![](https://www.nielsen.com/wp-content/uploads/sites/2/2019/07/kevin-lyons-headshot.jpg)
Wenn, wie der Science-Fiction-Autor Arthur C. Clarke behauptete, "jede hinreichend fortgeschrittene Technologie von Magie nicht zu unterscheiden ist", dann hat man manchmal das Gefühl, dass die Datenwissenschaft wie ein Kaninchen aus dem Hut gezaubert wird. Diese Sichtweise ist natürlich falsch. Es ist die Wahrnehmung dessen, was ich als "Datenmagie" bezeichne, bei der die Leute glauben, dass man Daten in das eine Ende der "Data-Science-Maschine" pumpen kann und das perfekte Widget (die Lösung für jedermanns Probleme) auf der anderen Seite herauskommt.
Das liegt zu einem beträchtlichen Teil daran, dass die große Mehrheit der Menschen die Funktionsweise der Datenwissenschaft nicht versteht, und wenn man in die fortgeschritteneren Bereiche wie Deep Learning vordringt, werden selbst viele Datenwissenschaftler zugeben, dass sie die vielen Ebenen der Komplexität nicht verstehen. Aber wenn Sie ein Datenwissenschaftler sind, wissen Sie (meistens) genug, um zu wissen, wann Sie überfordert sind. Außerhalb der Data-Science-Community ist das jedoch nicht immer der Fall. Und das ist auch verständlich.
Zum Teil ist das unsere eigene Schuld. Es ist ein schwieriger Club, in den "Außenstehende" nur schwer eindringen können, geschweige denn ihn verstehen. Die Sprachen der Datenwissenschaft wurden lange Zeit streng geheim gehalten. So wie die römisch-katholische Kirche das Kirchenlatein als zentrale Kommunikationssprache wählte, um die Nachrichtenübermittlung zu kontrollieren, insbesondere im Mittelalter und in der frühen Neuzeit, könnte man uns Datenwissenschaftlern ähnliche Handlungen vorwerfen - wenn auch offensichtlich nicht in demselben Ausmaß und mit nicht so direkten Auswirkungen auf ganze Bevölkerungsgruppen. Aber so wie die Reformationen des 16. Jahrhunderts dazu führten, die Sprache zu lockern und die Lehren der verschiedenen christlichen Kirchen für die Massen zugänglicher zu machen, muss die Datenwissenschaft nun ihre Sprache weiter ausbauen.
Eine gemeinsame Sprache würde es uns ermöglichen, den Glauben zu überwinden, dass Datenwissenschaftler über mystische Fähigkeiten verfügen, um jedes Problem zu lösen, indem sie Daten durch eine KI-Umgebung laufen lassen, um die gewünschten Ergebnisse wie von Zauberhand zu erzielen. Sie würde den Menschen helfen zu verstehen, dass Datenwissenschaft kein magisches Allheilmittel ist.
Wenn Sie wirklich fortschrittliche Datenwissenschaft anstreben, ist es das Schlimmste, einen Datenwissenschaftler mit der Lösung von isolierten oder Ad-hoc-Problemen zu beauftragen, da dies die Kommunikation isoliert und die Datenwissenschaft im Hinterzimmer hält.
Der beste Weg zur Verbreitung der Datenwissenschaft ist vielmehr, Probleme auf Unternehmensebene aufzudecken und zu verstehen, dass Datenwissenschaft, wenn sie richtig gemacht wird, ein Teamsport ist. Multidisziplinäre Teams, die sich mit Produkten oder Kunden befassen, erzielen bessere Geschäftsergebnisse und entwickeln ein funktionsübergreifendes Verständnis. Eine Gruppe, die aus einem kaufmännischen Mitarbeiter, einem Produktmanager, einem Ingenieur, einem Datenwissenschaftler und Vertretern anderer wichtiger Funktionsbereiche besteht, sollte in einem ungestörten Raum zusammenkommen, um sich auf die größten Bedürfnisse und Möglichkeiten zu konzentrieren. Dies ist der Ort, an dem die wahre Magie geschieht.
Dennoch sollte ein Reisender auf dieser Reise auf die Warnzeichen achten. Wenn Sie bei der Zusammenarbeit mit Kunden oder anderen Dritten im Geiste der Kooperation anfangen, nach Lösungen zu suchen, die für jeden erklärbar sind, sollten Sie innehalten. Genauso wie ein Zauberer seine Darbietung nicht auf elementare Tricks beschränkt, versteht das Publikum, dass Datenwissenschaftler sich nicht auf leicht erklärbare Lösungen beschränken sollten. Eine absichtliche Verwässerung des Prozesses kann den Nebeneffekt haben, dass eine nicht optimale Lösung für das Problem geliefert wird. Es ist ein Gleichgewicht.
Dieses Gleichgewicht beruht auf dem Vertrauen der Unternehmen in die Fähigkeiten ihrer Datenwissenschaftler. Wir vertrauen darauf, dass Datenwissenschaftler unsere Sprache so weit wie möglich teilen, aber die Lösungen nicht verwässern, wenn die Dinge zu technisch werden, und dass wir unserer Disziplin immer treu bleiben.
Dieser Artikel wurde ursprünglich veröffentlicht auf Medium.