Wie ein Big Data Analytics Team funktioniert

Big Data Analytics Projekte sind sexy, aber ohne das richtige Team und die richtigen Strukturen kann die Bestrebung zur Weiterentwicklung schnell im Sand verlaufen. Doch was ist das richtige Team und die richtige Struktur?

Das Team

Warum macht es Sinn, Rollen in einem Big Data Anlytics Team zu definieren? Alle Köpfe sind meist sehr gut ausgebildet und in der Lage, mit dem Business zu reden. Dennoch kann dies ehr ineffizient sein. Zuständigkeiten sind nicht geklärt und die Menge an Arbeit bei einzelnen Personen nimmt schnell überhand. Es entstehen dabei Risiken auf einzelnen Mitarbeitern, welche vermeidbar wären.

Ich schlage eine Aufteilung in drei Rollen vor, die ich im Folgenden gerne vorstellen möchte:

Data Analyst zeichnet sich durch Domain Expertise aus. Er kann auf Basis von Daten Storytelling betreiben, um die Businessfragestellungen voranzutreiben und neue Erkenntnisse zu präsentieren. Dabei ist er in der Lage, Dashboards zu erstellen und Explorative Datenanalysen durchzuführen. Zu verstehen, was genau eine sinnvolle Frage aus dem Business ist, gehört ebenso zu seinen Aufgaben. Dies Rolle kann sehr gut von Controllern besetzt werden, diese haben eine große Affinität zu Daten und deren Darstellung.

Data Scientist ist dafür zuständig, Daten auszuwerten, Machine Learning Modelle zu entwickeln und Optimierungen durchzuführen. Er versucht die Hypothesen des Data Analysts bestmöglich in Formeln und Algorithmen zu packen und dem Big Data Engineer Anforderungen an Daten und den Betrieb zu stellen. Diese Stelle erfordert ein gutes mathematisches Know-how, sowie eine Menge Kreativität im Umgang mit Daten und Statistiken. Geeignet sind Absolventen von der Bioinformatik bis zu Physik. Diese bringen oft die nötige Erfahrung in Programmierung, Mathematik und analytischen Denken mit. Fehlendes Wissen über Technologie und Business Know-how können vom Data Analyst und Big Data Engineer ausgeglichen werden.

Big Data Engineer ist das Backbone der Abteilung. Er ist dafür zuständig, die Daten aus unterschiedlichsten Quellen in den Data Lake zu integrieren. Die Daten und Prozessqualität zu gewährleisten, Machine Learning Modelle in die Produktion zu bringen, Datenplattformen zu konzipieren etc... Er braucht ein unerschöpfliches Wissen über viele Technologien und die nötige Neugier, neue Wege zu gehen, um mit großen Datenmengen oder schlechter Datenqualität umgehen zu können. Meta-Daten Management ist ebenso relevant wie ein Grundverständnis von Analytics. Mitarbeiter aus bestehenden Data Warehouse Abteilungen, interessierte Entwickler und Betriebssystem Administratoren (Linux) sind eine gute interne Basis. Bei Absolventen sind Informatiker genauso gefragt wie Astronomen, welche per Definition mit großen Datenmengen umgehen müssen.

Es ist nicht einfach, die oben beschriebenen Stellen zu besetzen. Neben dem Mitarbeiterpotenzial ist das Thema Weiterbildung und Einarbeitung sehr wichtig und nicht zu vernachlässigen.

Die Struktur

Wenn man jetzt das perfekte Team zusammengestellt hat, steht immer noch die Frage im Raum, wie dieses jetzt im Unternehmen platziert werden sollte.

Traditionelle entstehen Big Data Analytics Teams ehr im Marketing Umfeld. Hier sind die Effekte einfacher zu quantifizieren und die Konzepte gut durchdacht. Dabei entsteht ein Funktionales Modell.

Dieses kennzeichnet sich durch den Schwerpunkt der Abteilung z.B. im Marketing. Gibt es in anderen Business Units des Unternehmens ein analytisches Projekt, werden die Experten ausgeliehen oder wirken beratend in das Projekt ein. Die Nachteile bei einem solchen Model sind mangelndes fachliches Verständnis der Kollegen und mögliche Ressourcenengpässe.

Eine weitere Möglichkeit, das Thema im Unternehmen zu platzieren, ist das Dezentrales Modell.

Dieses entsteht, wenn unterschiedliche Business Units das Thema Big Data Analytics verfolgen. Typisch dafür wäre das im Marketing das Thema getrieben wird, im Payment Analytics und im Manufacturing Umfeld. Die Bestrebungen sind nicht koordiniert und Synergieeffekte werden nicht genutzt. Dieses Modell entsteht vor allem, wenn es auf Toplevel keine konzertierte Strategie über Big Data Analytics Fragestellungen gibt.

Meist trifft das Dezentrale Modell auf größere Mittelständler und Enterprises zu. Um Synergien nutzen zu können, empfiehlt es sich dann in ein Center of Excelenz Model zu investieren.

Dieses erlaubt eine Bestandesaufnahme bestehender Big Data Analytics Bestrebungen. Im nächsten Schritt werden die Abteilungen in einen engen Austausch gebracht. Dies hilft auch bei der unternehmensweiten Einführungen von Technologien und Methoden.

Der Nachteil ist immer noch, dass unternehmensübergreifende Themen nicht bearbeitet werden. Dies kann man mittels eines Federated Models oder über Evangelisten bzw. Strategen schaffen. Diese haben dann gezielt die Aufgabe, übergreifende Fragestellungen zu identifizieren und Ressourcen für ein Projekt zuzuteilen.

Fazit

Big Data Analytics wird in vielen Unternehmen schon gedacht und gelebt. Strukturen einzuführen hilft aber bei der Aufgabenverteilung im Team und bei dem gezielten Know-how Einsatz im Unternehmen.