Zur Ausgabe
Artikel 10 / 14
Vorheriger Artikel
Nächster Artikel

Personal Wir stellen ein: Data Scientists

Der Umgang mit gigantischen Datenmengen gehört zu den wichtigsten Aufgaben, die auf Unternehmen zukommen. Dazu brauchen sie speziell ausgebildete Experten, die auch über soziale Kompetenz verfügen. Das Porträt eines neuen Berufs.
aus Harvard Business manager Edition 4/2014

Illustration: Patrick Mariathasan für Harvard Business Manager

Als Jonathan Goldman im Juni 2006 seinen Job bei LinkedIn, einem Netzwerk für Berufstätige, antrat, herrschte dort noch echte Start-up-Atmosphäre. Das Unternehmen hatte knapp acht Millionen Kunden. Deren Zahl stieg schnell, weil viele Mitglieder Freunde und Kollegen zum Mitmachen einluden. Allerdings interessierten sie sich weniger für Verbindungen zu anderen Nutzern, als das Management erwartet hatte. Irgendetwas musste also bei der sozialen Erfahrung noch fehlen. "Es war, als käme man zu einer Konferenz und merkt, dass man dort niemanden kennt. Also steht man in der Ecke, nippt an einem Drink und geht wahrscheinlich bald wieder", beschreibt ein LinkedIn-Manager die damalige Situation.

Goldman, ein Doktor der Physik aus Stanford, war sehr angetan von den beobachteten Verknüpfungen und der Reichhaltigkeit der Nutzerprofile. All das lief auf ungeordnete Daten und umständliche Analysearbeit hinaus, aber als er begann, die Verbindungen der Nutzer zu untersuchen, entdeckte er erste Möglichkeiten. Er begann Theorien zu entwickeln, überprüfte Ideen und entdeckte Muster, mit denen er vorhersagen konnte, in welchen Bekanntenkreisen ein bestimmtes Profil landen würde. Goldman dachte, dass neue Funktionen auf der Basis seiner heuristischen Erkenntnisse für die Nutzer wertvoll sein könnten. Doch das Entwicklerteam von LinkedIn war voll damit beschäftigt, mit dem Wachstum der Seite Schritt zu halten, und zeigte kein Interesse - manche Kollegen lehnten seine Ideen sogar rundheraus ab. Warum sollten Nutzer wollen, dass LinkedIn für sie herausfindet, in welchen Freundeskreis sie gehören? Der Dienst hatte ja schon eine Adressbuch-Importfunktion, mit der sich die Kontakte eines Nutzers übertragen ließen.

Zum Glück aber glaubte zumindest Reid Hoffman, LinkedIn-Mitgründer und damals CEO des Unternehmens (LinkedIn wurde mittlerweile von Microsoft übernommen), nach seinen Erfahrungen bei PayPal an die Kraft der Analytik. Er gewährte Goldman großen Spielraum. Zum Beispiel sorgte er dafür, dass der Physiker den üblichen Zyklus für Produktfreigaben umgehen konnte, indem er zwischendurch kleine Module in Form von Anzeigen auf den meistgenutzten Seiten veröffentlichen durfte.

Kompakt

Neue Anforderungen
Unternehmen, die mit sehr großen und unstrukturierten Datenmengen umgehen müssen, brauchen dafür speziell ausgebildete Mitarbeiter – sonst entgehen ihnen wertvolle Erkenntnisse über ihr Geschäft. Die für die Analyse nötigen Data Scientists oder Datenwissenschaftler benötigen sehr unterschiedliche Qualifikationen. Es handelt sich um ein neues und komplexes Aufgabengebiet.

Neues Berufsbild
Datenwissenschaftler müssen vier sehr unterschiedliche Berufe miteinander vereinen. Sie sind eine Art Mischwesen aus Hacker, Analyst, Kommunikator und vertrauenswürdigem Berater. Neben einer enormen Neugier müssen sie auch über eine Form assoziativen Denkens verfügen, die vor allem Forscher besitzen. Dazu ist es wichtig, sozial kompetent zu sein – denn die tollsten Erkenntnisse nützen nichts, wenn sie dem Management nicht nahegebracht werden können. Für die Unternehmen ist sowohl das Finden als auch das Halten dieser Fachkräfte eine Herausforderung.

Mit einem dieser Module testete Goldman, was passiert, wenn man Nutzern die Namen von Leuten präsentiert, die sie aufgrund gemeinsamer Schulzeit oder gleicher Arbeitgeber wahrscheinlich kennen, mit denen sie aber noch nicht verbunden sind. Dazu erzeugte er eine individualisierte Anzeige, die jedem Nutzer die drei besten neuen Vorschläge zeigte, basierend auf den Angaben im Profil dieses Nutzers. Innerhalb weniger Tage wurde klar, dass etwas Bemerkenswertes passierte - die Klickrate bei den Anzeigen schlug alle Rekorde. Goldman verfeinerte das Erzeugen der Empfehlungen weiter und nutzte dabei Konzepte aus der Netzwerktheorie wie etwa das "Schließen von Dreiecken". Es besagt: Wenn Sie Larry und Sue kennen, ist es recht wahrscheinlich, dass auch Larry und Sue einander kennen. Außerdem sorgten Goldman und sein Team dafür, dass Nutzer Kontaktempfehlungen mit nur noch einem Klick annehmen konnten.

Das Topmanagement von LinkedIn brauchte nicht lange, um das Potenzial der Idee zu erkennen und sie zur Standardfunktion zu machen. Von da an ging es richtig los. Die Klickraten auf die Empfehlungslinks für neue Kontakte waren um 30 Prozent höher als bei anderen Versuchen, die Seitenaufrufe auf LinkedIn zu erhöhen. Mit ihrer Hilfe wurden Millionen Pageviews erzeugt. Nur aufgrund dieser einen Funktion erreichte LinkedIn ein deutlich stärkeres Wachstum.

Eine neue Art Wissenschaftler

Goldman ist ein gutes Beispiel für eine wichtige neue Funktion in Organisationen: die des "Data Scientists" (auf Deutsch "Datenwissenschaftler", wobei der englische Begriff gebräuchlicher ist - Anm. d. Red.). Dabei handelt es sich um eine wichtige Position für Menschen, die hinreichend gut ausgebildet und neugierig sind, um Entdeckungen in der Welt von Big Data  zu machen. Den Titel gibt es erst seit ein paar Jahren. (Erfunden wurde er 2008 von D. J. Patil, einem der Autoren dieses Beitrags und Jeff Hammerbacher; die beiden waren damals Leiter der Bereiche Daten und Analytik bei LinkedIn beziehungsweise Facebook .) Trotzdem arbeiten bei Start-ups wie bei gut etablierten Unternehmen bereits Tausende von Datenwissenschaftlern. Ihr plötzliches Erscheinen in der Geschäftswelt ist ein Zeichen dafür, dass Unternehmen es heute mit mehr und vielfältigeren Informationen zu tun haben als je zuvor. Wenn eine Organisation viele Petabytes an Daten zu speichern hat, wenn die für ein Geschäft wichtigsten Informationen nicht in Form ordentlicher Tabellen vorliegen oder wenn zur Beantwortung der drängendsten Fragen eine Mischung aus unterschiedlichen Analyseansätzen erforderlich ist: In all diesen Fällen birgt ein Ausflug in die Welt von Big Data neue Chancen.

Ein guter Teil der aktuellen Begeisterung für Big Data richtet sich auf die Technologien, mit deren Hilfe solche Datenmassen in den Griff zu bekommen sind. Beispiele dafür sind Hadoop, das am weitesten verbreitete Framework für verteilt arbeitende Software, die dazugehörigen Open-Source-Werkzeuge, Cloud-Computing und die Visualisierung von Daten. All das sind wichtige Durchbrüche, doch mindestens genauso wichtig sind Leute mit den richtigen Fähigkeiten (und der richtigen Geisteshaltung), um sie sinnvoll einzusetzen. An dieser Front übersteigt die Nachfrage das Angebot bei Weitem - in manchen Branchen wird der Mangel an Datenwissenschaftlern schon ein ernstzunehmendes Hindernis. Greylock Partners etwa, eine Frühphasen-Wagniskapitalfirma, die in Unternehmen wie Facebook, LinkedIn, Palo Alto Networks und Workday investiert hat, ist über den Mangel an Spezialisten so besorgt, dass sie für diese ein eigenes Anwerbungsteam eingerichtet hat; die darüber gewonnenen Kräfte arbeiten dann in den Portfoliounternehmen von Greylock. "Wenn Sie die Daten erst einmal haben, brauchen Sie dringend Leute, die damit umgehen und Erkenntnisse darin finden können", sagt Dan Portillo, Leiter des Teams.

Wer sind diese Leute?

Wenn sich Big Data nur mithilfe der seltenen Datenwissenschaftler wirklich nutzen lässt, dann liegt die Herausforderung für Manager darin, diese Menschen zu finden, in ihr Unternehmen zu locken und sie produktiv zu machen. Nichts davon ist so unkompliziert wie bei anderen, etablierten Positionen in einer Organisation. Zunächst einmal gibt es keine Universitäten, die Studiengänge zum Datenwissenschaftler anbieten. Ebenso herrscht kaum Einigkeit darüber, wo diese Position in einer Organisation anzusiedeln ist, wie Datenwissenschaftler am meisten Wert schaffen können und wie sich ihre Leistung messen lässt.

Der erste Schritt bei der Deckung des Bedarfs an Datenwissenschaftlern besteht deshalb darin zu verstehen, was diese in Ihrem Unternehmen tun sollen. Sie sollten sich fragen "Welche Fähigkeiten brauchen sie?" und "In welchen Bereichen sind diese Fähigkeiten am ehesten zu finden?".

Die wichtigste Aufgabe von Datenwissenschaftlern ist es, beim Analysieren großer Datenmengen Neues zu entdecken. Dies ist ihre bevorzugte Art, sich in der Welt um sie herum zurechtzufinden. Ganz zu Hause im Digitalen, bringen sie Struktur in große Mengen formloser Daten und schaffen so die Grundlage für Analysen. Sie finden reichhaltige Datenquellen, kombinieren sie mit anderen und säubern diesen neuen Bestand. In einem Wettbewerbsumfeld mit immer neuen Herausforderungen und nie versiegenden Datenströmen unterstützen Datenwissenschaftler die Entscheidungsträger dabei, von punktuellen Ad-hoc-Analysen zu einem ständigen Austausch mit der jeweiligen Datenlage zu kommen.

Datenwissenschaftler wissen, dass sie mit technischen Beschränkungen zu tun haben, aber davon lassen sie sich nicht abhalten, neuartige technische Lösungen zu suchen. Wenn sie etwas Neues entdecken, geben sie es weiter und nennen auch Möglichkeiten, wie sich die Erkenntnisse geschäftlich nutzen lassen. Oft zeigen sie Kreativität bei der visuellen Darstellung von Informationen und der klaren und überzeugenden Präsentation der von ihnen gefundenen Muster. Sie beraten Führungskräfte und Produktmanager zur Bedeutung der Daten für Produkte, Prozesse und Entscheidungen.

Weil ihre Zunft noch so neu ist, bleibt es den Datenwissenschaftlern oft selbst überlassen, ihre Werkzeuge zu entwickeln und sogar nahezu akademische Forschung zu betreiben. So hat Yahoo , eines der Unternehmen, die schon früh ein Team von Datenwissenschaftlern beschäftigten, eine wichtige Rolle bei der Entstehung von Hadoop gespielt, und die Sprache Hive zur Programmierung von Hadoop-Projekten kommt vom Datenteam bei Facebook. Viele andere Datenwissenschaftler, vor allem von datengetriebenen Unternehmen wie Google , Amazon , Microsoft , Wal-Mart, Ebay , LinkedIn und Twitter , haben zu dem Werkzeugkasten beigetragen und ihn verbessert.

Und was für Menschen können das alles leisten? Welche Fähigkeiten machen einen Datenwissenschaftler erfolgreich? Sie können ihn sich vorstellen als ein Mischwesen aus Hacker, Analyst, Kommunikator und vertrauenswürdigem Berater. Diese Kombination ist enorm leistungsfähig - und selten.

Die grundlegende, universelle Anforderung an einen Datenwissenschaftler ist, dass er programmieren kann. Das mag in fünf Jahren schon nicht mehr so sein, weil dann bereits viele Leute auf ihrer Visitenkarte den Titel "Datenwissenschaftler" stehen haben werden. Dauerhaft gebraucht aber werden Datenwissenschaftler, die in einer für alle Interessierten verständlichen Sprache kommunizieren und in der Lage sind, aus Daten Geschichten zu machen - mit Worten, Bildern oder beidem.

Die wichtigste Eigenschaft eines Datenwissenschaftlers ist aus unserer Sicht eine enorme Neugier - der Wunsch, unter die Oberfläche eines Problems zu blicken, die eigentlichen Kernfragen zu finden und daraus überprüfbare Hypothesen zu entwickeln. Dazu braucht es oft die Art von assoziativem Denken, die in jedem Fachgebiet die kreativsten Forscher ausmacht. Zum Beispiel kennen wir einen Datenwissenschaftler, der bei der Untersuchung eines Betrugsproblems bemerkte, dass es einem Problem bei der Sequenzierung von DNA ähnelte. Indem er die beiden getrennten Welten miteinander verband, konnten er und sein Team eine Lösung entwickeln, durch deren Einsatz die Verluste durch Betrugsfälle dramatisch zurückgingen.

Vielleicht wird Ihnen allmählich klar, warum das Wort "Wissenschaftler" für diese neue Rolle sehr angemessen ist. Experimentalphysiker zum Beispiel müssen ebenfalls eigene Gerätschaften bauen, Daten sammeln, vielfältige Experimente vornehmen und über die Ergebnisse berichten. Unternehmen, die nach Personal für die Arbeit mit komplexen Daten suchen, werden deshalb oft fündig, wenn sie sich unter Physikern oder Sozialwissenschaftlern umsehen. Einige der besten und intelligentesten Datenwissenschaftler haben Doktortitel in exotischen Fächern wie Ökologie oder Systembiologie. George Roumeliotis etwa, Leiter des Teams für Datenwissenschaft bei Intuit im Silicon Valley , ist Doktor der Astrophysik. Etwas weniger überraschend: Viele dieser Experten haben eine Ausbildung in Informatik, Mathematik oder Wirtschaftswissenschaften. Im Prinzip finden sie sich überall da, wo der Schwerpunkt klar auf Daten und Berechnungen liegt.

Wichtig dabei ist es, immer an den Aspekt "Wissenschaftler" zu denken, denn "Daten" allein könnte bei der Suche nach Talenten schnell auf den falschen Weg führen. "Der berufliche Werdegang, den die Leute vor 10 oder 15 Jahren hatten, reicht heute einfach nicht mehr aus", sagte uns Greylock-Recruiter Portillo. So kann ein quantitativer Analyst hervorragend sein bei der reinen Analyse von Daten, bekommt aber eine Masse unstrukturierter Daten nicht in den Griff und kann sie nicht in eine Form bringen, in der sie dann analysiert werden kann. Ein Experte für Datenmanagement wiederum ist vielleicht sehr gut darin, Daten in strukturierter Form zu generieren und zu organisieren, aber nicht darin, unstrukturierten Daten Struktur zu geben - und glänzt vielleicht auch nicht bei der eigentlichen Analyse. Und während sich für traditionelle Datenberufe möglicherweise auch Menschen ohne besondere Sozialkompetenz eignen, ist sie für einen effektiven Datenwissenschaftler unverzichtbar.

Roumeliotis brachte uns gegenüber klar zum Ausdruck, dass er nicht primär nach statistischen oder analytischen Fähigkeiten sucht. Er fragt seine Bewerber zunächst, ob sie Prototypen in einer verbreiteten Programmiersprache wie Java schreiben können. Was er sucht, ist sowohl ein Satz von Fertigkeiten - eine solide Grundlage in Mathematik, Statistik, Wahrscheinlichkeitsrechnung und Informatik - als auch bestimmte Denkweisen. Er benötigt Leute mit einem Gespür für Geschäftsthemen und Empathie für Kunden. Auf all dem, so sagt er, lässt sich dann mit Schulungen und gelegentlichen Spezialkursen zu bestimmten Technologien aufbauen.

Mehrere Universitäten planen, Studiengänge in Datenwissenschaft anzubieten, und Analytikprogramme wie der Master in Analytics der North Carolina State University werden eilig durch Übungen und Kurse zu Big Data erweitert. Manche Unternehmen versuchen auch, ihre eigenen Datenwissenschaftler auszubilden. Nach der Akquisition des Big-Data-Anbieters Greenplum kam etwa EMC zu dem Schluss, dass der Mangel an Datenwissenschaftlern für das Unternehmen selbst - wie auch seine Kunden - ein Hindernis bei der Arbeit mit Big Data werden würde. Also entwickelte die EMC-Abteilung Education Services ein Schulungs- und Zertifizierungsprogramm für Datenwissenschaft und Big-Data-Analytik; manche seiner Absolventen arbeiten bereits an internen Big-Data-Projekten.

Wie Sie Datenwissenschaftler finden
  1. Konzentrieren Sie sich bei der Suche auf die üblichen Verdächtigen unter den Universitäten (Stanford, MIT, Harvard, Carnegie Mellon) und auf ein paar andere mit bewiesener Stärke: North Carolina State University, University of California Santa Cruz, University of Maryland, University of Washington und University of Texas Austin.

  2. Gehen Sie die Mitgliederlisten von Nutzergruppen durch, die typische Werkzeuge für Datenwissenschaftler verwenden. Ein Blick lohnt sich in Gruppen, die "R" (ein bei Datenwissenschaftlern beliebtes Open-Source-Statistikwerkzeug) und der Programmiersprache Python (abgekürzt PIGgies) nutzen.

  3. Suchen Sie bei LinkedIn oder Xing nach "Data Scientists" - fast alle sind dort zu finden, und Sie können nachsehen, ob diese die geforderten Fertigkeiten haben.

  4. Treffen Sie zahlreiche Datenwissenschaftler auf den Konferenzen Strata, Structure:Data und Hadoop World und ähnlichen Zusammenkünften (die es inzwischen fast wöchentlich gibt) oder bei informellen Meet-ups in der Bay Area, Boston, New York, Washington, D. C., London, Singapur oder Sydney.

  5. Knüpfen Sie Kontakte zu Wagniskapitalgebern vor Ort, die vermutlich in letzter Zeit viele Big-Data-Anfragen bekommen haben.

  6. Veranstalten Sie einen Wettbewerb auf den Spezialseiten Kaggle und TopCoder für Analytik- bzw. Programmierpreise. Kontaktieren Sie dann die kreativsten Teilnehmer.

  7. Halten Sie sich nicht mit Kandidaten auf, die nicht programmieren können. Spitzenkenntnisse sind hier nicht nötig, doch Grundlagen müssen vorhanden sein. Achten Sie auch darauf, dass die Kandidaten sich neue Technologien und Methoden schnell aneignen können.

  8. Stellen Sie sicher, dass der Kandidat die Story in einer Datensammlung erkennt und eine stimmige Erzählung über entscheidende Datenerkenntnisse entwickeln kann. Prüfen Sie, ob er mit Zahlen sowohl visuell als auch verbal kommunizieren kann.

  9. Vorsicht bei Kandidaten, die keinen Bezug zur Geschäftswelt zu haben scheinen. Kommt die Antwort nur stockend, wenn Sie sie danach fragen, wie sich ihre Arbeit für Managementbelange nutzen lässt?

  10. Fragen Sie die Kandidaten nach deren Lieblingsanalyse oder -erkenntnis und wie sie sich auf dem neuesten Stand halten. Haben sie ein Zertifikat des Online-Kurses für Fortgeschrittene in Machine Learning der Stanford University, haben sie etwas zu Open-Source-Projekten beigetragen oder anderen ihre Programmierarbeit in freien Online-Archiven wie GitHub zur Verfügung gestellt?

Mit der zunehmenden Zahl an Ausbildungsangeboten dürfte auch die Pipeline an neuen Talenten besser gefüllt sein. Zugleich bemühen sich die Anbieter von Big-Data-Technologien um einfachere Nutzbarkeit. In der Zwischenzeit hat ein Vertreter der neuen Zunft selbst einen kreativen Ansatz dafür entwickelt, die Lücke zu schließen: Das Insight Data Science Fellows Program, ein von Jake Klamka (selbst ausgebildeter Hochenergiephysiker) gestaltetes Postdoc-Stipendium, bereitet akademische Forscher innerhalb von sechs Wochen auf eine Tätigkeit als Datenwissenschaftler vor. Zu dem Programm gehört Mentoring durch Experten von nahe gelegenen Unternehmen (wie Facebook, Twitter, Google oder LinkedIn) ebenso wie die Arbeit an realen Big-Data-Problemen. Zunächst waren nur zehn Teilnehmer geplant, doch letztlich akzeptierte Klamka 30 - von mehr als 200 Bewerbern. Mittlerweile wollen weitere Unternehmen sich ebenfalls in das Programm einbringen. "Die Nachfrage ist phänomenal", sagte uns Klamka. "Sie bekommen diese Art von hochwertigen Talenten einfach nicht."

Als Arbeitgeber attraktiv werden

Selbst wenn die Auswahl an Datenwissenschaftlern langsam zunimmt, wird der Wettbewerb um die besten unter ihnen hart bleiben. Gehen Sie davon aus, dass Kandidaten Jobangebote vor allem danach bewerten, wie interessant die Big-Data-Herausforderungen dort sein werden. "Wenn ich mit strukturierten Daten arbeiten wollte, würde ich zur Wall Street gehen", kommentierte dies einer von ihnen. Viele der qualifiziertesten Bewerber kommen heute aus dem Nicht-Unternehmensbereich. Personalmanager sollten sich deshalb überlegen, wie sie ein spannendes Bild der Durchbrüche zeichnen können, die bei ihnen möglich wären.

Natürlich wird auch Bezahlung eine Rolle spielen. Einem guten Datenwissenschaftler stehen viele Türen offen, und bei den Gehältern kann es ein Wettbieten geben. Mehrere Datenwissenschaftler von Start-ups sagten uns, dass sie große Pakete mit Aktienoptionen gefordert und bekommen hätten. Und selbst wenn sie eigentlich aus anderen Gründen kommen, zeigt eine gute Bezahlung, dass ihre Rolle respektiert wird und Unternehmen von ihnen erwarten, dass sie Wert für die Organisation schaffen. Unsere informelle Befragung zu ihren Prioritäten zeigte allerdings einen noch grundlegenderen Wunsch: Datenwissenschaftler wollen "auf der Brücke" stehen - eine Anspielung auf die 60er-Jahre-Fernsehserie "Star Trek", in der sich Raumschiffkommandeur James Kirk vollkommen auf Daten des Ersten Offiziers Mister Spock verlässt. Sie wollen mitten in einem dynamischen Geschehen stehen und in Echtzeit über die auftretenden Wahlmöglichkeiten informiert sein.

Weil es so schwierig ist, gute Datenwissenschaftler zu finden und zu halten, mag es nach einer guten Strategie klingen, sie wie andere Berater auch zu beschäftigen. Doch auch die Beratungsfirmen haben häufig noch nicht genug von ihnen an Bord - selbst bei den größten wie Accenture, Deloitte oder IBM Global Services sind Big-Data-Projekte für die Kunden noch im Frühstadium. Dabei werden die Fähigkeiten ihrer angestellten Datenwissenschaftler zudem vor allem für konventionellere, quantitative Analyseprobleme eingesetzt. Deshalb könnte es sein, dass eher Offshore-Spezialanbieter für Analytikdienste wie Mu Sigma die ersten sein werden, die mit ihren Datenwissenschaftlern den Markt erobern.

Die Experten, mit denen wir gesprochen haben, wollten allerdings lieber selbst etwas aufbauen, als einen Entscheidungsträger zu beraten. Einer beschrieb die Beratertätigkeit als "Todeszone" - man tue nichts anderes, als anderen zu sagen, was sie laut den Analysen machen sollten. Wer dagegen selbst funktionierende Lösungen schafft, kann direkten Einfluss nehmen und seine Spuren als Pionier seiner Profession hinterlassen.

Aufzucht und Pflege

Datenwissenschaftler lassen sich nicht gern an der kurzen Leine führen. Sie sollten die Freiheit haben, zu experimentieren und neue Möglichkeiten zu erkunden. Trotzdem brauchen sie eine enge Anbindung an den Rest des Unternehmens. Am wichtigsten für sie sind Verbindungen zu den Führungskräften für Produkte und Dienstleistungen, weniger zu Verantwortlichen für einzelne Funktionsbereiche. Wie die Geschichte von Jonathan Goldman zeigt, liegt die größte Chance der Wertschöpfung durch Datenwissenschaftler nicht in Berichten oder Präsentationen für die Unternehmensspitze, sondern in Innovationen für kundenorientierte Produkte und Prozesse.

LinkedIn ist nicht das einzige Unternehmen, das sich von Datenwissenschaftlern neue Ideen für Produkte, Funktionen und wertschaffende Dienste liefern lässt. Bei Intuit etwa sollen sie Erkenntnisse für Kleinunternehmen und Privatleute unter den Kunden entwickeln; unterstellt sind sie einem neuen Senior Vice President für Big Data, soziales Design und Marketing. GE wiederum nutzt Datenwissenschaft bereits, um die Wartungsverträge und -intervalle für Industrieprodukte zu optimieren. Bei Google sind Datenwissenschaftler natürlich daran beteiligt, den Kernalgorithmus für Suche und Anzeigeneinspielungen zu verbessern, beim Spieleanbieter Zynga optimieren sie die Nutzererfahrung mit dem Ziel langfristiger Bindung und Umsätze. Von Netflix  kommt der weithin bekannte Netflix Prize für dasjenige Datenteam, das die beste Methode zur Verbesserung der Filmempfehlungen von Netflix entwickelt. Und Kaplan, ein Dienstleister für Prüfungsvorbereitungen, lässt Datenwissenschaftler nach effektiven Lernstrategien forschen.

Es kann allerdings nachteilig sein, wenn Leute mit fundierten Spezialkenntnissen auf einem sich schnell entwickelnden Gebiet ihre Zeit mit Kollegen aus dem allgemeinen Management verbringen: Es kommt kaum zu Interaktionen mit ähnlichen Spezialisten, die aber nötig sind, um sich selbst und die Werkzeuge auf dem neuesten Stand zu halten. Datenwissenschaftler brauchen Kontakt zu Netzwerken von Praktikern, entweder innerhalb von großen Unternehmen oder extern. Neue Konferenzen und informelle Gruppen zur Unterstützung von Zusammenarbeit und Technologieaustausch entstehen weltweit in großer Geschwindigkeit und Zahl. Unternehmen sollten ihre Experten ermuntern, sich an diesem Austausch zu beteiligen - mit der Überlegung, dass die Flut letztlich alle Boote heben wird.

Datenwissenschaftler sind außerdem tendenziell umso motivierter, je mehr von ihnen erwartet wird. Die Herausforderungen im Zusammenhang mit der Erfassung und Strukturierung von Big Data lassen manchmal wenig Zeit oder Energie für raffinierte Analytik mit dem Ziel von Prognosen und Optimierung. Doch wenn die Vorgesetzten klarmachen, dass sie mit Berichten allein nicht zufrieden sind, werden die Datenwissenschaftler sich stärker mit fortgeschrittenen Analysen beschäftigen. Big Data sollte nicht missverstanden werden als "kleine Mathematik".

Ein Beruf mit Zukunft

Hal Varian, Chefvolkswirt von Google, ist bekannt für die Aussage "Der attraktivste Job der nächsten zehn Jahre wird Statistiker sein. Die Leute glauben, dass ich scherze, aber wer hätte denn vorher gedacht, dass der attraktivste Job in den 90ern Computerentwickler sein würde?"

Wenn attraktiv zu sein bedeutet, seltene und höchst gefragte Qualitäten zu haben, sind Datenwissenschaftler das heute schon. Es ist schwierig und teuer, sie einzustellen, und angesichts des starken Wettbewerbs um ihre Dienste schwer, sie bei der Stange zu halten. Es gibt einfach nicht viele Menschen, die über einen akademischen Hintergrund und Geschick mit Computern und Analysen verfügen.

Datenwissenschaftler sind heute das, was die "Quants" an der Wall Street in den 80er und 90er Jahren waren. Damals strömten Mathematiker und Physiker in Investmentbanken und Hedgefonds, wo sie vollkommen neue Algorithmen und Datenstrategien entwerfen durften. Dann entwickelte eine Reihe von Universitäten Master-Programme in Finanz-Engineering, was eine zweite Generation von Talenten hervorbrachte, die auch einfacheren Unternehmen zur Verfügung stand. Das Muster wiederholte sich in den 90er Jahren mit Suchmaschinenentwicklern, deren rare Fähigkeiten bald darauf ebenfalls an Hochschulen vermittelt wurden.

Daraus ergibt sich die Frage, ob es für manche Unternehmen nicht geschickter wäre zu warten, bis eine zweite Generation von Datenwissenschaftlern verfügbar ist. Die Kandidaten wären dann zahlreicher, preisgünstiger, einfacher auszusieben und in ein geschäftliches Umfeld zu integrieren. Warum sollte man die Mühe, scheue Talente zu erspüren und zu prüfen, nicht den Big-Data-Start-ups und großen Firmen wie GE oder Wal-Mart überlassen, die wegen ihrer aggressiven Strategien ohnehin an vorderster Front stehen müssen?

Das Problem bei dieser Überlegung: Es gibt keinerlei Anzeichen dafür, dass sich die Entwicklung bei Big Data verlangsamt. Wenn Unternehmen den Trend aussitzen, weil es an Talenten fehlt, riskieren sie deshalb zurückzufallen, während Konkurrenten und Vertriebspartner sich fast uneinholbare Vorteile verschaffen. Sie sollten Big Data als riesige Welle verstehen, die kurz davor ist zu brechen. Wenn Sie sie erwischen wollen, brauchen Sie Leute, die surfen können - und zwar schnell.

Dieser Artikel erschien erstmals in der November-Ausgabe 2012 des Harvard Business managers.

Zur Ausgabe
Artikel 10 / 14
Vorheriger Artikel
Nächster Artikel
Die Wiedergabe wurde unterbrochen.