Data Science ist dann nützlich, wenn sie eine Entscheidung vorbereitet — nicht wenn sie ein Dashboard füllt. Viele Unternehmen haben Daten in mehreren Systemen, aber keine gemeinsame Grundlage: Excel neben dem ERP, Exporte in der Mail, Kennzahlen, die niemand mehr erklären kann. Genau dort setzen wir an. Wir klären zuerst die Frage, die das Geschäft wirklich stellt. Welche Zahl fehlt heute, welche Entscheidung wartet, welche Daten dürfen dafür verwendet werden? Erst danach kommt das Modell, die Auswertung oder die Pipeline. Technische Details, konkrete Plattformen und kundenspezifische Anbindungen bleiben vertraulich; öffentlich beschreiben wir den Anspruch und die Wirkungsweise.
Data Science heisst dabei nicht, möglichst viele Modelle zu trainieren. Data Science heisst: Daten so aufbereiten, dass Fachleute ihnen vertrauen können. Eine schöne Grafik, die im Alltag niemand nutzt, ist keine Lösung. Deshalb gehören Datenqualität, Rechte, Nachvollziehbarkeit und eine klare Frage von Anfang an dazu — nicht als Nachgedanke, wenn die erste Auswertung schon in der Führung liegt.
Woher kommt es?
Aktuell arbeiten wir an Auswertungen und Datenstrecken, die wiederkehrende Fachfragen entlasten: Informationen zusammenführen, Auffälligkeiten markieren, Berichte vorbereiten und die Grundlage so halten, dass eine Zahl auch später noch erklärbar ist. Parallel fliessen wiederholbare Muster in unsere Produktarbeit ein, etwa dort, wo Finanzdaten täglich Entscheidungen brauchen. Individuelle Sonderwege bleiben Projekte; was sich wiederholt, wird vereinheitlicht. So entsteht Nutzen, ohne dass die Datenlandschaft unkontrolliert wächst. Konkrete Modelle, Mandanten und interne Roadmaps nennen wir hier nicht.
Eine Auswertung ist erst dann gut, wenn jemand damit eine Entscheidung trifft — und später noch erklären kann, woher die Zahl kommt.
Ingo Zimmermann
Ein zweiter Fokus liegt auf Verantwortung. Data Science verarbeitet oft sensible Informationen — deshalb zählen Need-to-know, getrennte Umgebungen und nachvollziehbare Änderungen. Wo ein Modell unsicher ist, markieren wir das, statt eine scheinbar genaue Zahl zu liefern. Die Entscheidung bleibt beim Menschen. Wo eine einfache, regelbasierte Auswertung reicht, bleiben wir dabei. Ziel ist eine Datenbasis, die im Alltag trägt: verständlich für Fachbereiche, kontrollierbar für IT, erweiterbar, wenn die Fragen wachsen.
Kurz: Wir setzen Data Science dort ein, wo sie eine klare Frage beantwortet — nachvollziehbar, sparsam und so, dass die Entscheidung beim Menschen bleibt.
Wenn in Ihrem Unternehmen Daten vorhanden sind, die Entscheidung aber trotzdem wartet, starten wir mit einem kurzen, vertraulichen Überblick: Frage, Datenlage, Rechte, Risiken und der kleinste sinnvolle nächste Schritt. Daraus wird ein Pilot mit klaren Erfolgskriterien — oder die Empfehlung, zuerst die Datengrundlage zu ordnen, bevor ein Modell greift. Beides kann richtig sein. Dieser Beitrag gibt Orientierung, keine Spezifikation. Technische und kundenspezifische Details bleiben unter NDA. Hier bleibt die Botschaft: Data Science, die Entscheidungen vorbereitet — mit Klarheit, Verantwortung und ohne unnötige Komplexität.