Ein wichtiger Schritt zum Erfolg von Data-Science-Projekten ist somit die Entscheidung für eine passende, einfach erweiterbare Team-Struktur mit klaren Rollen und Verantwortlichkeiten. Der wesentliche Ausschnitt des Target-Insights-Teams bei Julius Bär ist in der folgenden Abbildung dargestellt: Alle sechs auf grünem Hintergrund gekennzeichneten Rollen sind direkt im Data Science-Team angesiedelt. Die Rollen auf der oberen Ebene (in hellgrüner Farbe) sind von links nach rechts entlang der anfallenden Aufgaben (ganz oben mit grauem Hintergrund) des typischen Projektvorgehens aufgeführt. Auf der Ebene darunter fungiert der Management Scientist als wichtiger Vermittler sowie Übersetzer zwischen dem Data-Science-Team und der Gruppe der Kundenbetreuer (in blauer Farbe). Sie sind der Hauptkontaktpunkt zu den Endkunden der Bank und gleichzeitig wichtigster Abnehmer der Analyseergebnisse.
Die Zusammenarbeit findet zunächst auf fachlicher Ebene statt: Welche Geschäftsbereiche und -prozesse der Bank sollen mithilfe von Data Science – und somit durch das Schaffen neuer Informationen – verbessert werden? Welches zusätzliche Wertangebot von Julius Bär entsteht gegebenenfalls dadurch und an welchen Kundenkontaktpunkten wird bei wem welcher Mehrwert geschaffen?
Da es hierbei um das Anwendungsfeld Customer Analytics geht, ist es unerlässlich, dass bereits in dieser Phase Personen mit Kundenkontakt sowie Experten aus den betroffenen Fachbereichen eingebunden werden, um möglichst vielfältige Ideen für Analyseszenarien ausfindig zu machen. Hier erweist es sich als Vorteil, ausgewählte Domänenexperten direkt im Data-Science-Team anzusiedeln (siehe links oben in Abbildung 1), die gemeinsam mit den Kundenbetreuern Analyseszenarien diskutieren, sammeln und validieren.
Daten, Algorithmen und Tools sollten in dieser Phase ausdrücklich nicht im Vordergrund stehen – ein Projektstart mit dem Satz „Take my data and tell me useful and interesting things about it that I don’t know“ ist oft die Garantie für einen Fehlschlag.