Jedes Unternehmen braucht Data Science und KI — zumindest glauben das viele —, während zugleich die meisten Data-Science-Projekte keinen dauerhaften Mehrwert liefern. Es gibt zwar keine exakte Messung dazu, welcher Anteil der Data-Science-Projekte scheitert, doch es besteht Einigkeit darüber, dass die Ausfallquote sehr hoch ist. 2016 schätzte Gartner, dass 60% der Data-Science-Projekte scheitern. Ein Jahr später sagte Gartners eigener Analyst Nick Heudecker, Gartner sei zu konservativ gewesen und die Ausfallquote liege eher bei 85%. Dieser Artikel aus dem Jahr 2021 von Mateusz Kwaśniak sucht nach der Quelle einer scheinbar allgegenwärtigen Statistik, nach der nur 13% der Data-Science-Projekte erfolgreich sind. Und während Data-Science-Tools und -Methoden immer komplexer werden, bleiben die Hauptgründe für das Scheitern von Projekten frustrierend menschlich: Führungskräfte vertrauen ihrem Bauchgefühl mehr als den Daten. Unternehmen fördern keine datengetriebene Kultur. Sie starten Big-Data- und Analytics-Projekte — bis hin zum Aufbau ganzer Abteilungen – ohne klaren Weg zur Wertschöpfung. Ein Data-Science-Projekt erfolgreich abzuschließen, erfordert Prozessdisziplin trotz der vielen Versuchungen und Verzerrungen, die unser menschliches Denken mitbringt.

Als Berater werden wir in viele Unternehmen und Projekte geholt — oft erst dann, wenn Probleme oder erste Anzeichen des Scheiterns sichtbar werden. Hier sind einige der Wege, auf denen wir Data-Projekte über die Jahre scheitern gesehen haben, in der Hoffnung, dass Sie dieselben Fallen vermeiden können:

• Mit dem Tool beginnen, nicht mit dem Problem. Dabei wird versucht, ein Problem an ein Tool anzupassen, statt das richtige Tool für das Problem zu finden. Eine unzureichende Problemanalyse kann dazu führen. Ein Tool aufgrund von Branchenhype auszuwählen, ist ein häufiger Fehler. Zum Beispiel: ein Large Language Model für ein Problem zu verwenden, das besser durch Datenanalyse gelöst würde, nur weil LLMs gerade im Trend liegen.
• Komplexe Tools für einfache Probleme verwenden. Ähnlich wie #1, aber etwas anders. Manchmal ist ein einfaches lineares Regressionsmodell oder ein statistisches Tool die beste Lösung. Ein neuronales Netz auf ein einfaches Problem anzusetzen, verschwendet nur Geld und führt sehr wahrscheinlich zu Problemen.
• Schlechte Datenqualität. Garbage in = garbage out. Wenn die Daten von schlechter Qualität oder nicht zugänglich sind, lässt sich daraus kein Mehrwert gewinnen, egal wie viel Analyse oder Transformation angewendet wird. Noch schlimmer: Sie erhalten möglicherweise Antworten, die korrekt aussehen, aber tatsächlich falsch und irreführend sind.
• Die Lösung wird nicht genutzt. Die Endnutzer im Unternehmen werden nicht richtig darin geschult, die Lösung zu verwenden. Oder die Prozesse im Unternehmen passen sich nie an die neuen Möglichkeiten an, sodass die Lösung ungenutzt bleibt, selbst wenn sie verfügbar ist. Manchmal wissen die Nutzer nicht einmal, dass die Funktion existiert.
• Endnutzer wollen sie nicht verwenden, weil die Unternehmenskultur es unattraktiv macht. Manchmal begünstigt ihre Bonusstruktur die alte, schlechtere Methode statt der neuen Lösung. Oder sie befürchten, überflüssig zu werden und irgendwann entlassen zu werden, wenn sie das neue Tool nutzen.
• Keine wirkliche End-to-End-Sicht haben. Das Unternehmen glaubt, die Lösung isoliert zu besitzen, reiche aus. Es berücksichtigt nicht die Softwareentwicklung, die nötig ist, um eine Lösung tatsächlich für alle benötigten Nutzer in Produktion zu bringen. Die Lösung ist valide, wird aber nie genutzt werden.
• Das Geschäftsproblem und die konkreten Geschäftsergebnisse sind nicht durchdacht. Der Kunde will sich nicht die Zeit nehmen, das Problem sauber zu definieren. Er will nicht tatsächlich spezifizieren, was benötigt wird. Das muss vor dem Bau einer Lösung geschehen, sonst ist das Risiko zu hoch.

Ein erfolgreiches Data-Science-Projekt umzusetzen, erfordert mehr als die Fähigkeiten der einzelnen Beteiligten. Selbst mit einem starken Team braucht es den richtigen Ansatz, um Erfolg zu ermöglichen. Bevor Data Science oder Software Engineering beginnt, muss das Geschäftsproblem sauber analysiert werden. Anforderungen müssen sorgfältig definiert werden. Auch die gewünschten Endergebnisse müssen festgelegt werden, einschließlich der Frage, ob Endnutzer tatsächlich auf die entstehende Lösung zugreifen können. Ein Data-Projekt, das wesentliche Teile des Geschäfts, seiner Prozesse oder seiner Menschen ausklammert, wird wahrscheinlich scheitern.

Ein Data-Science-Projekt mit einem soliden Prozess und einem erfahrenen Team zu starten, erhöht Ihre Erfolgschancen deutlich. Ebenso entscheidend ist die Erfahrung, das Projekt eher zu einfacheren, bewährten Methoden zu führen als zu trendigen neuen Tools. Insight Softmax bringt ein tiefes Verständnis dieser Herausforderungen und Lösungen mit. Wir führen Sie durch unseren bewährten Prozess, der Ihre Risiken begrenzt und Ihre Chancen auf Data-Science-Erfolg erhöht. Um mehr zu erfahren, klicken Sie hier.