Die neuen Rollen für Daten und Analytics

Der Begriff „Chief Data and Analytics Officer“ (CDAO) bezieht sich auf die Führungsrolle im Unternehmen, die die Hauptverantwortung für die Wertschöpfung des Unternehmens mit Hilfe der D&A-Assets und des D&A-Ökosystems trägt. Äquivalente Bezeichnungen für diese Rolle sind Chief Data Officer, Chief Analytics Officer (wenn die CDAO-Rolle oder ein Äquivalent im Unternehmen nicht vorhanden ist), Chief/Leiter of Data and Analytics und andere Varianten.

Der D&A-Manager ist für die Leitung des D&A-Kompetenzzentrums verantwortlich und muss als solcher den Einsatz von D&A im gesamten Unternehmen unterstützen. D&A-Manager leisten einen wichtigen Beitrag zur Strategie und Vision für D&A. Sie erstellen den Fahrplan, leiten Interessenvertreter an und überwachen die Budgets und Ressourcen. Neben der Messung der Leistung ihres Teams sollten sie auch den Beitrag von D&A zu den Geschäftszielen überwachen.

Er stärkt die Wirkung und gibt Empfehlungen zu Geschäftsinformationen. Ein D&A-Architekt muss identifizieren, definieren und analysieren, wie Informationsressourcen die Geschäftsergebnisse beeinflussen, um konsistente Daten mit dem gesamten Unternehmen zu teilen. D&A-Architekten sind die Owner der Datenmodelle.

Sie verstehen die Auswirkungen der verschiedenen D&A-Szenarien, wie Data Science oder Maschinelles Lernen, auf die gesamte Unternehmensarchitektur haben und arbeiten mit dem Enterprise Architekten an der D&A-Architekturstrategie und den unterstützenden Plattformen.

Es gibt nicht nur einen Typen von Business Analysten, sondern ein ganzes Spektrum. Ihre Rollen hängen vom D&A-Anwendungsfall ab, variieren je nach Interaktion und bringen unterschiedliche Verantwortlichkeiten und Qualifikationsanforderungen mit sich.

Ein Beispiel: Datenanalysten haben ein grundlegendes Verständnis der statistischen Analyse und nutzen diese Fähigkeiten, um bestimmte Geschäftsbereiche zu unterstützen. Sie sind entweder Fachexperten oder arbeiten eng mit solchen Experten zusammen, um Erkenntnisse auf Geschäftsprozesse oder Funktionen anzuwenden.

Datenübersetzer, Datencoaches oder Moderatoren hingegen überbrücken nicht nur die technische Kluft zwischen Datenwissenschaftlern/Dateningenieuren und anderen Geschäftsbereichen, sondern helfen auch Akzeptanz im gesamten Unternehmen zu fördern. Diese Rollen haben ein gutes Verständnis der Geschäftsprozesse und des damit verbundenen D&A-Bedarfs, den sie in D&A-Lösungen umsetzen. Sie müssen technisches Verständnis mit Fachwissen kombinieren und ein Gespür dafür haben, mit verschiedenen Zielgruppen an Innovation zu arbeiten.

Er ist für den Erfolg aller Projekte im D&A-Portfolio verantwortlich. Der Projektmanager plant, führt aus und liefert alle Projekte rechtzeitig, innerhalb des Budgets und des Umfangs in Übereinstimmung mit den Fachabteilungen ab. Während des gesamten Lebenszyklus eines jeden Projekts verfolgt der Projektmanager den Projektstatus und leitet die Projektteams, um Probleme und Risiken zu mindern. Er ist der Hauptansprechpartner für D&A Initiativen und steuert die Kundennachfrage mit den verfügbaren Ressourcen.

Dieser Manager ist für die Veränderung und den Wandel verantwortlich. Er treibt die organisatorischen Ergebnisse und Geschäftsergebnisse, indem er Strategien entwickelt, die die Mitarbeiter ermutigen, neue Wege mit D&A zu gehen. Change and Transformation Manager brauchen die Unterstützung vom Senior Management (wie dem CDAO), um Änderungen im Verhalten der Mitarbeiter zu fördern und eine stärker datengetriebene Kultur zu ermöglichen. Sie helfen bei der Entwicklung neuer Fähigkeiten durch Schulung und bei der Schaffung von Datenkompetenz, indem sie die richtige Abstimmung zwischen Menschen, Aufgaben und Werkzeugen herstellen.

Sie sind für das Management der mit D&A verbundenen Risiken verantwortlich (etwa betriebliche Risiken oder Datenschutz). Sie verwalten das Risiko durch das Testen von Datenprodukten (wie Datenpipelines und Datenqualität) und analytische Produkte (wie Berichte und Dashboards) anhand der Anforderungen (Benutzerakzeptanztests) und IT-Anforderungen (Systemintegrationstests).

Daten-Engineering ist die Praxis der Bereitstellung geeigneter Daten für verschiedene Datenkonsumenten (einschließlich Data Scientists, Daten- und Geschäftsanalysten, Citizen Integrator und Geschäftskunden). Ein Citizen Integrator ist ein Endbenutzer, der ohne tiefgreifende Kenntnisse von Programmiersprachen Software entwickeln kann. Der Fokus liegt dabei auf der Integration zwischen Front-End und Back-End oder verschiedenen Applikationen.

Der Analytics Engineer ist dem Data Engineer ähnlich, konzentriert sich aber auf andere Pipelines. Der traditionelle Data Engineer konzentriert sich auf die Entwicklung von Datenpipelines von operativen/transaktionalen Quellen zum Unternehmensdaten-Repository. Im Gegensatz dazu konzentriert sich der Analysetechniker auf die Entwicklung von Datenpipelines für KI/ML-Modelle und Data-Science-Teams. Analytics Engineers bereiten Datenpipelines vor, die Datensätze für analytische Zwecke erstellen, einschließlich Datensätze für Endbenutzer zum Import in Desktop-Tools und Datensätze für BI-Entwickler zum Importieren in ABI-Tools. Zusätzlich zu den regionalen und lokalen Datenquellen verwendet der Analytikingenieur den „kuratierten“ Bereich des Unternehmensdaten-Repository als Quelle für diese Art von Datenprodukten.

Ohne Dateningenieure sind D&A-Initiativen anfälliger für zusätzliche Kosten, Verzögerungen bei der Bereitstellung sowie Problemen bei der Datenintegration, -qualität und -verfügbarkeit.

Ein Data Steward ist in der Regel eine Person innerhalb einer Unternehmensgruppe, die für alle Fragen bzw. Unstimmigkeiten in den Datenquellen zu Verfügung steht. Wenn die Datenverantwortlichen im Unternehmen weit verstreut sind (entlang von Abteilungs-/Funktionslinien oder Geschäftsprozesslinien), besteht ein Bedarf an Stewardship-Aktivitäten in puncto Koordination, um Konsistenz und Nutzen zu erzielen.

Unternehmen unterscheiden sich in der Art und Weise, wie sie Master Data Management (MDM) organisieren, aufgrund von großen Unterschieden in Umfang, Komplexität, Struktur und dem Grad der Zentralisierung und Lokalisierung. Dennoch können einige grundlegende Organisationsprinzipien als Best Practices für einen größeren Erfolg beschrieben werden. Diese umfassen:

– Executive-Sponsoring, um eine gemeinsame Version der Wahrheit voranzutreiben
– Unterstützung für unternehmensweite Informationsverwaltung zur Erstellung und Durchsetzung von Informationsmanagementrichtlinien

Der MDM-Manager stellt sicher, dass Änderungen in der Organisation und der Geschäftsausrichtung, die sich auf das MDM-Programm auswirken, entweder von einem zentralen Team oder innerhalb der Geschäftseinheiten, funktionalen Bereichen oder geografischen Gebieten beurteilt und umgesetzt werden.

Die Datenmodellierung dient dazu, die Arten von Informationen zu beschreiben, die für ein Unternehmen wichtig sind. Data Modeler erstellen vom Benutzer genehmigte Datenmodelle, arbeiten mit dem D&A-Architekten dem „Eigentümer/Owner“ des Datenmodells zusammen und entwickeln Geschäftsdatenglossare und Ontologien.

Sie tun dies, um die Datenqualität, den Datenschutz und die Datensicherheit, die Datenabfolge und die Integration, Data Governance, Laufzeitmodelle und Datenbankschemata zu unterstützen – alles, um einen unternehmensweiten Konsens über die Bedeutung der Daten zu erzielen. Der Datenmodellierer tauscht sich mit mehreren Fachexperten, von so vielen Abteilungen und Benutzergruppen wie nötig aus und modelliert Geschäftsanforderungen einschließlich der Konsistenz und der Koordination.

ABI-Entwickler pflegen enge Beziehungen zu Geschäftspartnern, um eine analytische und technische Unterstützung für Analyse- und Business Intelligence-Aktivitäten zu leisten. Sie entwickeln Berichte, Dashboards und interaktive Visualisierungen und arbeiten mit Data Warehouses, Datenintegration und Datenmodellierung zusammen, um Geschäftsentscheidungen zu unterstützen.

Der Data Scientist ist verantwortlich für die Modellierung komplexer Geschäftsprobleme und Geschäftseinblicke mit Hilfe quantitativer Disziplinen (Statistik, Algorithmik und Mining) und Visualisierungstechniken. Datenwissenschaftler verfügen in der Regel über einen höheren Abschluss in Informatik, Statistik, Wirtschaft oder verwandten Bereichen.

Datenwissenschaftler tragen zum Aufbau und zur Entwicklung der Dateninfrastruktur des Unternehmens bei und unterstützen die Organisation mit Erkenntnissen und Analysen für Entscheidungsprozesse. Data Scientists verwenden häufig Vorhersagen (Predictive Analytics) oder stufen Situationen ein und entwickeln Next-Best-Action-Modelle (Prescriptive Analytics).

Die Rolle des Datenwissenschaftlers kann in verschiedenen Varianten ausgeübt werden etwa als Chief Data Scientist und Citizen Data Scientist. Das Konzept des Citizen Data Scientists wurde bereits im Jahr 2016 von Gartner theorisiert und beschreibt einen Business User, welcher unternehmerisches Fachwissen und Expertise im Bereich Data Science vereint, ohne dabei tiefere mathematische oder statistische Kenntnisse aufzuweisen.

Die Rolle des Chief Data Scientist gewinnt zunehmend an Bedeutung. Er arbeitet mit dem Chief Data and Analytics Officer zusammen. Das heißt, die eine Rolle ersetzt nicht die andere. Eine separate Rolle mit Schwerpunkt Datenwissenschaft ist für Unternehmen, die mit der zunehmenden Komplexität und der Verbreitung von KI konfrontiert sind, heute fast obligatorisch.

Citizen Data Scientists sind oft Business User, die keine formale Ausbildung als Datenwissenschaftler haben, aber dennoch eine Vielzahl von Data-Science-Aufgaben durchführen können. Dies gelingt ihnen durch die Unterstützung erweiterter Analysewerkzeuge für die Datenvorbereitung, Datenermittlung, Modellentwicklung und -einsatz. Citizen Data Scientists besitzen die Fähigkeit, ihr analytisches Fachwissen zu erweitern und ihren Geschäftssinn einzusetzen, um fortschrittliche Erkenntnisse zu gewinnen, wobei sie eng mit führenden Datenwissenschaftlern zusammenarbeiten, die oft im D&A-Kompetenzzentrum sitzen.

KI/ML-Entwickler sind zunehmend verantwortlich für die Anreicherung verschiedener Anwendungen mit maschinellem Lernen oder anderen KI-Fähigkeiten, wie der Verarbeitung natürlicher Sprache, Bilderkennung oder Optimierung. Sie sollten in der Lage sein, KI-Modelle einzubinden, zu integrieren und einzusetzen:

– entwickelt von Datenwissenschaftlern oder anderen KI-Experten
– angeboten von Cloud- und anderen Dienstanbietern
– selbst entwickelt durch erweitertes maschinelles Lernen

Darüber hinaus sollten KI/ML-Entwickler in der Lage sein, Daten zu sammeln und aufzubereiten, die als Input für Daten als Input für die Modellschulung und -ausführung zu sammeln und aufzubereiten, entweder selbst oder in Zusammenarbeit mit Ingenieuren.

Diese Rolle ist der des Data Stewards ähnlich. Die Arbeit selbst findet jedoch in einem anderen Teil der D&A-Pipeline statt, und auch der Schwerpunkt ist ein anderer. Während der Data Steward in der Geschäftsleitung tätig ist und die Datenpolitik durchsetzt, arbeitet der Analytics Steward nachgelagert im Analyse-, BI- und Data Science-Team und trägt dazu bei, dass die D&A Richtlinien dort durchgesetzt werden.

Der Datenethiker durchdenkt die unbeabsichtigten Folgen der Datennutzung und ermittelt die Risiken und Chancen. Welcher Wert kann durch neue Datennutzungen generiert werden und entspricht dieser den Werten der Organisation? Da nicht alle unbeabsichtigten Folgen von Daten vorhergesagt werden können, achtet der Datenethiker auf unvorhergesehene Folgen, die zu unverhältnismäßigen Einblicken in das Leben von Menschen führen können.

Schließlich ist der Datenethiker dafür verantwortlich, alle Beteiligten für ethische Fragen zu sensibilisieren. Wenn KI im Spiel ist und Schlüsselthemen wie erklärbare KI und Bias-Erkennung, wird die Rolle des Datenethikers sehr technisch und mathematischer Natur. Was ist die Bias-Erkennung? Zu den größten Fehlerquellen im Machine Learning zählt der sogenannte Bias-Effekt. Er führt zu systematisch angelegten Verhaltensverzerrungen künstlich intelligenter Modelle. Das lässt sich mit einem Menschen vergleichen, der aufgrund von Vorurteilen „unfair“ handelt.

Diese Rolle ist von entscheidender Bedeutung, wenn Geschäfts- und Informationsleiter die Monetarisierung von Daten vereinbaren, um Einnahmen zu erzielen oder andere finanzielle Vorteile zu erlangen. Die Rolle umfasst drei Schlüsselfunktionen. Die erste ist die Konzeption und Planung neuer Wege zur Monetarisierung von Daten. Die zweite ist die Identifizierung oder Entwicklung von Märkten für Informationen bei Partnern und anderen. Die dritte Aufgabe ist die Koordination mit IT, Marketing, Finanz-, Rechts- und anderen Produktmanagementgruppen, um die Ziele des Informationsprodukts umzusetzen.

Entscheidungsingenieure unterstützen Entscheidungsprozesse, um sicherzustellen, dass die besten Entscheidungen getroffen werden. Sie verfügen über ein tiefes Verständnis dafür, wie effektive Entscheidungsprozesse funktionieren, und bieten auch menschliche und soziale Perspektiven. Entscheidungsingenieure entwickeln proaktiv bessere Wege, um optimale Entscheidungen zu treffen, indem sie verschiedene Techniken und Automatisierung nutzen.

Diese Rolle widmet sich der Unterstützung des Unternehmens durch Regeln, Wissensgraphen oder anderen Modellen als Konzeptualisierung des Domänenwissens.