Читать книгу Data Science - Michael Zimmer - Страница 20

Wer will was, wann und in welcher Form wissen? Diese und weiter gehende Fragen müssen sowohl beim Aufbau eines Data Warehouse als auch bei Data Science gestellt werden. Dennoch gehört gerade die Informationsbedarfsanalyse häufig zu den vernachlässigten Phasen beim Aufbau von Informationssystemen. Letztlich ist dieser Punkt eng mit dem vorhergehenden verbunden. Gerade weil es so leicht ist, einen Cube für die Analyse in einem Fachbereich aufzubauen oder eben mittels eines Algorithmus oder einer Regression schnell zu – augenscheinlich – neuen Erkenntnissen im Fachbereich zu kommen, geht man oftmals zu schnell über den Schritt der Informationsbedarfsanalyse hinweg. Doch gerade über diesen Schritt gelingt es nicht nur das Informationssystem passgenau zu entwickeln, sondern es wird auch die nicht geleistete Arbeit maximiert, indem man Reports oder Analysen gerade nicht erstellt, die der Endnutzer eigentlich nicht will oder benötigt.⁶

Auf dem Gebiet Data Science ist daher eine domänenspezifische Expertise unabdingbar. Nur dann kann der Data Scientist gemeinsam mit dem Fachbereich Fragestellungen ermitteln, die durch seine Modelle zu neuen und wertschöpfenden Erkenntnissen führen. Die im Bereich Data Science vorzufindenden Vorgehensweisen stellen zwar keine Informationsbedarfsanalyse im klassischen Sinn dar, doch sind die Funktionen und Effekte durchaus ähnlich.