In dieser Arbeit werden grundlegende KPIs für IT-Projekte herausgearbeitet und in Bezug auf Data Science Projekte analysiert. In Data Science Projekten spielt das Projektcontrolling eine zentrale Rolle, da die zeitlichen Aufwände und Kosten häufig schwer einzuschätzen sind. Auftraggeber möchten ihre Use Cases mit Methoden des Machine Learnings effizient und erfolgreich umsetzen. In diesem Zusammenhang ist das erfolgreiche Projektcontrolling während des Projektverlaufs ein entscheidender Aspekt. Das konsequente Projektcontrolling kann durch den Einsatz von aussagekräftiger Kennzahlen, sogenannter Key Performance Indikatoren (KPIs) positiv beeinflusst werden. Nach einigen Studien schlagen 85% aller Data Science Projekte fehl, deshalb ist ein frühzeitiges Erkennen von Hindernissen essenziell. In klassischen IT-Projekten existieren viele KPIs zum Projektcontrolling, diese sind allerdings nicht ausreichend für Data Science Projekte.
Inhaltsverzeichnis
- EINFÜHRUNG
- GRUNDLAGEN
- Projektcontrolling
- Balanced-Scorecard-Konzept
- Key Performance Indikatoren
- ANALYSE
- Geschäftsverständnis
- Datenverständnis
- Datenvorbereitung
- Modellierung / Evaluation
- Bereitstellung
- DISKUSSION
- ZUSAMMENFASSUNG
- LITERATUR
Zielsetzung und Themenschwerpunkte
Diese Arbeit untersucht die Bedeutung von Key Performance Indikatoren (KPIs) im Projektcontrolling von Data Science Projekten. Der Fokus liegt auf der Analyse, wie KPIs die Transparenz und Effizienz von Data Science Projekten verbessern können und welche Herausforderungen bei der Implementierung von KPIs in diesem Kontext auftreten.
- Analyse von KPIs im Kontext des Projektcontrollings in Data Science Projekten
- Herausarbeitung von spezifischen KPIs für Data Science Projekte
- Bedeutung der Datengüte und des Datenmanagements für die erfolgreiche Implementierung von KPIs
- Bewertung der Anwendbarkeit von KPIs in verschiedenen Phasen des CRISP-DM-Prozessmodells
- Diskussion der Herausforderungen und Chancen beim Einsatz von KPIs im Data Science Projektcontrolling
Zusammenfassung der Kapitel
Das erste Kapitel führt in das Thema Projektcontrolling im Kontext von Data Science Projekten ein. Es wird die Bedeutung des Projektcontrollings für die erfolgreiche Umsetzung von Data Science Use Cases erläutert und die Rolle von KPIs im Projektmanagement hervorgehoben. Die Forschungsfragen der Arbeit werden definiert.
Das zweite Kapitel behandelt die Grundlagen des Projektcontrollings. Es wird auf das Balanced-Scorecard-Konzept eingegangen, das als Framework für die Definition und Messung von KPIs dienen kann. Der Einsatz von KPIs zur Steuerung und Überwachung von Projekten wird detailliert erklärt.
Das dritte Kapitel analysiert die Anwendbarkeit von KPIs in verschiedenen Phasen des CRISP-DM-Prozessmodells, einem weit verbreiteten Rahmenwerk für Data Science Projekte. Es werden spezifische KPIs für jede Phase identifiziert und die Bedeutung von Datengüte und Datenmanagement für die erfolgreiche Implementierung von KPIs hervorgehoben.
Schlüsselwörter
Data Science, Projektcontrolling, Key Performance Indikatoren (KPIs), CRISP-DM, Balanced Scorecard, Datengüte, Datenmanagement, Data Mining, Machine Learning.
Häufig gestellte Fragen
Warum ist Projektcontrolling in Data Science Projekten so wichtig?
Da Zeitaufwände und Kosten bei Machine Learning Projekten schwer einschätzbar sind, hilft Controlling dabei, Hindernisse frühzeitig zu erkennen und die Effizienz zu steigern.
Was sind KPIs im Kontext von Data Science?
Key Performance Indikatoren sind Kennzahlen, die den Fortschritt und Erfolg in Phasen wie Datenvorbereitung, Modellierung oder Bereitstellung messbar machen.
Was ist das CRISP-DM-Modell?
CRISP-DM ist ein Standard-Prozessmodell für Data Mining Projekte, das Phasen vom Geschäftsverständnis bis zur Bereitstellung (Deployment) umfasst.
Warum reichen klassische IT-KPIs für Data Science nicht aus?
Klassische IT-KPIs berücksichtigen oft nicht die explorative Natur und die spezifischen Anforderungen an die Datengüte in Data Science Projekten.
Wie kann eine Balanced Scorecard hier helfen?
Das Balanced-Scorecard-Konzept bietet einen Rahmen, um finanzielle und nicht-finanzielle Kennzahlen aus verschiedenen Perspektiven (z. B. Prozess, Kunde) zu verknüpfen.
- Quote paper
- Patrick Tinz (Author), 2021, Einsatz von Key Performance Indikatoren im Controlling von Data Science Projekten, Munich, GRIN Verlag, https://www.grin.com/document/1041311
