Die Fallstricke
Erwarten, dass jede Analyseszenario-Idee ein Erfolg wird: Die Praxis zeigt, dass lediglich 13 Prozent aller Data-Science-Projekte mit der Produktivsetzung ihrer Ergebnisse enden. Julius Bär trägt diesem Umstand durch einen „Experiment fast to succeed sooner“-Ansatz Rechnung: Eine Liste mit Analyseszenarien wird bewertet und priorisiert und in wenigen raschen Iterationen weiter evaluiert. Ein Szenario aus dem Marketing-Bereich beispielsweise wurde zunächst als aussichtsreich beurteilt. Nach der Selektion und Exploration der Datengrundlage zeigte sich allerdings, dass die Datenqualität für die geplante Analyse nicht ausreichte. Indem sich die Erfolgswahrscheinlichkeit rasch klären ließ, war ein früher Schwenk auf ein aussichtsreicheres Vorhaben möglich.
Mit einem „Leuchtturmprojekt“ beginnen. Gleich zu Beginn muss ein innovatives, komplexes und zeitaufwändiges Analysevorhaben, das hohe Renditen abwirft, gestemmt werden, um sich politischen Rückenwind und das Mandat für eine Fortsetzung zu verdienen – so die gängige Vorstellung. Die Erfahrungen im vorliegenden Fall zeigen eher, dass der umgekehrte Weg erfolgversprechender ist: Mit einem klar abgegrenzten Szenario beginnen, das durch reduzierte Komplexität die Chance bietet, früh erste Erfolge sichtbar zu machen. Ein solches Vorgehen ermöglicht dem Team zudem, schrittweise mehr Know-how aufzubauen und eröffnet dennoch die Möglichkeit der hochprofitablen Umsetzung – etwa über den weiteren Roll-Out in zusätzlichen Märkte.
Die Ausbildung des Data Science-Teams vernachlässigen. In vielen Fällen wird der Ausbildung des Data-Science-Teams nur geringe Bedeutung beigemessen. Bei Julius Bär hingegen war die Ausbildung, das kontinuierliche Lernen an den konkreten Beispielen der Analyseszenarien, von Beginn an ein wesentliches Ziel, das bereits bei der interdisziplinären Teamzusammenstellung maßgeblich war. So findet etwa bei der Entscheidung, welches Analyseszenario als Nächstes exploriert wird, auch die Bewertungsdimension „Team-Weiterbildung“ Anwendung.