Kategorie: Deutsch
Die nachhaltige Beschaffung von Datentools ist dringend erforderlich,Teil 2: Wie verhindert man, dass der planlose Kauf von coolen Tools das Engineering-Team aus der Bahn wirft?
Ingenieure und Customer Success Teams sind die unbesungenen Helden des IT-Betriebs.
Hast du dich schon einmal gefragt, was sie über deine Kaufgewohnheiten denken? Vor allem in virtuellen Organisationen können Ingenieure und Kundenerfolgsteams bei Anbietern in ihrer Programmierhöhle leben, hart arbeiten und für andere unsichtbar sein. Wenn man impulsive coole Tools kauft, ohne die Ingenieure mit einzubeziehen, kann das nicht nur diese schwer zu rekrutierenden Fachleute in den Wahnsinn treiben und die Beziehungen zu den Anbietern belasten, sondern auch die Entwicklung Ihrer Plattform und wichtige Projekte wie die Datenmigration zum Scheitern bringen. Das könnte Ihre Ingenieure so frustrieren, dass sie kündigen.
Die nachhaltige Beschaffung von Datentools ist dringend erforderlich,Teil 1: Coole Tools und Data Teams auf dem Boulevard der zerbrochenen Träume
Coole Tools sind oft die heiße Hookup des Data Leaders (oder Stakeholders), um am nächsten Morgen mit den Klamotten von gestern in einer kalten Gasse zu landen. Coole Tools werden gekauft, installiert, ausprobiert und für den nächsten vielversprechenden Anbieter aufgegeben. Und das bedroht ernsthaft die finanzielle und operative Überlebensfähigkeit des Data Teams. Warum sind Data Tools so verführerisch?
Wie können wir verhindern, dass die Beschaffung zu einem Boulevard der geplatzten Träume und nicht realisierten Projekte wird?
Wie kann Analytik zu einer Umsatz generierenden Abteilung werden?
Der erste Decision Lab Round Table befasste sich mit dem Thema, wie man die Analytik zu einer Umsatz generierenden Abteilung machen kann. Wir hatten eine funktionsübergreifende Diskussion unter Beteiligung von Datenexperten und benachbarten Berufsgruppen, die in Europa und den USA arbeiten. Dieser Blog enthält die Diskussionspunkte sowie einen Kommentar von D3M Labs dazu, wie Analytik eine Geschäftsfunktion sein sollte.
Das Produktlebenszyklusmanagement im Zeitalter der intelligenten Geräte – ein Interview mit Eric JoAchim Liese
Wie managt man ein Data Science Produkt, Teil 2: Da die Geräte immer intelligenter werden, muss sich das Produktlebenszyklusmanagement weiterentwickeln, um die Daten als langfristigen Wert und Teil der Kundenbeziehung zu betrachten. Eric Joachim Liese spricht über Edge Computing und Geräteautonomie als Voraussetzung für ein gutes Kundenerlebnis. Er erklärt auch, wie traditionelle Hardware-Hersteller ihre Betriebsabläufe weiterentwickeln und Fachkräfte einstellen können, um diesen Weg erfolgreich zu beschreiten
Data Mesh – Wie man verhindert, dass es sich in ein geldverschlingendes Chaos verwandelt – ein Podcast
Data Mesh ist eine analytische Datenarchitektur und ein Betriebsmodell, bei dem Daten wie ein Produkt behandelt werden und den Teams gehören, die sie produzieren, d. h. den Geschäftsbereichen. Wie können sich Unternehmen auf den Weg zu Data Mesh machen, ohne ihre Budgets zu sprengen und letztlich einen großen, unübersichtlichen und teuren Datensumpf zu schaffen? Höre dir den Podcast an. Lese den Blog.
Das Management des Data Science Produktes – ein Interview mit Anna Hannemann, PhD
Wie managt man ein Data Science Produkt, Teil 1: Algorithmen sind Produkte, die gemanagt werden müssen, um geschäftliche Ergebnisse zu erzielen. Anna Hannemann, PhD von Metro.digital erzählt, was sie als Pionierin im Produktmanagement für Datenwissenschaft gelernt hat. Sie spricht auch über den organisatorischen Aufbau, die Kompetenzen, die vorhanden sein müssen, und darüber, wie neue Tools das Management von Data-Science-Produkten beeinflussen.
Wie managt man ein Data Science Produkt? – Eine Serie von D3M Labs
Die Datenwissenschaft entwickelt sich von der Forschung und Entwicklung zu Produkten – sowohl online als auch offline….
Die Zukunft des Analysten
In der dreiteiligen Serie, “Die Zukunft des Analysten” wird untersucht, wie sich diese wichtige Rolle weiterentwickeln wird. Wie sieht die Zukunft der sichtbarsten Rolle in der Analytik aus, die für die Bereitstellung von Erkenntnissen verantwortlich ist? Was ist die Zukunft des Analysten?
Die Interoperabilität von Daten als Voraussetzung für Innovation im Gesundheitswesen – Ein Gespräch mit Jörg Godau
Startups im Gesundheitswesen wie doctorly sehen die Chance, mit SaaS-Plattformen, die auf offenen Standards im Gesundheitswesen basieren, das Rad neu zu erfinden. Das etablierte Gesundheitssystem basiert auf einer fragmentierten Landschaft von Softwareanbietern und Datenlösungen. Dateninteroperabilität bietet die Chance, Innovationen im Gesundheitswesen in Deutschland und darüber hinaus zu ermöglichen.
Aufbau des ersten Data Teams in ihrem Unternehmen
Ist Business Intelligence ein Luxus? Daten – richtig gemacht – sind weder billig noch einfach. Die meisten Unternehmen warten, bis sie eine gewisse Größe erreicht haben, bevor sie in eine interne Datenkompetenz investieren. Ein Greenfield-Projekt, der erste Aufbau einer internen Datenfunktion, ist ein wichtiger erster Schritt auf dem Weg eines Unternehmens zur Datenreife. Vor der Einrichtung einer internen Datenfunktion kann ein Unternehmen als Daten unreif gelten, unabhängig davon, wer die Daten nutzt oder wie lange das Unternehmen bereits besteht.