Seite 2 von 2

1. Commitment von oben

Moderne Datenanalyse darf in der Unternehmung nicht als Buzzword oder Schlagwort – siehe agil, Blockchain oder Customer Journey – wahrgenommen oder als simple Marketingmassnahme abgestempelt werden. Da Finanzdienstleister aber häufig sehr traditionell arbeiten, droht genau das zu passieren. Darum muss bereits der Verwaltungsrat oder der Vorstand einer Bank hinter dem neuen Ansatz stehen und sich strategisch dazu bekennen.

2. Gesamte Organisation einspannen

Nach dem Verwaltungsrat gilt es, das ganze Unternehmen oder die ganze Organisation auf Kurs zu bringen. Dass Datenanalyse nicht nur ein Schlagwort, sondern für das zukünftige Bestehen der Bank enorm wichtig wird: das müssen auch der Kundenberater, die Analystin und die Rechtsabteilung begreifen. Schliesslich zeigt sich in der Akzeptanz der neuen Technik, wie die Mitarbeitenden mit Veränderungen generell umgehen können.

3. In abteilungsübergreifenden Teams arbeiten

Nicht nur für Data-Science-Projekte ist der organisatorische Rahmen überaus wichtig. Deshalb gilt es, nicht starre Projektteams von Baustelle zu Baustelle zu karren, sondern einen Rahmen zu schaffen, in dem sich engagierte Mitarbeitende mit unterschiedlichen Fähigkeiten von sich aus einbringen können. Denn wie Zollinger schreibt, ist Partizipation eine wichtige Voraussetzung für effektiven Wandel.

4. Vor dem Beginn: Roadmap zeichnen

Es sei keine einfache Aufgabe, aus riesigen Datenmengen durch die richtigen Anlalysen mit Mehrwert zu gewinnen, derartige Projekte brauchen laut Zollinger einiges an Ressourcen und Investitionen. Darum ist eine Strategie und ein Fahrtplan für das Projekt unerlässlich. Denn sonst kann es passieren, dass man mit ineffizienten Methoden, die im schlimmsten Fall nur nutzlose Resultate bringen, sehr viel Zeit und Geld verschwendet.

5. Am Ball bleiben

Nicht nur die Analysten, sondern auch die Analyse-Programme und die Computer selber kosten nicht nur bei der Einstellung viel, sondern verursachen auch im laufenden Geschäftsjahr wiederkehrende Kosten, wie zum Beispiel für die sichere und datenschutzkompatible Aufbewahrung der Berge an Kundendaten. Laut Zollinger ist es darum eben nicht damit getan, einen «hochqualifizierten Datenwissenschaftler mit Doktortitel einzustellen» und die teure Software einzukaufen.

6. Datenqualität mit Machine Learning sichern

Für jeden Data-Science-Prozess ist es unerlässlich, dass die Daten, die ausgewertet werden, sauber aufbereitet sind – da sonst keine zuverlässige Analyse erfolgen kann. Mit Technologien wie Machine Learning, also mit Algorithmen, die darauf trainiert wurden, können gigantische Datenmengen in kürzester Zeit eingelesen, gesäubert und entsprechend miteinander verknüpft werden, damit die Daten nachher sinnvoll nutzbar werden.