News

Key Learnings aus dem Expert Talk: Data Science for Managers

1

1 von 6 Bildern oder Videos

2

1 von 6 Bildern oder Videos

3

1 von 6 Bildern oder Videos

4

1 von 6 Bildern oder Videos

5

1 von 6 Bildern oder Videos

Am 7. April 2022 diskutierten unsere Expertinnen Sanja Jovanovic und Gabriele Bolek-Fügl, beide Teil der österreichischen KI-Community, über den Einsatz und die Herausforderungen von Daten im Unternehmensumfeld. Anhand von Beispielen zeigten sie auf, warum Daten heute so wichtig sind und worauf geachtet werden muss, um gute Ergebnisse zu erzielen.

Wir haben die wichtigsten Erkenntnisse aus dem Expert Talk für Sie zusammengefasst:

Die meisten Unternehmen kämpfen mit Daten: Die Entwicklung von Daten - 1) Data Warehousing, 2) Data Engineering, 3) Streaming, 4) Data Science und ML - fügt allen Aktivitäten eines Unternehmens eine zusätzliche Ebene der Komplexität hinzu.

Woher kommt diese Komplexität? Es gibt mehrere Stufen der Komplexität: Verschiedene Arten von Hardware (z. B. Server, Clouds, Smartphones, Desktop-PCs, Laptops) arbeiten mit verschiedenen Schichten von Software (z. B. Betriebssysteme, Middleware, Datenbanken, Schnittstellen, Anwendungen), die durch Schnittstellen verbunden sind, die von verschiedenen Entwicklern mit verschiedenen Daten (z. B. strukturiert, unstrukturiert, Bilder, Formate, Verzerrungen) erstellt wurden. Um die Ergebnisse für Unternehmen nutzbar zu machen, müssen außerdem verschiedene Nutzer_innen (z. B. Informatiker, IT-versierte und nicht IT-versierte) alle Anforderungen (z. B. Gesetze, Standards, Unternehmenspolitiken und Richtlinien) beachten.

Data Governance und Audit: Wenn Sie in Ihrem Unternehmen keine guten Data-Governance-Prozesse haben, werden Sie nie gute Daten haben. Als Geschäftsleitung müssen Sie sicherstellen, dass Sie wissen: Wo haben wir die Daten? Wer hat Zugang zu ihnen? Wie werden detaillierte Zugriffskontrollen definiert und verwaltet?

Arten von Daten: Nicht alle Daten sind gleich. Die wichtigsten Datentypen, die in jedem Unternehmen mit unterschiedlichen Verantwortlichkeiten und Wartungsmethoden einhergehen, sind: Metadaten, Referenzdaten, Strukturdaten, Transaktionsstrukturdaten, Bestandsdaten, Transaktionsdaten und Auditdaten.

Merkmale von Big Data und Unterschiede zu traditionellen IT-Systemen: Die Ziele traditioneller IT-Systeme sind vergangenheitsorientiert (Business Intelligence) und können die Automatisierung von Prozessen und die Optimierung von Lieferketten zur Kostensenkung, Effizienzsteigerung und Produktivitätserhöhung beinhalten. Big-Data-Projekte sind zukunftsorientiert (Business Analytics) und zielen oft darauf ab, ein einheitliches Verständnis des Kund_innenverhaltens zu entwickeln, Kund_innenbedürfnisse zu erkennen und zu verstehen, zukünftige Märkte zu identifizieren, um Kund_innen mit neuen Erkenntnissen besser bedienen zu können, und neue Geschäftszweige aufzubauen.

Wie Sie Big Data in Ihrem Unternehmen nutzen können: Achten Sie auf diese wichtigen Punkte:

1. Die Menschen machen den Unterschied. KI wird Menschen nicht ersetzen. Stattdessen werden Unternehmen weiterhin Menschen brauchen, die aus Daten neue Werte schaffen können.

2. Die Nutzung von Daten schafft Wert, aber nur, wenn Sie die richtige Art und hohe Qualität haben. Wenn Sie in Ihrem Unternehmen bereits über Daten verfügen, versuchen Sie, diese zur Verbesserung Ihres aktuellen Geschäftsmodells zu nutzen. Wenn die Daten aufgrund ihrer Qualität unzureichend sind oder andere Daten benötigt werden, sollten Sie versuchen, mit anderen Unternehmen in Kontakt zu treten und Daten auszutauschen.

3. Es ist wichtig, (die richtigen) Fragen zu stellen. Sie müssen eine Vision haben und die richtigen Fragen stellen, sonst werden Sie nie die richtige Antwort erhalten. Diese Antworten werden nicht in alten Systemen zu finden sein, aber Sie können einen Wert schaffen, indem Sie alte Daten mit öffentlichen Daten verbinden und so einen neuen Wert für zukünftige Geschäftsmodelle schaffen.

4. Big-Data-Projekte sind keine IT-Projekte, sondern sie ähneln Forschungsprojekten. Sie haben eine Fragestellung und versuchen dann herauszufinden, ob Ihre Daten in Verbindung mit anderen Daten nützliche Ergebnisse liefern können. Wie bei Forschungsprojekten haben Sie Hypothesen, die Sie testen müssen.

5. Legen Sie großen Wert auf das Lernen. Mitarbeiter_innen in Big-Data-Projekten werden viele Dinge lernen und diese Erkenntnisse in die Abteilungen einbringen, was Ihr Geschäftsmodell verbessern kann, selbst wenn Sie die Daten nicht nutzen können. Bei Big-Data-Projekten liegt der Schwerpunkt auf dem Lernen, und Sie müssen in Ihre Mitarbeiter_innen investieren, um die besten Ergebnisse zu erzielen und mit anderen Unternehmen konkurrenzfähig zu sein.

Über die Experten

Sanja Jovanovic

Sanja arbeitet als Solution Architect bei Databricks, wo sie Kunden auf ihrem Weg zu Big Data und Machine Learning unterstützt. Vor Databricks arbeitete Sanja als Cloud Solution Architect bei Microsoft. Neben ihrer Arbeit unterstützt sie junge Frauen dabei, eine Karriere im Tech-Bereich anzustreben und ist Teil des Vorstands der NGO Women in AI Austria.

Gabriele Bolek-Fügl

Gabi war 22 Jahre lang in internationalen Wirtschaftsprüfungs- und Beratungsunternehmen tätig und gründete 2020 ihr eigenes Start-up. In diesem Start-up Compliance 2b entwickelt sie eine Lösung, die mit Hilfe von KI die Bearbeitung von internen Berichten im Unternehmen unterstützt. Weiters ist sie als Lektorin an der FH St. Pölten und IMC Krems.

 

Women in AI ist eine globale Gemeinschaft von Expertinnen und Influencerinnen im Bereich KI. Unser Ziel ist es, die Kluft zwischen den Geschlechtern im Bereich der Künstlichen Intelligenz zu schließen, indem wir Frauen stärken und das Bewusstsein für Geschlechtervielfalt in der KI erhöhen. Der österreichische Verein WAI konzentriert sich auf den Wissenstransfer und die Gestaltung von Richtlinien.