Der Hype um Themen wie Data Science, Big Data, künstliche Intelligenz und Machine Learning wirkt sich auch auf die Projektlandschaft aus. Viele Unternehmen und Organisationen stehen vor der Frage, welche Besonderheiten Projekte in diesen Bereichen mit sich bringen, und welche Vorgehensmodelle und Methoden sie daher anwenden sollten. Neben bekannten Modellen aus der Softwareentwicklung stehen zunehmend spezialisierte Prozessmodelle zur Verfügung. Doch welche davon funktionieren in der Praxis?

Diese Fragestellung stand im Zentrum einer Untersuchung, die ich, Delilah Lewis, im Rahmen einer von Sven Söhnlein betreuten Masterarbeit durchgeführt habe (Lewis, 2022). Dabei verglich ich nicht nur existierende Ansätze und Techniken, sondern arbeitete auch Eigenheiten von Data-Science-Projekten heraus, die in der praktischen Umsetzung große Aufmerksamkeit erfordern. Darüber hinaus führte ich eine Umfrage bei Unternehmen durch, die in den oben genannten Bereichen arbeiten. Die Analyse der Umfrage zeigt, welche Vorgehensmodelle, Methoden und Techniken in der Praxis in datengetriebenen Projekten tatsächlich eingesetzt werden und dort zum Erfolg führen.

In diesem Artikel stellen wir die wichtigsten Erkenntnisse der Untersuchung und Umfrage vor und geben konkrete Handlungsempfehlungen für die Praxis.

KI, Chatbots, Big Data: Worum geht es bei Data-Science-Projekten?

Data Science ist eine Disziplin, die die Erfassung, Gewinnung, Nutzung, Zusammenfügung, Verarbeitung, Untersuchung und Auswertung von Daten durch computerbasierte Systeme unterstützt, ermöglicht und erforscht (Bendel, 2023). Oft findet diese Datenanalyse im Zusammenhang mit einer konkreten (betriebswirtschaftlichen) Fragestellung statt und ist damit dem Bereich Business Intelligence (Lackes, 2023) bzw. Business Analytics (Siepermann, 2023) zuzuordnen.

Eine solche Fragestellung könnte z.B. das Ziel verfolgen, die Produktion besser zu steuern, indem eine Vorhersage über die Anzahl von Bestellungen eines bestimmten Produkts in einem bestimmten Zeitraum getroffen werden kann. Hierfür müssen entsprechende Daten zunächst erfasst, analysiert und so umgewandelt werden, dass sie weiterverarbeitet werden können. Anschließend wird ein statistisches Modell hinsichtlich der zugrundeliegenden Daten angepasst, sodass es eine möglichst präzise Vorhersage über künftige Entwicklungen erlaubt. Hierbei kommen oft Machine-Learning-Algorithmen zum Einsatz (Bendel, 2023), also Verfahren der künstlichen Intelligenz.

Auch Projekte, die die Entwicklung eines KI-Chatbots wie ChatGPT zum Ziel haben, sind im Bereich Data Science einzuordnen. Die Gemeinsamkeit ist, dass die eigentliche Softwareentwicklung eher im Hintergrund steht und die Analyse der Daten und das Trainieren der Modelle im Vordergrund. Der in diesem Zusammenhang ebenfalls oft verwendete Begriff Big Data zeigt an, dass Daten in großem Umfang, hoher Geschwindigkeit und großer Bandbreite verarbeitet werden (Bendel, 2023).