Datenanalyseprojekte:Von der Theorie zur Praxis

In meinem letzten Blogpost habe ich die ersten wichtigen Schritte beschrieben, um ein erfolgreiches Ergebnis eines Datenanalyseprojekts sicherzustellen:

Erstens ist eine enge Zusammenarbeit zwischen dem Ideengeber (Abteilung) und den Data Scientists ein absolutes Muss, um das definierte Projektziel zu erreichen. Zweitens ist es notwendig, die Qualität und Quantität der Daten zu überprüfen, bevor die Datenwissenschaftler beginnen.

In diesem Beitrag möchte ich Sie mit einigen Empfehlungen auf den neuesten Stand bringen:Wie funktionieren Data Analytics-Projekte in der Praxis? Wie kann das Bosch-Vorhersagemodell in Anwendungsfällen angewendet werden?

1. Wurde das Ziel des Datenanalyseprojekts erreicht?

Quelle:Bosch.IO

Manchmal stellen Sie sogar am Ende eines Projekts fest, dass das Projekt sein Ziel verfehlt oder vollständig verfehlt hat. Bei der Erreichung der definierten Projektziele sind einige Punkte zu beachten. Hier finden Sie einige typische Fehler:

a. Ungenaues Vorhersagemodell

Am Ende des Projekts stellen Sie möglicherweise fest, dass das Ergebnis (z. B. ein Vorhersagemodell) nicht die erforderliche Genauigkeit erreicht oder die erhofften neuen Erkenntnisse liefert.

Warum könnte das sein?

Die erste Frage, die Sie sich stellen müssen, ist, ob die erforderliche Genauigkeit des Modells zu Beginn des Projekts definiert wurde. Dies ist natürlich eine Grundvoraussetzung und sollte bereits in der Projektplanungsphase berücksichtigt werden. Auch die oben erwähnten Aspekte der Datenqualität und -quantität können zu einem ungenauen Ergebnis führen, da die Daten „nicht mehr Informationen liefern“.

Somit wird deutlich, dass nicht die Projektumsetzung für das nicht zufriedenstellende Projektergebnis verantwortlich ist, sondern bereits in der Planungsphase Fallstricke vorhanden sind, die das Ergebnis maßgeblich beeinflussen.

b. Einen nicht nachhaltigen Anwendungsfall zu lange verfolgen

Oftmals sind zu Beginn eines Projekts alle Beteiligten euphorisch. Die technischen und kommerziellen Ziele klingen vielversprechend. „Das Projekt muss ein Erfolg werden!“

Dieser Satz birgt jedoch ein Risiko. Bei aller Euphorie ist es wichtig, eine gewisse Neutralität und Skepsis gegenüber den (Zwischen-)Ergebnissen zu bewahren. Wenn Sie hartnäckig einen nicht nachhaltigen Anwendungsfall verfolgen, können Sie am Ende viel Zeit und Geld in ein Projekt investieren, ohne das erhoffte Ergebnis zu erzielen.

Es ist daher entscheidend, Zwischenergebnisse kritisch und aufgeschlossen hinsichtlich der Realisierbarkeit des Projektziels zu analysieren.

Wir empfehlen dringend, Warnzeichen zu beachten und kein realistischerweise unerreichbares Projektziel zu verfolgen, nur weil man dorthin „müssen“ muss!

Lassen Sie mich hier das Mantra „fail fast“ oder „change it“ erwähnen, das besagt, dass es besser ist, ein unerreichbares Ziel schnell zu erkennen oder anzupassen, als es zu verfolgen und unnötige Ressourcen zu investieren – ohne einen Mehrwert oder ein nützliches Ergebnis zu erzielen.

Wir unterstützen Sie in mehreren Phasen. Nach jeder Phase analysiert es die bis dahin erzielten Ergebnisse. Dadurch ist es möglich, die Projektziele oder zugrundeliegenden Daten an verschiedenen Stellen im Prozess anzupassen – Risiken transparent und vermeidbar zu machen.

Quelle:Bosch.IO

2. Theorie und Praxis – vom Proof of Concept (PoC) zum Operational Use Case

Nicht alles, was unter „Laborbedingungen“ funktioniert, erweist sich in der Praxis als effektiv. Leider ist dies die Schlussfolgerung, die wir manchmal am Ende eines Projekts ziehen müssen. Aber zuerst müssen wir es testen.

Das entwickelte Vorhersagemodell hat auf Basis der historischen Trainingsdaten anforderungsgerecht funktioniert. Jetzt ist es an der Zeit, es in die Betriebsumgebung zu integrieren.

Schon in diesem frühen Stadium kann Ernüchterung einsetzen. Das Vorhersagemodell ist darauf ausgelegt, auf einem Steuerungssystem zu laufen und Vorhersagen in Echtzeit (im Millisekundenbereich) zu treffen. Diese Anforderung war jedoch bei der Entwicklung des Modells nicht bekannt. Die Algorithmen sind komplex, da sie hohe Anforderungen an die Genauigkeit erfüllen müssen, aber aufgrund begrenzter Ressourcen können sie nicht auf der Zielhardware angewendet werden.

Was zunächst als tolles Projektergebnis erschien, lässt sich also letztlich nicht in den realen Use Case integrieren. Grund sind wieder einmal Unzulänglichkeiten in der Planungsphase.

Wir führen Datenanalyseprojekte nach dem CRISP-DM-Standard durch – mit einer entscheidenden Ergänzung:Wir legen besonderen Wert auf ein fachkundiges Verständnis der Kundenproblematik. (Siehe auch Frage 3 des Blogbeitrags:So starten Sie ein Datenanalyseprojekt in der Fertigung.)

Dazu lernen unsere Data-Analytics-Ingenieure in der Initial Insights-Phase mehr über die Produktionsprozesse des Kunden und das konkret zu lösende Problem. Sie stellen auch viele Fragen, damit sie ein tiefes Verständnis entwickeln können. Diese Phase ist für den Projekterfolg enorm wichtig, da sie die Grundlage bildet, um die Zusammenhänge zwischen den realen Prozessen, Problemen und den Daten herzustellen. Sie können in der digitalen Welt keine Lösungen finden, wenn Sie den Prozess und das Problem in der realen Welt nicht verstehen.

Quelle:Bosch.IO Quelle:Bosch.IO

Best Practices für den Erfolg von Datenanalyseprojekten

Es gibt viele Gründe, warum Datenanalyseprojekte scheitern können. Oft gibt es nicht eine Grund allein; stattdessen liegt das Problem in der Summe der Einzelaspekte.

Widmen Sie der Vorbereitungsphase und Planung Ihres Data Analytics-Projekts die nötige Zeit und Aufmerksamkeit. Wenn Sie die wichtigsten Regeln und Best Practices beachten und befolgen, sind Sie mit Ihrem Projekt auf der Erfolgsspur.