{"id":972,"date":"2023-02-14T18:13:03","date_gmt":"2023-02-14T18:13:03","guid":{"rendered":"https:\/\/d3mlabs.de\/?p=972"},"modified":"2023-05-03T08:20:57","modified_gmt":"2023-05-03T08:20:57","slug":"das-management-des-data-science-produktes-ein-interview-mit-anna-hannemann-phd","status":"publish","type":"post","link":"https:\/\/d3mlabs.de\/?p=972","title":{"rendered":"Das Management des Data Science Produktes – ein Interview mit Anna Hannemann, PhD"},"content":{"rendered":"\n

Warum hast du dich f\u00fcr ein Informatikstudium entschieden?<\/strong><\/p>\n\n\n\n

Ich war schon immer an MINT interessiert. Mein Traum war es, Pharmakologie zu studieren. Allerdings konnte ich mir eher vorstellen, was ich nach meinem Informatikstudium machen w\u00fcrde, auch wenn das, was ich mir als Studentin vorgestellt habe, nicht das ist, was ich heute mache. <\/p>\n\n\n\n

Mein j\u00fcngeres Ich stellte mir ein Hacker-M\u00e4dchen<\/em> vor, aber ich habe in den letzten 8 Jahren keinen Code mehr entwickelt. Mein Schwerpunkt war das Produktmanagement, das aus Backlog-Manik\u00fcre, Organisationsplanung und neuerdings auch aus Personal- und Strategiemanagement besteht.<\/p>\n\n\n\n

Mein Erfolg w\u00e4re jedoch ohne das Wissen \u00fcber die zugrunde liegenden Softwareentwicklungs- und Data-Science-Konzepte nicht m\u00f6glich gewesen.<\/p>\n\n\n\n

Wie kam es dann zu deiner Entscheidung, Produktmanager bei Zalando zu werden und ins Produktmanagement im Bereich Data Science zu wechseln? <\/strong><\/p>\n\n\n\n

W\u00e4hrend meiner Promotion habe ich festgestellt, dass ich neben meinen technischen F\u00e4higkeiten auch gut darin bin, eine gr\u00f6\u00dfere Vision zu haben und Teams, Arbeitsabl\u00e4ufe usw. zu organisieren. Nach Abschluss meiner Promotion schien mir das Produktmanagement das Richtige f\u00fcr mich zu sein. <\/p>\n\n\n\n

Und ich hatte Recht. <\/p>\n\n\n\n

Was hat dich f\u00fcr das Produktmanagement in der Datenwissenschaft begeistert?<\/strong><\/p>\n\n\n\n

Produktmanagement wird traditionell mit Softwareentwicklung in Verbindung gebracht, w\u00e4hrend Datenwissenschaft meist in F&E-\u00e4hnlichen Projekten stattfindet. <\/p>\n\n\n\n

Welche Aspekte der Softwareentwicklung sollte Data Science \u00fcbernehmen?<\/strong><\/p>\n\n\n\n

Die Datenwissenschaft sollte die Praktiken der agilen Entwicklung \u00fcbernehmen, d. h. schnelle Freigabe, iterative Verbesserung der Genauigkeit und \u00dcbernahme des gesamten Prozesses von Anfang bis zum Ende. <\/p>\n\n\n\n

Von Anfang bis zum Ende bedeutet, dass das Data-Science-Produktteam f\u00fcr die Infrastruktur verantwortlich ist: Pipelines f\u00fcr maschinelles Lernen, Quality Gates, Monitoring, A\/B-Tests und Dashboards.  <\/p>\n\n\n\n

In welchen Punkten unterscheidet sich das Produktmanagement f\u00fcr Data Science von dem f\u00fcr Software?<\/strong><\/p>\n\n\n\n

Die Notwendigkeit der Exploration<\/span><\/p>\n\n\n\n

Zuallererst m\u00fcssen wir etwas Raum f\u00fcr die Exploration lassen. In der Welt der KI passiert so viel, dass wir Datenwissenschaftlern die Zeit zum Experimentieren geben m\u00fcssen. <\/p>\n\n\n\n

F\u00fcr Data Science Produkte wird funktions\u00fcbergreifendes Fachwissen ben\u00f6tigt<\/span><\/p>\n\n\n\n

In der Datenwissenschaft werden Menschen mit unterschiedlichen Hintergr\u00fcnden ben\u00f6tigt. Bei der Softwareentwicklung sind haupts\u00e4chlich Softwareingenieure beteiligt. In der Datenwissenschaft gibt es Datenwissenschaftler, Ingenieure f\u00fcr maschinelles Lernen, Operatoren f\u00fcr maschinelles Lernen und Dateningenieure. Alle diese Personen haben einen unterschiedlichen Hintergrund und sind in unterschiedlichem Ma\u00dfe von bestimmten Themen begeistert. W\u00e4hrend Data Scientists wahrscheinlich Mathematik und Statistik studiert haben, haben Data Engineers vielleicht Softwareentwicklung oder Data Engineering studiert. Die Datenwissenschaftler neigen dazu, sich eingehend mit dem Modell zu befassen, w\u00e4hrend die Dateningenieure dazu neigen, sich eingehend mit der Infrastruktur zu befassen. <\/p>\n\n\n\n

\n

Ein guter Produktmanager muss Fachleute mit unterschiedlichem Hintergrund in einem Team zusammenbringen. Das ist eine gro\u00dfe Herausforderung. <\/em><\/p>\n<\/blockquote>\n\n\n\n

Zusammenarbeit mit anderen Produktteams<\/span><\/p>\n\n\n\n

Da Data-Science-Produkte in der Regel nicht als eigenst\u00e4ndige Produkte angeboten werden, sondern als Erg\u00e4nzung zu einem anderen Produkt, ist die Zusammenarbeit mit anderen Produktteams entscheidend. Man kann einen gro\u00dfartigen Cross-Sell-Empfehlungsalgorithmus erstellen, der am Ende schlecht in die Online-Shops integriert wird. Beispielsweise werden nicht die richtigen Bilder verwendet oder die Produkte werden weiter unten auf der Website angezeigt, als es optimal w\u00e4re, so dass man viel nach unten scrollen muss. <\/p>\n\n\n\n

\n

Selbst wenn die Qualit\u00e4t des Algorithmus und die KPIs gut sind, kann die schlechte Benutzererfahrung all Ihre Data-Science-Bem\u00fchungen zunichte machen, wenn das Modell nicht gut in das Endprodukt integriert ist. <\/em><\/p>\n<\/blockquote>\n\n\n\n

Entscheidung, wann die Qualit\u00e4t des Modells f\u00fcr die Freigabe ausreichend ist<\/span><\/p>\n\n\n\n

Der zweite Unterschied besteht darin, dass man entscheiden muss, wann die Qualit\u00e4t des Modells f\u00fcr die Freigabe ausreicht.  In der klassischen Softwareentwicklung gibt es ein klares Kriterium, wann die Software zur Freigabe bereit ist – wenn die Funktion fertig ist. In der Datenwissenschaft reicht es nicht aus, ein Modell zu haben. Man muss wissen, wann das Modell gut genug f\u00fcr den jeweiligen Anwendungsfall ist. Der Produktmanager oder -eigent\u00fcmer w\u00e4hlt die richtige Qualit\u00e4tsmetrik und den Schwellenwert, ab dem die Qualit\u00e4t f\u00fcr die Freigabe des Modells ausreicht. <\/p>\n\n\n\n

Wie definiert man Qualit\u00e4t in der Datenwissenschaft?<\/strong><\/p>\n\n\n\n

Zu den verschiedenen Aspekten der Qualit\u00e4t in der Datenwissenschaft geh\u00f6ren die Trainingszeit, die Vorhersagegenauigkeit und die Populationsabdeckung:<\/p>\n\n\n\n

Die Trainingszeit gibt an<\/span>, wie viel Zeit man f\u00fcr das Training des Modells ben\u00f6tigt. <\/p>\n\n\n\n

Die Abdeckung der Grundgesamtheit<\/span> bedeutet den Anteil der Grundgesamtheit (Kunden, Produkte usw.), f\u00fcr den das Modell tats\u00e4chlich Vorhersagen treffen kann. <\/p>\n\n\n\n

Vorhersagegenauigkeit<\/span>: Die nach verschiedenen Aspekten gemessene Vorhersagegenauigkeit gibt an, wie genau das Modell unbekannte Werte vorhersagt. Wie man die Qualit\u00e4t misst, h\u00e4ngt sehr stark vom Anwendungsfall ab. <\/p>\n\n\n\n

Wie messen Sie den Erfolg eines Data-Science-Produkts?<\/strong><\/p>\n\n\n\n

Die Messung sollte gesch\u00e4ftsorientiert sein. <\/p>\n\n\n\n

\n

KPIs sollten zeigen, dass wir Auswirkungen auf das Gesch\u00e4ft haben, z. B. Umsatzsteigerung, Schadenverh\u00fctung usw. Es ist falsch, sich nur auf die Qualit\u00e4t des Modells zu konzentrieren. <\/em><\/p>\n<\/blockquote>\n\n\n\n

Wir k\u00f6nnen ein gro\u00dfartiges Empfehlungssystem haben, aber wenn die Leute nicht daran interessiert sind, weitere Produkte zu erkunden und zu kaufen, dann hat das Empfehlungssystem nicht die gew\u00fcnschte Wirkung. <\/p>\n\n\n\n

Was sind einige der wichtigsten Erfolgsfaktoren, die beim Aufbau einer Data-Science-Produktmanagement-Organisation beachtet werden sollten?<\/strong><\/p>\n\n\n\n

Das richtige Verh\u00e4ltnis zwischen Ingenieuren und Datenwissenschaftlern<\/span><\/p>\n\n\n\n

Viele Unternehmen stellen Datenwissenschaftler ein und vergessen dabei, dass sie auch jemanden brauchen, der das System betreibt. <\/p>\n\n\n\n

\n

Ich empfehle, genauso viele Ingenieure f\u00fcr maschinelles Lernen wie Datenwissenschaftler einzustellen. F\u00fcr ausgereifte Projekte werden sogar mehr Ingenieure f\u00fcr maschinelles Lernen als Datenwissenschaftler ben\u00f6tigt.<\/em><\/p>\n<\/blockquote>\n\n\n\n

Daten sind die Grundlage <\/span><\/p>\n\n\n\n

Normalerweise sind die Daten unvollst\u00e4ndig oder gar nicht vorhanden. Selbst wenn wir gro\u00dfartige Ideen und eine Reihe von Datenwissenschaftlern haben, werden sie ohne Daten nicht arbeiten k\u00f6nnen.  <\/p>\n\n\n\n

Die richtige Entscheidung zwischen zentral und dezentral treffen<\/span><\/p>\n\n\n\n

Eine schwierige Entscheidung, vor der Unternehmen stehen, ist die Frage, ob sie Data-Science-Produkte zentralisieren oder dezentrale Teams bilden sollen. Zu Beginn kann es besser sein, sich f\u00fcr zentralisierte Data-Science-Organisationen zu entscheiden und die Erstellung und Produktion von Anwendungsf\u00e4llen zu zentralisieren. Sobald ein gewisser Reifegrad erreicht ist, k\u00f6nnen spezialisierte Data Scientists in dedizierten Produktteams vorteilhafter sein.<\/p>\n\n\n\n

Wie werden die k\u00fcnftigen Rollen von Datenwissenschaftlern in Data-Science-Produktteams aussehen?   <\/strong><\/p>\n\n\n\n

Die Rollen werden immer technischer werden. In Zukunft wird es nicht mehr ausreichen, ein hervorragender Datenwissenschaftler zu sein. Man muss auch Data Engineering und Pipelining f\u00fcr maschinelles Lernen verstehen. <\/p>\n\n\n\n

Ver\u00e4ndern neue Technologien wie No Code, Low Code und Serverless die technischen Anforderungen?<\/strong><\/p>\n\n\n\n

Wir verwenden Vertex AI. Man muss das maschinelle Lernen verstehen, um es zu nutzen, und man muss immer noch die Infrastruktur daf\u00fcr aufbauen. Auch bei Low und No Code muss man den Anwendungsfall und die damit verbundenen technischen Anforderungen verstehen.<\/p>\n\n\n\n

Was waren einige deiner Erfolgsgeheimnisse? <\/strong><\/p>\n\n\n\n

Eine Kombination aus einem guten technischen Hintergrund und Soft Skills, wie zum Beispiel Einf\u00fchlungsverm\u00f6gen f\u00fcr Menschen. Diese Kombination gibt mir die M\u00f6glichkeit, technische Themen an Nicht-Techniker zu vermitteln und Gesch\u00e4ftsanforderungen in technische Sprache zu \u00fcbersetzen.<\/p>\n\n\n\n

Wer ist Anna Hannemann, PhD?<\/strong><\/p>\n\n\n

\n
\"\"<\/figure>\n<\/div>\n\n\n

Als Domain-Owner f\u00fcr Data Science bei Metro Digital, leitet Anna strategische Ausrichtung im Bereich maschinellen Lernens und Data Sciences vom Metro-Business. In ihren bisherigen Positionen als Product-Owner war Anna f\u00fcr Recommender-Systems und Robotics\/Smart-Logistik-Produkte zust\u00e4ndig. Zus\u00e4tzlich hat Anna sowohl mehrere Jahre in Softwareentwicklung als auch eine Doktorarbeit im Data Science vorzuweisen. Neben ihrer hauptberuflichen Besch\u00e4ftigung engagiert sich Anna bei mehreren Initiativen, die sich auf Unterst\u00fctzung der Frauen in Tech fokussieren.<\/em><\/p>\n\n\n\n

Verwandter Inhalt<\/strong><\/p>\n\n\n\n

Wie managt man ein Data Science Produkt, Teil 2: Das Lebenszyklusmanagement im Zeitalter der intelligenten Ger\u00e4te – ein Interview mit Eric JoAchim Liese<\/a><\/p>\n\n\n\n

The prevelance of AI and the importance of engaging in dialogue<\/a><\/p>\n\n\n\n

Beyond AI, the realities of operationalizing AI \u2013 A podcast interview with Elizabeth Press<\/a><\/p>\n\n\n\n

Why the public needs to know more about AI \u2013 An interview with Varsh Anilkumar<\/a><\/p>\n\n\n\n

What is the future of AI adoption?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Wie managt man ein Data Science Produkt, Teil 1: Algorithmen sind Produkte, die gemanagt werden m\u00fcssen, um gesch\u00e4ftliche Ergebnisse zu erzielen. Anna Hannemann, PhD von Metro.digital erz\u00e4hlt, was sie als Pionierin im Produktmanagement f\u00fcr Datenwissenschaft gelernt hat. Sie spricht auch \u00fcber den organisatorischen Aufbau, die Kompetenzen, die vorhanden sein m\u00fcssen, und dar\u00fcber, wie neue Tools das Management von Data-Science-Produkten beeinflussen.<\/p>\n","protected":false},"author":1,"featured_media":973,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"footnotes":""},"categories":[19,30,10,9,50,26],"tags":[],"class_list":["post-972","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-strategy","category-data-as-an-asset","category-data-leadership","category-data-products","category-data-science","category-deutsch","wpcat-19-id","wpcat-30-id","wpcat-10-id","wpcat-9-id","wpcat-50-id","wpcat-26-id"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/posts\/972","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=972"}],"version-history":[{"count":4,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/posts\/972\/revisions"}],"predecessor-version":[{"id":1033,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/posts\/972\/revisions\/1033"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=\/wp\/v2\/media\/973"}],"wp:attachment":[{"href":"https:\/\/d3mlabs.de\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=972"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=972"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/d3mlabs.de\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=972"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}