Statt echten Mehrwert zu liefern, bleiben sie im Proof-of-Concept-Phasen stecken. Studien haben sogar ermittelt, dass rund 90% der Machine-Learning-Modelle es niemals in den Produktivbetrieb schaffen und 88% der KI-Piloten auf dem Weg in Richtung Daily Business scheitern.
Warum scheitern so viele Data-Science-Initiativen auf dem Weg der Produktivsetzung?
Viele Data-Science-Initiativen scheitern bereits in einer frühen Phase, weil grundlegende Voraussetzungen nicht erfüllt sind. Häufig fehlt es schon an klar definierten Use Cases, wodurch kein eindeutiger Business-Zweck erkennbar ist. Ohne eine konkrete Problemstellung und einen messbaren Mehrwert bleibt unklar, warum die Lösung überhaupt entwickelt werden soll. Hinzu kommt oft eine mangelnde Zusammenarbeit zwischen den beteiligten Bereichen: Silodenken verhindert den notwendigen Austausch zwischen Fachbereich, IT und Data Science, was zu Missverständnissen und ineffizienten Prozessen führt.
Fehlende Verantwortlichkeiten als Hemmnis bei der Entwicklung von Datenprodukten
Ein weiteres zentrales Problem sind unklare oder fehlende Verantwortlichkeiten. Wenn nicht eindeutig festgelegt ist, wer Entscheidungen trifft und das Projekt vorantreibt, verlieren Initiativen schnell an Richtung und Dynamik. Gleichzeitig wird die Perspektive der späteren Nutzer häufig vernachlässigt. Ohne deren frühzeitige Einbindung entstehen Lösungen, die an den tatsächlichen Anforderungen vorbeigehen und im Alltag kaum Akzeptanz finden.
Datenbasis & Deployment als Herausforderungen
Auch die Datenbasis stellt oft eine große Herausforderung dar. Unvollständige, inkonsistente oder schwer zugängliche Daten erschweren nicht nur die Modellentwicklung, sondern führen auch zu unzuverlässigen Ergebnissen. Schließlich bleibt ein Großteil der Projekte im Proof-of-Concept stecken. Es fehlt eine klare Strategie, wie die entwickelte Lösung in den produktiven Betrieb überführt werden kann – etwa hinsichtlich Deployment, Integration in bestehende Systeme oder Betrieb und Wartung. Dadurch wird aus einer vielversprechenden Idee kein nachhaltiges Datenprodukt.
Oft liegt der Fokus zu sehr auf der Technik und zu wenig auf der Denkweise, die es braucht, um ein Produkt zu entwickeln, welches auf die Bedürfnisse seiner Nutzer zugeschnitten ist.
Wie gelingt der Weg von der Idee zum Datenprodukt?
Die Entwicklung eines erfolgreichen Datenprodukts beginnt immer mit einem klaren Use Case. Was gilt es dabei zu prüfen?
- Geschäftswert: Welches Problem wird gelöst? Welchen messbaren Nutzen gibt es?
- Datenverfügbarkeit: Sind ausreichend und qualitativ gute Daten vorhanden?
- Technische Machbarkeit: Ist die Lösung realistisch umsetzbar?
Um den Use Case konkreter zu gestalten und seinen Erfolg erfassen zu können, gilt es, von Beginn an die richtigen KPIs zu definieren. Diese können technische Metriken (Modellgüte) wie die Accuracy und Business Metriken wie die eingesparte Arbeitszeit oder die erzielte Umsatzsteigerung sein. Gerade letztere sind entscheidend, um herausfinden zu können, welchen Mehrwert ein Datenprodukt wirklich liefert.
Das richtige Setup für die Entwicklung erfolgreicher Datenprodukte
Data-Science-Projekte sind immer die Leistung eines interdisziplinären Teams. Ein Team welches sich je nach Anwendungsbereich, Umfang und Art des Datenprodukts unterscheiden kann.
Die vier zentralen Rollen in Data-Science-Projekten sollten aber immer folgende sein: Projektleitung, Data Scientist, Data Engineer, Business Owner.
Genauso elementar für den Projekterfolg wie diese Basisrollen sind die Faktoren Kollaboration und Kommunikation – insbesondere mit den beteiligten Fachbereichen. Hier empfiehlt sich neben konkreten Kommunikations- und Zusammenarbeitsformaten auch die Einführung von „Übersetzungsrollen“, um die methodisch/technische Perspektive mit den inhaltlichen Anforderungen der zukünftigen Nutzer zusammenzubringen. Dann gelingt es auch das kommunikative Spannungsfeld in Data-Science-Projekten erfolgreich zu managen.
Die Meilensteine auf dem Weg zum Datenprodukt
Datenproduktentwicklung: Die Besonderheiten im Projektmanagement
Höhere Unsicherheiten, häufige Anpassungen, schwierige Aufwandsabschätzung: Im Data-Science-Kontext greifen klassische Software-Frameworks oft nur bedingt. Deshalb braucht es noch mehr als in der Softwareentwicklung ein agiles Vorgehen mit kurzen Iterationszyklen und Flexibilität statt einer starren Planung.
Projektmanagement-Tipps für erfolgreiche Datenprodukte:
- Der Unsicherheit mit klaren Fragestellungen begegnen und klare KPIs definieren.
- Timeboxing anstatt Aufwandsabschätzung – nach dem Timeboxing weiter entscheiden
- Frameworks nicht sklavisch verwenden, sondern eher das Agile Manifest
Deployment von Datenprodukten: Den entscheidenden Schritt erfolgreich meistern
Nach der Entwicklung geht es um die Überführung in das Daily Business – um das Deployment der entwickelten Datenlösung. Hier gibt es vier zentrale Fallen, die es zu umgehen gilt:
- Fehlende IT-Integration: Das Datenprodukt basiert zum Beispiel auf einer für das Unternehmen neuartigen Technologie, die sich nicht oder nur schwer in die bestehende Systemlandschaft integrieren lässt.
- Mangelnde Nutzerakzeptanz: Oft wird es bei der Einführung von Datenprodukten versäumt, die vorgesehenen Nutzer mitzunehmen und für den Einsatz der Lösung zu begeistern.
- Kein Monitoring: Fehlende oder unzureichende Überwachung der Zielerreichung im Hinblick auf die zuvor definierten KPIs.
- Data Drift: Data Drift bezeichnet die schleichende Veränderung der Datenverteilung im Laufe der Zeit, wodurch ein trainiertes Modell zunehmend ungenaue oder unzuverlässige Ergebnisse liefert, zum Beispiel weil die Daten des Produktivbetriebs nicht mehr den ursprünglichen Trainingsdaten entsprechen. Die Qualität des Datenprodukts leidet und damit auch Akzeptanz und generierte Mehrwerte.
Das Aufsetzen von MLOps-Prozessen hilft bei der Überführung in den Produktivbetrieb. MLOps (Machine Learning Operations) ist ein Ansatz, der Methoden aus Softwareentwicklung und IT-Betrieb kombiniert, um Machine-Learning-Modelle effizient zu entwickeln, bereitzustellen, zu überwachen und kontinuierlich zu verbessern.
Genauso hilft die Einbeziehung von Aspekten des Change-Managements. Datenprodukte stiften nur dann nutzen, wenn sie (richtig) eingesetzt werden. Da Datenprodukte bekannte Arbeits- und Entscheidungswege massiv verändern können, gilt es die Mitarbeitenden aktiv mitzunehmen, auf Kommunikation zu setzen und Unterstützung in Form von Schulungen anzubieten.
Checkliste für die Entwicklung von Datenprodukten
Für erfolgreiche Datenprodukte braucht es klar definierte Use Cases, messbare KPIs für eine Erfolgsbewertung, die Einbindung aller relevanten Stakeholder und eine Strategie für das Deployment.
Wir von eoda unterstützen Sie bei der Entwicklung Ihrer Datenprodukte – von der Idee bis zum Produktiveinsatz. Setzen Sie auf unsere etablierten Services, die Sie genau dort unterstützen, wo Sie gerade stehen:
- Use Case Discovery: Sie haben eine Idee für ein Datenprodukt? Wir entwickeln das Realisierungskonzept, wie aus Ihrer Idee eine erfolgreiche Lösung wird. Erfahren Sie mehr
- Lösungsentwicklung: Sie sind auf der Suche nach einem kompetenten Partner, der Ihr Datenprodukt realisiert. Dann sind wir Ihr Ansprechpartner mit ganzheitlichen Kompetenzen in Methodik und Technologie. Erfahren Sie mehr
- Coaching: Sie verfügen über ein eigenes Data-Science-Team für den Aufbau von Datenprodukten. In unseren DevOps Coachings unterstützen wir Ihr Team zielgerichtet dabei, die Entwicklung und Bereitstellung von Datenprodukten zu optimieren.
Veröffentlicht: 5. Mai 2026
AutorIn
Starten Sie jetzt durch:
Wir freuen uns auf den Austausch mit Ihnen.
