Blog

Data Science Coaching

Manch festgefahrenem Projekt lässt sich durch ein Data-Science-Coaching neuer Schwung geben. Da sowohl mit dem Begriff ‚Data Science‘ als auch mit dem Begriff ‚Coaching‘ sehr inflationär umgegangen wird, tut ein wenig Erklärung not. Was verstehen wir darunter?

Am einfachsten lassen sich Coachingmöglichkeiten wohl anhand der vier relevanten Dimensionen Organisation, Team, Werkzeuge und Methoden aufzeigen.

Organisation

Hier bietet sich ein Coaching rund um die Prozesse im Team und in Beziehung zu den Stakeholdern an. Wie funktionieren Absprachen mit den Fachbereichen oder wie lassen sich Qualitätskriterien vor einem Projekt definieren? Auch eine zielgerichtete Projektvor- und -nachbereitung kann Teil eines Coachings sein.

Team

Sind die richtigen Mitarbeiter an Bord, kann es losgehen. Aber wie finde, integriere und halte ich die richtigen Mitarbeiter und baue diese entsprechend ihren Interessen auf?

Coaching kann auch bei der Zusammenarbeit im Team unterstützen: Seit der Entwicklung von CRISP-DM Mitte der Neunziger Jahre als Standardvorgehensmodell und dessen Adaption in den Nuller-Jahren ist viel Zeit vergangen. Data Science und Advanced-Analytics-Aufgaben werden nur noch selten von einem Analysten allein erarbeitet. Entsprechend sollte sich das Team auf Standards einigen und für sich einen Arbeitsmodus, der funktioniert, finden. Dies betrifft sowohl so banale Dinge wie den Einsatz von Coding-Standards als auch die potentielle Wahl eines agilen Rahmens.

Werkzeug

„Setzen wir das richtige Tool ein?“ ist eine häufig gehörte Frage im Beratungsalltag. Ein Coaching setzt also auch bei der Wahl des Technologiestacks an, schließt aber ganz explizit dessen effiziente Nutzung mit ein. Nicht immer ist die Auswahl so naheliegend. Auch mit den falschen Werkzeugen kann man etwas schaffen, aber es ist so verdammt viel anstrengender. Die Metapher vom Menschen, der nur den Hammer kennt, ist schon häufig genug bemüht worden…

Methoden

Im Hinblick auf den Coachingansatz lassen sich im Bereich Smart Data und Data Science verschiedene Ebenen unterscheiden:

  • Generelles Algorithmen- und Modellcoaching kann Fragen beantworten wie: „Welche Verfahren lassen sich zur Segmentierung nutzen?“
  • Spezifischeres Methodencoaching zielt auf das genaue Kennenlernen, Verstehen und Anwenden einer oder mehrerer Methoden: „Wann macht der Einsatz eines Autoencoders Sinn?“ oder „Was sind die Vor- und Nachteile von Embedded-Verfahren?“
  • Ein funktionales Coaching zielt mehr auf den Einsatzbereich — hier steht der Use Case, ob Credit Scoring oder die Anwendungen im Marketingumfeld, im Vordergrund.

Im realen Projekteinsatz findet natürlich (auf den Kunden und die Projektsituation zugeschnitten) immer eine Mischung der Coachings statt.

Über den Autor

Simon ist bei Holisticon als Senior Berater im Bereich Smart Data unterwegs. Dabei baut er entweder selbst prädiktive Modelle, versucht diese zu verbessern (durch ganz viel Erklären!) oder schafft eine Infrastruktur und Umgebung, damit prädiktive Modelle den meisten Nutzen bringen können.

Antwort hinterlassen