Datalab: Kleine Labore, die große Projekte hervorbringen

Daten sind das neue Eldorado für Unternehmen. Das ist ein Phänomen, dessen sich mittlerweile jeder bewusst ist, von den GAFAM und den sozialen Netzwerken bis hin zu kleinen und mittleren Unternehmen. Daten können eine Quelle für Innovationen, Einnahmen und die Verbesserung von Produkten und Dienstleistungen sein.

Daher sind in den letzten Jahren innerhalb von Organisationen Strukturen entstanden, die sich mit der Nutzung dieser Daten beschäftigen. Sie sind mehr oder weniger weit fortgeschritten und haben sich allmählich in das bestehende Organigramm integriert. Es können mehrere parallel existieren, ebenso wie die Technologien, die diese Daten nutzen.

Wie können die Humanressourcen und die Infrastruktur bei diesem zentralen Thema der Daten effizienter zusammenarbeiten? Wie kann man Innovationen und neue Anwendungen einführen, und zwar so schnell wie möglich?

Das ist das Ziel eines transversalen Labors, das sich den Daten widmet: das Datalab. Wir erklären Ihnen, was ein solches Projekt umfasst, wie man es erfolgreich durchführt und welche Unternehmen davon profitieren.

Alle Data Analytics Software ansehen

Was ist ein Datalab?

Labs" (um nicht zu sagen Labore), sind in Mode gekommen. In einer Welt, in der Agilität vorherrschend geworden ist, verleihen sie Organisationen Flexibilität und Reaktionsfähigkeit. Und das, ohne dass die Hierarchie oder das Organigramm umgestaltet werden müssen.

Ihr Ziel ist es, Innovationen zu fördern, indem sie Experimente ermöglichen.

Ein Lab kann definiert werden als " eine Struktur, die die Entstehung disruptiver Ideen fördert, indem sie ungewisse Projekte isoliert, um sie zu tragen, ohne die bestehende Organisation zu stören" (Olivier Laborde).

Dieses Konzept des Labors gibt es in vielen verschiedenen Formen. Es ist ganz natürlich, dass es auf den Bereich der Datenauswertung übertragen wurde.

Heutzutage gibt es in einem Unternehmen eine Vielzahl von Datenexperten. Dazu gehören unter anderem der Chief Data Officer (CDO), der Data Scientist und Chief Data Scientist, der Data Analyst, der Big Data Architect und der Big Data Engineer, der Master Data Manager, der Business Intelligence Manager, der Data Miner, der Data Protection Officer, der Machine Learning Engineer und viele andere.

Diese Aufzählung verdeutlicht sofort die Problematik. All diese Funktionen sind nicht in der gleichen Abteilung angesiedelt, sie haben nicht unbedingt das gleiche Ziel oder die gleiche Kultur. Sie verwenden nicht die gleichen Software-Tools. Sie stehen nicht in ständigem Kontakt.

Darüber hinaus gibt es noch andere Funktionen, die Daten generieren, verwalten, nutzen oder davon profitieren. Das gilt zum Beispiel für die Marketingabteilung.

Wie kann man all diese Kompetenzen zusammenführen und ihre Fachkenntnisse in einer agilen und effizienten Struktur rund um Daten kreuzen? Indem man ein Datalab einrichtet.

Die Einrichtung eines Datalabs ist auch eine Gelegenheit, neue Kompetenzen und Talente zu integrieren. Manche Projekte haben von Anfang an einen hohen Anteil an neuen Mitarbeitern.

Das Datalab hat den Vorteil, dass es wie ein Startup oder ein Inkubator innerhalb der Organisation selbst funktioniert. Es ersetzt nicht das Bestehende, sondern soll es in einem anderen Kontext aufwerten .

Legen Sie vorab eine Strategie fest.

Auch wenn die Grundidee darin besteht, Flexibilität und Kreativität zu fördern, wird die Einrichtung eines Datalabs davon profitieren, wenn sie mit bestimmten Voraussetzungen erfolgt.

Strategisch sollten nach Möglichkeit vorrangige Ziele festgelegt werden. Dies ist in erster Linie Aufgabe des Managements. Auch wenn das Datalab den intellektuellen Aufbruch und die Entstehung kreativer Projekte fördern soll, kann man die Bemühungen in eine bestimmte Richtung lenken. Es ist besser, von vornherein festzulegen, ob Sie Ihr Geschäft diversifizieren, den Kundenservice verbessern, neue Daten sammeln usw. wollen.

Allerdings kann ein Maximum an Freiheit auch zu mehr Engagement und disruptiven Innovationen führen.

Technisch gesehen werden Sie wahrscheinlich mit der Komplexität zu kämpfen haben, die dem Datenmanagement und Big Data innewohnt. In einem großen Unternehmen kann es aus historischen, geografischen oder technischen Gründen mehrere unabhängige "Silos" geben, die Daten verarbeiten. Die Technologien zur Erfassung, Speicherung, Verarbeitung und Auswertung können daher ebenso vielfältig, redundant und anpassungsbedürftig sein.

Einer der Vorteile eines Datalabs besteht darin, dass es zu einer möglichen und vielleicht vorherigen technischen Harmonisierung anregt. Das Datalab kann zur Schaffung eines Data Lake führen, wenn dieser nicht vorhanden ist. Da außerdem die Qualität und Validierung der Daten von größter Bedeutung ist, kann dies eine Gelegenheit sein, diese Voraussetzungen zu überprüfen.

Auch in rechtlicher Hinsicht ist eine gründliche Arbeit erforderlich. Dies ist jedoch immer dann der Fall, wenn man Daten in großem Umfang nutzen möchte. Die heterogene Herkunft der Daten bedeutet, dass sie nicht in denselben Kontexten, mit denselben Zielen und daher nicht unbedingt mit denselben ursprünglichen rechtlichen Einschränkungen gesammelt wurden. Dies ist eine klassische Schwierigkeit, die man nicht von vornherein unterschätzen sollte.

Die Humanressourcen nicht vernachlässigen

Über diese drei zu berücksichtigenden Säulen hinaus gibt es noch eine weitere Schwierigkeit. Sie ist dem Aufbau einer bereichsübergreifenden Struktur inhärent: der menschliche Faktor.

Plötzlich werden Sie in einer manchmal informellen Einheit Mitarbeiter zusammenbringen, die eine Gemeinsamkeit haben: Data. Die aber ansonsten radikal verschieden sein können. Nichts prädestiniert sie dazu, von Anfang an eine fröhliche Bande von Freunden zu bilden, die sich um ein gemeinsames Ziel versammelt.

Es kann sein, dass Sie im Datalab so unterschiedliche Profile wie einen Marketer, einen Dateningenieur, einen Vertriebsmitarbeiter und einen Coder, der sich auf Machine Learning spezialisiert hat, zusammenbringen. Das ist sogar das Prinzip des Datalabs.

Es kann also durchaus sinnvoll sein, vorab oder nachträglich mit einem auf Change Management spezialisierten Berater zu arbeiten.

Dies gilt umso mehr, als es möglicherweise recht logische Widerstände gegen diese Veränderung gibt. Ein Mitarbeiter ist vielleicht eher geneigt, seine Ideen, Fähigkeiten und "Inputs" für sich zu behalten, um sie in seiner eigenen Abteilung zu verwerten. Es muss also darauf geachtet werden, dass die Ergebnisse des Datalabs für alle Beteiligten wertschätzend sind.

Ein Detail, aber nicht das Einzige: die Räumlichkeiten.

Sie werden es in den folgenden Beispielen entdecken: Die meisten Unternehmen, die ein Datalab (und wahrscheinlich auch andere Arten von Labors) einrichten, tun dies in ^speziellen Räumlichkeiten1.

Dafür gibt es mehrere Gründe:

• Es ist wichtig, dass die Räumlichkeiten die Freiheit der Einrichtung widerspiegeln. Also offene, helle, modulierbare, spielerische Räume mit einem Minimum an Einschränkungen.
• Es kann wichtig sein, dass diese Räumlichkeiten für Querverbindungen stehen. Das heißt, dass sie nicht physisch an eine Abteilung oder einen Bereich gebunden sind (der dann die Oberhand über die anderen hätte).
• Im Idealfall kann der gewählte Ort völlig neu sein und für das Projekt konzipiert werden, auch wenn dies natürlich nicht für jedes Unternehmen machbar ist.

Sich von Erfolgen inspirieren lassen: 3 Beispiele für Datalabs.

Laut Les Échos sollen zwei Drittel der Unternehmen des CAC 40 bereits über ein Datalab verfügen. Es ist also einfach und nützlich, sich mit ihnen zu beschäftigen, um ihr Modell zu kopieren oder zu vermeiden, die gleichen Fehler zu wiederholen.

Hier sind einige Erfahrungsberichte aus verschiedenen Branchen.

Axa: Ein Versicherer im Zentrum der Daten.

Das Data Innovation Lab von ^Axa2 wurde um ein F&E-Team von... 4 Personen herum erdacht. Es wurde mit 15 Mitarbeitern gestartet und zählt heute mehr als 70 Mitarbeiter, zu denen noch etwa 30 externe oder punktuelle Teilnehmer hinzukommen.

Das 2014 gegründete Lab hatte u. a. zum Ziel, Autoversicherungsverträge zu schaffen, deren Preis sich je nach Fahrverhalten des Fahrers ändern würde. Es hat sich fünf Forschungsziele gesetzt: Betrug, Schadensmanagement, Analyse des Fahrverhaltens, um die Prämie für tugendhafte Fahrer zu senken, vernetzte Gesundheit und Marketing.

Axa hat 2014, als das Unternehmen an den Start ging, einen Vertrag mit Facebook unterzeichnet. So verwaltet der Versicherer nicht mehr nur seine eigenen Datenströme, sondern mit Open Data auch externe Daten.

Die Projekte, die aus diesem Labor hervorgehen, werden von Axa als "agile Satelliten" betrachtet, Plattformen, die anfangs unabhängig von der IT sind. Später, wenn sie nachhaltig sind und ihren ROI unter Beweis stellen, können sie in das bestehende System integriert werden.

Das Datalab-Projekt von AXA ist sehr bedeutsam, da es von Anfang an eine Dimension der "Schaffung neuer Talente" einbezieht. In der Tat hat der Versicherer einen Betrag von 180 Millionen Euro bereitgestellt, der für die Ausbildung zukünftiger Mitarbeiter bestimmt ist. Dieser Wille wurde durch die Eröffnung eines Lehrstuhls "Digitale Strategie und Big Data" an der HEC Paris und eines weiteren Studiengangs "Data Science for Insurance Sector" an der Polytechniques umgesetzt.

Um seinen innovativen Ansatz zu vollenden, wurde die Gründung des Datalab schließlich mit der Einrichtung eines Inkubators verbunden. Dieser stützt sich auf den Investitionsfonds AXA Strategic Ventures (ASV), um zukunftsträchtige Projekte zu unterstützen.

Ein vollständiges Engagement für den digitalen Übergang also. Der Versicherer ist so in der Lage, neue Projekte hervorzubringen, ihnen Realität zu verleihen und Mitarbeiter zu integrieren, die für diese Aufgaben ausgebildet sind. Ein absolutes Muss.

Die SNCF, eine Data Company, die sich selbst nicht kannte.

Hätten Sie die SNCF spontan als Beispiel für ein Datalab genannt? Wahrscheinlich nicht, und doch ist diese Gründung vollkommen gerechtfertigt.

Es war am 29. August 2018, als die Leiter der verschiedenen Einheiten der SNCF-Gruppe die neue Etappe der digitalen Strategie vorstellten: das Unternehmen von morgen mithilfe von Daten ^aufbauen3.

In der Tat ist das alteingesessene Unternehmen voll von Daten. Man muss sich ihrer nur bewusst werden und sie nutzen. Das "Datenerbe" sind zunächst die historischen Daten wie die Fahrpläne, die Daten der Eingriffe in 15.000 Zügen, 30.000 Kilometer Gleise und 3.000 Bahnhöfe.

Seit kurzem sind es aber auch die Daten, die ihm die Kunden über die in den Bahnhöfen angebotenen Dienstleistungen und das Erlebnis an Bord (3G/4G-Konnektivität, Wifi...) anvertrauen. Das Ziel: alle diese Daten in den Dienst der Entscheidungsfindung, der Unternehmenssteuerung, der Leistung und der Sicherheit zu stellen .

Dies führte zur Einrichtung eines Datalabs. Hier geht es weniger um Innovation als vielmehr darum, allen den Zugang zu Daten zu ermöglichen. Das Datalab ist ein Vektor für die gemeinsame Nutzung von Daten. Potenziell kann sich jeder Agent mit dem DataLab verbinden und auf die Datensätze, die "Datasets", zugreifen. Die mögliche Wertschöpfung wird von der Manipulation durch die Agenten ausgehen.

Das DataLab ist seit 2018 in Betrieb. Im Jahr 2019 verfügte es über 350 referenzierte Datasets.

Zu beachten ist, dass es bereits seit 2010 Minilabs gab, die gemeinsam mit der École des Mines Paristech entwickelt wurden. Einige dieser Minilabs sind ebenfalls der Nutzung von Data gewidmet. So zielt eines davon darauf ab, die Auswirkungen des Klimawandels auf die ^{Eisenbahnnetze} zu antizipieren4.

BNP: Künstliche Intelligenz für Innovationen nutzen

Über eine hundertprozentige Nutzung von Daten hinaus kann das Datalab auch ein Beschleuniger für Künstliche Intelligenz sein. Und insbesondere für die Entwicklung von Machine-Learning-Projekten.

Die BNP hat sich für diesen Weg entschieden. Sie hat das "Lab Data Science & Artificial Intelligence" eingerichtet. In dem besonderen Kontext des Bankenmarktes war es das Gebot der Vertraulichkeit, das die Gruppe dazu veranlasste, diese Struktur zu internalisieren. So können Forschung, Datenmanipulation und die Entwicklung neuer Anwendungen in völliger Sicherheit erfolgen.

Zu den Projekten, die dieses Labor hervorgebracht hat, gehört eine erstaunliche Übersetzungsanwendung mit dem Namen "Translate". Drei Data Scientists reichten zunächst aus, um den PoC (Proof of Concept) zu entwickeln. Dann war es ein verstärktes Team im Bereich des Machine Learning, das die Fertigstellung ermöglichte. Dieses neue Tool, das für die berufliche Dokumentation (Verträge, Berichte, technische Dokumente...) bestimmt ist, setzte sich intern schnell durch.

Mindestens ein Dutzend weitere Projekte sind bereits entstanden. Darunter ein System zur automatischen Analyse von Verträgen, eine Suchmaschine, ein Chatbot, ein Tool zur Analyse von Emotionen, zur Bildanalyse und zur Zeichenerkennung.

BNP macht keinen Hehl aus ihren Ambitionen, durch dieses Datalab eine starke Erfahrung in den mit der KI verbundenen Bereichen zu erwerben und zu entwickeln. Dies würde es ihr ermöglichen, sich in Zukunft als glaubwürdiger Akteur in diesem Sektor zu positionieren.

Alle Data Analytics Software ansehen

💡 Was ist zu beachten?

• Ein Datalab ist eine Einrichtung, die sich der Innovation rund um Data widmet.
• Es hat das Ziel, sehr unterschiedliche Humanressourcen und Infrastrukturen zu vereinen.
• Es kann eine Querschnittsstruktur sein oder zu einer stärker in das Organigramm integrierten Gründung führen.
• Er wird von einer großen Zahl von Unternehmen des CAC 40 übernommen.
• Er kann auf verwandte Bereiche wie Künstliche Intelligenz ausgeweitet werden.