Data Science im Betrieb: Warum viele Modelle in der Schublade enden

In vielen Unternehmen gibt es dieses Modell. Ein Team hat es in einigen Wochen gebaut. Es sagt Kündigungen voraus oder den Absatz im nächsten Quartal. In der Präsentation überzeugt es alle. Ein Jahr später nutzt es niemand mehr.

Data Science ist in der Wirtschaft längst angekommen, zumindest auf dem Papier. Gemeint ist die Kunst, mit Statistik, maschinellem Lernen und Programmierung belastbare Aussagen aus Daten zu gewinnen. Die Werkzeuge dafür sind so zugänglich wie nie, viele davon sind kostenlos.

Der Engpass liegt woanders. Ein Modell schafft erst dann Wert, wenn es eine Entscheidung verändert, die regelmäßig getroffen wird. Dieser Schritt vom Prototyp in den Alltag ist der schwierigste. Um ihn geht es in diesem Text.

Was Data Science von der klassischen Auswertung unterscheidet

Berichte und Dashboards beschreiben, was passiert ist: Umsatz im März, Retouren nach Warengruppe, offene Posten. Das ist wichtig, aber es ist ein Blick zurück. Data Science geht einen Schritt weiter. Sie sagt voraus, ordnet ein oder schlägt eine Handlung vor.

Ein Prognosemodell schätzt etwa, wie oft ein Artikel nächste Woche verkauft wird. Ein Klassifikationsmodell sortiert Fälle in Gruppen, zum Beispiel in verdächtige und unauffällige Zahlungen. Ein Optimierungsverfahren berechnet, wie Touren oder Schichtpläne am günstigsten aussehen.

Gemeinsam ist allen: Das Ergebnis ist eine Wahrscheinlichkeit oder ein Vorschlag, keine Gewissheit. Wer mit Data Science arbeitet, muss also lernen, mit Unsicherheit umzugehen. Ein Modell, das meistens richtig liegt, ist wertvoll. Es irrt aber eben auch manchmal, und dafür braucht es eine Regel.

Wo Unternehmen tatsächlich profitieren

Den größten Nutzen bringt Data Science dort, wo eine Entscheidung oft, unter Unsicherheit und mit spürbaren Folgen fällt. Typische Beispiele sind diese:

• Bedarfsprognose: Ein Händler bestellt Ware nach einer Absatzschätzung statt nach Bauchgefühl. Er hat weniger Überbestände und seltener leere Regale.
• Vorausschauende Wartung: Ein Maschinenbauer erkennt an Sensordaten, wann ein Lager verschleißt, und plant den Austausch vor dem Ausfall.
• Betrugserkennung: Ein Zahlungsdienst markiert auffällige Transaktionen, damit Menschen nur die verdächtigen Fälle prüfen.
• Kundenbindung: Ein Abodienst erkennt Kunden, die wahrscheinlich bald kündigen, und spricht sie gezielt an.
• Preise und Sortiment: Ein Onlinehändler prüft, wie Preisänderungen auf die Nachfrage wirken, und passt sein Angebot an.

In all diesen Fällen gibt es eine klare Stelle im Ablauf, an der das Modell wirkt. Genau das fehlt vielen Projekten, die mit dem Satz „Wir sollten mal etwas mit unseren Daten machen“ beginnen.

Warum Modelle in der Schublade landen

Die Gründe ähneln sich von Branche zu Branche. Selten liegt es an der Mathematik. Häufiger fehlt die Antwort auf eine einfache Frage: Wer handelt anders, wenn das Modell etwas anzeigt?

Ein Kündigungsmodell nützt nichts, wenn der Kundenservice keine Zeit für Rückrufe hat. Eine Absatzprognose verpufft, wenn die Einkäufer ihr nicht trauen und weiter nach eigener Liste bestellen. Und eine Wartungsvorhersage bleibt folgenlos, wenn der Wartungsplan starr im Kalender steht.

Hinzu kommen technische Hürden. Das Modell wurde mit einem Datenauszug gebaut, den jemand von Hand bereinigt hat. Im Alltag kommen die Daten aber unvollständig, verspätet oder in anderem Format. Ohne eine stabile Datenleitung, die das Modell täglich versorgt, bleibt es ein Experiment.

Schließlich fehlt oft ein Besitzer. Das Projektteam zieht weiter zum nächsten Thema. Niemand fühlt sich zuständig, wenn die Vorhersagen schlechter werden.

Ein Modell ist erst dann fertig, wenn jemand seine Arbeit danach anders macht.

Der unterschätzte Teil: Daten und Betrieb

Oft entfällt der größere Teil der Arbeit auf Daten, nicht auf Modelle. Daten müssen gefunden, verbunden, bereinigt und dokumentiert werden. Dafür braucht es Data Engineers, also Fachleute, die Datenflüsse bauen und betreiben. Sie sind häufig wichtiger als ein weiterer Data Scientist.

Läuft ein Modell im Alltag, muss es überwacht werden. Märkte ändern sich, Kunden verhalten sich anders, ein neues Produkt kommt dazu. Die Muster, aus denen das Modell gelernt hat, passen dann nicht mehr. Fachleute nennen das Drift. Die Vorhersagen werden schleichend schlechter, ohne dass eine Fehlermeldung erscheint.

Für diesen Betrieb hat sich der Begriff MLOps eingebürgert, angelehnt an den Betrieb von Software. Dazu gehören automatische Tests, Versionsstände von Daten und Modellen, die Überwachung der Treffsicherheit und ein geregeltes Neutrainieren. Das klingt aufwendig und ist es auch. Es ist aber der Preis dafür, dass ein Modell nach einem Jahr noch stimmt.

Denken Sie auch an den Datenschutz. Arbeiten Modelle mit Kundendaten, gelten die Regeln der Datenschutz-Grundverordnung. Entscheidungen, die Menschen erheblich betreffen, dürfen in der Regel nicht allein automatisch fallen. Klären Sie das früh mit der zuständigen Datenschutzstelle im Haus.

Den Nutzen ehrlich messen

Ob sich ein Modell lohnt, zeigt nur ein Vergleich. Der wichtigste Maßstab ist eine einfache Ausgangslösung. Bei einer Absatzprognose könnte das schlicht der Durchschnitt der letzten Wochen sein. Ein aufwendiges Modell muss diese einfache Regel klar schlagen, sonst lohnt es den Aufwand nicht.

Noch aussagekräftiger ist eine Vergleichsgruppe. Ein Teil der Filialen bestellt mit Modell, der andere wie bisher. Nach einigen Wochen sehen Sie, ob Abschriften und Fehlbestände tatsächlich sinken. Ohne einen solchen Test lässt sich ein Erfolg kaum vom Zufall oder von der Saison trennen.

Messen Sie außerdem in der Sprache des Geschäfts. Eine hohe Treffsicherheit im Labor ist schön. Entscheidend sind weniger Ausfälle, geringere Lagerkosten oder mehr Kunden, die bleiben.

Wie Sie ein Projekt aufsetzen

Beginnen Sie mit einer Entscheidung, nicht mit den Daten. Beschreiben Sie, wer sie trifft, wie oft und was ein Fehler kostet. Prüfen Sie erst dann, ob die nötigen Daten vorhanden und zugänglich sind.

Starten Sie mit einem einfachen Modell und bringen Sie es früh in den Ablauf. Notfalls läuft es zunächst als Vorschlag, den ein Mensch bestätigt. So lernen Sie schnell, ob die Fachabteilung damit arbeiten kann. Ein ausgefeiltes Modell, das nie im Alltag getestet wurde, hilft niemandem.

Planen Sie den Betrieb von Anfang an mit: Wer überwacht das Modell, wer trainiert es neu, wer entscheidet über Änderungen? Für viele mittelständische Unternehmen ist ein kleines Team aus Fachabteilung, Datenfachleuten und IT sinnvoller als eine große zentrale Einheit.

Generative KI verändert manches an diesem Bild. Sprachmodelle helfen beim Schreiben von Auswertungscode und beim Erschließen von Texten wie Verträgen oder Kundenmails. An der Grundregel ändert das nichts: Ohne gute Daten und eine klare Entscheidung entsteht kein Nutzen.