Nach Auswahl eines oder mehrerer Analyseszenarien stehen die Teilaufgaben der Datenbeschaffung, -exploration und -vorverarbeitung an. Die hierfür vorgesehenen Rollen der Datenarchitekten, Datenanalysten sowie Data Engineers arbeiten eng mit den Data Scientists zusammen, die bei strenger Abgrenzung ausschließlich für die eigentliche Datenanalyse zuständig sind. Die reibungslose Zusammenarbeit bei den genannten Zuständigkeiten ist wichtig, da die Arbeiten oft rollenübergreifend in mehreren Schleifen hintereinander anfallen. Dies ist jedoch aufgrund der Ähnlichkeit der Aufgaben in ihrer technischen Ausrichtung meist wenig problematisch. Oft hat eine Person auch mehrere der genannten Rollen inne, was die Zusammenarbeit zusätzlich vereinfacht.
Eine der wichtigsten Rollen für das Gelingen eines Data-Science-Vorhabens ist der Management Scientist (siehe Abbildung 1, dunkelgrün hinterlegt) als zentraler Vermittler vor allem zwischen den Kundenbetreuern und den Data Scientists. Der Management Scientist nimmt eine Übersetzungs- und Coaching-Funktion ein, indem er zwischen den unterschiedlichen Sprach- und Themenwelten vermittelt: Technische Anforderungen und Restriktionen auf Seite der Data Scientists im Kontrast zu fachlichen (Kunden-)Bedürfnissen der Kundenbetreuer.
Je nach Anwendungsdomäne stehen weiterhin zentrale Change-Management-Aufgaben im Zentrum eines Management Scientists, die zuweilen kommunikatives Fingerspitzengefühl erfordern – etwa bei der Frage, inwieweit Erkenntnisse aus Customer-Analytics-Szenarien die persönliche Haltung sowie die jahrelange Kundenkenntnis eines Kundenbetreuers ergänzen können. Hier wird der Grundstein für die spätere Akzeptanz der Lösung gelegt.
Die beschriebenen Rollen sind je nach Projektphase unterschiedlich stark gefordert: Domänenexperten leisten insbesondere zu Beginn bei der Definition fachlicher Anforderungen und am Ende bei der Evaluation und dem Vermitteln von (Zwischen)-Ergebnissen wertvolle Beiträge; Data Scientists und Engineers eher schwerpunktmäßig in der Analysephase. Diese Charakteristiken können durch geschickte Parallelisierung mehrerer Analyseszenarien, die sich jeweils in unterschiedlichen Phasen bis hin zum Rollout befinden, berücksichtigt werden.
Gestärkte Kundenbindung durch Data Science 2.0
Mittlerweile hat das Data-Science-Team bei Julius Bär erste Analytics-Anwendungen erfolgreich in den regelmäßigen produktiven Einsatz überführt. Dabei kristallisierten sich Fallstricke und Erfolgsfaktoren heraus.