Weiterlesen mit NEWS. Jetzt testen.
Lesezeit ca. 17 Min.

Das perfekte: DATENTEAM


Harvard Businessmanager - epaper ⋅ Ausgabe 6/2019 vom 21.05.2019

Datenprojekte in Unternehmen starten oft mit hohen Erwartungen, die sie dann nicht erfüllen. Schuld daran ist die schlechte Kommunikation mit Entscheidungsträgern. Die richtige Zusammensetzung des Teams ist daher ausschlaggebend. Auf welche Talente es ankommt und wie die Zusammenarbeit klappt.


Artikelbild für den Artikel "Das perfekte: DATENTEAM" aus der Ausgabe 6/2019 von Harvard Businessmanager. Dieses epaper sofort kaufen oder online lesen mit der Zeitschriften-Flatrate United Kiosk NEWS.

FOTO: KRISTEN MEYER

Die moderne

Datenwissenschaft ist immer noch eine junge Disziplin, aber sie wird schnell erwachsen. In den vergangenen fünf Jahren hat die Wirtschaft Milliarden in die talentiertesten Datenwissenschaftler investiert, damit diese Zettabytes von Daten zusammentragen und aus der unfassbaren Menge an ...

Weiterlesen
epaper-Einzelheft 14,99€
Bereits gekauft?Anmelden & Lesen
Leseprobe: Abdruck mit freundlicher Genehmigung von Harvard Businessmanager. Alle Rechte vorbehalten.
Lesen Sie jetzt diesen Artikel und viele weitere spannende Reportagen, Interviews, Hintergrundberichte, Kommentare und mehr aus über 1000 Magazinen und Zeitungen. Mit der Zeitschriften-Flatrate NEWS von United Kiosk können Sie nicht nur in den aktuellen Ausgaben, sondern auch in Sonderheften und im umfassenden Archiv der Titel stöbern und nach Ihren Themen und Interessensgebieten suchen. Neben der großen Auswahl und dem einfachen Zugriff auf das aktuelle Wissen der Welt profitieren Sie unter anderem von diesen fünf Vorteilen:

  • Schwerpunkt auf deutschsprachige Magazine
  • Papier sparen & Umwelt schonen
  • Nur bei uns: Leselisten (wie Playlists)
  • Zertifizierte Sicherheit
  • Freundlicher Service
Erfahren Sie hier mehr über United Kiosk NEWS.

Mehr aus dieser Ausgabe

Titelbild der Ausgabe 6/2019 von VOM BÄLLEBAD ZUM KUNDEN. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
VOM BÄLLEBAD ZUM KUNDEN
Titelbild der Ausgabe 6/2019 von IN DIESEM HEFT. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
IN DIESEM HEFT
Titelbild der Ausgabe 6/2019 von SCHWEIGEN SCHADET. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
SCHWEIGEN SCHADET
Titelbild der Ausgabe 6/2019 von LEBENSMITTEL: ONLINE KAUFEN IST GESÜNDER. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
LEBENSMITTEL: ONLINE KAUFEN IST GESÜNDER
Titelbild der Ausgabe 6/2019 von VERTEIDIGEN SIE IHRE FORSCHUNG: FIESE FILTER. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
VERTEIDIGEN SIE IHRE FORSCHUNG: FIESE FILTER
Titelbild der Ausgabe 6/2019 von TITELUNTERNEHMENSKULTUR: INNOVATION ERFORDERT DISZIPLIN. Zeitschriften als Abo oder epaper bei United Kiosk online kaufen.
TITELUNTERNEHMENSKULTUR: INNOVATION ERFORDERT DISZIPLIN
Vorheriger Artikel
KOMMENTAR: DIE BWL ERNEUERN
aus dieser Ausgabe
Nächster Artikel DAS TRANSPARENTE UNTERNEHMEN
aus dieser Ausgabe

... chaotischen Informationen mit intelligenten Methoden und Systemen nützliche Erkenntnisse gewinnen. In gewissem Umfang funktioniert das auch. Die neue Datenorientierung hat dazu geführt, dass wir eine Reihe von Bereichen inzwischen völlig anders betrachten – von Übersetzungen über den Einzelhandel und die Gesundheitsversorgung bis hin zu Sportarten wie Basketball.

Doch allen Erfolgsgeschichten zum Trotz gelingt es vielen Unternehmen nicht, das Potenzial der Datenwissenschaft, auch Data Science genannt, voll auszuschöpfen. Selbst gute Analysen können viele nicht gewinnbringend umsetzen. Sie scheitern auf den letzten Metern: beim Kommunizieren der Erkenntnisse an Entscheidungsträger (siehe dazu auch den Kasten „Warum Kommunikation scheitert“ auf Seite 54). Das Data-Science-Portal Kaggle fand 2017 bei einer Umfrage unter mehr als 7000 Nutzern heraus, dass vier der sieben größten Hindernisse am Arbeitsplatz mit nichtfachlichen Schwierigkeiten zu tun haben: „mangelnde Management- oder finanzielle Unterstützung“, „keine klaren Fragestellungen“, „die Entscheidungsträger setzen unsere Ergebnisse nicht um“ und „anderen Data Science erklären“. Das passt zu den Ergebnissen, zu denen der Datenwissenschaftler Hugo Bowne-Anderson kam, als er 35 Data Scientists für seinen Podcast befragte. In einem Beitrag für hbr.org schrieb er: „Die meisten meiner Gäste sagten, Datenwissenschaftler brauchten vor allem …eine schnelle Auffassungsgabe und Kommunikationsstärke, um Fragen aus Unternehmenssicht beantworten und Fachfremden komplizierte Ergebnisse erklären zu können.“

Bei meiner Arbeit als Hochschuldozent und Unternehmensberater für Datenvisu alisierung und Präsentationen erlebe ich, wie sowohl Datenwissenschaftler als auch Topmanager ihrem Frust Luft machen. Data-Science-Teams haben wertvolle Erkenntnisse, können sie aber nicht vermitteln. Sie beklagen sich darüber, dass Entscheidungsträger ihre Analysen nicht verstünden, ihre Ergebnisse zu stark vereinfachten und Wunder von ihnen erwarteten – als könnte die Datenwissenschaft die Antwort auf alle Fragen liefern. Topmanager beschweren sich darüber, dass sie viel Geld in ihre Datenabteilungen investierten, ohne die gewünschten Resultate zu erzielen. Sie sehen keine konkreten Ergebnisse, weil die Ergebnisse nicht in ihrer Sprache kommuniziert werden.

Dass Manager und Technologieexperten unterschiedlich ticken, ist nichts Neues, aber die Kluft, um die es hier geht, ist tiefer. Das Problem mit der Vermittlung komplexer Sachverhalte hat Willard Brinton schon vor 105 Jahren – lange bevor es Computer und Programmierer gab – in seinem wegweisenden Buch „Graphic Methods for Presenting Facts“ beschrieben: „Immer wieder kommt es vor, dass ein unwissendes oder überhebliches Mitglied eines Ausschusses oder Boards of Directors den Plan von jemandem, der die Fakten kennt, umwirft, nur weil derjenige, der die Fakten hat, diese nicht überzeugend präsentieren kann. … Eine effektive Präsentation und ihre Datengrundlage sind wie eine Kathedrale und ihr Fundament.“ Wie kann es sein, dass wir nach mehr als 100 Jahren immer noch das gleiche Problem haben?


Unternehmen sollten nicht nach der Eier legenden Wollmilchsau für ihre Datenteams suchen.


Die Schwierigkeiten bei der Vermittlung von Datenergebnissen haben wie jedes derart hartnäckige Problem mehrere Ursachen. Zum einen bieten die meisten datenwissenschaftlichen Tools Visualisierungsfunktionen. Das vermittelt den Eindruck, die Wissenschaftler seien auch für die Kommunikation zuständig. Doch das, was diese Softwareprogramme standardmäßig ausspucken, kann mit einer gut konzipierten und professionell ausgestalteten Datenvisualisierung nicht mithalten. Das ist ja auch kein Wunder, denn der eigentliche Zweck dieser Tools ist die Analyse, nicht die Visualisierung der Ergebnisse. Außerdem haben die Experten, die mit diesen Tools arbeiten, oft kein Interesse daran, die Kommunikation zu übernehmen. Viele Datenwissenschaftler haben mir gesagt, sie sehen Visualisierungen ohnehin skeptisch: Dabei bestehe nämlich immer die Gefahr, dass ihre Arbeit zu stark vereinfacht wird und Manager Schlussfolgerungen ziehen, die der für wissenschaftliche Auswertungen typischen Differenziertheit und Unsicherheit nicht gerecht werden.

Im aktuellen Hype um Data Science stellen Unternehmen die spezialisiertesten Datenexperten ein, die sie finden können, achten aber nicht darauf, ob diese Spezialisten auch die Kommunikation mit Laien übernehmen können und wollen. Das wäre kein Problem, wenn Unternehmen gleichzeitig Kommunikationsfachleute einstellen würden, aber das tun sie nicht. Die Wissenschaftler sollen Daten erheben, in einem geschäftlichen und strategischen Kontext analysieren, Infografiken erstellen und die Ergebnisse einem fachfremden Publikum vorstellen. Das ist unrealistisch. Unternehmen müssen aufhören, nach der Eier legenden Wollmilchsau für ihre Datenabteilungen zu suchen, und stattdessen überlegen, welche unterschiedlichen Talente sie brauchen. Ich zeige in diesem Beitrag, wie Unternehmen Teams zusammenstellen können, in denen Spezialisten unterschiedlicher Fachgebiete eng zusammenarbeiten. In so einem Umfeld entsteht ein Verständnis für die Arbeit der anderen, und die Teammitglieder teilen sich eine Gesamtaufgabe, statt nur den eigenen Part zu übernehmen und sich dann wieder zurückzuziehen. Mit einem interdisziplinären Team können Unternehmen das Potenzial ihrer Datenabteilungen heben.

Wie es zu der Misere kam

Die Pioniere des modernen Managements setzten Anfang des 20. Jahrhunderts gut durchdachte Abläufe ein, um mithilfe von visueller Kommunikation den Sprung von Daten zu Entscheidungen zu schaffen. Sie arbeiteten mit interdisziplinären Teams, die aus Bedienern von Lochkartenmaschinen, Kartensortierern, Managern und Zeichnern bestanden. Brinton beschreibt in seinem Buch eine Vielzahl von Beispielen für diese Art der Zusammenarbeit. Am weitesten waren Eisenbahngesellschaften und Industrieunternehmen. Sie ermittelten den effizientesten Materialfluss durch Fabriken, erreichten regionale Vertriebsziele und optimierten sogar Urlaubspläne.

Der Teamansatz hielt sich den Großteil des 20. Jahrhunderts. Mary Eleanor Spear beschreibt in ihrem 1969 erschienenen Buch „Practical Charting Techniques“ die Zusammensetzung eines idealen Teams: ein Kommunikationsexperte, ein Analytiker und ein Zeichner. „Dabei ist anzuraten, dass [alle drei] zusammenarbeiten“, schreibt Spear.

In den 70er Jahren kam dann der Bruch. Forscher setzten neue Technologien ein, mit denen sie Daten nicht nur bearbeiten, sondern gleich an Ort und Stelle (am Computer) visualisieren konnten. Die Darstellungen waren unausgereift, aber schnell und ohne externe Hilfe verfügbar. So drifteten die designbasierte, von Zeichnern erstellte und die computergestützte Visualisierung auseinander.

Die Einführung von standardisierten Diagrammfunktionen in Microsoft Excel machte die Trennung dieser beiden Welten perfekt. Ab sofort konnte jeder Grafiken erstellen und alle möglichen Spielereien umsetzen: Per Mausklick wurden Balkendiagramme dreidimensional oder Kreisdiagramme zu Torten. Wie umwälzend diese Veränderung war, lässt sich nicht genug betonen. Sie machte Charts zur Lingua franca der Wirtschaft. Sie förderte die Nutzung von Daten bei operativen Abläufen und legte letztlich den Grundstein für die moderne Datenwissenschaft, weil sie die Kapazitätsgrenzen menschlicher Designer aufhob. Vor allem bewirkte sie eine neue Arbeitsstruktur. Zeichner und Designer spielten keine Rolle mehr. Die Visualisierung fiel fortan in den Aufgabenbereich derer, die Daten verwalteten. Dabei hatten die meisten von ihnen weder die nötige Ausbildung dafür noch waren sie bereit, in diesem Bereich dazuzulernen. Per Mausklick Standarddiagramme in eine Präsentation zu klatschen ging so schnell und war so bequem, dass ressourcenintensive designbasierte Visualisierungen ausgedient hatten, obwohl sie nachweislich effektiver waren. An dieser Erwartungshaltung – wer die Arbeit macht, soll sie auch gleich kommunizieren – hat sich auch mit dem Aufkommen der modernen Data Science nichts geändert. Dabei ist das Anforderungsprofil noch breiter geworden; jetzt gehören auch noch Programmierung, Statistik und die Modellierung von Algorithmen dazu.

Ein wegweisender Beitrag, der 2012 in der Harvard Business Review erschien, beschreibt die Rolle des Datenwissenschaftlers, des „spannendsten Berufs des 21. Jahrhunderts“ („the sexiest job of the 21st century“), wie folgt: „Welche Fähigkeiten brauchen Datenwissenschaftler, um erfolgreich zu sein? Sie müssen Datenhacker, Analytiker, Kommunikationsexperten und vertrauenswürdige Berater in einem sein. Diese Mischung ist extrem kraftvoll – und extrem selten.“ Sie ist sogar so selten, dass viele Unternehmen keine entsprechenden Kandidaten finden werden. Deshalb sollten Unternehmen ihre Ansprüche überdenken und stattdessen auf Teams mit der richtigen Kombination von unterschiedlichen Talenten setzen.


Ein Talent ist keine Person, es ist eine Fähigkeit, die eine oder mehrere Personen haben können.


Ein besseres Team bilden

Eine erfolgreiche, teambasierte Datenabteilung kann sich an Brinton und Spear orientieren und gleichzeitig den modernen Kontext berücksichtigen; dazu gehören große Datenvolumina, automatisierte Systeme und modernste Visualisierungsmethoden. Darüber hinaus unterstützt sie eine breite Palette an Projekten – von der Präsentation relativ einfacher Datenanalysen, wie sie etwa in Finanzberichten zu finden sind, bis zu den kompliziertesten Big-Data-Anwendungen mit modernsten Machine-Learning-Algorithmen. Vier Schritte sind nötig, um eine entsprechende Datenabteilung aufzubauen:

1 Talente definieren, nicht Teammitglieder
Es erscheint naheliegend, zunächst einmal die Rollen, die der ideale Datenwissenschaftler heute übernehmen soll, auf unterschiedliche Personen zu verteilen: Datenbearbeiter, Datenanalytiker, Designer und Kommunikationsexperte. Wir empfehlen einen anderen Ansatz: Statt Mitarbeiter für Rollen zu suchen, sollten Sie definieren, welche Talente das Team braucht, um erfolgreich zu sein. Im modernen Personalmanagement wird Talent gern mit Mitarbeiter gleichgesetzt, aber ein Talent ist keine Person; es ist eine Fähigkeit, die eine oder mehrere Personen haben. Eine Person kann über mehrere Talente verfügen, und entsprechend können drei Mitarbeiter fünf Talente abdecken. Diese Unterscheidung ist wichtig, um flexibel genug zu sein, Teams in den unterschiedlichen Phasen eines Projekts neu oder anders zusammenzusetzen. (Darauf gehe ich später noch ein.) Die Liste der erforderlichen Talente wird nicht in jedem Unternehmen gleich sein, aber diese sechs sind grundlegend (siehe die Tabelle „Kerntalente für die Datenarbeit“ auf Seite 59):

Projektmanagement. Je nach Art und Fortschritt eines Projekts wird sich die Teamzusammensetzung verändern, aber ein starkes Projektmanagement, das mit Scrum-ähnlichen Methoden arbeitet, wird immer erforderlich sein. Ein guter Projektmanager verfügt über ausgezeichnete organisatorische Fähigkeiten und diplomatisches Geschick, um kulturelle Unterschiede im Team zu überbrücken, Talente bei Besprechungen zusammenzubringen und dafür zu sorgen, dass alle Teammitglieder dieselbe Sprache sprechen.

Datenbearbeitung. In diese Kategorie fallen das Aufbauen von Systemen, das Finden, Bereinigen und Strukturieren von Daten sowie das Erstellen und Pflegen von Algorithmen und anderen statistischen Systemen. Mitarbeiter mit Datenbearbeitungstalent suchen nach Möglichkeiten, Abläufe zu optimieren, zum Beispiel mithilfe von wiederholbaren Prozessen für mehrere Projekte und Vorlagen für solide, planbare Visualisierungen, die das Informationsdesign in Gang bringen.

Datenanalyse. Dieses Talent bedeutet im Kern, Hypothesen aufstellen und testen zu können, Daten über eine Analyse ihrer Bedeutung mit Leben zu füllen und diese Erkenntnisse auf einen konkreten geschäftlichen Kontext anzuwenden. Dieses Talent ist überraschenderweise in vielen Datenabteilungen weniger gut vertreten, als man meinen möchte. Manche Organisationen lassen ihre vielen Datenbearbeiter auch die Auswertungen machen. Aber eine gute Analyse ist etwas völlig anderes als Programmierung und Mathematik. Häufig findet sich das dafür nötige Talent nicht bei Informatikern, sondern in den Geisteswissenschaften. Das Softwareunternehmen Tableau bezeichnete den Input der Geisteswissenschaften für die Datenanalyse als einen der größten Analysetrends des Jahres 2018. Kritisches Denken, Kontextualisierung und andere typisch geisteswissenschaftliche Vermögen sind auch Kernfähigkeiten für die Analyse, im Datenbereich wie auch im Allgemeinen. Michael Correll, ein Wissenschaftler von Tableau, erklärt in einem Onlinevortrag, warum er die Berücksichtigung der Geisteswissenschaften als so wichtig erachtet: „Daten lassen sich nicht isoliert von Menschen betrachten. Die Geisteswissenschaften helfen uns, den Kontext zu berücksichtigen. Sie rücken den Menschen so in den Mittelpunkt, wie es in der Technologie nicht der Fall ist.“

Fachwissen. Es ist höchste Zeit, mit der Vorstellung aufzuräumen, dass Datenwissenschaftler in einem dunklen Kellerraum ihre geheime Arbeit verrichten und nur auftauchen, wenn die operativen Abteilungen etwas von ihnen brauchen. Data Science sollte nicht als interner Dienstleister aufgestellt werden, sondern über Managementtalent verfügen. Mitarbeiter, die das Geschäft und die Strategie kennen, bestimmen mit, wie Projekte aufgesetzt und Daten analysiert werden, und sorgen dafür, dass die Teammitglieder das unternehmerische Ergebnis im Auge behalten und sich nicht nur auf das Entwickeln statistischer Modelle konzentrieren. Joaquin Candela, der bei Facebook den Bereich des angewandten maschinellen Lernens leitet, hat sein Team konsequent auf geschäftliche Ergebnisse ausgerichtet und belohnt Entscheidungen, die den unternehmerischen Erfolg höher gewichten als datenwissenschaftliche Verbesserungen.


Storytelling schließt die kommunikative Kluft zwischen Algorithmen und Managern.


Design. Dieses Talent wird in vielen Fällen falsch verstanden. Hier geht es nicht darum, Farben und Schriftarten auszuwählen oder ästhetisch ansprechende Grafiken zu entwickeln. Das ist Styling – ein Teilbereich des Designs, aber keineswegs der wichtigste. Menschen mit Designtalent entwickeln und implementieren Systeme für eine wirksame visuelle Kommunikation. In unserem Kontext heißt das, sie können Visualisierungen erstellen und bearbeiten, die Aufmerksamkeit eines Publikums auf bestimmte Dinge fokussieren und Ideen entwickeln. Ein Talent im Informationsdesign, bei dem es vor allem darum geht, Datenvisualisierungen zu verstehen und zu bearbeiten, ist für ein Datenteam ideal.

Storytelling. Die Kunst des Erzählens ist eine hochwirksame und überaus nützliche menschliche Erfindung, die in der Datenwissenschaft viel zu selten zum Einsatz kommt. Die Fähigkeit, datenbasierte Erkenntnisse in eine Geschichte zu verpacken, trägt mehr als alles andere dazu bei, die kommunikative Kluft zwischen Algorithmen und Managern zu schließen. „Storytelling mit Daten“ ist zwar schon zu einem Schlagwort geworden, wird aber meist missverstanden. Es geht nicht darum, Vortragende zu Stephen Kings oder Tom Clancys zu machen, sondern die Struktur und die Wirkungsweise von Erzählungen zu verstehen und dieses Wissen bei der Visualisierung von Daten und in Präsentationen umzusetzen.

2 Ein Portfolio notwendiger Talente erstellen
Wenn Sie herausgefunden haben, welche Talente Sie brauchen, muss sich die Personalabteilung von der Vorstellung lösen, dass die Talente Rollen sind, die es zu besetzen gilt. Stellen Sie stattdessen sicher, dass in einem Team alle nötigen Talente vertreten sind. Manche davon sind verwandt; Design und Storytelling oder Datenbearbeitung und Datenanalyse können zum Beispiel in einer Person gebündelt sein. Manchmal finden sich bestimmte Talente nicht in Mitarbeitern, sondern in externen Dienstleistern. Ich persönlich pflege ein Netzwerk an Menschen, deren Talente meine eigenen Schwächen ausgleichen. In manchen Fällen kann es sinnvoll sein, externe Spezialisten für Informationsdesign oder Experten, die Datenströme bereinigen und strukturieren, zu beauftragen.

Wer Talente getrennt von Personen betrachtet, ist nicht mehr auf Supermitarbeiter angewiesen, die Datenexperten, brillante Analytiker und Kommunikationsgenies in einem sind. Ein paar Mitarbeiter mit erstklassigen Designkenntnissen einzustellen führt dazu, dass sich die Data Scientists wieder auf ihre eigentlichen Stärken konzentrieren können. Außerdem öffnet es unter Umständen die Tür für Kandidaten, die sonst nicht zum Zug gekommen wären: Ein durchschnittlicher Programmierer mit guten Designkenntnissen kann sehr wertvoll sein.


Im Kontakt mit anderen Talenten entsteht Empathie, und Empathie schafft Vertrauen.


Randal Olson, der leitende Datenwissenschaftler beim Insurtech Life Epigenetics und Kurator des Datenvisualisierungsportals „Data is Beautiful“, war früher bei Neueinstellungen nur an der datenwissenschaftlichen Kompetenz der Kandidaten interessiert. „Als ich anfing, habe ich auf den Kommunikationspart überhaupt keinen Wert gelegt. Ich denke, das ist oft so.“ Jetzt geht er zum Teil anders vor. „Wissen Sie, die Bewerber kommen herein, und wir unterhalten uns sofort am Whiteboard über Modelle und Mathematik – von Data Scientist zu Data Scientist. Heute hole ich aber manchmal auch Laien dazu und sage zu den Bewerbern: ‚Erklären Sie ihm oder ihr mal das Modell.‘“

3 Kontakt zu anderen Talenten
Das Überwinden kultureller Unterschiede beginnt mit dem Verständnis der Erfahrungen anderer. Viele Designer haben nie mit Statistik oder Algorithmen zu tun. Ihr Fokus liegt auf Ästhetik, Einfachheit, Klarheit und einer guten Story. Die Tiefe und Komplexität von Datenarbeit passt dazu nicht so recht. Datenwissenschaftler legen hingegen Wert auf Objektivität, statistische Präzision und Vollständigkeit. Der Kommunikationspart ist ihnen nicht nur fremd, er stört sie sogar. „Das widerspricht ihrem Ethos“, sagt ein Manager einer datenwissenschaftlichen Abteilung bei einem Technologiekonzern. „Ich war genauso. Ich habe zehn Jahre als Data Scientist gearbeitet, aber als ich dann ein Team zusammenstellen sollte, hatte ich ein Aha-Erlebnis. Ich erkannte, dass wir für das Unternehmen viel mehr erreichen konnten, wenn wir nur in unserer Kommunikation etwas besser wurden.“

Es gibt viele Möglichkeiten, Teammitgliedern den Wert anderer Talente zu demonstrieren. Designer sollten statistische Grundkenntnisse erwerben, und Datenwissenschaftler sollten die wichtigsten Designprinzipien kennen. Niemand muss Experte auf dem Gebiet der anderen werden, aber jeder sollte so viel lernen, dass gegenseitige Wertschätzung entsteht. In Stand-up-Meetings und anderen Besprechungen sollten immer unterschiedliche Talente vertreten sein. Auch bei einem Scrum-Stand-up, das in erster Linie ein technisches Update geben soll, kann ein Marketingvertreter dabei sein und präsentieren, wie in Olsons Unternehmen. Die Spezialisten sollten zu Strategiebesprechungen Datenbearbeitungs- und Datenanalysetalente mitbringen. Sondersitzungen, bei denen Vertreter des operativen Bereichs Fragen des Datenteams beantworten und umgekehrt, helfen ebenfalls, Unterschiede zu überbrücken. Eric Colson, der oberste Algorithmusverantwortliche bei Stitch Fix (der in einem datenwissenschaftlichen Unternehmen Statistik- und Kommunikationstalent vereint und damit der Eier legenden Wollmilchsau schon nahekommt), lässt seine Teammitglieder einminütige Präsentationen für Fachfremde halten und zwingt sie damit, Probleme so zu formulieren, dass jeder sie versteht. „Wenn Sie bei uns das Wort ‚Kokosnuss‘ in den Mund nehmen, erinnern sich hier alle daran, dass dies mal eine Metapher war, mit der jemand ein statistisches Problem verdeutlichte. Wir konzentrieren uns darauf, Dinge so zu formulieren, dass jeder sie versteht, denn was das Unternehmen nicht versteht, das tut es auch nicht“, sagt Colson. Ein anderer Leiter eines Datenteams erstellte ein gemeinsames Glossar für Datenexperten und Designer, damit die Mitarbeiter die Sprache der anderen kennenlernten. Wenn es bei Ihnen im Unternehmen solche seltenen Exemplare wie Colson gibt, die Daten-, Kommunikationsund Designtalent vereinen, sollten sie sich gegenseitig als Mentoren unterstützen. Und wenn Mitarbeiter neue Talente entwickeln wollen, die gebraucht werden, sollten sie das tun dürfen – auch wenn diese weit entfernt sind von ihren anderen Talenten (wenn zum Beispiel ein Datenspezialist Designkenntnisse erwerben will). In meinen Workshops habe ich immer wieder Data Scientists, die Design- oder Storytelling-Kenntnisse erwerben wollen, aber keine Zeit dafür haben. Andere hätten diese Talente sehr gern in ihrem Team, aber das Projektmanagement konzentriert sich primär auf fachliche Ergebnisse und weniger auf die geschäftliche Seite.

Ziel des Kontakts mit anderen Talenten ist Empathie, denn Empathie schafft Vertrauen, und Vertrauen ist eine notwendige Voraussetzung für eine effektive Zusammenarbeit im Team. Colson erinnert sich an einen Fall, bei dem ihm Storytelling half, Analyseergebnisse zu erklären: „Ich hielt einen Vortrag zu einem Vermarktungsproblem, bei dem ich der Meinung war, dass wir es nicht richtig angingen, und ich brauchte die Unterstützung der Marketingabteilung.“ Statt die Beta-Binominalverteilung und andere mathematische Konzepte für seine Argumentation zu erläutern, erzählte er von jemandem, der Kugeln aus einer Urne zieht, und berichtete davon, wie sich die Art und die Anzahl der in der Urne verbleibenden Kugeln mit der Zeit verändert. „Die Leute fanden das toll“, sagt er. „Ich habe ihnen richtig angesehen, wie diese Geschichte sie angesprochen und ihnen so viel Vertrauen gegeben hat, dass ich die zugrunde liegenden mathematischen Konzepte gar nicht mehr erklären musste. Sie haben uns vertraut.“

4 Talente in den Mittelpunkt
Wenn das Talentportfolio steht, ist es Zeit, auf Ihre Ziele hinzuarbeiten. Dass sich der Talentbedarf mit der Zeit verändert, kann Projekte schwie rig machen. Gute Projektmanagementfähigkeiten und Erfahrung mit agilen Methoden helfen dabei, den Talentmix zu planen und immer wieder zu verändern, Ressourcen nach Bedarf einzusetzen und dafür zu sorgen, dass die Zeitplanung in keiner Projektphase zu eng wird (siehe Grafik „Die Talentübersicht“ auf Seite 55).

Die Umsetzung


Ein Datenteam sollte am selben Ort arbeiten und einen virtuellen Raum für die Kommunikation haben.


Damit alles funktioniert, bedarf es noch weiterer Schritte:

Zentralen Stakeholder ernennen
Es ist gut möglich, dass nicht alle Mitarbeiter, deren Talente Sie brauchen, dem Datenteamleiter unterstellt sind. Designtalente sind organisatorisch vielleicht im Marketing angesiedelt, Experten können Manager sein, die direkt an den CEO berichten. Trotzdem ist es wichtig, dem Team so viele Entscheidungsbefugnisse wie möglich zu übertragen. Stakeholder sind meistens Mitarbeiter mit operativer Erfahrung, die eine enge Verbindung zu oder Verantwortung für die unternehmerischen Ziele haben; Ziel ist es schließlich immer, das geschäftliche Ergebnis zu verbessern. Diese Mitarbeiter können gemeinsame Ziele und Anreize für das Team entwickeln. Im Idealfall vermeiden Sie das Dilemma „Verantwortung ohne Befugnisse“, bei dem das Team mit einer Reihe von Stakeholdern zu tun hat, die nicht an einem Strang ziehen, aber nichts dagegen tun kann.

Haupt- und Nebenrollen festlegen
Welche Talente die Hauptrolle spielen, hängt von Art und Phase eines Projekts ab. In einem Forschungsprojekt, in dem große Datensätze verarbeitet und visualisiert werden, um Muster zu finden, sind Datenbearbeitung und -analyse die Haupttalente, Fachkenntnisse sind weniger wichtig, und Designtalent spielt vielleicht überhaupt keine Rolle, weil keine externe Kommunikation erforderlich ist. Soll hingegen dem Board erklärt werden, warum eine Anpassung der Strategie nötig ist, spielen Storytelling und Design die Hauptrolle, während datenwissenschaftliche Kompetenzen nur unterstützend zum Einsatz kommen.

Das Team an einem Ort bündeln
Während eines Projekts soll das gesamte Team am selben Ort arbeiten. Zusätzlich sollte es einen virtuellen Raum für Kommunikation und Kooperation geben. Dass die Mitarbeiter mit Design- und Storytelling-Talent einen Slack-Kanal nutzen, die Techies über GitHub und die Manager per E-Mail korrespondieren, ist nicht sinnvoll. Ratsam sind sogenannte Paired-Analysis-Methoden, bei denen Teammitglieder buchstäblich nebeneinandersitzen und in einem Scrum-ähnlichen stufenweisen Verfahren am selben Bildschirm arbeiten. Hier können Datenexperten zusammensitzen, die Datenmodelle optimieren und Hypothesen testen, oder Mitarbeiter, die sowohl Fachwissen als auch Storytelling-Kompetenz vereinen und gemeinsam an einer Präsentation feilen – und sich Designunterstützung hinzuholen, wenn sie eine Grafik anpassen müssen.

Ein autonomes Team aufstellen
Räumliche Nähe reicht nicht; die Mitarbeiter müssen ein autonomes Team sein. Eric Colson von Stitch Fix sagt: „Unsere Regel lautet: Keine Übergaben. Wir wollen nicht drei Mitarbeiter über Abteilungen hinweg koordinieren.“ Deshalb sorgt er dafür, dass seine Teams alle nötigen Fähigkeiten haben, um ihre Ziele mit möglichst wenig externer Unterstützung zu erreichen. Außerdem stellt Colson Leute ein, die viele als Generalisten bezeichnen würden und die die Kluft zwischen Technologie und Kommunikation überbrücken. Dieses Modell unterstützt er mit regelmäßigem Feedback, zum Beispiel für einen Datenexperten, der Storytelling-Unterstützung braucht, oder einen Fachexperten, der ein statistisches Prinzip verstehen will.

Gemeinsame Vorlagen erstellen
Colson stellte auch ein „Algo-UI-Team“ auf, das Vorlagen und Standards für die Datenvisualisierung erstellt und damit gewissermaßen eine Benutzeroberfläche (UI: User Interface) für spätere Projekte schafft. So ein Team bündelt Design- und Datenbearbeitungstalente, die im Zusammenspiel wiederverwertbare Programmbausteine für gute Datenvisualisierungen erstellen. Solche Vorlagen leisten einen unschätzbaren Beitrag zu einer effizienten Teamarbeit. Informationsdesigner und Datenanalytiker unterhalten sich über optimale Ansätze in der Visualisierung und gießen diese Best Practices in Standardtools. Graham MacDonald, der oberste Datenverantwortliche beim Urban Institute, hat diese Form der kooperativen Vorlagenerstellung erfolgreich etabliert. Seine Gruppe hat für viele US-Landkreise Datenvorlagen erstellt. Datenwissenschaftler und Fachleute unterschiedlicher Disziplinen klärten gemeinsam die Kommunikationsanforderungen und erstellten auf dieser Basis eine Vorlage, die jeder Landkreis an seine Anforderungen anpassen kann. Ohne das Zusammenspiel unterschiedlicher Talente wäre dieses Ergebnis schwer zu erzielen gewesen.

Fazit

Die Aufbereitung von datenbasierten Erkenntnissen für Laien hat sich nicht so schnell und umfassend weiterentwickelt wie der datenwissenschaftliche Kern. Hier besteht Nachholbedarf: Unternehmen und Organisationen müssen überdenken, wie sie ihre Datenteams zusammenstellen, wie sie diese Teams managen und wer auf den unterschiedlichen Prozessstufen eines Datenprojekts beteiligt ist – von den ersten Rohdaten bis zur Infografik, die dem Board of Directors präsentiert wird. Solange datenwissenschaftliche Abteilungen auf diesen letzten Metern bis zum Ziel nicht besser werden, können sie ihr Potenzial nicht ausschöpfen. Dann sind sie, nach der Metapher Willard Brintons, nur ein Fundament ohne Kathedrale.

© HBP 2019 siehe Seite 102

Autor

SCOTT BERINATO
ist Senior Editor der Harvard Business Review und Verfasser von „Good Charts Workbook: Tips, Tools, and Exercises for Making Better Data Visualizations“ (Harvard Business Review Press, 2019).

Kompakt

Das Problem
Als Reaktion auf den modernen Analytics-Boom haben Unternehmen die besten Datenwissenschaftler eingestellt, die sie finden konnten. Leider haben viele Vorhaben das erhoffte Potenzial nicht voll ausgeschöpft.

Die Ursache
Damit ein Analytics-Projekt einen Mehrwert erwirtschaftet, muss das Team zunächst einmal intelligente Fragen stellen, die relevanten Daten beschaffen, bearbeiten und Erkenntnisse daraus gewinnen. Im zweiten Schritt muss das Team die wirtschaftlichen Auswirkungen dieser Erkenntnisse ermitteln – und dann kommunizieren. Analyse und Kommunikation erfordern Talente, die selten in ein und derselben Person zu finden sind. Die meisten Data Scientists sind geschulte Analytiker, keine Kommunikationsexperten.

Die Lösung
Ein gutes datenwissenschaftliches Team braucht sechs Fertigkeiten: Projektmanagement, Datenbearbeitung, Datenanalyse, Fachwissen in dem Bereich, aus dem die Daten stammen, Design und Storytelling. Mit der richtigen Mischung lässt sich das Potenzial der modernen Datenwissenschaft heben.

Warum Kommunikation scheitert

Ich habe die Erfahrung gemacht, dass die meisten Topmanager das Potenzial von Data Science erkennen, aber die wenigsten mit der Umsetzung zufrieden sind. Datenwissenschaftler sagen, die Ergebnisse ihrer Arbeit kämen zu wenig zum Tragen und die Chefs verstünden nicht, was in der Datenabteilung eigentlich passiert. Manager beschweren sich wiederum, Datenwissenschaftler seien nicht in der Lage, ihre Arbeit auch Laien verständlich zu machen. Die Geschichten, die ich zu hören bekomme, fallen oft in eine von drei Kategorien. Erkennen Sie sich in einem der Szenarien wieder?

Der Fluch des Statistikers

Eine Datenwissenschaftlerin gewinnt mit neu entwickelten, leistungsstarken Algorithmen und einer hervorragenden Datengrundlage eine Reihe von Erkenntnissen, die sie den Entscheidungsträgern in allen Einzelheiten vorstellen will. Ihre Analyse ist in ihren Augen objektiv und unanfechtbar. Sie visualisiert ihre Erkenntnisse mit Standardgrafiken, die ihre Datensoftware mit ein paar Mausklicks automatisch ausspuckt, und packt noch ein paar Textzeilen in die Präsentation. Kein ernst zu nehmender Statistiker verschwendet in ihren Augen wertvolle Zeit auf das Design. Sprachlich ist sie in ihrem Vortrag so präzise wie in ihren Inhalten, aber das Management versteht kein Wort. Frust macht sich breit. Trotz einer brillanten Analyse erntet sie mit ihrer Empfehlung eine Abfuhr.

Der unverbesserliche Manager

Ein operativer Manager der mittleren Führungsebene will ein Lieblingsprojekt durchsetzen, hat aber nicht die nötige Datengrundlage für seine Hypothese. Er bittet das Datenteam, eine Analyse und entsprechende Diagramme für seine Präsentation zu erstellen. Das Team erkennt, dass die Hypothese nicht sauber formuliert wurde, und macht Verbesserungsvorschläge für die Analyse. Doch der Manager will nur Charts und ein paar Notizen für seinen Vortrag. Zwei Dinge können passieren: Seine Präsentation fällt auseinander, sobald jemand die Datenanalyse hinterfragt und er nicht die richtigen Antworten liefern kann, oder sein Projekt wird genehmigt und scheitert dann in der Umsetzung, weil die Analyse nicht hieb- und stichfest war.

Die bequeme Wahrheit

Ein begnadeter Infografiker ist begeistert von einer datenwissenschaftlichen Analyse und bietet an, eine schöne Präsentation für das Topmanagement daraus zu machen – mit den Farben und der Typografie der Marke und packenden, einprägsamen Geschichten. Als die Manager dann aber anfangen, die falschen Schlüsse aus der Analyse zu ziehen, werden die Wissenschaftler nervös. Die klaren, einfachen Grafiken suggerieren in manchen Fällen kausale Zusammenhänge, wo keine sind, und eliminieren den eigentlich in der Analyse enthaltenen Unsicherheitsfaktor. Die Forscher stecken in einem Dilemma: Endlich ernten sie im Topmanagement Begeisterung für ihre Arbeit, nur leider ist das, wovon die Manager begeistert sind, keine präzise Wiedergabe ihrer Arbeit.

Scott Berinato

Die Talentübersicht …

Ein Talent-Audit hilft Managern, Projekte besser zu planen und Teams sinnvoller zusammenzustellen

…und ihre Anwendung

Wenn klar ist, welche Talente verfügbar sind, können Manager für jede Projektphase angeben, welche Talente in welchem Umfang zum Einsatz kommen sollen. Zu Projektbeginn wird eine andere Talentzusammensetzung am Werk sein als in späteren Phasen. Das Projektmanagement spielt in der Regel durchgehend eine wichtige Rolle.

Kerntalente für die Datenarbeit

So kommen die unterschiedlichen Talente im Lauf eines datenwissenschaftlichen Projekts zum Einsatz – von der Datenerhebung über die Analyse bis hin zur Präsentation der Ergebnisse.


FOTO: KRISTEN MEYER

FOTO: KRISTEN MEYER

FOTO: KRISTEN MEYER