Im Webinar „felyx: clearing the road for sustainable DataOps driven architectures“ haben Daan Stroosnier und Mees Strooker darüber berichtet, wie der E-Scooter-Verleih seine Datenstrategie und infrastruktur neu ausgerichtet hat. Wir sprechen mit den Datenexperten im Anschluss über die Lessons Learned aus diesem großen DataOps-Abenteuer. Was können andere Unternehmen aus diesen Erfahrungswerten mitnehmen?
Lektion 1: Alles beginnt mit den richtigen Leuten
In unserem Artikel ‚Felyx: Der Weg zu einer nachhaltigen DataOps driven Architektur‘ gehen wir unter anderem näher auf die Daten¬infrastruktur ein, die Stroosnier, Strooker und Kollegen in den vergangenen sieben Monaten gebaut haben. „Am Anfang eines so großen Projekts, bei dem praktisch ein komplett neues Data Warehouse entsteht, braucht es die richtigen Leute. In unsere Branche ist das eine echte Herausforderung, denn das Angebot ist klein. Das wussten wir im Prinzip, aber scheinbar ist es doch nicht ganz zu uns durchgedrungen“, so Daan Stroosnier, Global Head of Data Analytics.
Wie ließe sich das Problem in Angriff nehmen? Stroosnier: „Man muss es nicht unbedingt in Angriff nehmen, man kann es auch genauer untersuchen. Zum Beispiel kann der Aspekt in die Prozesse und Planung mit einbezogen werden. Er hilft außerdem, mit Erwartungen – beispielsweise mit denen der Stakeholder – umzugehen. Und er kann sich auf bestimmte Entscheidungen auswirken, die im Laufe des Projekts zu treffen sind. Vielleicht will man auch mehr in Abstufungen vorgehen. Beispielsweise mit halber Kraft an etwas Neuem arbeiten, während mit der anderen Hälfte bereits Vorhandenes ausgebaut wird, anstatt sich voll und ganz auf das neue Projekt zu stürzen. Was auch möglich ist: zunächst die richtigen Leute finden und erst dann loslegen, um mehr ‚kritische Masse‘ am Start zu haben.“
Lektion 2: Integration zwischen Systemen und Mitarbeitern
Doch nicht nur die Systeme, auch die Mitarbeiter sollte man integrieren, betont Stroosnier. „Wir haben Leute mit den unterschiedlichsten Kompetenzen, Hintergründen und Fachgebieten, zum Beispiel Daten-ingenieure und Daten¬analysten. Wie arbeiten die verschiedenen Lösungen in unserer Daten¬architektur optimal zusammen? Auf welche Art lässt sich das prüfen? Und wie kann ein Wirksamkeitsnachweis durchgeführt werden? Man sollte für solche Interaktionen und Abhängigkeiten Zeit (und Geld) investieren.“
Ziel ist laut Stroosnier, alle zu einem Team zusammenzuschweißen und so mehr Synergien zu erzeugen. „Bei uns arbeiten die verschiedenen Subteams eher unabhängig voneinander, wir hätten sie vielleicht besser mehr integrieren können.“
Lektion 3: Das richtige Gleichgewicht zwischen Angestellten und freien Mitarbeitern
Felyx beschäftigt viele interne Mitarbeiter, die im Umgang mit dem aktuellen Technologiestack geschult sind, so der Data Analytics Manager. „Am Anfang haben wir uns einen Freelancer mit speziellen Kenntnissen dazu geholt. Diese hat er an das Team weitergegeben. So jemand muss in erster Linie lange genug bleiben, um sein Wissen zu vermitteln, und man sollte ihn oder sie nicht gehen lassen, bevor die internen Mitarbeiter nicht auf Stand sind. Man sollte sich aber auch nicht zu viel auf Freelancer stützen, denn den Zugang zu deren Wissen verliert man später wieder.“
Lektion 4: Scrum ist toll, doch man muss realistisch bleiben
Etwa 95 Prozent aller DataOpt-Teams arbeitet mit Scrum (oder einer anderen Agilen Methode), schätzt Data Engineer Mees Strooker. An sich nicht schlecht, doch als Team darf man sich nicht zu sehr davon mitreißen lassen, was die Organisation gern hätte, argumentiert er. „Das Unternehmen will in eine bestimmte Richtung, also müssen bestimmte Fristen eingehalten werden, damit andere Teams keinen Leerlauf haben. Doch man sollte nicht den Fehler machen, Fristen für die eigene Arbeit basierend auf Fristen für das Unternehmen zu versprechen, denn das ist nicht immer realistisch. Bei der Planung sollte man in erster Linie schauen, was man als Team pro Woche oder pro Sprint schaffen kann. Weichen die Fristen von denen des Unternehmens ab, gilt es dies deutlich zu kommunizieren.“
Und Strooker hat noch eine wertvolle Erkenntnis in Sachen Scrum: „Beziehen Sie die anderen Teams, mit denen Sie zusammenarbeiten, möglichst früh mit ein und lassen Sie nicht erst eine Woche vor Fristende von sich hören. So kann dort nämlich auch vorausgeplant werden.“
Lektion 5: Umkehr jederzeit möglich machen
Felyx war immer wichtig, dass sich alles rückgängig machen lässt. Strooker: „Wir haben uns immer gefragt, welche Auswirkungen und Folgen die Implementierung eine Lösung hat. Damit sind wir immer gut gefahren. Wir haben jedes Mal eine Vorauswahl getroffen. Oft haben wir auch zwei Sachen implementiert, zwei Wirksamkeitsnachweise durchgeführt und uns danach erst entschieden. Und das hat sich ausgezahlt.“
Das passt zum modularen Ansatz der Unix-Philosophie, so Stroosnier. „Wir betrachten immer nur Ausschnitte unserer Architektur und suchen für diese dann eine Lösung. Das hat uns geholfen, die richtigen Entscheidungen zu treffen, und uns die Flexibilität gegeben, bei Bedarf noch rechtzeitig nach links oder rechts auszuweichen. Ich denke, von dieser Erfahrung können andere Unternehmen wirklich profitieren.“
Lektion 6: Skalierbares Datenmodell
Stroosnier: „Hinterher ist man ja immer schlauer, aber wir hätten uns vorab tatsächlich mehr Gedanken zum Datenmodell machen sollen, damit es für die Zukunft skalierbarer ist. Nun, da wir gemerkt haben, dass wir uns vorher nicht genug damit auseinander¬gesetzt haben, sind wir recht pragmatisch unterwegs.“
Das Ergebnis zählt
Wenn man nur die Lessons Learned her nimmt, kann dies ein negatives Bild zeichnen. Stroosnier und Strooker betonen jedoch, dass auch sehr viel gelungen ist und das Ergebnis steht wie eine Eins. Strooker: „Ich bin wirklich begeistert von dem technischen Toolstack, den wir jetzt haben. Man sieht, wie sich jetzt überall die Datenqualität verbessert und wie das Tempo steigt, mit dem wir Dinge bauen. Schließlich ist es unsere Aufgabe, unsere Mitarbeiter mit Informationen zu versorgen und Vorhersagen für sie zu treffen. Das gelingt uns jetzt viel schneller und besser, und zwar unter anderem deshalb, weil wir überall die richtigen Analysten, Dateningenieure und wissenschaftler haben.“
Das alles führt zu einer ganzen Reihe konkreter Ergebnisse, wie weniger Dinge, die kaputt gehen, höhere Daten¬qualität, schnelleres Arbeiten, mehr Mitarbeiter, die gleichzeitig mit Tools arbeiten können, verbesserte Operationalität, mehr Scooter, die Kunden zur Verfügung stehen, mehr Einblick in die Kunden, bessere Kunden¬betreuung und effizienteres Arbeiten.
Stroosnier:
„Wir haben jetzt viel mehr Kontrolle über unser Data Warehouse. Sowohl qua Leistung als auch bei den Kosten. Wir können sehen, wie es performt, und das zu akzeptablen Kosten. Im Rahmen unseres Wachstumsmodells, bei dem sich unsere Rollerflotte jedes Jahr verdoppelt, wollen wir beide Aspekte im Auge und unter Kontrolle haben.“
