fbpx

Heute erhalten Sie die Fortsetzung mit Schritt 2 aus unserem Whitepaper zum Thema „6 Schritte zum erfolgreichen Data Science-Projekt“.

Herausforderung 2: Übersetzung des unternehmerischen Ziels in ein Analyse-Design

Nach erfolgreicher Auswahl eines oder mehrerer Data Use Cases gilt es nun, zur Zielsetzung des Use Cases eine passende analytische Vorgehensweise für Ihr Data Science-Projekt zu entwickeln.

Wir beobachten jedoch, dass ein nicht gut durchdachtes Analysedesign, eine unklare Zieldefinition und ein nicht vorhandener geschäftlicher Fokus häufige Gründe dafür sind, dass ein Data Science-Projekt nicht zum gewünschten Erfolg führt. Professionelle Rahmenbedingungen, wie beispielsweise qualifizierte Data Scientists, valide Daten und State-of-the-Art Technologien, reichen hierbei alleine nicht aus.

Lösung
Aus diesem Grund sollte immer mit der Projektphase „Business Understanding“ in Ihrem Data Science-Projekt gestartet werden. In dieser Phase wird im Rahmen des Scoping gemeinsam definiert, wo genau das Business-Problem liegt und wie die beste Lösung gestaltet werden kann.

Anhand einer vordefinierten Scoping-Checkliste sollten zum Projektstart Data Science erfolgsrelevante Schlüsselfragen geklärt werden

  1. Was ist das Projektziel und wie lässt sich der Erfolg messen?
  2. Was ist das Ergebnis der Analyse?
  3. Was ist die Analyseeinheit?
  4. Wer ist die Zielgruppe?
  5. Was ist der relevante Zeitrahmen?

 

Wir gehen auf die zwei ersten Punkte für Ihr Data Science-Projekt näher ein:

Data Science – Was ist das Projektziel und wie lässt sich der Erfolg messen?

Wie bei jedem anderen Projekt sollte auch bei Data Science-Projekten die Erfolgsmessung über geeignete operative Metriken stattfinden, die dann als Key Performance Indikatoren (KPI) genutzt werden. Bereits in dieser Projektphase sollte darüber nachgedacht werden, wie die nachgelagerte Messbarkeit der KPI sichergestellt werden kann.

Der KPI-Festlegung muss dabei die Identifizierung klarer Projektziele vorausgehen. Eine möglichst frühe Einbeziehung des Data Science und IT-Teams in die Festlegung der Zielsetzung durch die Fachseite hilft dabei, Missverständnisse und unterschiedliche Erwartungen an das Projekt zu vermeiden.

Data Science – Was ist das Ergebnis der Analyse?

Ein wesentlicher Punkt ist an dieser Stelle die Festlegung der Zielgröße der Analyse. In Voranalysen kann bereits mit Hilfe von Data Mining-Methoden die optimale Zielgröße für den Data Use Case bestimmt werden. Eine typische Fragestellung lautet z. B. wie man potenzielle „Top-Kunden“ möglichst frühzeitig identifizieren kann. Hier ist zunächst zu erarbeiten, welche Kriterien einen Top-Kunden definieren (z. B. Umsatz, Anzahl Transaktionen, Weiterempfehlung). Eine vorgeschaltete Clusteranalyse kann helfen, ein relevantes Top-Kunden-Segment zu definieren.

Klären Sie die relevanten Schlüsselfragen für Ihr Data Science-Projekt. Im nächsten Schritt am 31. Juli erläutern wir, was Sie beachten sollten, um eine qualitativ ausreichende Modellentwicklung sicherzustellen.