Rund 50 Prozent der Unternehmen werden laut dem Beratungsunternehmen Gartner Schwierigkeiten haben, ihre Projekte im Bereich der Künstlichen Intelligenz zu realisieren. Fehlende AI-Fähigkeiten der Mitarbeitenden, unzureichendes Wissen sowie Herausforderungen rund um die Daten sind dafür die häufigsten Gründe.
Von Christian Diethelm-Spiss, Head AI Corporate Banking, UBS Switzerland
Viele Unternehmen haben bereits Analytics-Teams und -Abteilungen aufgebaut, die das Zusammenspiel diverser Akteure mit unterschiedlichen Kompetenzprofilen umfassen. Der Erfolg von AI-Projekten erfordert häufig nicht nur kompetente «Data Scientists», sondern den Einsatz ganzer funktionsübergreifender agiler Teams, die das breite Spektrum an benötigten Fähigkeiten abdecken. Dazu gehören unter anderem Visualisierungsexperten, «Data Engineers», «Machine Learning Engineers», «User Experience Designers» und Fachvertreter aus den jeweiligen Geschäftsbereichen. Eine in diesem Zusammenhang absolut zentrale Rolle, welcher häufig zu wenig Aufmerksamkeit geschenkt wird, ist diejenige des «Analytics Translators»
Analytics Translators – Brückenbauer zwischen Data Science und Business
Der Begriff «Analytics Translator» wurde von McKinsey geprägt und erstmals 2018 in einem Artikel der Harvard Business Review (HBR) vorgestellt. «Analytics Translators» spielen eine entscheidende Rolle bei der Übersetzung von Herausforderungen des Geschäftsbereichs in AI-Anwendungsfälle. Eine wichtige Voraussetzung für dieses Anforderungsprofil ist es, in beiden Welten – Bankgeschäft und Data Science – zuhause zu sein, die jeweilige Sprache zu sprechen und deren Besonderheiten zu kennen.
«Analytics Translators» müssen einerseits über ein gutes Business-Know-how verfügen und das Geschäft verstehen, andererseits müssen sie die grundlegenden Konzepte von Statistik und Data Science verstehen, richtig interpretieren und anwenden können.
Was macht ein Analytics Translator?
Ein «Translator» hilft Unternehmen dabei, zu Beginn eines AI-Projekts die richtigen Fragen zu stellen und Problemstellungen zu identifizieren, die mit Hilfe von AI-Technologien gelöst werden können. Häufig wird der Fehler gemacht, dass zu Beginn eine neue Technologie in den Mittelpunkt gestellt wird und Anwendungsmöglichkeiten für diese Technologie gesucht werden. Dieser Weg führt nur selten zum Erfolg. Viel erfolgversprechender ist es, mit den Bedürfnissen und Herausforderungen des Geschäftsbereichs zu starten und erst anschliessend die passende Technologie zu bestimmen.
Eine weitere wichtige Aufgabe von «Analytics Translators» ist es, die Anwendungsfälle richtig zu priorisieren und die vorhandenen Ressourcen auf die Anwendungen mit dem grössten Impact zu fokussieren. Der Impact ist dabei nicht nur durch finanzielle Kriterien zu bewerten, sondern auch unter Berücksichtigung von weiteren Faktoren wie beispielsweise Kundenbedürfnisse und -akzeptanz, Innovationscharakter, Erfolgswahrscheinlichkeit und Realisierbarkeit, regulatorische Rahmenbedingungen und Skalierbarkeit.
Darüber hinaus ist die ganzheitliche Begleitung von AI-Projekten durch «Analytics Translators» als ein weiteres zentrales Erfolgskriterium zu nennen. Die «end-to-end»-Begleitung endet frühestens, wenn die Anwendung in Produktion übergeben wurde. Selbst bei produktiven AI-Anwendungen ist es wichtig, den Erfolg laufend zu messen und wenn möglich die Anwendungen auch laufend weiterzuentwickeln.
Welche Fähigkeiten und welches Fachwissen benötigen Analytics Translators?
Branchenspezifisches Fachwissen ist eine der zentralen Voraussetzungen für dieses Anforderungsprofil. In der Finanzbranche bedeutet dies unter anderem auch, über umfassende Kenntnisse des regulatorischen Umfelds zu verfügen. Im Zusammenhang mit Daten und AI-Projekten betrifft dies allem voran das Bankgeheimnis und die datenschutzrechtlichen Rahmenbedingungen. «Analytics Translators» müssen darüber hinaus über sehr gute technische Kenntnisse verfügen und die gängigen Methoden von AI, Data Science und Statistik beherrschen.
Erfahrungen mit verschiedenen Projektmanagement-Methoden (klassische, agile & hybride Ansätze) sind im Umgang mit AI-Projekten ebenfalls zielführend. Da AI-Projekte oft einen hohen Innovations-Anspruch haben, ist es auch sehr hilfreich, wenn «Analytics-Translators» Unternehmergeist und Erfahrung mit Ansätzen wie «Design Thinking» oder «Value Proposition Design» mitbringen.
Der Leitfaden zum Umgang mit Daten im Geschäftsalltag der SBVg als Hilfestellung für «Analytics Translators»
Die Schweizerische Bankiervereinigung hat Anfang Juni einen Leitfaden zum Umgang mit Daten im Geschäftsalltag veröffentlicht. Dieser Leitfaden greift viele der erwähnten Herausforderungen auf und gibt angehenden «Analytics Translators» einen guten Überblick, welche rechtlichen Rahmenbedingungen sowie technischen und organisatorischen Massnahmen im Zusammenhang mit Daten und AI-Projekten in der Finanzbranche zu berücksichtigen sind.
Für Banken stellen sich nicht nur Fragen zu Analysen und AI-Anwendungen, die sie mit ihren Daten erstellen können, sondern auch ethische Fragen und Herausforderungen im verantwortungsvollen Umgang mit den Daten. Auch auf diese hochaktuellen Themen und Fragestellungen geht der Leitfaden ein und bietet entsprechende Hilfestellungen.
Christian Diethelm-Spiss ist Head AI Corporate Banking bei der UBS Switzerland. Er ist Mitverfasser des von der Schweizerischen Bankiervereinigung herausgegebenen Leitfadens zum Umgang mit Daten im Geschäftsalltag.
