Implementierung von R im Mittelstand

© 2010 – 2016 eoda GmbH

R im Mittelstand: Wie Sie die Implementierung von R meistern

Oliver Bracht | Chief Data Scientist



Core

PionierAnforderungs-

orientiert

Data Science Lab

Einführung von R



Data Science Lab

Guerilla Requirement

• Treiber:

• Ursprung:

• Datenquellen:

• Motivation:

• Mindset:

• Time-to-production:

Core Bereits erfolgt

Gründer und Top-Management

Aus dem Zentrum

Alle verfügbaren

Unternehmenszweck

Selbstverständlichkeit

Einführung von R



Core Data Science Lab

Requirement

• Treiber:

• Ursprung:

• Datenquellen:

• Motivation:

• Mindset:


Requirementoriented

Data Science Labor

“Ready when ready”

Management

Von oben

Sandbox

Forschung

Experimentieren / Ausprobieren

Einführung von R




Requirement

• Treiber:

• Ursprung:

• Datenquellen:

• Motivation:

• Denkweise:


Anforderungs-orientiert

Kurz

Fachbereiche

Von Oben

Produktionsdaten

Lösen aktueller Geschäftsprobleme

Risiko reduzieren; ROI

Einführung von R




Requirement

• Führung:

• Ursprung:

• Datenquellen:

• Motivation:

• Denkweise:


Core Business

Pionier

Lang

Einzelne Fachbereiche

Von unten

.csv Extrakte

Überzeugung der Pioniere

“Yes, we can”

Einführung von R



Kern Data Science Labor

Pionier Anforderungsorientiert

New Economy

Einführung von R

Mittelstand

Konzerne



Der Weg zur Produktion der Pioniere

Level 1: GuerillaStake-Holder: Data Science

Level 2: Proof of ConceptStake-Holder: Data Science + Fachanwender

Level 3: ProduktionStake-Holder: Data Science + Fachanwender + IT



• Das Unternehmen nutzt bisher keine Data Science Tools –abgesehen von Excel

• Eine einzelne Person oder eine kleine Gruppe beginnt mit der Nutzung von R für bestimmte Aufgaben

• Häufig Praktikanten oder Berufsanfänger

• Software Entscheidungen fallen unabhängig von der IT-Abteilung

• Keine strategischen Entscheidungen

• Kollegen, Vorgesetzte und das Management sind von den Ergebnissen begeistert

Level 1: Guerilla



Erfolgsfaktoren

• Die IT-Abteilung so früh wie möglich involvieren

• Das interne Data Science Team möglichst bald vergrößern

• durch Training (intern, vor Ort, online)

• durch Einstellungen

• So bald wie möglich in das nächste Level aufsteigen

Level 1: Guerilla



Risiken

• IT-Abteilung bereitet Schwierigkeiten

• Sich in ad-hoc Anfragen verlieren

• Der Problemlöser für jedermann werden

Level 1: Guerilla



• Use Case-Evaluierung

• Datenverfügbarkeit

• Analytische Komplexität

• Business Value

• Wählen Sie die vielversprechendsten Use Cases zur Umsetzung

• Planen Sie mehr als einen Use Case zu verwirklichen

Level 2: Proof of Concept




Erfolgsfaktoren

• Stellen Sie sicher, dass die Implementierung prinzipiell möglich ist

• Behalten Sie ihr Ziel im Auge und verlieren Sie sich nicht in Details

• Beteiligen Sie die Fachabteilung so weit wie möglich

• Überfordern Sie die Fachabteilung nicht mit statistischen Fachtermini

• Halten Sie das analytische Vorgehen und die Geschäftsanforderungen

im Einklang




Risiken

• Einen bestimmten Erfolg versprechen

• An der ursprünglichen Idee festhalten, obwohl diese nicht mehrpasst

• Fachanwendern vorläufige Ergebnisse zeigen

• Zu viel Energie in die Optimierung und Performance investieren

• Kommunikation zwischen Data Science und

Fachabteilung



Level 3: Produktiv

• Proof-of-Concept Ansätze in die Produktion implementieren

• Übergang vom Labor zur Automatisierung

• Übergang von Hacking zu Programmierung wechseln



Input

Level 3: Produktiv

Businessimplementierung

Analyse Output



Input


Output

Technische Implementierung

Analyse

Level 3: Produktiv



Mensch / Maschine


Technische Implementierung

Analyse Mensch / Maschine

Level 3: Produktiv



Erfolgsfaktoren

• Fokus auf Softwareentwickler-Kompetenzen

• Fokus auf Performance

• Zunächst stabile Version in der Produktivumgebung veröffentlichen,

bevor weitere Features hinzugefügt werden

• Richten Sie ein Backlog für neue Features und

Verbesserungsvorschläge ein

Level 3: Produktiv



Versionierung Fehlerkontrolle

Dependency Management Dokumentation

Paketerstellung Staging

Testing Deployment

Profiling

Erfolgsfaktoren

Level 3: Produktiv



Output

Technical Implementation

Analytic

Level 3: Produktion

Risiken

• Unterschätzung des Aufwandes für die Instandhaltung und Fehlerbehebung

• Fehlerbeseitigung ist auf Produktivsystemen schwieriger

• Codeänderungen veröffetnlichen ohne vorherigem Test auf Staging Systemen

• „Unbekannte“ Eingangsdaten


Einleitung | Guerilla | Proof of Concept | Produktion

Fazit



Statistiken,Methoden

Fachwissen

Data Science

Software-Entwicklung



Guerilla & Proof-of-Concept Phase



Fach-wissen



Produktiv Phase



Fach-wissen

© 2010 – 2016 eoda GmbH

@eodaGmbH

@eodaGmbH eodaGmbH

blog.eoda.de

eoda GmbHUniversitätsplatz 12

34127 [email protected]

+49 561 202724-40

Die Data Science Spezialisten.

Implementierung von R im Mittelstand

Data & Analytics

Transcript of Implementierung von R im Mittelstand