Kapitel 4. Die Analystenorganisation

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Ein wirklich guter Datenanalyst sollte die Leute begeistern... Ich wusste, dass ich der erste war, der die Daten bekam, also war ich auch der erste, der die Geschichte kannte. Es macht Spaß, Dinge zu entdecken.

Dan Murray

Die menschliche Komponente einer großartigen datengesteuerten Organisation ist eine großartige Analyseorganisation. Wer sind diese Menschen, und wie sollten sie organisiert sein?

In diesem Kapitel gehe ich auf die Analyseorganisation selbst ein: die Arten von Mitarbeitern, die sie ausmachen, und die Fähigkeiten, die sie besitzen sollten. Ich werde die Bandbreite der Positionen in der Analytik untersuchen, und wir werden einige der Menschen kennenlernen, die diese verschiedenen Rollen innehaben. Außerdem gibt es eine Reihe von Möglichkeiten, wie Analytiker/innen organisiert werden können, die jeweils unterschiedliche Vor- und Nachteile haben .

Arten von Analysten

In einem datengesteuerten Unternehmen gibt es wahrscheinlich eine Vielzahl von Analystenrollen, die in der Regel in mehreren Teams organisiert sind. Die verschiedenen Analystenrollen werden von verschiedenen Leuten unterschiedlich beschrieben und viele der Fähigkeiten überschneiden sich bei ihnen, aber ich werde eine allgemeine Beschreibung meiner Version von Datenanalysten, Daten- und Analysetechnikern, Geschäftsanalysten, Datenwissenschaftlern, Statistikern, Quants, Buchhaltern und Finanzanalysten und Datenvisualisierungsspezialisten geben. Für jeden von ihnen beschreibe ich die Fähigkeiten, die sie in der Regel besitzen, die Tools, die sie verwenden, und gebe ein Beispiel für eine Person in dieser Rolle. In deinem Unternehmen gibt es vielleicht andere Bezeichnungen, aber die hier beschriebenen Fähigkeiten sind in der Regel notwendig, um das Beste aus deinen Daten herauszuholen.

Datenanalyst

Dies ist der breiteste, gebräuchlichste Begriff, zumindest im Vergleich zu den spezialisierteren Rollen, die als nächstes besprochen werden. In vielen Fällen sind sie T-förmig: Sie verfügen über eine geringere Erfahrung in einem breiten Spektrum von Fähigkeiten, aber über tiefgreifende Fähigkeiten und Fachkenntnisse in einem dominanten Bereich. Das Spektrum der Datenanalysten reicht von Einstiegspositionen, die sich oft eher auf das Sammeln und Aufbereiten von Daten konzentrieren, bis hin zu hoch qualifizierten und sehr spezialisierten Analysten. Solche Analysten sind oft Fachleute, die sich auf eine Fülle verschiedener Bereiche konzentrieren, wie z.B. die Stimme des Kunden, Kundenbindungsprogramme, E-Mail-Marketing, geo-spezialisierte militärische Nachrichtendienste oder bestimmte Segmente des Aktienmarktes. Die einzelnen Rollen in einem Unternehmen hängen von der Größe, dem Reifegrad, dem Bereich und dem Markt des Unternehmens ab. In all diesen Rollen ist der Output wahrscheinlich eine Mischung aus Berichten und Analysen. Neben der Breite des Aufgabengebiets unterscheiden sich die Analysten auch stark in ihren technischen Fähigkeiten.

Auf der einen Seite stehen Analysten, die ausschließlich in der Welt von Excel und Hersteller-Dashboards arbeiten. Auf der anderen Seite gibt es Leute wie Samarth, die Scala-Code für die rohen, großen Datenspeicher bei Etsy schreiben. Samarth hat einen politikwissenschaftlichen Hintergrund, aber seine analytische Ausbildung erhielt er während seiner Arbeit an Barack Obamas Wiederwahlkampagne 2012. Dort lernte er R, SQL und Python - das typische Dreiergespann eines Datenwissenschaftlers - um Web- und E-Mail-Experimente durchzuführen. Heute ist er Datenanalyst bei Etsy in New York, wo er immer noch an Web- und E-Mail-Experimenten arbeitet, aber auch Clickstream-Analysen durchführt, Trends analysiert und Berichte und White Papers schreibt. Er arbeitet mit einer Vielzahl von Produktmanagern, Ingenieuren und Designern im Unternehmen zusammen, um Experimente zu entwerfen, sie mit Scala/Scalding, R und SQL zu analysieren und die Ergebnisse zu interpretieren. Außerdem verfasst er allgemeine unternehmensweite White Papers sowie spezifischere Memos für Führungskräfte, um Trends, Nutzerverhalten oder bestimmte Funktionen zu verstehen.

Eine Analystin mit einem ganz anderen Profil ist Samantha. Sie hat einen Bachelor-Abschluss in Rechnungswesen und arbeitet als Datenanalystin bei Progressive Insurance in Cleveland, Ohio, im Finanzteam für die Schadenskontrolle. Sie kümmert sich um die Prüfung und Analyse von Ansprüchen und die Einhaltung der staatlichen Gesetze zur Rückgabe von Vermögenswerten an den Staat. Dazu gehört die Erstellung von Berichten zur Nachverfolgung von herrenlosem Eigentum, die Analyse ausstehender Entwürfe und die Zusammenfassung des damit verbundenen finanziellen Risikos. Sie verwendet eine Mischung aus SAS, Excel und Oracle sowie bereichsspezifische Tools wie ClaimStation. Sie hat eine Vielzahl interner "Kunden", die sich auf ihre Arbeit verlassen, darunter die Steuerabteilung, die Finanzabteilung, die IT-Abteilung, die Leiter der Schadenabteilung sowie einzelne Schadenregulierungsbeauftragte im Außendienst. Sie sagt, dass es sie antreibt, "zu sehen, wie sich meine Analysen zum finanziellen Vorteil von Progressive und unseren Versicherten auszahlen. Da sie in einer stärker regulierten Branche arbeitet und dafür verantwortlich ist, dass Progressive die staatlichen Gesetze einhält, ist die Liebe zum Detail eine besonders wichtige Eigenschaft in ihrer Rolle.

Dateningenieure und Analytikingenieure

In erster Linie dafür verantwortlich, Daten zu sammeln, zu bereinigen und in eine Form zu bringen, auf die Analysten zugreifen und sie analysieren können. Sie sind für betriebliche Belange wie Durchsatz, Skalierung, Lastspitzen und Protokollierung zuständig und können auch für die Entwicklung von Business-Intelligence-Tools verantwortlich sein, die Analysten nutzen.

Lerne Anna kennen. Während sie an ihrer Promotion in Physik arbeitete, erkannte sie, dass ihre wahre Leidenschaft in der Datenwissenschaft liegt, und kam als Datenwissenschaftlerin zu Bitly, wo sie ihr Studium mit einem Master abschloss. Bei Bitly erstellte sie Visualisierungen aus großen Datensätzen, verarbeitete Daten mit Hadoop und implementierte Algorithmen für maschinelles Lernen. Danach wechselte sie zu Rent The Runway und arbeitet jetzt als Dateningenieurin. Mit Tools wie SQL, Python, Vertica und Bash pflegt sie die Dateninfrastruktur, die die Analysten unterstützt, entwickelt neue Tools, um die Daten zuverlässiger, zeitnaher und skalierbarer zu machen, und ist Ansprechpartnerin für die übrigen Ingenieure des Unternehmens, um alle Änderungen zu verstehen, die sich auf die Daten auswirken.

Business-Analysten

Analysten die in der Regel als Schnittstelle zwischen den Interessenvertretern des Unternehmens (z.B. Abteilungsleitern) und der Technologieabteilung (z.B. Softwareentwicklern) dienen. Ihre Aufgabe ist es, Geschäftsprozesse zu verbessern oder neue oder erweiterte Funktionen in Backend- oder Frontend-Systemen zu entwerfen und zu entwickeln, wie z.B. einen verbesserten Checkout-Flow auf einer kundenorientierten Website.

Lynn ist Senior Business Analystin bei Macys.com. Mit einem Bachelor-Abschluss in Kunst, Erfahrung als Anwendungsentwicklerin und einer Project Management Professional-Zertifizierung verfügt Lynn über ein Jahrzehnt Erfahrung im Projektmanagement und in der Geschäftsanalyse, vor allem im E-Commerce im Buchhandel. Zu ihren Aufgaben gehören die Analyse der Projektanforderungen, das Verstehen der Kundenbedürfnisse, die Prozessverbesserung und das Projektmanagement, wobei sie häufig einen agilen Ansatz verfolgt. "Einen typischen Tag gibt es nicht", sagt sie. "An manchen Tagen spreche ich mit den Nutzern" (d.h. den Händlern, die das Produktinformationsmanagementsystem von Macy's nutzen) "über ihre Bedürfnisse, an anderen Tagen bespreche ich die User Stories mit den Entwicklern oder beantworte Fragen von QA oder Entwicklern zu den User Stories."

DatenwissenschaftlerInnen

Ein weit gefasster Begriff, der eher mathematisch oder statistisch veranlagte Mitarbeiter/innen umfasst, die in der Regel sowohl über fortgeschrittene Abschlüsse (oft in quantitativen Fächern wie Mathematik, Naturwissenschaften und Informatik) als auch über entwickelte Programmierkenntnisse verfügen. Mir gefällt die prägnante Definitionvon von JoshWills: "Data Scientist (n.): Person, die besser in Statistik ist als jeder Softwareentwickler und besser in Softwareentwicklung als jeder Statistiker." Diese Definition erfasst jedoch nicht ganz ihre Rolle, die darin besteht, "Datenprodukte" zu entwickeln, wie z. B. Empfehlungsmaschinen mit maschinellem Lernen, oder Vorhersagemodelle zu erstellen und natürliche Sprache zu verarbeiten.1

Trey, ein Senior Data Scientist bei Zulily, einer Website für Tagesangebote mit Sitz in Seattle, ist ein solcher Datenwissenschaftler. Mit einem Master-Abschluss in Soziologie arbeitet Trey an einer Vielzahl von Projekten, die von der Entwicklung statistischer Modelle und Empfehlungsalgorithmen zur Verbesserung der Kundenerfahrung bis hin zur Unterstützung von Produktmanagern bei der Interpretation der Ergebnisse eines A/B-Tests reichen. Er verwendet hauptsächlich Python (mit Bibliotheken wie pandas, scikit-learn und statsmodels) und analysiert Daten mit SQL und Hive. Obwohl er über die technischen Fähigkeiten verfügt, statistische Modelle zu erstellen, hält er die Fähigkeit, diese Modelle auch Nicht-Experten zu erklären, für eine entscheidende Fähigkeit der Datenwissenschaft. Diese Liebe zum Unterrichten spiegelt sich in seinem Hobby the spread wider, einem Blog, in dem er datenwissenschaftliche Konzepte anhand von American-Football-Daten erklärt und zeigt, wie man Sportstatistiken besser nutzen kann.

Statistiker

Qualifiziertes Personal, das sich auf die statistische Modellierung im Unternehmen konzentriert. Sie haben in der Regel mindestens einen Master-Abschluss in Statistik und sind vor allem im Versicherungswesen, im Gesundheitswesen, in der Forschung und Entwicklung und in der Regierung zu finden. Ein Viertel der Statistiker/innen in den USA arbeitet für die Bundes-, Landes- und Kommunalverwaltung. Sie sind oft nicht nur an der Analyse, sondern auch an der Gestaltung von Umfragen, Experimenten und Erhebungsprotokollen beteiligt, um die Rohdaten zu erhalten.

Das ist Shaun, ein Statistiker, der das quantitative Marketing in der Google-Niederlassung in Boulder unterstützt. Mit einem Bachelor-Abschluss in Mathematik und Computerwissenschaften und einem Doktortitel in Statistik hat Shaun jetzt eine abwechslungsreiche Aufgabe, bei der er Mitarbeiter anderer Teams unterstützt und je nach Bedarf von Projekt zu Projekt wechselt. Auf der einen Seite kann seine Arbeit darin bestehen, neue Datenquellen zu beschaffen, zu bereinigen, zu visualisieren und ihre Qualität zu überprüfen. Auf der anderen Seite nutzt er seine statistischen Kenntnisse, um Clustering-Algorithmen zur Verbesserung von Online-Suchexperimenten zu entwickeln, Bayes'sche strukturelle Zeitreihenmodelle zu erstellen oder mit Hilfe von Random Forests die Sehbeteiligung auf individueller Ebene aus Haushaltsdaten zu schätzen. Die meiste Zeit verbringt er in R, vor allem um Daten zu analysieren und zu visualisieren (vor allem mit Paketen wie ggplot2, plyr/dplyr und data.table). Er extrahiert aber auch Daten mit SQL-ähnlichen Sprachen und verwendet Python und Go.

Quants

Mathematisch qualifizierte quantitative Analysten, die typischerweise im Finanzdienstleistungssektor arbeiten und Wertpapiere, Risikomanagement und Aktienbewegungen sowohl auf der Kauf- als auch auf der Verkaufsseite des Marktes modellieren. Ein Pensionsfonds kann zum Beispiel einen quantitativen Analysten damit beauftragen, ein optimales Portfolio von Anleihen zusammenzustellen, um die zukünftigen Verbindlichkeiten des Fonds zu erfüllen. Sie kommen oft aus der Mathematik, der Physik oder dem Ingenieurwesen, und einige - vor allem die Analysten für algorithmischen Handel (die bestbezahlten aller Analystenpositionen) - sind besonders gute Programmierer in Sprachen wie C++, die Daten verarbeiten und Aktionen mit sehr geringer Latenzzeit erzeugen können.

Satish ist Quant bei Bloomberg in New York und bringt einen fundierten Hintergrund in angewandter Mathematik und Elektrotechnik mit, einschließlich eines Doktortitels. Er verwendet R (ggplot2, dplyr, reshape2), Python (scikit-learn, pandas) und Excel (für Pivot-Tabellen), um eine Reihe von statistischen Modellen zu erstellen und dann C/C++, um einige davon in die Produktion zu bringen. Diese Modelle beziehen sich oft auf den relativen Wert verschiedener festverzinslicher Anlageklassen. Er ist aber auch als interner Berater tätig und arbeitet so an einer Vielzahl von Problemen, die von Kreditmodellen für hypothekarisch gesicherte Wertpapiere bis hin zur Vorhersage des Windstromangebots in Großbritannien reichen. "Die riesigen Mengen an Finanzdaten und Analysen, die bei Bloomberg zur Verfügung stehen, sind in der Branche unübertroffen", sagt er. "Daher ist es sehr befriedigend zu wissen, dass die meisten Modelle, die wir erstellen, für alle unsere Kunden von Nutzen sind. Eine der Herausforderungen bei der Arbeit mit Finanzdaten besteht darin, dass sie sehr schwanzlastig sind und die Modelle daher mit seltenen, extremen Ereignissen gut umgehen müssen.

Buchhalter und Finanzanalysten

Mitarbeiter/innen, die sich mit internen Abschlüssen, Rechnungsprüfung, Prognosen, Analysen der Unternehmensleistung usw. befassen. Lerne Patrick kennen. Mit einem Bachelor of Arts in Philosophie, Politik und Wirtschaft und einem Hintergrund als Fremdkapitalmarktanalyst bei RBS Securities ist Patrick jetzt Retail Finance and Strategy Manager bei Warby Parker in New York City. Er ist verantwortlich für die Finanzplanung und -analyse im Einzelhandel und unterstützt die Entwicklung der Strategie für den Ausbau der Läden des Unternehmens. Er verbringt seine Tage in Excel, um die Gewinn- und Verlustrechnung und die Kennzahlen der Läden zu verwalten, Modelle für die zukünftige Leistung zu entwickeln, Modellabweichungen zu untersuchen und die Marktentwicklung zu analysieren. Zurzeit verbringt er etwa 60 % seiner Zeit mit der Berichterstattung und den Rest mit der Analyse, aber dieser Anteil verlagert sich immer mehr in Richtung Analyse, da sich sein Zugang, sein Komfort und seine Fähigkeiten im Umgang mit den Business Intelligence-Tools des Unternehmens verbessern.

Datenvisualisierungsspezialisten

Menschen mit einer starken Designästhetik, die Infografiken, Dashboards und andere Designobjekte erstellen. Sie können auch in Technologien wie JavaScript, CoffeeScript, CSS und HTML programmieren und mit Datenvisualisierungsbibliotheken wie D3 (eine sehr leistungsstarke und schöne Visualisierungsbibliothek, die in Scott Murrays Interactive Data Visualization for the Web (O'Reilly) und HTML5 behandelt wird.

Das ist Jim (Jim V in Abbildung 4-1). Nach seinem Masterabschluss in Informatik mit den Schwerpunkten Bioinformatik und maschinelles Lernen arbeitete Jim für Garmin, wo er GUIs für GPS-Geräte entwickelte, und danach in einer biologischen Forschungseinrichtung, wo er umfangreiche Sequenzdaten analysierte. Dort entdeckte er D3 und begann, darüber zu bloggen und klare, lehrreiche Tutorials zu entwickeln. Jetzt arbeitet er als Datenvisualisierungsingenieur und Datenwissenschaftler im Nordstrom Data Lab in Seattle. Mit einer Mischung aus Ruby, etwas Python und R (insbesondere den Paketen ggplot2 und dplyr) teilt er seine Zeit zwischen der Unterstützung von Personalisierungs- und Empfehlungssystemen und der Visualisierung von Daten auf, wobei er sich vor allem an Mitarbeiter anderer Teams wendet.

In größeren Unternehmen gibt es möglicherweise weitere spezialisierte Funktionen, z. B. solche, die nur Berichte erstellen oder sich auf die Verwendung eines bestimmten Business Intelligence-Tools spezialisieren. Andere konzentrieren sich vielleicht nur auf Big-Data-Technologien wie Hadoop oder Spark.

Wie du siehst, gibt es eine Menge Überschneidungen zwischen diesen Rollen und Begriffen. Die meisten mischen Daten mit einer SQL-ähnlichen Sprache. Manche programmieren mehr als andere. Viele Aufgaben beinhalten die Erstellung statistischer Modelle, oft mit SAS oder R. Die meisten beinhalten eine Mischung aus Berichten und Analysen.

Analytik ist ein Teamsport

Analytik ist ein Teamsport. Ein gut funktionierendes, datengesteuertes Unternehmen wird sowohl über eine Reihe von Analytikern mit unterschiedlichen Aufgaben als auch über Mitarbeiter mit ergänzenden Fähigkeiten verfügen. Es muss das "Portfolio" der Fähigkeiten im Team und das Profil der Neueinstellungen berücksichtigen, die am besten geeignet sind, um fehlende oder schwache Bereiche in diesem Team zu ergänzen und zu stärken.

Abbildung 4-1 zeigt zum Beispiel das Teamprofil des Datenlabors von Nordstrom im Jahr 2013. Du kannst die stärksten Mathematiker und Statistiker im Team (Elissa, Mark und Erin), die stärksten Entwickler (David und Jason W.) und ihren Experten für Datenvisualisierung, Jim V., der bereits vorgestellt wurde, leicht erkennen. Ich habe Jason Gowans, den Leiter des Labors, gefragt, worauf er bei der Einstellung eines neuen Mitarbeiters achtet. "Erstens sind wir Befürworter der Jeff Bezos Zwei-Pizza-Regel", sagte er. "Deshalb ist es unwahrscheinlich, dass wir viel größer werden als wir jetzt sind. Wir glauben, dass uns das hilft, uns auf die großen Chancen zu konzentrieren. Zweitens bringt jedes Mitglied etwas Einzigartiges in das Team ein und kann allen anderen helfen, sich zu verbessern.

Es war ein kluger Schachzug, schon früh in der Geschichte des Teams einen Experten für Datenvisualisierung einzustellen - etwas, das viele Teams erst später tun. Schöne, ausgefeilte Proof-of-Concept-Datenprodukte halfen dem Team, in der gesamten Organisation an Bodenhaftung und Akzeptanz zu gewinnen. "Jim hat entscheidend dazu beigetragen, dass wir uns für unsere Arbeit begeistern konnten und sie mit seinen Fähigkeiten zur Datenvisualisierung wirklich zum Leben erweckt haben", sagt Jason.

Datenwissenschaftler/innen, die oft einen akademischen Hintergrund haben, sind besonders T-förmig. Wenn sie zwei dominante Bereiche haben, werden sie als Pi-förmig bezeichnet. Du kannst dir die Einstellung und Teambildung wie ein Analytik-Tetris vorstellen.

Alt Text
Abbildung 4-1. Teamprofil des Nordstrom Datenlabors (Stand: Strata 2013). ML = Maschinelles Lernen. Devops ist ein relativ neuer Begriff, der aus der agilen Softwareentwicklung entstanden ist und eine Mischung aus IT, Systemadministration und Softwareentwicklung darstellt.

Eine 2012 von Harris et al. durchgeführte Umfrage unter Hunderten von Selbstauskunftspersonen umfasste fünf Qualifikationsgruppen:

  • Business
  • Mathematik/Operationsforschung
  • Maschinelles Lernen/Big Data
  • Programmierung
  • Statistik

Sie identifizierten vier Gruppen von Rollen:

Daten Geschäftsleute

"Ziemlich T-förmig mit Top-Fähigkeiten in Wirtschaft und mäßigen Fähigkeiten in anderen Bereichen."

Datenforscher

Tief in Statistik und weniger breit mit niedrigen Bewertungen in maschinellem Lernen/Big Data, Wirtschaft und Programmierung.

Datenentwickler

Pi-geformt mit starken Programmierkenntnissen und relativ starken Kenntnissen im Bereich maschinelles Lernen/Big Data und mäßigen Kenntnissen in den anderen drei Gruppen.

Daten-Kreative

Die am wenigsten T-förmige Gruppe, "die im Durchschnitt weder zu den stärksten noch zu den schwächsten in irgendeiner Kompetenzgruppe gehörte."

Ihre durchschnittlichen Profile sind in Abbildung 4-2 dargestellt. Es ist leicht zu erkennen, dass es große Unterschiede zwischen den vier Typen gibt.

Diese vier Rollen lassen sich nur ungenau auf die Berufsbezeichnungen der Analysten übertragen(Tabelle 4-1). Unternehmen mit mehr Mitarbeitern und komplexeren Strukturen haben möglicherweise eine größere Anzahl definierter Rollen, während in kleineren Betrieben wahrscheinlich weniger Mitarbeiter mehr Hüte tragen. Es ist auch erwähnenswert, dass Harris et al. zwar feststellten, dass Datenkreative "in keiner Kompetenzgruppe am stärksten oder schwächsten sind", dass sie aber Visualisierung und Kommunikation nicht als Kompetenzgruppe einstuften, obwohl dies für ein funktionierendes Team sehr wichtig ist. Man könnte auch anmerken, dass dies als datenwissenschaftliches Problem eine Schwäche von Umfragen ist: Sie sind auf die Kategorien beschränkt, die sich die Designer der Umfrage vorstellen. In diesem Fall war zwar das Fachwissen vorhanden, um zu erkennen, dass Datenkreative Teil erfolgreicher Teams sind, aber es war nicht ganz klar, was sie beitragen.

Tabelle 4-1. Zuordnung der oben in diesem Kapitel aufgeführten Analystenrollen zu denen von Harris et al. 2013
Daten-Businessperson Daten kreativ Datenentwickler Datenforscher
Business-Analysten Spezialisten für Datenvisualisierung Datenwissenschaftler/innen Statistiker
Datenanalysten Daten-Ingenieure Quants
Buchhalter und Finanzanalysten
Alt Text
Abbildung 4-2. Das Kompetenzprofil der vier Gruppen von Befragten (Abbildung 3-3 aus Harris et al., 2013).

Im Idealfall müssen Manager bei der Einstellung auf drei Ebenen denken:

Individuelle Ebene

Passt diese Person gut zu uns? Besitzt er oder sie die Fähigkeiten, das Potenzial und die Motivation, die wir suchen?

Team-Ebene

Ergänzt diese Person den Rest des Teams und füllt fehlende Lücken oder stärkt eine Schwachstelle?

Arbeitsebene

Wie passt das Teamprofil zu der Arbeit, die erforderlich ist? Das heißt, welches Teamprofil passt am besten zu dem, was wir zu erreichen versuchen? Zum Beispiel kann die Arbeit, die sich hauptsächlich auf finanzielle Prognosemodelle konzentriert, eine andere optimale Personalbesetzung erfordern als die Arbeit, die sich auf die Optimierung des Kundendienstes konzentriert.

Fertigkeiten und Qualitäten

Was sind die Eigenschaften, die einen guten Analysten ausmachen?2

Numerate

Sie müssen keinen Doktortitel in Mathematik oder Statistik haben, aber sie sollten zumindest mit deskriptiver Statistik (Median, Modus, Quartile usw.; siehe Kapitel 5) vertraut sein und bereit sein, mehr zu lernen.

Detailorientiert und methodisch

Wenn diese Zahlen, Berichte und Analysen an die Unternehmensleitung weitergeleitet werden, um eine wichtige Geschäftsentscheidung zu treffen, sollten sie besser richtig sein. Die Analysten müssen von der Sorte "zweimal messen, einmal schneiden" sein.

Angemessen skeptisch

Gute Analysten haben ein gutes Gespür dafür, wenn etwas in den Rohdaten, den aggregierten Daten oder in der Analyse selbst nicht stimmt. Erstens denken sie proaktiv über die Bandbreite der Werte nach, die sinnvoll wären. Zweitens hinterfragen sie proaktiv die Gültigkeit der Daten und überprüfen die Quelldaten und die Berechnungen, wenn eine Kennzahl höher oder niedriger ist als erwartet.

Zuversichtlich

Analysten brauchen nicht nur Selbstvertrauen, um ihre Ergebnisse vor einer Gruppe von (älteren) Kollegen zu präsentieren, sondern wenn die Ergebnisse überraschend sind oder grobe Ineffizienzen aufdecken, können ihre Daten und Analysen in Frage gestellt werden. Sie müssen Vertrauen in ihre Arbeit haben, um zu ihr stehen zu können.

Neugierig

Ein Teil der Aufgabe eines Analysten ist die Suche nach verwertbaren Erkenntnissen. Deshalb müssen sie neugierig sein und ständig Hypothesen entwickeln oder potenziell interessante Aspekte der Daten hinterfragen.

Gute Kommunikatoren und Geschichtenerzähler

Die Arbeit eines Analysten ist wertlos, wenn sie den Entscheidungsträgern und Geschäftsinhabern, die nach den Empfehlungen handeln können, nicht gut vermittelt wird. Sie müssen eine überzeugende, kohärente Geschichte rund um die Daten und die Ergebnisse erzählen. Deshalb müssen sie über ausgeprägte schriftliche und mündliche Fähigkeiten sowie über Fähigkeiten zur Datenvisualisierung verfügen. (Mehr dazu in Kapitel 7.)

Patient

Vieles liegt außerhalb der direkten Kontrolle eines Analysten. Dazu gehören die Genauigkeit oder Verfügbarkeit der Rohdatenquelle, fehlende Daten, sich ändernde Anforderungen oder versteckte Verzerrungen in den Daten, die erst spät in einer Analyse aufgedeckt werden und dazu führen können, dass sie ihre Analysen verwerfen oder neu erstellen müssen. Analysten brauchen Geduld.

Datenliebhaber

Genauso wie viele Programmierer/innen es lieben, zu programmieren, und der Bereich, in dem sie arbeiten, fast irrelevant ist, lieben manche Menschen Daten einfach als Ressource, als eine Möglichkeit, ihre Welt zu verstehen und etwas zu bewirken. Sie lieben es, sich einzulesen. Stell diese Leute ein.

Lebenslernende

Das gilt nicht nur für Analysten, aber diejenigen, die gerne lernen, die immer die neuesten Artikel und Lehrbücher lesen und Kurse besuchen, um ihr Wissen und ihre Fähigkeiten zu erweitern, werden gut abschneiden.

Pragmatisch und geschäftstüchtig

Du musst dich auf die richtigen Fragen konzentrieren. Es kann allzu leicht passieren, dass man sich in einen Kaninchenbau verirrt und zu viel Zeit damit verbringt, sich mit einem Randfall zu beschäftigen, der keine wirklichen Auswirkungen auf das Geschäft hat. Wie gute Redakteure müssen sie das große Ganze im Auge behalten und wissen, wann sie eine Geschichte abbrechen und sich einem anderen Thema zuwenden müssen, das die Zeit von besser nutzt.

Ich habe Daniel Tunkelang, Leiter der Suchqualität bei LinkedIn, gefragt, worauf er bei der Einstellung von Analysten achtet:

Ich achte bei Datenanalysten/-wissenschaftlern auf drei Dinge. Erstens müssen sie kluge, kreative Problemlöser sein, die nicht nur über analytische Fähigkeiten verfügen, sondern auch wissen, wie und wann sie diese anwenden müssen. Zweitens müssen sie Umsetzer sein und zeigen, dass sie sowohl die Fähigkeit als auch die Leidenschaft haben, Lösungen mit den entsprechenden Tools zu entwickeln. Drittens müssen sie über ein ausreichendes Gespür für Produkte verfügen, sei es durch Instinkt oder Erfahrung, um sich in dem Problemfeld, in dem sie arbeiten werden, zurechtzufinden und die richtigen Fragen zu stellen.

Ken Rudin, Leiter von analytics bei Facebook, sagt:

Du kannst Wissenschaft, Technologie und Statistik nutzen, um die Antworten zu finden, aber es ist immer noch eine Kunst, die richtigen Fragen zu stellen... Es reicht nicht mehr aus, Leute mit einem Doktortitel in Statistik einzustellen. Du musst auch sicherstellen, dass die Leute, die du einstellst, über "Business-Sachverstand" verfügen. Geschäftssinn wird meiner Meinung nach immer mehr zu einer der wichtigsten Fähigkeiten, die ein Analyst haben muss.

Wie kannst du herausfinden, ob ein potenzieller Analyst, den du dir ansiehst, über Geschäftssinn verfügt? Wenn du dich mit ihnen unterhältst, solltest du dich nicht nur darauf konzentrieren, wie wir diese Kennzahl berechnen. Gib ihnen eine Fallstudie aus deinem eigenen Unternehmen und frage sie: "Welche Kennzahlen wären in diesem Szenario deiner Meinung nach wichtig?" So kannst du das herausfinden.

Nur ein weiteres Werkzeug

Was die praktischen Fähigkeiten von angeht, so ist es selbstverständlich, dass die meisten Analysten auf der ganzen Welt Word, Excel und PowerPoint von Microsoft als ihre wichtigsten Arbeitspferde verwenden. Das sind sehr leistungsstarke Werkzeuge. Es ist jedoch erstaunlich, wie ein paar zusätzliche Tools einen großen Unterschied in der Produktivität ausmachen können.

Tipp

Dieser Abschnitt ist als Herausforderung für zwei Hauptadressaten gedacht. Wenn du ein Analyst bist, fordere dich selbst auf, im nächsten Monat oder Quartal ein weiteres Tool oder Dienstprogramm zu lernen. Wenn du ein Manager von Analysten bist, solltest du sie dazu bringen, sich selbst auf diese Weise herauszufordern. Finde heraus, wie viel das bewirkt hat. Du wirst überrascht sein.

Hier sind ein paar Bereiche, die du beachten solltest.

Explorative Datenanalyse und statistische Modellierung

R ist eine zunehmend beliebte Umgebung für statistische Berechnungen und verfügt über außergewöhnliche Bibliotheken zur Datenvisualisierung (wie ggplot2). Du kannst zum Beispiel eine CSV-Datei einlesen und die Beziehung zwischen allen möglichen Variablenpaaren mit nur zwei Befehlen visualisieren:

data<-read.csv(filename.csv);
pairs(data)

Abbildung 4-3 zeigt die Ausgabe dieser Befehle. Im zweiten Feld der oberen Reihe sehen wir das Verhältnis zwischen der Kelchblattbreite (x-Achse) und der Kelchblattlänge (y-Achse) der Irisblüten.

Alt Text
Abbildung 4-3. Dies ist die Ausgabe des Befehls pairs(iris) in R. Iris ist ein bekannter Datensatz, der von Edgar Anderson gesammelt wurde, aber durch den Statistiker R. A. Fisher berühmt wurde. Er besteht aus Messungen von 50 Proben von drei Irisblumenarten. Die Korrelationen zwischen den Variablen und die Unterschiede zwischen den drei Arten werden deutlich, wenn du die Beziehungen ganzheitlich betrachtest wie hier.

Daher kann für die schnelle explorative Datenanalyse von unschätzbarem Wert sein. (Die nicht-offenen Programme SAS und SPSS sind ebenfalls beliebt und leistungsstark.) Es gibt etwa 6.700 Pakete für alle möglichen Datentypen, Modelle, Bereiche und Visualisierungen, und R ist kostenlos und Open Source.3 Wenn du R bereits kennst, dann lerne ein neues R-Paket und erweitere deine Fähigkeiten.

Datenbankabfragen

Excel kann zwar unglaublich leistungsfähig sein, hat aber Skalierungsprobleme: Ab einer bestimmten Datenmenge und Anzahl von VLOOKUPS kann es deinen Computer in die Knie zwingen. Aus diesem Grund ist SQL ein wertvolles Werkzeug im Werkzeugkasten eines jeden Analysten. SQL ist eine übertragbare Fähigkeit, und obwohl es einige kleine Unterschiede in der Sprache zwischen verschiedenen Datenbanken gibt (z. B. MySQL, PostgreSQL und Access), ist sie ziemlich standardisiert. Du kannst dann Daten auf skalierbare Weise abfragen (Millionen von Zeilen verarbeiten), Abfragen mit Kollegen teilen (kleine Textabfragen und nicht riesige Rohdaten) und du hast einen Prozess, der wiederholbar ist (du kannst Analysen einfach wiederholen).

Es gibt viele Bücher und Offline- und Online-Kurse, die dir den Einstieg in SQL erleichtern. Ein kostenloser Online-Kurs, den ich empfehlen würde, ist das SQL-Tutorial von W3Schools, weil du Abfragen direkt im Browser ausführen kannst. Eine andere Möglichkeit, den Einstieg zu finden, ist die Installation einer Datenbank auf deinem lokalen Rechner. Die Installation und Konfiguration gängiger Datenbanken wie MySQL und PostgreSQL kann sehr kompliziert sein. Daher würde ich dir empfehlen, mit SQLite anzufangen .4-Viele Anwendungen auf deinem Smartphone nutzen SQLite, um Anwendungsdaten zu speichern. Es ist kostenlos, fast trivial zu installieren, speichert deine Daten in einer einzigen transportablen Datei und ermöglicht es dir, in wenigen Minuten SQL-Abfragen zu schreiben.

Falls du dir Sorgen machst, dass es sich dabei um eine alte Technologie handelt, die bald von einem neuen Ansatz abgelöst wird, stellen King und Magoulas in der O'Reilly 2014 Data Science Salary Survey fest: "SQL war das am häufigsten verwendete Tool...Selbst mit dem rasanten Zustrom neuer Datentechnologien gibt es keine Anzeichen dafür, dass SQL verschwinden wird."

Akteneinsicht und -manipulation

Wenn das Analyseteam mit großen oder vielen Rohdaten arbeiten muss, sollte jemand - es muss nicht jeder sein, denn Analyse ist ein Teamsport - einige einfache Unix-Befehlszeilen-Kenntnisse für das Filtern und Bearbeiten von Dateien erwerben. Alternativ kann eine Skriptsprache wie Python diese Werkzeuge und vieles mehr bereitstellen.

In Kapitel 5 findest du eine ausführlichere Diskussion.

Welches Werkzeug oder Dienstprogramm du lernen solltest, hängt von deinen aktuellen Fähigkeiten und deinen Schwachstellen ab. Aber jeder hat eine Schwachstelle. Nimm die Herausforderung an.

Falls du noch mehr Ansporn brauchst: Die 2013 von O'Reilly durchgeführte Gehaltsumfrage zu den Gehältern der Teilnehmer/innen von zwei großen Strata-Konferenzen in den Jahren 2012 und 2013 ergab Folgendes:

Die Gehälter korrelierten positiv mit der Anzahl der von den Befragten verwendeten Tools. Der durchschnittliche Befragte wählte 10 Tools und hatte ein durchschnittliches Einkommen von 100.000 USD; diejenigen, die 15 oder mehr Tools verwendeten, hatten ein durchschnittliches Gehalt von 130.000 USD.

Dies wurde in der Umfrage von 2014 noch deutlicher und klarer dargestellt(Abbildung 4-4).

Alt Text
Abbildung 4-4. Das Verhältnis zwischen der Anzahl der verschiedenen Tools und dem Gehalt im Bereich Data Science. Dies ist Abbildung 1-13 aus der O'Reilly Data Science Salary Survey 2014.

Im Jahr 2013 kamen sie außerdem zu dem Schluss:

Es scheint sehr wahrscheinlich, dass die Kenntnis von Tools wie R, Python, Hadoop-Frameworks, D3 und skalierbaren maschinellen Lernwerkzeugen einen Analysten für höher bezahlte Positionen qualifiziert - und zwar mehr als die Kenntnis von SQL, Excel und RDB-Plattformen [relationalen Datenbanken]. Daraus lässt sich auch ableiten, dass es umso besser ist, je mehr Tools ein/e Analyst/in kennt: Wenn du ein Tool aus dem Hadoop-Cluster lernen willst, ist es besser, mehrere zu lernen.

Schließlich zeigt die Umfrage von 2014, dass Coding-Analysten etwa 15.000 Dollar mehr verdienen als Nicht-Coding-Analysten. Wenn du ein nicht-codierender Analyst bist, tue dir selbst einen Gefallen und lerne zu codieren!

Analyse-Organisation Struktur

Nachdem ich auf die Arten von Analystenrollen und -fähigkeiten betrachtet habe, gehe ich nun darauf ein, wie sie im Kontext der größeren Organisation organisiert sind.

Betrachten wir zunächst die beiden gängigen Extreme.

Zentralisiert

Es gibt ein zentrales Analyseteam, an das alle Analysten berichten. Das hat viele Vorteile. Erstens kann das Team Fähigkeiten, Schulungen und Werkzeuge standardisieren, Ressourcen gemeinsam nutzen und die Kosten für Softwarelizenzen senken. Zweitens können sie den Einsatz von Analysen und fortgeschrittenen Analysen innerhalb der Organisation leichter fördern. Drittens können Analysten leicht miteinander kommunizieren, voneinander lernen oder sich gegenseitig anleiten und das Gefühl haben, Teil eines gleichgesinnten Teams zu sein. Viertens wird oder kann der Eindruck größerer Objektivität entstehen, da ihr Erfolg oder ihre Belohnung wahrscheinlich nicht mit dem Erfolg der Projekte, die sie analysieren, verknüpft ist. Und schließlich können sie dazu beitragen, Stammdatenquellen als einzige Quelle der Wahrheit zu fördern. Nachteilig ist, dass sie von den Unternehmenseigentümern und ihren Zielen etwas entfernt sein können, dass sie sehr reaktiv auf Arbeitsanforderungen reagieren5,6 sie können bürokratischer sein. Wie Piyanka Jain anmerkt, "muss alles in die Pipeline gelangen, nach Prioritäten geordnet werden und Ressourcen zugewiesen bekommen".7

Dezentrales

Eine dezentrale analytische Organisation bettet die Analysten in einzelne Teams ein. Die Analysten berichten an diese Teams und teilen deren Ziele. Mit anderen Worten: Sie leben die Ziele, Berichte und Kennzahlen dieser Teams. Der Nachteil ist, dass sie etwas von anderen Analysten entfernt sein können. Es besteht die Gefahr von Doppelarbeit, unterschiedlichen Tools, Fähigkeiten, Kennzahlendefinitionen und Implementierungen. Außerdem kann es an Kommunikation und Austausch zwischen Analysten verschiedener Teams mangeln. Das dezentralisierte Modell ist mit 42% der Befragten in einer Umfrage am weitesten verbreitet, ein Faktor, den Davenport et al. (S. 108) als "analytische Unreife" bezeichnen. Sie erläutern oder verteidigen diese Position nicht ausdrücklich, aber ich interpretiere sie so, dass es schwierig ist, auf einigen höheren Ebenen der Analytik, wie z. B. in einer Operations Research-Abteilung, die sich mit schwierigen Optimierungs- oder Vorhersageproblemen beschäftigt, ohne eine zentralisierte Koordination, Expertise und Aufsicht hervorragende Leistungen zu erzielen.

Es gibt viele Vor- und Nachteile dieser beiden Strukturen (zusammengefasst in Tabelle 4-2). Als Teil einer größeren, zentralisierten Analystenorganisation haben die Analysten mehr lokale Unterstützung, Mentoren und einen klareren Karrierepfad. In einer dezentralisierten Struktur hingegen verfügt der Geschäftsbereichsleiter über eigene Ressourcen und hat vermutlich eine schnellere Durchlaufzeit.

Tabelle 4-2. Die Vorteile einer zentralisierten gegenüber einer dezentralisierten Analysestruktur. (Die Nachteile sind implizit das Gegenteil der Vorteile in der anderen Spalte.) Mehr Fachwissen kann für beide Seiten sprechen (Erklärung siehe Text).
Pro Zentralisiert Dezentrales
Klarer Karrierepfad ✓
Direkter, ganztägiger Zugang ✓
Schnellere Durchlaufzeit ✓
Größere Redundanz des Fachwissens ✓
Standardisiertes Instrumentarium und Schulung ✓
Standardisierte Metriken: Zahlen, die übereinstimmen ✓
Weniger Bürokratie ✓
(Wahrgenommene) Objektivität ✓
Größeres Fachwissen ? ?

Dreiundsechzig Prozent mehr umgewandelte Unternehmen als aufstrebende Unternehmen (siehe Kapitel 1) "nutzen eine zentrale Unternehmenseinheit als Hauptquelle für Analysen". Auch hier gibt es Störfaktoren - insbesondere die Unternehmensgröße und die Gesamtzahl der Analysten -, denn die umgewandelten Unternehmen nutzen auch in den Geschäftsbereichen häufiger Analysen.8

Man sollte erwarten, dass die Analysten in der dezentralen Organisation ein größeres Fachwissen aufbauen, z. B. ein tiefes Verständnis der Kundendaten, Analyseprozesse und Kennzahlen. Eine solche Konzentration von Wissen kann jedoch ein Risiko für das Unternehmen als Ganzes darstellen, wenn diese wenigen Personen das Unternehmen verlassen. (In einer zentralisierten Organisation ist es wahrscheinlicher, dass das Fachwissen redundant ist, wenn Analysten zwischen verschiedenen Geschäftsbereichen wechseln). Das kann bedeuten, dass das Fachwissen in einer dezentralisierten Struktur im Durchschnitt geringer ist, wenn diese Analysten häufig ausscheiden und durch Neulinge ersetzt werden, die eine mehrjährige Ausbildung von Grund auf benötigen.

Interessant ist, dass Jeb Stone9 dass in einer zentralisierten Organisation mit ein paar Standardtechnologien,

Um den Wert für das Unternehmen zu steigern, sollte ein Analyst diese zusätzlichen Technologien beherrschen, sich in diesen spezifischen Geschäftsbereichen weiterbilden und sich dem Niveau und der Qualität der Arbeit annähern, die bereits von leitenden Analysten bewertet wird. Ohne einen Karrierepfad besteht für deine Analysten ein großer Anreiz, sich auf deine Kosten eine gefragte Technologie anzueignen - unabhängig davon, ob dein Unternehmen einen Bedarf dafür hat oder nicht - und dann zu einem Arbeitgeber zu wechseln, der sie für diese Fähigkeiten entlohnt. Vielleicht sogar noch wichtiger: Top-Analysten werden Arbeitgeber mit einer dezentralen Analysefunktion meiden, weil sie wissen, dass sie länger brauchen, um sich einzuarbeiten, und dass es wahrscheinlich kein Leistungsanreizprogramm für ihre Leistungen gibt.

Bei dem Versuch, eine Struktur zu finden, die möglichst viele Vorteile mit sich bringt und die Nachteile minimiert, gibt es eine Zwischenform, das sogenannte Hybridmodell. Bei diesem Modell, wie es z. B. bei Facebook angewandt wird, gibt es ein zentrales Analyseteam, das die Vorteile von standardisierten Schulungen, Werkzeugen usw. nutzt, aber die Analysten arbeiten in den verschiedenen Geschäftsbereichen und teilen die Ziele dieser Teams. So hast du den Vorteil einer engen Abstimmung und analytischer Standards. Die Kehrseite der Medaille ist, dass die Analysten unter Umständen mehreren Managern unterstellt sind, einem aus der Geschäftsseite und einem aus der Analyseabteilung. Das birgt die Gefahr von widersprüchlichen oder verwirrenden Aussagen.

Wenn du ein dezentrales Modell hast, brauchst du eine Möglichkeit, die Analysten zusammenzubringen, um gemeinsame Fähigkeiten zu entwickeln, an Schulungen zu Werkzeugen teilzunehmen, Datenquellen, Metriken, Analysen, an denen gearbeitet wird, und so weiter zu diskutieren. Ein Ansatz, den wir bei Warby Parker anwenden, ist die Gründung einer Analystengilde, "eine organisierte Gruppe von Menschen, die sich zusammengeschlossen haben, weil sie dieselbe Aufgabe oder dasselbe Interesse haben." Auf diese Weise kommen Analysten aus verschiedenen Teams und in unserem Fall aus verschiedenen Gebäuden miteinander ins Gespräch, diskutieren über Probleme und zeigen und erzählen. Außerdem kann mein Datenteam Schulungen zu Business Intelligence-Tools und Statistiken anbieten.

Durch eine solche Gilde wird die Matrixstruktur gestärkt, aber sie erfordert die Zustimmung der Manager oder Abteilungsleiter, denen die Analysten unterstellt sind, und/oder der höheren Führungsebene. Die Analysten müssen von ihren Vorgesetzten ermutigt werden, ihre Arbeit zu unterbrechen, um an der Gilde teilzunehmen.

Andere Organisationsstrukturen10,11 die in größeren Organisationen häufiger vorkommen, sind z. B:

Beratung

In einigen Unternehmen wird das zentralisierte Modell dahingehend abgeändert, dass die Analysten in einer beratenden Struktur an Abteilungen mit entsprechenden Kostenbeteiligungen ausgeliehen werden. Bei schlechter Führung besteht die Gefahr, dass die Analysten dem Geld oder den lautstärksten Führungskräften folgen und nicht unbedingt an Projekten arbeiten, die den größten Nutzen für das Unternehmen bringen.

Funktional

Eine Form der seriellen Zentralisierung, bei der eine zentrale Gruppe innerhalb einer funktionalen Geschäftseinheit sitzt und in erster Linie dieser Einheit dient, aber auch einige Dienstleistungen für andere Teile des Unternehmens erbringen kann. Sie können dann bei Bedarf massenhaft in einen anderen Geschäftsbereich abwandern.

Kompetenzzentrum

Diese Struktur ähnelt der hybriden Struktur von , ist aber größer und beherbergt eine Reihe von Analyseexperten, wie z. B. Statistiker, in der Zentrale. Auf diese Weise werden Analysen sowohl in den einzelnen Einheiten als auch von den zentralen Mitarbeitern durchgeführt.

Tabelle 4-3 fasst die verschiedenen Organisationsstrukturen zusammen und listet einige Beispielorganisationen für jeden Typ auf. Es sollte jedoch betont werden, dass diese Bezeichnungen idealisierte Strukturen bezeichnen. In der Realität sind die Grenzen zwischen ihnen sehr fließend, und es gibt viele Zwischenformen. Bei Warby Parker beispielsweise handelt es sich in erster Linie um eine dezentrale Struktur, bei der die Analysten nur den Geschäftsbereichsleitern unterstellt sind, aber es gibt auch Elemente eines Kompetenzzentrums mit einem zentralen Datenteam, das Datenwissenschaftler beherbergt und eine gewisse Unterstützung bei fortgeschrittenen Analysen bietet (sowie Business-Intelligence-Tools, Analystenschulungen und die Festlegung von Standards). Es wird jedoch erwartet, dass sich diese Struktur ändert, wenn die Analytikorganisation reift.

Tabelle 4-3. Zusammenfassung und Beispiele für die verschiedenen analytischen Organisationsstrukturen
Organisatorische Struktur Analysten berichten an oder teilen Ziele mit Beispiele
Zentrale Analystenstelle Geschäftsinhaber
Zentralisiert ✓ Mars, Expedia, One Kings Lane
Dezentrales ✓ PBS, Dallas Mavericks
Hybrid/eingebettet ✓ ✓ Facebook, Ford, Booz Allen Hamilton
Funktional ✓ Fidelity
Beratung ✓ eBay, United Airlines
Kompetenzzentrum ✓ ✓ Capital One, Bank of America

Es gibt keine Antwort auf die Frage: "Was ist die beste Struktur?" Es kommt darauf an. Es hängt von der Größe des Unternehmens und der Branche ab. Ein analytisches Kompetenzzentrum macht zum Beispiel wenig Sinn, wenn es nur fünf Analysten gibt. Sie sind eher in Organisationen mit mehr als 25.000 Mitarbeitern zu finden. Eine Form kann zu einem bestimmten Zeitpunkt am sinnvollsten sein, aber wenn das Unternehmen größer wird, wächst es über sich hinaus und braucht vielleicht eine Umstrukturierung in eine geeignetere Form.

Basierend auf einer Accenture-Umfrage und einer Analyse von mehr als 700 Analysten,12 Davenport et al. (S. 106) behaupten jedoch:

Wir sind der Meinung, dass das zentralisierte und das Center of Excellence-Modell (oder ein föderiertes Modell, das Elemente beider Modelle kombiniert) den größten potenziellen Nutzen für Organisationen bieten, die bereit sind, einen unternehmensweiten Ansatz für die Analytik zu wählen. Analysten in einem zentralisierten oder Center-of-Excellence-Modell haben ein deutlich höheres Engagement, eine höhere Arbeitszufriedenheit, wahrgenommene organisatorische Unterstützung und Ressourcen sowie die Absicht zu bleiben als dezentralisierte Analysten oder solche, die in Beratungseinheiten arbeiten.13

In Kapitel 11 werden wir erörtern, wo diese Teams in der größeren Organisationsstruktur angesiedelt sind und welchen Führungskräften sie unterstellt sind. Zuvor wollen wir uns jedoch genauer ansehen, was Analysten tun: analysieren.

1 Conway, D., "Das Venn-Diagramm der Datenwissenschaft", 30. September 2010.
Anderson, C., "Was ist ein Datenwissenschaftler?" 3. Dezember 2012.

2 Stephen Few's Now You See It (Analytics Press) enthält eine gute Diskussion zu diesem Thema, S. 19-24.

3 Tolle Open-Source-Tools für Analysen findest du in Data Analysis with Open Source Tools von P. K. Janert (O'Reilly).

4 Ein einführendes Buch ist Using SQLite von J. A. Kreibich (O'Reilly).

5 "Ken Rudin 'Big Impact from Big Data'," 29. Oktober 2013, Videoclip, YouTube.

6 Davenport, T. H., und J. G. Harris. Analytics at Work. Boston: Harvard Business Press, 2007.

7 Jain, P., "To Centralize Analytics or Not, That is the Question", Forbes, 15. Februar 2013.

8 LaValle, S., M. S. Hopkins, E. Lesser, R. Shockley, und N. Kruschwitz, "Analytics: the New Path to Value", MIT Sloan Management Review 52, Nr. 2 (2010): Abbildung 9.

9 Stone, J., "Zentralisierte vs. dezentralisierte Analytik: Alles, was du wissen musst", 22. April 2012.

10 Davenport, T. H., und J. G. Harris. Analytics at Work. Boston: Harvard Business Press, 2007.

11 Khalil, E., und K. Wood, "Aligning Data Science - Making Organizational Structures Work", (Tysons Corner, VA: Booz Allen Hamilton, Inc., 2014).

12 Harris, J. G., E. Craig, und H. Egan, "How to Organize Your Analytical Talent", (Dublin: Accenture Institute for High Performance, 2009).

13 Davenport, T. H., Harris, J. G., und Morison, R. Competing on Analytics. Boston: Harvard Business Press, 2010.

Get Schaffung einer datengesteuerten Organisation now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial