Aufbau einer erstklassigen Praxis für Data Science und Data Engineering

Bereitgestellte Lösung

Es wurde ein KI-Reifegrad-Scan durchgeführt, um die Daten und Fähigkeiten von Randstad zu bewerten, gefolgt von starker Unterstützung durch einen unserer führenden Datenwissenschaftler und einen führenden Dateningenieur. Die Berater von Xebia führten standardisierte Arbeitsweisen ein, legten Kapitel fest, unterstützten die Einstellung von Mitarbeitern und erweiterten das Wissen innerhalb der Datenteams.

Das Ergebnis: Die Datenwissenschaftler von Randstad bilden jetzt ein Team, das effektiver und effizienter arbeitet und die Vorlaufzeit bis zur Produktion von KI-Lösungen drastisch verkürzt. Mit Hilfe des leitenden Dateningenieurs von Xebia hat dieses Data-Engineering-Team seine Arbeitsweise erweitert und verbessert.

Das niederländische multinationale Personalberatungsunternehmen Randstad hatte ein Problem. Es hatte einige davon. Den verschiedenen Data-Science-Teams fehlte eine einheitliche Arbeitsweise, was zu übermäßig langen Vorlaufzeiten bei der Entwicklung von KI-Lösungen führte. Außerdem hatte das Unternehmen Schwierigkeiten, die richtigen Mitarbeiter für sein Data Engineering Team zu finden. Außerdem gelang es dem Unternehmen nicht, die richtige Plattformarchitektur einzurichten. Randstad brauchte mehr als eine schnelle Lösung. Das Unternehmen wollte eine erstklassige Praxis für Data Science und Engineering entwickeln.

Die Technik zum Anfassen bei Randstad

Die Verbesserung der Data-Science-Praxis des Unternehmens war eines der Ziele, die Falco Vermeer erreichen wollte, als er Ende 2016 als Data and Analytics Manager zu Randstad kam. Die meisten Menschen betrachten die Personalabteilung als einen "menschlichen Prozess". Als ich zu Randstad kam, war nicht viel durch Daten informiert oder angetrieben", erklärt er. Er überzeugte das Unternehmen davon, einen datengesteuerten Ansatz einzuführen, so dass Entscheidungen auf Fakten und Daten statt auf dem Bauchgefühl basieren.

Trotz seiner Bemühungen, das Unternehmen über die Vorteile der Datenanalyse aufzuklären, stieß er auf viele Herausforderungen. Er erklärt: "Die Leute gewöhnen sich daran, Entscheidungen auf der Grundlage von Gefühlen zu treffen, also hat es natürlich einige Zeit gedauert, diese Denkweise zu ändern."

Auf der Suche nach einer Standard-Arbeitsweise

Nachdem sie mehrere erfolgreiche Data Science-Pilotprojekte und Anwendungsfälle durchgeführt hatten, stießen Vermeer und sein Team auf zwei Probleme:

1. Die Industrialisierung der Modelle verlief nicht reibungslos.

2. Den Datenwissenschaftlern fehlte eine gemeinsame Arbeitsweise

"Die Tools waren nicht das Problem, die Herausforderung bestand darin, sie auf reproduzierbare Weise einzusetzen", sagt er. "Das Problem wurde durch die unterschiedlichen Arbeitsweisen und Visionen der Datenwissenschaftler zusätzlich erschwert. Also machte sich Vermeer auf die Suche nach externer Hilfe, um diese Probleme zu lösen.

"Wir haben mit mehreren Anbietern gesprochen, und Xebia zeichnete sich nicht nur durch sein Fachwissen aus, sondern auch durch seine Fähigkeit, eine echte Verbindung zu uns aufzubauen. Diese menschliche Seite war genau das, wonach wir gesucht haben", sagt er.

AI Maturity Scan als Ausgangspunkt

Xebia führte seinen AI Maturity Scan bei Randstad durch, um eine Grundlage für die KI-Fähigkeiten des Unternehmens zu schaffen, die:

• ein klares Bild von den aktuellen Fähigkeiten der Organisation erstellt
• eine Basislinie festlegen, anhand derer sie historische und zukünftige Fortschritte bewerten kann
• Eine solide Grundlage für die Beratungstätigkeit von Xebia gelegt

"Für mich bestätigte das Ergebnis des Scans, was ich bereits in der täglichen Praxis erlebt hatte. Aber es war auch wertvoll, harte Beweise zu haben, um dem Rest der Organisation zu zeigen, womit wir es zu tun hatten", erklärt Vermeer. "Außerdem konnte sich Steven Nooijen, der Xebia-Berater, der schließlich mit uns zusammenarbeiten sollte, ein klares Bild davon machen, wo wir standen, bevor er den Auftrag erhielt."

Nooijens Hauptaufgabe war es, die bei Randstad arbeitenden Datenwissenschaftler zusammenzubringen und ein Kapitel zu bilden. Vermeer malt das Bild: "Als Steven anfing, gab es keine einheitliche Arbeitsweise. Unsere Datenwissenschaftler kamen aus vielen verschiedenen Bereichen - einige arbeiteten mit R, andere mit Python - und waren über mehrere Teams verteilt, was die Herausforderung noch größer machte. Wir hatten schon früher versucht, Standards zu schaffen, aber es war uns nicht gelungen."

Nach einem Jahr der Zusammenarbeit mit dem Team bei Randstad sieht Vermeer deutliche Unterschiede und Verbesserungen: "Die Datenwissenschaftler sind jetzt ein Team, sie arbeiten besser zusammen, und die Kommunikation ist besser. Das ist alles sehr erfolgreich." Er lobt auch Nooijens Ansatz: "Steven drängt sich nicht auf und sagt den Leuten, wie sie arbeiten sollen, sondern er leitet und ermutigt das gesamte Data-Science-Team zur Zusammenarbeit und ist gleichzeitig ein Teil davon."

Während seiner Zeit bei Randstad zeichnete Nooijen auch einen Wachstumspfad für die Datenwissenschaftler auf und gab einen Überblick über die Fachkenntnisse, die für Junior-, Mid-Level- und Senior-Datenwissenschaftler erforderlich sind. Er verknüpfte diese Karte mit einem Trainingsplan, der die richtigen Kurse für jede Stufe angab. "Das hat dem Team bereits geholfen, seine Fähigkeiten zu verbessern", lächelt Vermeer.

Am Ende seines Einsatzes bei Randstad half Nooijen dem Unternehmen, einen internen leitenden Datenwissenschaftler in Vollzeit zu finden und einzustellen. Vermeer lächelt: "Wir können Steven niemals wirklich ersetzen, aber wir sind zuversichtlich, dass die Person, die wir eingestellt haben, ebenfalls einen hervorragenden Job machen wird. Er ist begeistert von der Gelegenheit, und das ist zum großen Teil der Arbeit zu verdanken, die Steven zusammen mit dem Data Science Team geleistet hat."

Einen Standard für die Datentechnik setzen

Sechs Monate nach der Einstellung von Steven Nooijen als leitender Datenwissenschaftler hat Randstad Tünde Alkemade, einen leitenden Dateningenieur von Xebia, eingestellt. Vermeer erklärt die Entscheidung seines Teams: "Wir mussten einen technischen Benchmark für unsere AWS-Plattform schaffen und die Professionalisierung unserer Data-Engineering-Abteilung beschleunigen. Tündes Erfahrung mit AWS bei früheren Aufträgen erwies sich bei diesem Auftrag als unglaublich wertvoll. Wir brauchten auch die richtigen Dateningenieure für die Arbeit an der Plattform, hatten aber Schwierigkeiten, die richtigen Profile zu finden. Wir hatten zwar Bewerber, aber bei der Beurteilung ihrer technischen Fähigkeiten und ihrer Eignung für unsere Technologie hat sich Tünde ebenfalls bewährt."

Tünde wird bei Randstad bleiben und dem Unternehmen helfen, ein Kapitel von Dateningenieuren aufzubauen.

Wenn er über die Zusammenarbeit mit Xebia nachdenkt, ist Vermeer beeindruckt:

"Wenn ich sehe, wie schnell wir jetzt ein Modell einsetzen können, und auch unsere erhöhte Flexibilität, bin ich erstaunt über den großen Unterschied im Vergleich zu vor fünf Monaten. Es ist auch großartig, dass Steven und Tünde dies gemeinsam mit unseren Teams gemacht haben. Die Verbindung zwischen Data Engineering und Data Science hat sich verbessert, und es gibt jetzt eine Data Science Community im Unternehmen. Ich könnte nicht zufriedener sein." Die unterschiedlichen Hintergründe - einige arbeiteten mit R, andere mit Python - verteilten sich auf mehrere Teams, was die Herausforderung noch größer machte.