Wie diverse Teams Data Science voranbringen

Viele Unternehmen streben danach, "datengetrieben" zu werden. Da die jüngste Explosion im Bereich der KI-Technologie riesige Mengen an Trainingsdaten erfordert, wird die Qualität des Daten-Inputs immer wichtiger. Daher investieren Firmen viel Zeit und Geld in Datenpipelines und andere technische Aspekte der Datenqualität wie Konsistenz, Gültigkeit, Aktualität und Überprüfbarkeit.

Es gibt jedoch einen kritischen Aspekt der Datenqualität, der oft zugunsten technischer Probleme übersehen wird: die Vollständigkeit oder Verzerrung, genannt Bias. Der beste Weg, dieses Problem anzugehen, ist ein möglichst vielfältiges Datenteam aufzubauen in Bezug auf Geschlecht, ethnische Zugehörigkeit, Alter, Herkunft, Ausbildung und geschäftlicher Erfahrung.

Datengetriebene Unternehmen schneiden besser ab

Zahlreiche Studien haben gezeigt, dass Unternehmen, die datenbasierte Entscheidungen treffen, mehr Geld verdienen. Im vergangenen Jahr berichtete beispielsweise eine IDC-Umfrage unter mehr als 600 Unternehmen, dass eine ausgereifte Datennutzung die Umsätze deutlich steigerte. Zudem reduziere sie die Zeit bis zu Marktreife (Time to Market) für neue Produkte und Dienstleistungen und verbessere die Wahrscheinlichkeit für eine höhere Kundenzufriedenheit, höhere Gewinne und eine höhere betriebliche Effizienz.

Für weitere spannende Hintergründe, Strategien und Deep Dives aus der CIO-Community abonnieren Sie unserer Newsletter.

Eine im März von der Harvard Business Review und Google Cloud durchgeführte Umfrage ergab, dass führende Unternehmen im Bereich Daten und KI andere in Bezug auf betriebliche Effizienz, Umsatz, Kundentreue und -bindung, Mitarbeiterzufriedenheit sowie Vorhersagbarkeit der IT-Kosten deutlich übertreffen. Auch Führungskräfte werden aufmerksam: Eine in diesem Frühjahr von Salesforce veröffentlichte weltweite Umfrage unter fast 10.000 Managern brachte ans Licht: 80 Prozent der Befragten sind der Meinung, dass Daten für die Entscheidungsfindung in ihrem Unternehmen von entscheidender Bedeutung sind.

Diversität ist gut für die Wirtschaft

Weitere Studien haben gezeigt, dass Diversität Unternehmen leistungsfähiger macht. Vielfältige Teams sind innovativer, treffen bessere Entscheidungen treffen und weisen eine höhere Mitarbeiterbindung auf.

Viele Unternehmen haben inzwischen den Wert von Vielfalt und Integration erkannt. In einem PwC-Bericht vom Februar gaben 85 Prozent der befragten Firmen an, dass Vielfalt, Gleichberechtigung und Inklusion zu den erklärten Werten oder Prioritäten gehören. Knapp die Hälfte versprach sich davon, Talente anzuziehen und zu halten. Jede fünfte Organisation wollte damit bessere Geschäftsergebnisse erzielen.

Nur wenige Unternehmen sind jedoch in der Lage, ihre Diversitätsziele zu erreichen - und Data Science ist in dieser Hinsicht einer der schlechtesten Sektoren. Nach den neuesten Zahlen von Zippia sind nur 20 Prozent der Data Scientists in den USA Frauen, sieben Prozent sind hispanisch (19 Prozent der US-Bevölkerung) und nur vier Prozent sind Afroamerikaner, obwohl sie zwölf Prozent der US-Bevölkerung ausmachen.

Raum für andere Stimmen schaffen

"Ohne ein vielfältiges Team sinkt die Wahrscheinlichkeit, dass man sich der unterschiedlichen Lebenserfahrungen bewusst wird", sagt Nika Kabiri, Senior Director of Decision Science bei Clio, einem Anbieter von Rechtsdienstleistungen. Sie fügt hinzu, dass es nicht ausreicht, wenn Führungskräfte sich verpflichten, vielfältige Teams einzustellen. "Sie müssen auch Raum für unterschiedliche Stimmen schaffen, damit Einzelpersonen ihre unterschiedlichen Lebenserfahrungen auf eine Weise mitteilen können, die die Produktentwicklung nachhaltig beeinflusst." Andernfalls würden Führungskräfte Vorurteile nur oberflächlich ansprechen und Produkte entwickeln, die hinter dem zurückbleiben, was sie sein könnten.

KI treibt diverse Teams an

Mit dem Aufkommen von generativer KI und großen Sprachmodellen (Large Language Models, LLM) ist dies heute besonders wichtig, argumentiert Sreekanth Menon, VP und Global Leader für KI- und ML-Services bei Genpact. Er sagt, dass LLMs in dem Ruf stehen, Verzerrungen (Biases) und Halluzinationen zu erzeugen. Dies sei vermutlich auf eine Konzentration in den Trainingsdaten zurückzuführen. So schneiden die Modelle beispielsweise bei Englisch besser ab als bei anderen Sprachen. "Ein diverses Team aus verschiedenen Ländern kann helfen, solche Verzerrungen zu beseitigen", sagt Menon.