Wer Produkte auf den Markt bringen oder bestehende Angebote verbessern möchte, der ist darauf angewiesen, eine große Menge an Daten nicht nur zu generieren, sondern auch auszuwerten. Datenwissenschaften ist neben Organisation und dem perfekten Pitch einer der Bereiche, die jedes Startup beherrschen sollte. Nicht nur bei Software-Angeboten, auch in allen anderen Geschäftsfeldern können junge Unternehmen von Datenwissenschaften profitieren. Und das ist bitter nötig, denn laut Statista macht rund ein Viertel aller Startups in Deutschland weniger als 25.000 Euro Umsatz pro Jahr. Wie Data Science Startups hilft und wie bekannte Datenwissenschaftler zu ihrem Beruf gekommen sind, wird im folgenden Artikel erklärt.

Datenwissenschaft als Beruf

Allen Datenwissenschaftlern gemein ist die Aufgabe, die relevanten Informationen aus einer großen Menge an Daten herauszufiltern. Dies erstreckt sich über viele Bereiche: Welche Benutzer unserer Applikation oder unseres Produktes sind mit welchen Features unzufrieden? Wie können wir das Marketing anpassen, um mit möglichst geringem Budget eine möglichst große Gruppe an potentiellen Käufern anzusprechen? Deckt unsere Dienstleistung wirklich den Bedarf des Markts oder zeigen die Daten, dass andere Bedürfnisse beim Kunden vorherrschen? In etablierten Unternehmen werden die Aufgaben dementsprechend komplexer, denn die Informationsmenge wächst. Datenwissenschaftler fungieren dabei als Kommunikatoren zwischen verschiedenen Ebenen im Unternehmen und müssen sowohl Angestellten, als auch der Chefetage leicht verständlich die Auswertung der Daten präsentieren können. Und gerade in der aktuellen Unternehmer-Landschaft ist der Erfolg eines jeden Startups wichtig; 2016 starteten deutschlandweit nur noch 672.000 Gründer in die Selbstständigkeit, ein Minus von 13 Prozent zum Jahr vorher wie Internetworld berichtet.

Verschiedene Werdegänge

Da das Berufsfeld noch vergleichsweise neu ist, haben viele Datenwissenschaftler teils über große Umwege zu ihrem Fach gefunden: Geoffrey Hinton, der bei Google arbeitet und besonders für seine Leistungen zum Thema künstlicher neuronaler Netzwerke bekannt ist, studierte ursprünglich Experimentalpsychologie in Cambridge, weil er den menschlichen Verstand zu begreifen versuchte. Enttäuscht von seiner Disziplin, wechselte er mehrmals das Fach, konnte jedoch erst als Doktorand Unterstützung für seine Arbeit zu neuronalen Netzen finden. Seine Überzeugung, dass diese der Schlüssel zum menschlichen Verstand wären, ebnete ihm den Weg zur Datenwissenschaft.

Sid Patil von Twitter erwarb beim Spielen von Blackjack im Casino wichtige Kenntnisse über Daten und ihre Auswertung: Blackjack ist das einzige Casino-Glücksspiel mit einem „Gedächtnis“, bei dem vergangene Handlungen und Spielzüge den weiteren Verlauf bestimmen, wie man bei Anbietern wie Betway erfahren kann. Zudem hat jede Karte einen bestimmten Wert. Durch eine ausgeklügelte Taktik, die auf der Extrapolation von Wahrscheinlichkeiten beruhte, drehte Patil das Spiel zu seinen Gunsten – und entdeckte so seine Leidenschaft für das Interpretieren von unvollständigen Datensätzen.

Yann LeCun, derzeit Director of AI Research bei Facebook, machte ursprünglich sein Diplom als Elektroingenieur und promovierte später in Informatik. In seiner Dissertation verwendete er eine frühe Form der Fehlerrückführung – ein heute verbreitetes Verfahren für das Einlernen von künstlichen neuronalen Netzen. 2003 wurde er Professor an der New York University und war dort Gründungsdirektor des New York Center for Data Science.

Daphne Koller wiederum, die heute an der Stanford Universität lehrt, kam über ihren Master-Abschluss an der Universität von Jerusalem zu den Datenwissenschaften und nutzte dieses Wissen zudem, um das Unternehmen Coursera für Online-Weiterbildungskurse mit zu gründen. Sie beschäftigt sich hauptsächlich mit künstlicher Intelligenz, Maschinenlernen und Probabilistischen Graphischen Modellen.

Datenwissenschaft im Startup

Auch wenn in Startups die Datenmengen deutlich überschaubarer sind als in etablierten Unternehmen, können sie enorm von der Methode profitieren. Als Beispiel sei ein Startup aus dem Software-Bereich genannt, das eine Social Media Anwendung für Smartphones entwickelt. Die Anwendung wird mit Sicherheit über Anleihen von etablierten Social Media Plattformen verfügen, sich aber auch versuchen, aus der Masse herauszuheben. Hier kommen Datenwissenschaften ins Spiel: Mit Hilfe von Testgruppen und einem simplen Reporting-Tool (welches überprüft, wie oft Nutzer sich einloggen, wie viel Zeit sie in der Anwendung verbringen, welche Features sie wie oft benutzen, mit wie vielen Personen sie sich vernetzen und wie oft beispielsweise Werbebanner eingeblendet werden) kann bereits ein Neuling der Datenwissenschaften eine enorme Menge an Wissen aus dem Testing ziehen. Alleine aus den wenigen erwähnten Datenpunkten, kann die User-Retention Rate errechnet werden, die Höhe an potentiellen Werbeeinnahmen, die beliebten und unbeliebten Features – was die zukünftige Entwicklungsrichtung stark beeinflussen könnte – sowie die Wirksamkeit des Netzwerkeffekts. Der Netzwerkeffekt errechnet, ob Anwender sich oft genug mit neuen Usern verknüpfen und das Produkt weiterempfehlen, um skalierbares Wachstum zu ermöglichen – für Investoren wie Business Angels ein Muss vor jedem Einkauf ins Unternehmen.

Auch Prozesse innerhalb eines Unternehmens können durch Datenwissenschaften optimiert werden, egal in welcher Branche. Beim agilen Projektmanagement mit Methoden wie Scrum gibt es eine Vielzahl an Variablen, die über die Effizienz entschieden können: Sind die Arbeitspakete richtig dosiert oder zu umfangreich? Arbeiten die Entwicklungsteams in gleicher Geschwindigkeit, oder muss Team Nummer Drei um weitere Mitarbeiter aufgestockt werden, um seine Tasks auch in Zukunft rechtzeitig zu erledigen? Viele Probleme können mit Hilfe von Data Science bereits im Voraus entdeckt und eliminiert werden.

Grundlagen selbst erlernbar

Die gute Nachricht für Startups ist, dass man nicht unbedingt einen professionellen Datenwissenschaftler anheuern muss, um die zu Beginn der Unternehmung überschaubaren Datenmengen zu überblicken und auszuwerten: Simple Methoden, wie die im oben genannten Beispiel, reichen für den Anfang zumeist völlig aus. Und die Grundlagen kann man sich selbst beibringen, zum Beispiel indem man passende Literatur über Amazon oder ähnliche Anbieter bestellt. Fakt ist jedoch, dass Startups – egal in welchem Sektor – stark von den hier vorgestellten Methoden profitieren können.

Anzeigen

Fazit

Wer bei Produktentwicklung, Kundenanalyse und der Entwicklung von intelligenten Anwendungen möglichst gut starten möchte, der sollte die Datenwissenschaft nicht unterschätzen. Startups können enorm von der Disziplin profitieren, über die Verbesserung der Effizienz von Arbeitsabläufen, das Auswerten von Testgruppen-Daten bis hin zur Maximierung des ersten Profits. Datenwissenschaft ist ein spannendes Themengebiet und sowohl Eigeninitiative, als auch das Anheuern von Fachkräften kann viele junge Unternehmen stark bereichern.