie sein. Daher verstehen wir die Entwicklung und Weiterentwicklung einer datengetriebenen Organisations als Motivator, denn unabhängig davon wie gut wir hier schon sind, wird es immer noch Verbesserungsmöglichkeiten geben.

Die Einführung einer neuen Technologie ist nicht abgeschlossen, sobald sie praktisch allen Mitarbeitenden zur Verfügung steht. Die Einführung ist abgeschlossen, wenn es für die Mitarbeitenden zu einer Selbstverständlichkeit geworden ist, diese neue Technologie im beruflichen Alltag zu nutzen.

Dieses Verständnis sollte im Besonderen zum Tragen kommen, wenn mehrere neue Technologien gleichzeitig eingeführt werden sollen. Geben Sie den Mitarbeitenden ausreichend Zeit, sich an neue Technologien zu gewöhnen, und warten Sie lieber mit weiteren Neuerungen, bis die aktuellen Einführungen zu einem Teil der Organisationskultur geworden sind.

Let\'s get started

Wir hoffen, wir konnten Ihnen mit den fünf Empfehlungen eine Anregung geben, sich auf den Weg hin zu einer datengetriebenen Organisationskultur zu begeben. Daten werden Ihnen helfen, Ihre internen Prozesse und Entscheidungen zu verbessern. Gleichzeitig können Daten aber auch helfen, Veränderungsprozesse zu analysieren und damit deren Fortschritt beziehungsweise Erfolg zu messen. Daten sind nicht nur Inhalt einer datengetriebenen Organisationskultur, sie können Ihnen auch operativ auf dem Weg dorthin helfen.

Wer weiter in das Thema datengetriebene Organisationskultur einsteigen möchte, dem empfehlen wir unser Interview mit Bianca Frost von flaconi, in dem sie berichtet, wie data-driven culture in der Praxis funktioniert: Bianca Frost, was bedeutet datengetriebene Organisationskultur für dich?

Über die Autor:innen

Carolin Stolpe erforscht, welchen Herausforderungen sich Organisationen auf dem Weg zur data-driven culture stellen müssen.

Prof. Dr. Marcel Hebing beschäftigt sich in der Forschung und als Berater mit der Frage, wie wir Data Science gewinnbringend in Unternehmen und darüber hinaus einbringen können.

Literatur

Anderson, C. (2015). Creating a data-driven organization. O'Reilly Media.

Herzberg, F. (1968). One more time: How do you motivate employees? Harvard Business Review, 46(1).

Kiron, D., & Shockley, R. (2011). Creating business value with analytics. MIT Sloan Management Review, 53(1).

Montoya, S. (2018, Oktober). Defining literacy. GAML Fifth Meeting 17, Hamburg, Germany. http://gaml.uis.unesco.org/wp-content/uploads/sites/2/2018/12/4.6.1_07_4.6-defining-literacy.pdf

Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media.

Rogers, E. M. (2003). Diffusion of innovations (5. Aufl.). Simon & Schuster.

Sackmann, S. (2017). Unternehmenskultur: Erkennen, entwickeln, verändern. Springer.

Schein, E. H. (2017). Organizational culture and leadership (5. Aufl.). John Wiley & Sons.

Seiter, M. (2019). Business analytics: Wie Sie Daten für die Steuerung von Unternehmen nutzen. Vahlen.

Weissmann, A., & Wegerer, S. (2018). Unternehmen 4.0: Wie Digitalisierung Unternehmen und Management verändert. In M. Erner (Hrsg.), Management 4.0: Unternehmensführung im digitalen Zeitalter. Springer.

Der Faktor Mensch – Technologien alleine machen keine digitale Transformation

2020-09-03T00:00:00+02:00

Digitalisierung ist für die Überlebens- und Wettbewerbsfähigkeit von Unternehmen essentiell geworden. Trotzdem bleibt der digitale Wandel so abstrakt, dass viele ihn lieber erst in der Zukunft gestalten möchten. Digitale Transformation ist mit Unsicherheiten verbunden, wie neue Technologien das Arbeiten verändern werden. Digitale Transformation bedeutet, mit einem neuen Tempo umgehen zu lernen, bei dem der aktuelle Wissensstand sehr schnell veraltet. Gleichzeitig werden die zu lösenden Herausforderungen komplexer. Dabei gilt: Digitalisierung ist ein Wandel, der bleibt. Digitalisierung ist unausweichlich und unumkehrbar (Oswald & Krcmar, 2018).

Mit der Coronakrise wurde die Kraft der Digitalisierung wohl auch denen deutlich, welche die Notwendigkeit der digitalen Transformation bisher eher skeptisch gesehen haben. Unternehmen, bei denen Arbeit auch aus dem Home-Office effizient organisiert wird, demonstrieren inzwischen wirkungsvoll die Widerstandsfähigkeit und Flexibilität, welche sie mithilfe der digitalen Technologien auch in Krisenzeiten realisieren. Abseits von physischen Büros wird deutlich, wie Akzeptanz und Einstellung gegenüber digitalen Technologien in der Organisationskultur verankert sind und wie agil Unternehmen auf Veränderungen reagieren können. Vor allem wird aber auch klar: Die Kraft der Digitalisierung kommt nicht nur aus den neuen Technologien selbst, sondern auch aus der Art, wie Menschen mit den Technologien umgehen und sie in ihren Arbeitsalltag integrieren.

Catchphrase digitale Transformation

Digitalisierung und digitale Transformation werden oft synonym verwendet. Der Begriff der Digitalisierung bezieht sich primär auf den technischen Prozess, analoge Signale in digitale Signale umzuwandeln, wohingegen die digitale Transformation weit darüber hinausgeht und vor allem soziotechnische Betrachtungen miteinbezieht (Legner et al., 2017). In der digitalen Transformation geht es um Veränderungen, die von digitalen Technologien ausgelöst werden und sich in neuen Geschäftsmodellen, Produkten und einer Veränderung von Organisationsstrukturen sowie der Automatisierung von Prozessen widerspiegeln (Hess et al., 2016).

Was die digitale Transformation konkret für ein Unternehmen bedeutet, ist auf Grund der ungleichen Startpositionen durchaus verschieden (Parviainen et al., 2017). Aus der Bedeutung des Wortes Transformation lässt sich jedoch bereits ableiten, dass das Ziel zum digitalen Unternehmen zu wachsen, nicht durch einen Sprint mit kurzfristigen Änderungen zu erreichen ist. Stattdessen gleicht die digitale Transformation vielmehr einem Marathon, einem umfassenden Prozess, der tiefe Einschnitte für die Funktionsweise eines Unternehmens bedeutet und der nur durch kontinuierliche Weiterentwicklung gelingt (Singh & Hess, 2017).

Herausforderungen in der Umsetzung

Technologische Trends wie Social, Mobile, Analytics, Cloud und Internet of Things (SMACIT-Stack) konvergieren (Creusen et al., 2017) und machen es nahezu jedem Unternehmen möglich vielseitig Daten zu erfassen und auszuwerten. Das passiert in der Marketingabteilung, die ihre Omnichannel-Kampagne optimiert, genauso wie in der Industrie, die einen zukünftig möglichen Ausfall der Produktionsmaschinen durch Predictive Maintenance vorhersagt.

Wenn Unternehmen auf uns zukommen, berichten sie häufig, dass sie bereits kleinere oder größere Digitalisierungsprojekte erarbeitet haben. Die entwickelten Lösungen scheinen vielversprechend und wären bereit für den Einsatz. Das Problem aber ist, dass sie dann oft nicht genutzt werden, sondern einfach wieder in der Schublade verschwinden. Der gesamte Aufwand, der in die Evaluierung der neuen Technologien und daraus resultierenden Projekten geflossen ist, bleibt wirkungslos. Warum ist das so?

Unbekanntes macht Angst

Hinter der mangelnden Nutzung eingeführter (technischer) Lösungen stecken häufig Akzeptanzbarrieren seitens der Mitarbeitenden. Digitale Technologien können bedrohlich wirken, wenn für Mitarbeitende das Gefühl entsteht, in Konkurrenz mit der neuen Technologie zu stehen. So ruft künstliche Intelligenz bei vielen Mitarbeitenden Ängste hervor, ersetzt zu werden und ihren Job zu verlieren. Aber selbst wenn Mitarbeitende keine Angst haben, durch digitale Technologien ersetzt zu werden, heißt das noch nicht, dass sie neue Technologien bereitwillig nutzen. Wenn sie das Gefühl haben, die neue Technologie nur unzureichend beherrschen zu können oder keinen Mehrwert für sich selbst oder das Unternehmen erkennen, werden sie wahrscheinlich mit Akzeptanzbarrieren reagieren.

Parallel zur schnell wachsenden Menge an Daten, die zur Steuerung von Prozessen und Geschäftsabläufen zur Verfügung stehen, kommen auch immer komplexere Algorithmen zum Einsatz. Bei vielen dieser Algorithmen handelt es sich um sogenannte Black-Box-Modelle -- dabei sind lediglich die Ausgangsdaten und das finale Ergebnis bekannt. Warum jedoch auf dieser Basis die entsprechende Empfehlung erfolgt, ist meist nicht nachvollziehbar und lässt alle Beteiligten und insbesondere Entscheider verunsichert zurück. Konzepte wie Explainable AI (XAI) helfen solche Unsicherheiten und Unverständnis zu überwinden, indem sie Entscheidungsmechanismen verständlich und nachvollziehbar darstellen.

–

Lesen Sie zum Thema Explainable AI auch unseren Artikel mit Prof. Dr. Steffen Wagner von INWT Statistics:

Vertrauen ist gut, Verständnis ist besser

–

Modell der digitalen Transformation

Um uns dem Thema der digitalen Transformation strukturiert zu nähern, haben wir ein Modell entwickelt, welches uns hier und in der täglichen Arbeit hilft, den praktischen Herausforderungen dieses Wandels zu begegnen (Abbildung 1). Dabei sehen wir die digitale Transformation als einen Prozess innerhalb von Unternehmen und anderen Organisationen, welcher durch externe Veränderungen motiviert wird.

Abbildung 1. Modell der Digitalen Transformation Gesellschaftliche Veränderungen und technologische Innovationen stellen den Rahmen der digitalen Transformation dar und erzeugen gleichzeitig Druck auf Unternehmen sich an den Wandel anzupassen.

Der dargestellte Prozess vollzieht sich im Spannungsfeld der Organisation, der neuen Technologien und der Mitarbeitenden. Neue Technologien haben dabei der strategischen Ausrichtung und den Anforderungen der Organisation zu entsprechen. Mitarbeitende und Führung müssen die notwendigen Kompetenzen mitbringen oder erlernen, um mit neuen Technologien umgehen und sie gewinnbringend einzusetzen zu können. Die Organisation ihrerseits muss eine Kultur schaffen, welche bei den Mitarbeitenden Akzeptanz für Veränderungen schafft, insbesondere in Bezug auf die Einführung neuer Technologien und Arbeitsweisen.

Fazit

Die Herausforderung der digitalen Transformation besteht nicht allein in der Wahl der richtigen Technologien, sondern vor allem darin, die Mitarbeitenden abzuholen und neue Technologien so zu integrieren, dass sie Mitarbeitenden Freiräume für andere Aufgaben, wie Kreativ-Prozesse, gewinnen. Damit ein digitaler Wandel möglich ist, braucht es deshalb auch eine Organisationskultur, die offen gegenüber Veränderungen ist und die Mitarbeitenden darin ermutigt, neue Technologien auszuprobieren.

In Teil 2 unseres Dossiers widmen wir uns deshalb dem Thema Organisationskultur: Welche Werte werden in der digitalen Transformation wichtig? Und wie sieht eine Organisationskultur aus, die Veränderungen unterstützt?

–

Weiter zum zweiten Teil unseres Dossiers: Fünf erste Schritte zu einer datengetriebenen Organisationskultur

–

Über die Autor:innen

Carolin Stolpe erforscht, welchen Herausforderungen sich Organisationen auf dem Weg zur data-driven culture stellen müssen.

Prof. Dr. Marcel Hebing beschäftigt sich in der Forschung und als Berater mit der Frage, wie wir Data Science gewinnbringend in Unternehmen und darüber hinaus einbringen können.

Literatur

Creusen, U., Gall, B., & Hackl, O. (2017). Digital leadership: Führung in Zeiten des digitalen Wandels. Springer.

Hess, T., Matt, C., Benlian, A., & Wiesböck, F. (2016). Options for formulating a digital transformation strategy. MIS Quarterly Executive, 15(2).

Legner, C., Eymann, T., Hess, T., Matt, C., Böhmann, T., Drews, P., Mädche, A., Urbach, N., & Ahlemann, F. (2017). Digitalization: Opportunity and challenge for the business and information systems engineering community. Business & Information Systems Engineering, 59(4), 301--308.

Oswald, G., & Krcmar, H. (2018). Digitale Transformation: Fallbeispiele und Branchenanalysen. Springer.

Parviainen, P., Tihinen, M., Kääriäinen, J., & Teppola, S. (2017). Tackling the digitalization challenge: How to benefit from digitalization in practice. International Journal of Information Systems and Project Management, 5(1), 63--77.

Singh, A., & Hess, T. (2017). How chief digital officers promote the digital transformation of their companies. MIS Quarterly Executive, 16(1).