CTcon: Podcast Folge 20: Data Science zum Erfolg führen – Machine Learning Operations (ML Ops) in Praxis und Forschung
Management-Podcast Zielführung Übersicht

Ziel­füh­rung star­ten

Der Management-Podcast von CTcon

 

Folge 20: Data Science zum Erfolg führen – Machine Learning Operations (ML Ops) in Praxis und Forschung

Data-Science-Kompetenzen aufzubauen und sie organisatorisch zu integrieren, gewinnt seit Jahren für Unternehmen an Bedeutung. Bisher hat sich dabei keine Standardlösung etabliert, die als „one size fits all“ für jedes Unternehmen funktioniert. Zugleich steigt mit wachsenden Anforderungen, rasantem technologischen Fortschritt und größeren Data-Science-Teams der Druck, effektiv und effizient zu arbeiten sowie vor allem Erfolgsbeiträge nachzuweisen. 

Hier einige wichtige Fragen aus dem Kontext „Was bedeutet Machine Learning Operations?“. Wo sind Data-Science-Teams in der Organisation verankert? Wer misst wie deren Beitrag zum Erfolg? Sind Pilotprojekte und implementierte Lösungen stärker zu unterscheiden? Welche bereits etablierten Funktionen unterstützen einen nachhaltigen Erfolg der Data-Science-Teams? Verändert das Aufkommen von GenAI-Lösungen die Perspektive und, wenn ja, wie?

Diese wie weitere Fragen klärt Prof. Dr. Timo Schürg mit Niklas Hartmann auf dieser Tour. 

Timo Schürg ist Professor für Data Science und Machine Learning an der Hochschule Darmstadt. Er hat viel Erfahrung im Aufbau von Data-Science-Teams und war vor seiner Hochschulkarriere unter anderem bei der DB Cargo AG und der Schott AG aktiv. Timo Schürg und Niklas Hartmann kennen sich aus gemeinsamer Projektarbeit.

Niklas Hartmann ist Principal bei CTcon in Frankfurt. Er berät seit vielen Jahren große Konzerne, vor allem aus dem Bereich „Logistik, Transport und Verkehr“. Er trägt Verantwortung in unserem Kompetenzcenter „Datengetriebene Steuerung“. Die Transformation zu einer digitalen Unternehmenssteuerung ist sein Leitstern.

Fragen:

  • Wie haben sich die Anforderungen an Data-Science-Teams im Rahmen der methodischen Entwicklung der letzten Jahre verändert?
  • Welche Rollen haben sich in den jeweiligen Teams dabei etabliert? Ist die Evolution der Rollen bereits beendet oder zeigt sich darüber hinaus ein Trend der Spezialisierung hin zu neuen Rollen?
  • Wie messen Data-Science-Teams den Erfolg ihrer Projekte? Gibt es Metriken, die diesen Erfolg mit der Strategie und den Zielen des Unternehmens verknüpfen?
  • Wie stellen Unternehmen sicher, dass relevante Projekte ausgewählt und umgesetzt werden? Wie hoch muss der Anteil erfolgreicher Projekte dabei sein?
  • Wo werden Data-Science-Teams heute häufig organisatorisch verankert? Wo sollten sie idealerweise verankert werden bzw. Unterstützung durch weitere Funktionen, wie IT und Controlling, erhalten?
  • Wie vermeidet man eine Überlastung der Data-Science-Teams nach der erfolgreichen Erarbeitung einer Lösung? Wie skaliert die Organisation die Outputs von Data-Science-Projekten?
  • Welche Schlagworte sind für die Umsetzung einer „demokratischen“ Bereitstellung von Daten relevant? Welche Themen, bspw. in der Data Governance, sind in diesem Kontext für nachhaltigen Erfolg wichtig?
  • Verändern die aufkommenden KI- bzw. vor allem GenAI-Lösungen erneut die Anforderungen an die Data Science und die Unternehmen insgesamt? Was ist dabei zu beachten?

Weiterführende Links: 

Die aktuellsten Folgen

zurück zur Übersicht

Jetzt abonnieren!

Diese Anbieter haben unseren Management-Podcast im Programm:

Ihre Nachricht

Sie haben Anregungen, Fragen oder Kommentare zu unserem Management-Podcast? Dann schreiben Sie uns. Wir freuen uns auf Ihre Nachricht!

Datenschutz |Impressum |