10 Tipps für Erfolg mit Data Science Teams

18.03.2019

< Zurück zur Übersicht

Projektbeispiel: Fraud Erkennung im Finanz- und Versicherungswesen

Mit künstlicher Intelligenz geht es jetzt Kriminellen im großen Stil an den Kragen: Versicherungsbetrug, Geldwäsche, Kreditkartenbetrug, die Manipulation von Geldautomaten und andere Betrügereien können aufgedeckt und vereitelt werden. Daten und Technologie geben das her, so dass Data Scientist Teams als Datendetektive hier hervorragende Arbeit leisten können.

Wie kann man ein Data Science Team darin unterstützen, effizient und in meist eng gefassten Zeitrahmen innovativ und gleichzeitig erfolgreich zu sein?

 

Inhalte der Publikation

  • Vorwort
  • Praxistipp Nr. 1: Die Aufgabenstellung klar definieren
  • Praxistipp Nr. 2: Im Kick-off auf eine gemeinsame Arbeitsweise einigen
  • Praxistipp Nr. 3: Den Überblick behalten mit Hilfe des Backlogs
  • Praxistipp Nr. 4: Für den kontinuierlichen Austausch im Team sorgen
  • Praxistipp Nr. 5: Die Entwicklung transparent dokumentieren
  • Praxistipp Nr. 6: Verantwortlichkeiten und Rollen zuweisen
  • Praxistipp Nr. 7: Aus der kreativen Phase zur Herausarbeitung einer gemeinsamen Data Science Pipeline gelangen
  • Praxistipp Nr. 8: Die Ergebnisse in die Praxis überführen
  • Praxistipp Nr. 9: Den Auftraggeber vom Ergebnis begeistern
  • Praxistipp Nr. 10: Zum Ende kommen
  • Fazit
  • Was CINTELLIC für Ihr Unternehmen und Ihre Aufgabenstellung tun kann

 

Vorwort

Wie kann man ein Data Science Team darin unterstützen, effizient und in meist eng gefassten Zeitrahmen innovativ und gleichzeitig erfolgreich zu sein? CINTELLIC stellt für Kunden im Finanz- und Versicherungswesen sowie in anderen Branchen Data Science Teams zusammen und begleitet sie von der Aufgabenstellung über die Entwicklung bis zur Erstellung und Anpassung von Datenprodukten mit echtem Mehrwert. CINTELLIC hilft die Potenziale zu heben, die in Datenschätzen schlummern, welche getreu dem Motto „Kenne deinen Kunden“ vor allem in CRM-Bereichen angehäuft wurden.

KI-Anwendungen mögen in aller Munde sein, deren Entwicklung zählt jedoch noch lange nicht zu den typischen Aufgaben der in den CRM-Bereichen von Banken oder Versicherungen verorteten Data Science Teams. Ein Beispiel: Über den Zeitraum von drei Monaten soll eine prototypische KI-Anwendung zur Fraud-Erkennung entwickelt werden. Diese beinhaltet das Finden, Analysieren und Aufbereiten entsprechender Daten, das Ausprobieren neuester Modellierungsansätze und letztlich die Überführung der Erkenntnisse in ein automatisiertes Reporting. Die dabei gesammelten Erkenntnisse sollen möglichst auch auf andere Anwendungsgebiete übertragbar sein, beispielsweise auf eine Customer Journey Analyse.

Eine komplexe Aufgabenstellung, für die es viele unterschiedliche Fähigkeiten und kreativen Raum braucht. Schließlich sind hier Pioniere am Werk, die Methoden ausprobieren und entwickeln, die so im Unternehmen noch nie zuvor angewendet wurden und die zudem schwer kommunizierbar sind. Weitere Herausforderungen liegen darin, dass kein Data Scientist dem anderen gleicht. Hier treffen verschiedene Fähigkeiten und Persönlichkeiten aufeinander, was einerseits wichtig für die Bewältigung der Aufgabe ist, andererseits Kommunikation und Orchestrierung erfordert. In der Praxis braucht man für das Management eines solchen Teams neben dem fachlichen und technischen Know-how auch viel Kommunikationsgeschick, Disziplin und eine gute Organisation. Eine Kombination an Fähigkeiten, die so nur wenige Manager oder Data Scientists mitbringen. Damit’s trotzdem klappt, im Folgenden zehn Praxistipps.

 

Praxistipp Nr. 1: Die Aufgabenstellung klar definieren

Bevor das Team loslegt, sollten die Fragestellung und das Ziel allen klar sein. Data Scientists haben viele Ideen und sind kreativ. Wenn die Fragestellung nicht eindeutig definiert ist, besteht insbesondere zu Projektbeginn die Gefahr, auf die falschen Methoden und Techniken zu fokussieren oder sich zu verzetteln und damit wertvolle Zeit zu verlieren.

Empfehlung: Zwischen „Ich hab da mal ne Idee“ und „Ich hab da mal eine Woche lang was programmiert, das ich euch unbedingt zeigen möchte“ – Enthusiasmus ist gut, noch besser ist es, man lenkt ihn in Bahnen!

 

Praxistipp Nr. 2: Im Kick-off auf eine gemeinsame Arbeitsweise einigen

Das gemeinsame Arbeiten an einem Datenprodukt ist für viele Data Scientists ungewohnt oder gar fremd. Gleich am Anfang sollten daher Standards festgelegt werden, um die Zusammenarbeit zu erleichtern. Dazu gehören beispielsweise die einheitliche Benennung von Variablen und Dateien sowie für alle verbindliche Basisstrukturen und Mindestanforderungen an eine Dokumentation der Codes. Auch sollte geklärt sein, wie sich das Team organisieren möchte. Soll Code versioniert werden? Wenn ja, wie? Wie sollen Aufgaben festgehalten werden? Nach der Kanban-Methode, mit Jira oder in einer Excelliste? Wie diese Fragen beantwortet werden, hängt vom Projektumfang und von den Fähigkeiten im Team ab.

(…)

 

Download-Anforderung

FrauHerr

Ja, ich erteile meine ausdrückliche Einwilligung in die Verarbeitung meiner personenbezogenen Daten und stimme der Datenschutzerklärung zu. Mit meiner Anforderung erkläre ich mich damit einverstanden, dass die Cintellic GmbH mir zum Zwecke des Downloads eine automatisierte E-Mail mit dem Downloadlink zusendet und weiterhin über Angebote (werbliche Ansprache) mittels E-Mail informiert. Ich kann die Einwilligung jederzeit mit Wirkung für die Zukunft widerrufen.

Unsere Datenschutzerklärung sowie Widerrufsmöglichkeiten finden Sie hier.

CINTELLIC Consulting - Social Media