Zusammenfassung
Data-Science-Vorhaben scheitern häufiger als andere Projekte. Viele Unternehmen schrecken daher noch davor zurück, komplexe datengetriebene Fragestellungen zu adressieren. Die Gründe für das Scheitern in der Neuartigkeit und Komplexität dieser Projekte zu suchen, fasst zu kurz. Eine Umfrage unter 85 Wissensarbeiterinnen und Wissensarbeitern aus Unternehmen verschiedener Größen zeigt neben Problemen, für die bereits etablierte Lösungsansätze existieren, auch besondere Herausforderungen der Disziplin Data Science auf. Zu nennen sind vor allem fehlende Data-Science-Kompetenzen bei den relevanten Gruppen im Unternehmen sowie eine falsche Herangehensweise an Data-Science-Vorhaben. Die Erkenntnisse aus dieser Untersuchung können von Unternehmen und Forschenden genutzt werden, um das Misserfolgsrisiko durch ein geeignetes Projektvorgehen zu reduzieren.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Berman F, Rutenbar R, Hailpern B et al (2018) Realizing the potential of data science. Commun ACM 61(4):67–72
Stodden V (2020) The data science life cycle: a disciplined approach to advancing data science as a science. Commun ACM 63(7):58–66
van der Aalst W (2016) Data science in action. In: van der Aalst W (Hrsg) Process mining, Springer, Berlin, S 3–23
Cao L (2019) Data science: profession and education. IEEE Intell Syst 34(5):35–44
Agarwal R, Dhar V (2014) Big data, data science, and analytics: the opportunity and challenge for IS research. Inf Syst Res 25(3):443–448
Cao L (2017) Data science: challenges and directions. Commun ACM 60(8):59–68
Schulz M, Neuhaus U, Kaufmann J, Badura S, Kühnel A, Badewitz W, Dann D, Kloker S, Alekozai EM, Lanquillon C (2020) Introducing DASC-PM: A Data Science Process Model, Australasian Conference on Information Systems (ACIS) Proceedings 2020, Wellington, New Zealand
Vicario G, Coleman S (2020) A review of data science in business and industry and a future view. Appl Stoch Model Bus Ind 36(1):6–18
Martínez-Plumed F, Contreras-Ochando L, Ferri C et al (2019) CRISP-DM twenty years later: from data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering
Davenport TH, Patil DJ (2012) Data scientist. Harv Bus Rev 90(5):70–76
Conway D (2010) The data science VENN diagram. Dataists, drewconway.com/zia/2013/3/26/the-data-science-venn-diagram. Zugegriffen: 31. Jan. 2021
Mikalef P, Giannakos, MN, Pappas IO et al (2018) The human side of big data: understanding the skills of the data scientist in education and industry. In: 2018 IEEE global engineering education conference, 503–512
Aho T, Sievi-Korte O, Kilamo T et al (2020) Demystifying data science projects: a look on the people and process of data science today. In: International conference on product-focused software process improvement, Springer, Cham, 153–167
Kross S, Guo PJ (2019) Practitioners teaching data science in industry and academia: expectations, workflows, and challenges. In: Proceedings of the 2019 CHI conference on human factors in computing systems, 1–14
Wirth R, Hipp J (2000) CRISP-DM: towards a standard process model for data mining. In: Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining, 1. Aufl. Springer, London
Cao L (2017) Data science: a comprehensive overview. ACM Comput Surv 50(3):1–42
Saltz J, Crowston K (2017) Comparing data science project management methodologies via a controlled experiment. In: Proceedings of the 50th Hawaii international conference on system sciences, 1013–1022
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2021 Der/die Autor(en), exklusiv lizenziert durch Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
Cite this chapter
Aßmann, J., Sauer, J., Schulz, M. (2021). Keine Angst vor Fehlschlägen – Erkenntnisse aus einer Umfrage zum Scheitern von Data-Science-Projekten. In: Barton, T., Müller, C. (eds) Data Science anwenden. Angewandte Wirtschaftsinformatik. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-33813-8_5
Download citation
DOI: https://doi.org/10.1007/978-3-658-33813-8_5
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-33812-1
Online ISBN: 978-3-658-33813-8
eBook Packages: Computer Science and Engineering (German Language)