Agile Arbeitsmethoden: Essenzieller Bestandteil jedes Analytics-Projekts?
Juni 2023
Dr. Daniel Nowakowski
Analytics-Projekte sind nicht wie andere Software-Projekte
Kein Wunder, dass bis zu 85 % von Analytik Themen nicht den erhofften geschäftlichen Mehrwert bringen (Gartner, 2021). Das liegt nicht zuletzt daran, dass die Resultate von Analytics-Projekten – im Gegensatz zu anderen Software-Projekten – nicht im Voraus vorhersagbar sind. Genauer gesagt muss ein erstes Modell erstellt werden, um die Aussagekraft und Anwendbarkeit eines Modelles zu testen. Das kann nicht auf Basis der vorliegenden Daten und der Wahl des Algorithmus eingeschätzt werden. Ein erfolgreiches Analytics-Projekt muss deshalb flexibel aufgesetzt sein, um z.B. durch eine Veränderung des Projektablaufes schnell darauf eingehen zu können.
Da das Ziel jedes Analytics-Projektes immer die Verbesserung von geschäftlichen Resultaten ist, stellt sich die Frage wie sich bestmöglich diese Flexibilität und konsequenter Wertschöpfungsfokus in den Projekten sinnvoll kombinieren lässt.
Analytics-Projekte vs. andere Software-Projekte
Um diese Frage zu beantworten, muss man zuerst den Unterscheid zwischen traditionellen Software-Projekten und Analytics-Projekten verstehen. Traditionelle Software-Projekte zeichnen sich durch ein klares Verhältnis von Eingabe/Input und Resultaten aus – zum Beispiel sollten ‚X‘ Arbeitstage eine App mit gewisser Funktionalität liefern. Mit Analytics-Projekten hingegen kann man nicht im Vorhinein genau wissen welche Resultate möglich sind, bevor die Daten analysiert sind und der Großteil der Arbeit dadurch bereits geleistet wurde. Die Aussage „Wir investieren vier Tage eines Data Scientist, nutzen 4 Wochen der vorliegenden Daten des letzten Jahres und bekommen ein Modell mit den geforderten 90% korrekten Vorhersagen“ ist nur in den wenigsten Fällen möglich.
Agiles Projektmanagement für Analytics-Projekte als Schlüssel zum Erfolg
Wegen der Komplexität von Analytik-Projekten ist eine agile Herangehensweise essenzieller Schlüssel zum Erfolg. Agile Methoden haben in den letzten Jahrzenten stark an Popularität gewonnen und mittlerweile nutzen eine deutliche Mehrheit von Projekten mindestens ein agiles Werkzeug. Die Vorteile sind klar: kurze Iterationszyklen, hohe Kundenzentrierung und selbstorganisierte Teams, die konsequent daran arbeiten Mehrwert für Kunden, Unternehmen und andere Stakeholder zu schaffen.
Im Vergleich zu Software-Projekten gilt es für Analytics-Projekte allerdings bestimmte Aspekte besonders zu beachten und sich z.B. der Unterschiede zwischen „klassischen“ Software- und Analytics-Projekte bewusst zu sein. Ein Überblick zwischen den Unterschieden gibt Tabelle 1.
Das „Plan-Build-Run“ Model
Wie kann es nun gelingen Analytics-Projekte bestmöglich zum Ziel zu führen? Dazu haben wir auf Basis unserer Arbeit mit Analytics-Modellen und deren täglicher Anwendung in wechselnden Unternehmenskontexten ein markterprobtes Vorgehen und Arbeitsweisen für Analytik-Projekte entwickelt. Unser Vorgehen basiert auf dem „Plan-Build-Run“-Zyklus, der iterativ und agil durchlaufen wird.
Im ersten Schritt („Plan“) werden die geschäftlichen Voraussetzungen verstanden und Prioritäten gesetzt. Die verfügbaren Daten, die Quellen und Qualität werden analysiert. Darauf bauen erste Iterationen auf, welche im agilen Kontext notwendig, damit das Team versteht was geschaffen werden soll und in diesem Rahmen eigenständig Entscheidungen treffen kann.
Im „Build“ Schritt wird die Produktvision in einen Prototyp überführt. Dazu müssen die Daten erst aufbereitet werden, indem man Data Wrangling, Data Cleaning, und ggf. Feature Engineering betreibt. (Dieser Prozess benötigt typischerweise bis zu 80% der Zeit eines Daten Projektes.) Auf dieser soliden Basis kann ein Model erstellt, evaluiert, und getestet werden.
Im letzten Schritt („Run“) wird das Modell im alltäglichen Geschäft eingesetzt, also in einer Produktivumgebung aufgesetzt. Dabei ist es wichtig kontinuierlich die Leistung des Modells zu überwachen, um falsche Vorhersagen durch z.B. die so genannte „Data Drift“ zu erkennen und zu verhindern oder fehlerhafte Daten durch z.B. defekte Sensorik ausschließen zu können.
Damit steht – je nach genauem Erfordernis – das erneute Durchschreiten des Plan-Build-Run-Zyklus an, oder die Fokussierung auf bestimmte Aspekte in diesem iterativen Vorgehen.
Fazit
Ein agiles Vorgehen ist für Analytics-Projekte ein essenzieller Faktor für nachhaltigen und skalierbaren Erfolg. Mithilfe des „Plan-Build-Run“ Model gelingt es systematisch und trotzdem mit der notwendigen Flexibilität Analytics-Projekte zum Erfolg zu führen. Dafür ist wenig initialer Aufwand nötig – auch größere Projekte können innerhalb weniger Wochen bis Monate von diesem strukturierten Vorgehen profitieren.
Um ein in Analytics-Projekt im „Plan-Build-Run“-Vorgehen anzugehen, müssen 5 Schritte beachtet werden:
- Klare Projekt-Ziele mit geschäftlichem Mehrwert formulieren
- Bewusstsein schaffen für die Notwendigkeit für agiles Projektmanagement
- Aufsetzen eines agilen Teams für das Analytics-Projekt
- Iterative Projektbearbeitung im Plan-Build-Run-Zyklus
- Management der Erwartungen und regelmäßiger Kontakt zu allen Stakeholdern
So können aus unserer Projekterfahrung auch komplexe Analytics-Projekte gut in die restliche Organisation integriert werden und flexibel, aber auch systematisch auf die typischen Herausforderungen im Projektverlauf reagieren.
