Chief Data Officer mit 29 Jahren – das Interview mit Nikita Matveev

Erfahren Sie im Interview mit Nikita Matveev, wie man bereits mit 29 Jahren Chief Data Officer wird und ein Team von 65 Data Scientist leitet.

Home / Interviews / Chief Data Officer mit 29 Jahren – das Interview mit Nikita Matveev

Im Datentreiber-Interview mit Nikita Matveev, Chief Data Officer der S7 Airlines, erfahren Sie, wie Sie in kurzer Zeit ein Team an Data Scientists aufbauen, was ein erfolgreiches Team ausmacht, wie Sie Datenprodukte konzipieren und welche Erfahrungen Nikita bereits mit unserer Datentreiber-Methode, dem Datenstrategie-Design, gemacht hat.

Vielen Dank Nikita, dass wir dieses Interview mit Dir führen dürfen. Was ist Deine Rolle als Chief Data Officer und was macht die S7 Airlines?

Die S7 Airlines ist die zweitgrößte russische Fluggesellschaft und deckt rund 20% des Passagierluftverkehrs in Russland ab. Meine Aufgabe als Chief Data Officer ist es letztendlich, den maximalen Wert aus unseren Daten zu gewinnen und damit das Geschäft anzukurbeln.

Wie bist du zu deiner Rolle als Chief Data Officer (CDO) mit 29 Jahren gekommen?

Talent, Talent, Talent, …. (lacht) Tatsächlich denke ich, dass ich den richtigen Hintergrund für diese Position hatte. Zum einen habe ich zuvor als strategischer Berater gearbeitet und daher Management-Erfahrung. Zum anderen habe ich ein abgeschlossenes Physik-Studium. Diese Kombination hilft enorm in der Rolle als CDO. 2016, am Beginn meiner Karriere bei der S7 Airlines, standen viele Big Data-Projekte in Verbindung mit Machine Learning auf dem Programm. Dieser Bereich entwickelte sich extrem schnell und daraufhin haben wir beschlossen, eine eigene Datenabteilung zu gründen.

Wie viele Leute arbeiten jetzt in Deinem Team und wie ist es zusammengestellt? Was sind Eure Erfolgsfaktoren?

Insgesamt arbeiten 65 Leute an Datenprojekten als Business Analysts, Data Scientists, Datenbank Administratoren, Entwickler und Product Owner. Außerdem haben wir weniger spezialisierte Data Analysts, Data Quality Analysts und Datenentwickler ins Data Office mit aufgenommen. Durch die Kombination verschiedener Kompetenzen in einer Abteilung und unsere fortgeschrittene Datenreife können wir Lösungen einfach implementieren.

Unsere Erfolgsfaktoren:

  1. Wie bereits heute im Seminar besprochen [Das Interview wurde am Rande des Data Business-Seminars geführt.], fokussieren wir uns auf “Holy Grail”-Projekte. Also Anwendungsfälle, die schwer oder gar unmöglich zu meistern scheinen, aber sich sehr gut anhören und auf denen unternehmensweit viel Aufmerksamkeit liegt. Diese Projekte sollten verfolgt werden, um Mitarbeiter zu motivieren und um Unterstützung von außen zu bekommen.
  2. Anschließend sollte man herausfinden, welche Arbeitspakete umsetzbar sind und diese dann entsprechend aufteilen.
  3. Und schließlich ist Risikomanagement und die Business Analyse sehr wichtig, um die Durchführbarkeit von Projekten rechtzeitig evaluieren zu können.

Im November hast du bei der Predictive Analytics World for Business-Konferenz in Berlin eine Präsentation gehalten mit dem Thema “Brick and Mortar of a Data Science Product”. Was sind Deiner Meinung die Ziegel und was ist der Mörtel? Und wie definierst du ein Datenprodukt?

Meiner Ansicht nach ist ein Datenprodukt ein IT-System, das in einen laufenden Prozess eingebunden ist und einen Mehrwert liefert.

Ich würde sagen es gibt drei Ziegel und einen Mörtel. Der erste Ziegel ist die Produktdefinition: Es gibt viele Ideen für Datenprodukte. Um die richtige Auswahl zu treffen, sollte das zu lösende Problem, die Stakeholder und die Kunden analysiert werden.

Der zweite Ziegel ist das Team und der Prozess. Um ein IT-System aufzubauen, werden verschiedene Fähigkeiten von Data Scientists, Engineers, DevOps-Spezialisten und Business-Analysten gebraucht, die eng zusammen mit der Fachabteilumg arbeiten. Dazu gehören zur Steuerung auch gewisse Prozesse. Wir nutzen beispielsweise Kanban.

Der dritte Ziegel ist die Business-Analyse. Wie bereits gesagt, ist ein Datenprodukt als IT-System im Unternehmensprozess eingebaut. Daher ist der beste Ansatz, die richtigen Anforderungen und Risiken zu identifizieren.

Der Mörtel ist das Daten-Ökosystem. Wenn die Basis nicht geschaffen ist, kann es Jahre dauern ein Datenprodukt zu entwickeln. Projekte wie ein Data Lake oder ein Datenkatalog, werden bisher mehr als Begriffe im Marketing verwendet, doch wenn sie korrekt aufgesetzt werden, helfen Sie bei der Datenproduktentwicklung und können Kosten reduzieren.

Wir haben uns das erste Mal im Mai kennengelernt, als du bei unserem Datentreiber-Seminar “Data Thinking” teilgenommen hast. Heute warst du bei unserem Data Business-Seminar. Warum warst du das erste Mal hier und was hast du erwartet?

Ich war dabei eine Datenstrategie aufzubauen und dachte mir, das wird doch schon Mal jemand vor mir gemacht haben. Beim googeln habe ich die Datentreiber-Website entdeckt, mit interessantem Material und die dazugehörigen Canvas. Das war genau das, was ich gesucht habe.

Und hast du bereits unsere Canvas Tools bei der S7 Airlines angewandt, um eine Datenstrategie zu entwickeln? Und was war Deine Erfahrung damit?

Ja, ich habe die Methode schon mit verschiedenen Abteilungen ausprobiert und Sie waren sehr nützlich. Mit einer Abteilung haben wir sogar einen ganzen Tagesworkshop durchgeführt und eine Analytikstrategie entwickelt. Sie waren sehr zufrieden mit der Herangehensweise und den Ergebnissen.

Was ist der Hauptvorteil am Einsatz des Canvas-Werkzeugs und dem Datenstrategie-Design-Ansatz?

Ich würde sagen, da gibt es drei Gründe für den Einsatz des Datenstrategie-Designs in Projekten. Es hilft:

  1. mehr Risiken zu identifizieren und Zeit zu sparen.
  2. eine bessere Kommunikation im Team zu etablieren.
  3. eine bessere Struktur aufzubauen. Und die erstellten Materialien können in der Zukunft immer wieder als Basis für weitere Anwendungsfälle verwendet werden.

Was sind Deine Tipps für jemanden, der gerade mit dem Datenstrategie-Design starten möchte?

Zuerst würde ich mir die Datentreiber-Website anschauen, um mehr über die Methode und die Canvas zu erfahren.

Als zweite Option würde ich vorschlagen, am Data Thinking-Seminar teilzunehmen, um mehr über den Ablauf, die Organisation, Kommunikationsmethoden und die passenden Werkzeuge herauszufinden.

Nach der Teilnahme würde ich vorschlagen, einen PoC-(Proof of Concept)-Workshop in der eigenen Firma zu planen. Da ein Ganztages-Workshop für den Anfang eventuell zu anstrengend ist, würde ich empfehlen Teile des Designkits mit verschiedenen Stakeholdern durchzugehen. Ich habe das beispielsweise mit verschiedenen Abteilungen gemacht. Außerdem haben wir alle unsere Projekte in das Analytik-Reifegrad Canvas übertragen, was ein gutes Training war und wir konnten einen übersichtlichen Fahrplan erstellen.

Vielen Dank, Nikita. Mögen die Daten mit Dir sein!

Alternativ können Sie sich das Interview auch als Video auf YouTube anschauen:

Kontakt
Impressum
Datenschutz
Haftungsausschluss
Allgemeine Geschäftsbedingungen

Abonnieren Sie unseren Newsletter:

Erhalten Sie alle relevanten Blogartikel, neue Seminartermine, spezielle Konferenzangebote und vieles mehr bequem per E-Mail. Als Willkommensgeschenk senden wir Ihnen einen Link zum Herunterladen unseres Datentreiber-Designbooks und für kurze Zeit den Artikel “Data Thinking: mehr Wert aus Daten” in PDF-Form nach Ihrer Anmeldung.

Mit dem Klicken auf ‚Abonnieren Sie unseren Newsletter’ stimmen Sie zu, dass wir Ihre Informationen im Rahmen unserer Datenschutzbestimmungen verarbeiten.