Datenlabor im Forschungsbetrieb · Agentische Workflows

Unklare Data Science Aufgaben verzögern Forschungsprojekte

Ein zentrales Datenlabor erhält wöchentlich 200 Data Science Aufgaben. Unklare Beschreibungen kosten über 160 Stunden und verzögern Analysen.

Wissenschaft
Datenanalyse

Ausgangsproblem

Unklare Data Science Aufgaben im Forschungsbetrieb

Lösungstyp

Agentischer Workflow für Analyseaufgaben

Komplexität

Transformation

Leitkennzahl

Zeitersparnis bei Klärung von Analyseaufträgen

Nutzergruppe

Data Science Teams und Forschungsleitungen

Umsetzungsdauer

3-6 Monate

Betriebsmodell

On Prem oder Private Cloud

Ausgangslage

Eine außeruniversitäre Forschungseinrichtung mit 3.400 Mitarbeitenden betreibt ein zentrales Datenlabor, das Forschende aus Laboren und Projekten unterstützt. Wöchentlich gehen rund 200 Data Science Aufgaben ein, von einfachen Auswertungen bis zu komplexen Modellierungen. Die Anfragen kommen per E Mail, Ticketsystem und Chat, häufig ohne klare Fragestellung, Datenbasis oder Priorität. Drei Data Science Teams mit insgesamt zwölf Vollzeitkräften verbringen pro Woche etwa 160 Stunden mit Rückfragen, Sortieren und Nachhalten von Aufgaben, bevor sie überhaupt mit der eigentlichen Analyse beginnen können.

200: Aufgaben pro Woche
160 h: Klärungsaufwand pro Woche

Die Herausforderung

Die Data Science Teams sollen gleichzeitig kurzfristige Analysen für laufende Experimente liefern und langfristige Modelle für strategische Projekte entwickeln. In der Praxis fehlt jedoch ein strukturierter Eingangskanal für Aufgaben. Jede Woche entstehen aus den 200 eingehenden Anfragen dutzende Rückfragen zu Datenquellen, Zielgrößen und Fristen. Viele Aufgaben werden doppelt erfasst, etwa als E Mail und als Ticket, oder verlieren Kontext, wenn Mitarbeitende wechseln. Forschungsleitungen haben keinen verlässlichen Überblick, welche Aufgaben bereits laufen, welche blockiert sind und welche zurückgestellt wurden. Dadurch verschieben sich Auswertungen, Experimente müssen wiederholt werden und Förderfristen geraten unter Druck.

„Wir verbringen mehr Zeit mit Nachfragen als mit Analysen“

„Wir wissen oft erst spät, welche Aufgaben wirklich dringend sind“

„Wir verlieren den Überblick, welche Anfragen schon geklärt sind“

„Wir dokumentieren dieselbe Aufgabe in drei verschiedenen Systemen“

Warum das bisher ungelöst blieb

Das Problem war lange bekannt, galt aber als unvermeidliche Begleiterscheinung eines dynamischen Forschungsbetriebs. Bisherige Verbesserungsversuche setzten auf neue Ticketvorlagen und Schulungen für Antragstellende. Diese Maßnahmen halfen nur begrenzt, weil viele Forschende weiterhin E Mails oder Chatnachrichten bevorzugten und spontane Fragen stellen. Ein klassisches Workflow System schien zu starr, um mit der Vielfalt der Aufgaben, Datenquellen und Projektkonstellationen Schritt zu halten. Gleichzeitig war der Aufwand für ein großes IT Projekt schwer zu rechtfertigen, solange die Teams die Mehrarbeit irgendwie auffangen konnten.

Neue Ticketvorlagen

Standardisierte Ticketvorlagen sollten Pflichtfelder für Datenquellen und Fristen einführen, wurden aber nur teilweise genutzt.

Schulungen für Forschende

Workshops erklärten, wie gute Analyseanfragen aussehen, konnten spontane E Mails und Chats jedoch nicht ersetzen.

Eingeführt wurde ein agentischer Workflow, der alle Data Science Aufgaben über einen gemeinsamen Eingangskanal bündelt und strukturiert. Eingehende E Mails, Tickets und Chatnachrichten werden automatisch einer Aufgabe zugeordnet, in verständliche Kurzbeschreibungen überführt und mit Metadaten wie Projekt, Datenquelle, Dringlichkeit und erwarteter Leistung versehen. Ein virtueller Koordinationsassistent führt Antragstellende durch gezielte Rückfragen, schlägt passende Kategorien vor und dokumentiert Entscheidungen direkt im Projekttool. Data Science Leads erhalten ein zentrales Board, das Aufgaben nach Priorität, Aufwand und Abhängigkeiten sortiert und Übergaben zwischen Teams unterstützt. So entsteht ein durchgängiger, nachvollziehbarer Prozess von der Anfrage bis zur abgeschlossenen Analyse.

Wo generative KI arbeitet

Generative KI analysiert Freitext aus E Mails, Tickets und Chats, fasst ihn zu klaren Aufgabenbeschreibungen zusammen, schlägt Kategorien und Prioritäten vor und formuliert Rückfragen in verständlicher Sprache. Sie kann mit unvollständigen, mehrsprachigen und unscharfen Beschreibungen umgehen und Vorschläge an den Stil des Datenlabors anpassen.

Bausteine

Zentraler Eingang für E Mails, Tickets und Chatnachrichten, der Anfragen automatisch bündelt, dedupliziert und einheitlich zuordnet.
Virtueller Koordinationsassistent, der Antragstellende mit Rückfragen führt, fehlende Angaben ergänzt und im Projekttool dokumentiert.
Priorisierungsboard für Data Science Leads, das Aufgaben nach Projekt, Dringlichkeit, Aufwand und Abhängigkeiten priorisiert.
Automatisierte Protokolle, die den Verlauf jeder Aufgabe von der Anfrage bis zur Analyse nachvollziehbar dokumentieren und für Audits bereitstehen.

Ist Analyse
Erhebung der bestehenden Eingangskanäle, Typen von Data Science Aufgaben und genutzten Tools, inklusive Zeitaufwände für Klärung und Priorisierung.
Workflow Design
Definition eines Zielprozesses mit einheitlichem Aufgabenformat, Rollen für Koordination und Priorisierung sowie Regeln für Übergaben zwischen Teams.
Integration
Anbindung von E Mail, Ticketsystem und Chat an den neuen Eingangskanal, inklusive schreibendem Zugriff auf das Projekttool des Datenlabors.
Assistenzlogik
Konfiguration des virtuellen Koordinationsassistenten mit typischen Fragen, Kategorien und Beispielen aus dem Forschungsalltag der Einrichtung.
Pilot und Rollout
Test mit ausgewählten Projekten, anschließende Anpassungen und schrittweiser Rollout auf alle Data Science Teams und Forschungsbereiche.

Kennzahl	Wert	Basis
Reduzierter Klärungsaufwand pro WocheLeitkennzahl	Klärungsaufwand von 160 auf 70 Stunden pro Woche	Zeiterfassung vor/nachgemessen
Durchlaufzeit bis Start der Analyse	Median von 3 Tagen auf 1 Tag gesenkt	Systemmessunggemessen
Assistenzvorschläge mit manueller KorrekturGütemaß	In 15 Prozent der Aufgaben sind Anpassungen nötig	Stichprobegeschätzt

Aufwandsklasse

Standard (60-150 PT)

Amortisation

6-12 Monate

Haupthebel

Zeitersparnis

Laufende Kosten

Betrieb des Workflows, Modellnutzung und gelegentliche Anpassungen an neue Projekttypen und Tools.

Einschränkung

Der Nutzen hängt stark davon ab, dass Forschende den gemeinsamen Eingangskanal akzeptieren und grundlegende Angaben liefern. Bei vielen neuen Projekttypen steigt der Bedarf an manueller Kontrolle, weil der Assistent zunächst weniger passende Vorschläge macht.

Angebundene Systeme

Anbindung an das bestehende Ticketsystem des Datenlabors, das zentrale Projekttool für Data Science Aufgaben sowie E Mail und Chat als Eingangskanäle.

Betrieb

Betrieb in der Private Cloud der Einrichtung mit Anbindung an das interne Netzwerk, optionaler Nutzung eines isolierten KI Dienstes für Textverarbeitung.

Compliance

Verarbeitung von Forschungsdaten erfolgt ausschließlich auf Metadatenebene, sensible Datenquellen werden nicht in den Assistenten geladen, Zugriffe werden protokolliert.

Kennzeichnung

Im Projekttool ist sichtbar, welche Aufgabenbeschreibungen vom Assistenten vorgeschlagen und welche manuell erstellt wurden.

Verbindlichkeit

Vorschläge des Assistenten sind unverbindlich, Entscheidungen zu Priorität und Zuschnitt der Aufgaben liegen bei den Data Science Leads.

Eskalationspfad

Unklare oder fehlerhafte Aufgaben können direkt an das Koordinationsteam eskaliert werden, das Rückfragen klärt oder den Assistenten anpasst.

Nachvollziehbarkeit

Jede Änderung an Aufgabenbeschreibungen und Prioritäten wird versioniert, inklusive Hinweis, ob sie automatisch oder manuell erfolgt ist.

Rollen im Betrieb

Data Science Leads verantworten Priorisierung, ein kleines Koordinationsteam überwacht den Workflow, die IT betreibt Integrationen und überwacht technische Kennzahlen.

Übertragbarkeit

Der agentische Workflow für Data Science Aufgaben lässt sich leicht auf andere wissensintensive Bereiche übertragen, in denen viele unstrukturierte Anfragen eingehen und spezialisierte Teams knapp sind. Entscheidend ist, dass Aufgaben über mehrere Kanäle eintreffen, Klärung viel Zeit kostet und Prioritäten häufig wechseln. Überall dort, wo Freitext in strukturierte Arbeitspakete übersetzt werden muss, kann ein ähnlicher Ansatz helfen, Kapazitäten zu entlasten und Transparenz zu schaffen.