Ich glaube keiner Datenbeschreibung, bis ich die Daten selbst gesehen habe.
Zwischen „Die Daten haben wir“ und einem nutzbaren Datensatz liegt viel Arbeit. Ein Discovery-Sprint mit echten Daten zeigt, ob sie die Nutzenhypothese tragen.
“Die Daten haben wir” ist einer der teuersten Sätze in AI-Projekten. Zwischen diesem Satz und einem nutzbaren Datensatz liegen oft Zugriffsrechte, fehlende Historie, uneinheitliche Labels und Felder, die zwar existieren, aber nie gepflegt wurden.
Genau dafür gibt es in CRISP-DM die Phase Data Understanding. Der Leitfaden nennt vier Aufgaben:
- Initiale Daten sammeln
- Daten beschreiben: Umfang, Formate, Felder
- Daten explorieren: Verteilungen, Zusammenhänge, erste Hypothesen
- Datenqualität prüfen: Lücken, Fehler, Inkonsistenzen
In der Praxis mache ich daraus einen zeitlich begrenzten Discovery-Sprint mit drei Regeln:
- Echte Daten statt Beispielauszüge, auch wenn der Zugriff Zeit kostet
- Automatisches Profiling für die Breite, manuelle Stichprobe für die Tiefe
- Die Stichprobe gemeinsam mit Fachexperten durchgehen, nicht nur im Data-Science-Team
Der letzte Punkt bringt am meisten. Fachleute erkennen in Minuten, warum ein Feld seltsame Werte hat oder welcher Sonderfall in keiner Dokumentation steht.
Am Ende des Sprints steht kein Bericht mit vielen Seiten, sondern eine ehrliche Einschätzung: Tragen diese Daten die Nutzenhypothese aus dem Business Understanding?
Das ist für mich der erste wirklich harte Business Value Check. Wenn die Daten das Ziel nicht hergeben, ist jetzt der günstigste Moment, das Ziel anzupassen oder aufzuhören.
Teil 3 von 8 der Serie zu CRISP-DM. Nächster Teil: der Business Value Check.
Transparenzhinweis: Die Aufgaben folgen dem CRISP-DM-Leitfaden, der Discovery-Sprint beschreibt meinen eigenen Workflow.
Dieser Post entstand mit AI-Unterstützung auf Basis eigener Erfahrung.