Community Spring Cleaning week is here! Join your fellow Maveryx in digging through your old posts and marking comments on them as solved. Learn more here!
Free Trial

Blog - Deutsch

Erkenntnisse und Ideen von den besten Analytics-Experten.
RishiK
Alteryx
Alteryx

Vor Kurzem wurden Alteryx und ein Teil unserer Kundschaft (darunter McLaren) auf der Website von BBC News vorgestellt. Falls Sie das verpasst haben, finden Sie den Artikel hier. Das hat mich zum Nachdenken über meinen bisherigen Werdegang gebracht und darüber, dass ich wohl schon vor vielen Jahren zum Citizen Data Scientist geworden bin, ohne es wirklich zu wissen.

 

Traits CDS.jpg

Bildquelle: Gartner

 

Ich habe meinen Abschluss in Informatik gemacht, und zum Glück hatte ich schon vor meinem Abschluss eine Stelle in einer Beratungsfirma in Aussicht. Angesichts der neuen Arbeitsweisen und seit Beginn der weltweiten Pandemie ist dies für Absolventen schwieriger geworden. Zur Steigerung Ihrer Karrierechancen lohnt sich ein Blick ins SparkED-Programm von Alteryx zur Vorbereitung auf Berufsleben, Aus- und Weiterbildung.

 

Damals hatte man das Gefühl, Beratungsunternehmen wollten nur eines: „mit Kunden unter eine Decke gehen“ und sie so lange wie möglich an sich binden. Offensichtlich entspricht dies jedoch heute nicht mehr der Realität.

 

Da mein Einstieg ins Berufsleben über Data‑Warehouse-Projekte begann, kam ich schon ziemlich früh mit Daten in Berührung. Während meiner Zeit im Investmentbanking stieß ich dann auf etwas, das mein Interesse als IT-Experte weckte.  Meine internen Kunden aus dem Finanzcontrolling waren mit der Aufgabe betraut, täglich, wöchentlich, monatlich, quartalsweise und jährlich Berichte für Regulierungsbehörden zu erstellen. Dort wollten die für Finanzanalyse Zuständigen auf immer mehr Daten zugreifen, welche die Grundlage für ihre Entscheidungsfindung darstellten.  Sie sahen sich mit dem traditionellen Schicksal konfrontiert, dass wir in der IT-Abteilung Datenanfragen bearbeiteten, eine Kalkulationstabelle erstellten oder die Daten in einem Bericht zusammenstellten. So erhielt das Controlling-Team zwar Antworten auf seine ursprünglichen Fragen, aber nichts darüber hinaus. Die Regulierungsbehörden wiederum beschäftigten sich immer eingehender mit den vorgelegten Daten und stellten nach deren Analyse Rückfragen.

 

CDS Central.png

Bildquelle: Data Science Central

 

Und nun raten Sie mal!

Investmentbanken begannen, eigene Tools und Benutzeroberflächen zu entwickeln, über die wir in der IT die Daten aus den Handelssystemen so bald wie möglich in die maßgeschneiderten Tools übertrugen und es dem Controlling ermöglichten, eigene Berechnungen und Berichte zu erstellen. 

 

Das war revolutionär, da das Controlling-Team so schneller auf seine Daten zugreifen – und mir mehr Fragen dazu stellen konnte. 

 

Statt ins Schwitzen und in Erklärungsnot zu geraten, konnte ich einfach auf das Tool und die Daten zugreifen. Dort fand ich nicht nur die Antworten, sondern konnte auch Berichte und Dashboards erstellen, auf welche die Abteilung in Zukunft selbst zugreifen konnte, falls die gleichen Fragen erneut auftauchen sollten. 

 

Das Potenzial dieser neuen Tools lag also auf der Hand. Dennoch schreckten einige vor dem Umstieg zurück.  Dies galt insbesondere für die Excel-lastige Finanzabteilung. Dort hatte man die Arbeit mit Tabellen perfektioniert und verinnerlicht. Daher wurden meine Daten dort auch kurzerhand in Excel übertragen, um sie anschließend weiter zu analysieren. Diese Personen würde es viel Zeit und Kraft kosten, die von uns bereitgestellten Tools zu erlernen – das wusste ich.  Meine Aufgabe bestand nun darin, die Excel-Fixierten sanft zum Umstieg auf ein neues Analyse-Toolset mit Self-Service-Dashboards zu bewegen.  Der Mensch ist ein Gewohnheitstier, aber ich wusste, dass sich die Überzeugungsarbeit lohnte. Ich zeigte ihnen, wie man über diese neuen Dashboards mitunter schwer zugängliche Daten einsehen und nutzen konnte.  Kaum hatten die zögerlichen Personen dies erkannt, nahmen sie nicht nur die Dashboards in ihre Prozesse auf, sondern missionierten auch die restliche Finanzabteilung.

 

Gartner definiert Citizen Data Scientists als Personen, die Modelle mit erweiterten diagnostischen Analysen oder prädiktiven und präskriptiven Funktionen erstellen oder generieren, deren Hauptaufgabe jedoch außerhalb der Statistik und Analyse liegt.  Citizen Data Scientists seien „Power‑User“, die sowohl einfache als auch etwas anspruchsvollere Analyseaufgaben ausführen können, die zuvor mehr Fachwissen erforderten.

 

Ich weiß noch, dass ich beim Lesen dieser Definition an meine eigene Laufbahn dachte und mir ein Licht aufging: „Moment mal, Rishi, das machst du doch schon seit 2004, ohne es zu wissen! Heißt das, ich war damals schon ein Citizen Data Scientist?“ Zum damaligen Zeitpunkt war ich mir da nicht so sicher.

 

Als ich später zu einer Beratungsfirma wechselte, entstand meine Beziehung zu Alteryx.  Bevor mein damaliger Kollege Shaan Mistry in einem knalligen T‑Shirt zur zweiwöchigen Schulung in unser Büro spazierte, hatte ich noch nie von dem Unternehmen gehört. Zu dieser Zeit erinnerte mich die Plattform immer wieder an meine Tätigkeit im Bankwesen, als wir jahrelang damit beschäftigt gewesen waren, eine sinnvolle Lösung für Endanwender im Finanzwesen zu entwickeln (denn Alteryx tat genau das Gleiche!). Alteryx gefiel mir auf Anhieb – (und zwar nicht nur wegen Shaans T‑Shirt), sondern weil mir auffiel, dass immer noch viele Unternehmen vor den gleichen Problemen standen wie 2010 mein Controlling-Team.

 

Damals arbeitete ich für einen Investmentanalysten, für den ich in der Regel relevante Finanzdaten aus einer handelsüblichen Plattform wie Bloomberg extrahieren sollte, von Umsätzen und Gewinnen pro Aktie bis hin zu Betriebsmargen.  Ich erhielt also diese Anfrage … Glücklicherweise hatte die Bank mit Alteryx bereits Analyseplattformen ins Unternehmen integriert. Daraus bezog ich ein angemessenes Dataset, an dem ich gemeinsam mit dem Investmentanalysten arbeitete.  Wir verfolgten dabei einen Bewertungsprozess: Gute Investitionen bekamen eine „1“, nicht so gute eine „0“.

 

Unsere Ergebnisse wurden schließlich an die Data Scientists in unserem Team übergeben. Für sie war die Datenvorbereitung allerdings eine mühsame und zeitaufwendige Aufgabe – für einige entsprach sie bis zu 80 % der Arbeitslast. Der Investmentanalyst und ich entschieden uns, die Plattformen einzusetzen, auf die wir Zugriff hatten, und wir waren in der Lage, die Daten auf wiederholbare Weise zu bearbeiten und aufzubereiten.  Über diese Plattformen gewannen wir aussagekräftige Erkenntnisse dazu, wie wir die Fehler in unseren Daten (etwa fehlende Werte für die Ausschüttungsquote) am besten korrigieren konnten.  Wir beide verstanden die Fehlerursache und konnten alle fehlenden Ausschüttungsquoten automatisch mit „0“ befüllen. Um in Zukunft bei ähnlichen Vorgängen Zeit zu sparen, speicherten wir die Datenvorbereitungsaufgaben in einem Workflow ab, der bei Audits eingesetzt und von anderen Personen im Betrieb wiederverwendet werden konnte.

 

Zu diesem Zeitpunkt konnte man anhand einer Visualisierung erkennen, wie vielversprechend Investitionsziele auf die verschiedenen erfassten Finanzdatenpunkte (wie den Cashflow) verteilt waren.  Dabei war es auch gut möglich, dass sich kein eindeutiges Muster abzeichnete.  Dennoch hatte die angeleitete Datenvorbereitung einen entscheidenden Vorteil für den Investmentanalysten: Er konnte nun die Rohdaten visualisieren und bearbeiten, bevor er gemeinsam mit Data Scientists die Implementierung und Bereitstellung von Modellen auf derselben Plattform erarbeitete. 

 

Das war ein Wendepunkt, da Analyst und Data Scientist nun 80 % ihrer Zeit für erweiterte Analysen und nur 20 % ihrer Zeit für die Vorbereitung usw. einsetzen konnten.

 

DS Foundation.jpg

Bildquelle: Data Science Foundation

 

Mich als Citizen Data Scientist zu bezeichnen, hätte treffender nicht sein können – einerseits wegen meiner Liebe zu Daten, andererseits aber wegen meiner Geduld, meines Kommunikationstalents und meiner Kompetenz in der Beratung.  Ich war und bin in der Lage, eine Brücke zu bauen zwischen den Geschäftsproblemen und den Technologietools, mit denen diese gelöst werden können.

 

Haben auch Sie wie ich bereits den Weg zum Citizen Data Scientist zurückgelegt, ohne es zu bemerken? Dann melden Sie sich doch bei mir! Gerne begleite ich Sie auf Ihrem weiteren Weg mit oder ohne Alteryx und helfe Ihnen bei Ihren aktuellen Anwendungsfällen und geschäftlichen Herausforderungen.

 

Beschriftungen