Raus aus dem sexiest Job des 21. Jahrhunderts, kein Data Scientist mehr - mit Sarah S., synsugar

00:00:00: Hinweise auf der Handwerker muss er trotzdem wissen wir Roma die den den Bohrer wirklich an die Wand ansetzt in welchem Winkel damit dann am Ende auch was gescheites bei rauskommt und so ähnlich ist es bei beltershain auch

00:00:09: data driven Marketing ist für fast jede Branche ein brandaktuelles Thema,

00:00:18: die Herausforderungen werden jeden Tag komplexer.

00:00:22: Jonas Rashedi fährt gemeinsam mit anderen Experten wie man diese Herausforderungen mit der Hilfe von David Meister,

00:00:36: herzlich willkommen zu mydata is better than yours der data-driven Marketing Podcast schön dass ihr wieder eingeschalten habt.

00:00:44: Mein Name ist wie eh und je Jonas verschiebe ich bin froh auch heute wieder ein,

00:00:49: spannen Gast bzw eine weitere Frau zu interviewen damit wir ja auch ein bisschen Abwechslung rein bekommen vor allem in dem Bereich mein Gast ist Sarah Stemmler die darf sich aber auch gerne selber vorstellen bei Zara.

00:01:03: Ja Hallo Jonas vielen Dank dass ich heute hier dabei sein darf ja mein Name ist Sarah Stemmler ich bin Delta Couch bei KODi.

00:01:12: Und zum heutigen Thema da geht's vor allem drum.

00:01:17: Ich war fünf Jahre lang data-scientist und bin dem ganzen so ein bisschen entflohen in der Richtung dass ich sage.

00:01:25: Als Peter Crouch möchte ich eigentlich mehr so an der Schnittstelle zwischen den Fachbereichen und den data-team stehen weil ich eben gemerkt habe.

00:01:34: Dass er als data scientist aus von der technologischen Perspektive ganz oft.

00:01:39: So die Business Perspektive bzw auch die Kommunikation sehr stark noch eingeschränkt ist und dass es doch häufiger vorkommt.

00:01:48: Dass die Projekte und Produkte die wir entwickeln am Ende noch nicht so hundertprozentig ein bisschen es wäre jung mitsichbringen.

00:01:56: Und genau da sehe ich einfach das Potenzial darin dass wenn man sich mehr in der Schnittstelle positioniert.

00:02:03: Diese beiden Bereiche also Fachbereich der ihr mit den Problemstellungen auf die data-team zukommt

00:02:11: so wie halt die er technologischen data scientist die dann wirklich auch fachlich wissen wie sie das ganze umsetzen können näher zusammenzubringen und die Kollaboration zwischen diesen beiden Bereichen zu stärken

00:02:22: spannend glaubst du denn dass man beide stellen brauch,

00:02:27: glaubst du dass es eine Stelle vor der anderen benötigt wird in dem Unternehmen oder warum hast du für dich persönlich diesen Wechsel gemacht.

00:02:35: Du meinst jetzt ganz explizit den so diese Schnittstellen Rolle oder

00:02:40: ich glaube wir werden uns beide einig dass wäre data scientisten brauchen aber wir brauchen definitiv auch die Schnittstellenfunktion deswegen geht das ein bisschen mein Herz auf das will und wir haben deswegen ja auch unserer Podcast Folge weil es definitiv entspannter Case ist

00:02:55: am genau was glaubst du denn wenn wir jetzt darüber sprechen würden Unternehmen

00:03:00: würdest du nicht Daten Daten unit aufbauen müsstest du benötigt oder I data scientist.

00:03:06: Mittlerweile würde ich sagen eigentlich darf man mehr über die Schnittstellenfunktion starten sollte weil

00:03:14: ganz ganz wichtig habe Alpha das mal von vorne rein so ein bisschen mehr Division und die Zielsetzungen bespricht wo man eigentlich hin möchte mit der ganzen Thematik data science intelligence.

00:03:24: Das dann.

00:03:25: Ist ja wirklich einfach ein extrem breites Feld man hört immer ganz viel über wir wollen bisschen data-driven werden im Business das ist einfach eine extrem große Vision,

00:03:35: und ich glaube einfach dass wenn man da anfängt erstmal die Techniker also wirklich irgendwie eine data unit mit fünf oder.

00:03:44: Ja ich sag jetzt mal mit V data science aufzubauen die fachlich extrem stark sind und sehr speziell spezialisiert sind vielleicht auf den Bereich netto language processing oder

00:03:54: von mir aus auch immer Shrek hat mir schon oder ähnliches dass man da dann war irgendwie die die Expertise hat,

00:04:02: aber vielleicht noch gar nicht weiß wofür man diese gilt überhaupt einsetzen sollen und daher glaube ich man sollte vielleicht schon eher gucken dass man erstmal jemanden hat der generalistische aufgestellt ist also der irgendwo auch beide Seiten versteht

00:04:16: der also irgendwie eine extrem starke Domain expertise mitbringen für den Bereich gleichzeitig aber auch weiß was kann man denn im Bereich data science.

00:04:26: Machine learning eigentlich aktuell alles umsetzen welche Grundlagen in den Daten braucht man dafür und dass man dann aber auch sobald man diese Person hat und auch so die Strategien festgelegt hat dann sofort anfängt auch die ersten data scientist.

00:04:40: Mit ins Boot zu holen also ich sage jetzt mal ich würde jetzt.

00:04:45: Nicht sagen man braucht jetzt ein oder zwei Jahre diese Schnittstellenfunktion sondern in das gibt sowas schon sehr stark Hand in Hand ineinander über

00:04:53: aber wichtig ist halt einfach auch dass man die Potenziale der data scientist auch wirklich früh nutzen kann und es kann man meiner Meinung nach erst immer noch weiß was man erreichen will eigentlich

00:05:05: Citadines Passwort ne data scientist and sie sind cool und man braucht die zwingend und erstellt man manchmal drei Stück einen es lieber besser haben als wollen oder brauchen.

00:05:16: Und und dann überlegt man sich irgendwann mal was für Aufgaben die eigentlich erledigen können vielleicht haben die auch gar noch gar nicht die Daten auf den See arbeiten.

00:05:22: Diverse Themen habe ich sehr sehr sehr spannendes Thema und das habe ich früher auch mal sehr beschäftigt beschäftigt mich natürlich auch in der aktuellen einstellung

00:05:32: oder Situation ist so was brauchen wir als erstes und wie kriegen wir das beste mit dem meisten.

00:05:39: Benefit fürs Unternehmen und da ist glaube ich eher,

00:05:43: und das gar nicht respektiere dich oder negativ gegen den da das Eintippen gemeint aber ich glaube die könnten vielmehr ihr Know-how ausschöpfen wenn wir jemanden haben der die bessere Seite versteht unter die data scientisten Seite versteht und sag okay

00:05:55: was ist denn überhaupt die biznis crashen dir beantworten wollt haben wir die Daten dafür weil ich habe oftmals das Gefühl dass in vielen Unternehmen passiert

00:06:04: ich habe eine Frage die habe ich auch schon beantwortet könnt ihr mir bitte diese Daten geben die meine Frage und also die meine Antwort untermauern und wurde dann denkst.

00:06:13: Das ist doch nicht das was wir mit Daten machen wollen ja also die Angst wenn wir uns jetzt die Daten aufschreiben könnte vielleicht mein Bauchgefühl doch falsch sein das ist irgendwie bisschen schade ja.

00:06:22: Ja das ist sehr sehr schade und man darf auch nicht vergessen.

00:06:26: Data scientist aktuell wenn sie wirklich eine sehr starke Spezialisierung aufweisen oder mehr Jahre Berufserfahrung mitbringen.

00:06:36: Wechseln ja auch mittlerweile nicht einfach so mal zu dir ohne dass du wirklich ein konkreten Plan hast und dann.

00:06:43: Die haben einfach dadurch dass der Markt so ausgewählt ist und es einfach viel zu wenig.

00:06:50: Leute wie zu wenig Tekkies gibt die das wirklich drauf haben einfach auch die Auswahl wo sie hingehen und.

00:06:57: Diese Leute gehen nicht einfach mal auf gut Glück zu dem anderen Unternehmen bei dem sie gar nicht wissen was sie dort eigentlich erzählen wollen sondern.

00:07:05: Die können und dürfen auch mittlerweile sehr hohe Anforderungen an das Unternehmen stellen was ich ehrlich gesagt ziemlich gut finde.

00:07:11: Weil dass das kennen wir ja letztendlich auch also wir wollen ja auch wissen was es unsere Aufgabe wo können wir in impact schaffen.

00:07:19: Und es ist auch für den data sein des extrem frustrierend wenn man feststellt die Projekte gehen am Ende nicht live oder die Projekte,

00:07:26: weil die die die Daten sind gar nicht so da wie man es eigentlich erhofft hatte ich meine ich kenne so gut ich war einfach auch lange Zeit in der Beratung tätig mit Unternehmen gemeinsam.

00:07:36: Wir haben mitten ins Kick-Off-Meeting gegangen alle waren total glücklich dass es endlich losgeht mein Geld dass dein Projekt die Daten wurden hoch angepriesen es wurden ja schon jahrelang Daten gesammelt die alle in der Top-Qualität sind.

00:07:47: Bist noch mal die Daten als der das sein Tod hatte und hat festgestellt dass ist eigentlich alles gar nicht so.

00:07:52: Da die Daten sind eigentlich nie sauber sondern ganz im Gegenteil da muss man einfach noch meist sehr sehr viel Zeit reinstecken gerade.

00:07:59: Gerade im Unternehmenskontext also gerade wirklich in der Wirtschaft sind sind die Daten ja eigentlich nie sauber und man muss einfach drauf schauen und fertig eine gewisse Datenqualität als Standard auch mit aufbauen.

00:08:13: Von daher ist es auch schon auf einem data-scientist extrem frustrierend wenn man eine Stelle, wo man feststellt man kann jetzt eigentlich mit deinen Skills gar nicht so viel bewirken,

00:08:22: und von daher würde ich schon sagen wirklich erstmal esse

00:08:26: ich möchte noch mal revidieren es muss jetzt keine wirkliche datenstrategie sein die man irgendwie beim er Jahre bis ins kleinste Detail ausklamüsern das ist es nicht aber die Vision muss irgendwo da sein es muss irgendwie mal so ein erstes Konzept geben auch

00:08:39: man muss auch wissen was hat man wirklich verbissenes Probleme für Prozesse welche Daten hat man welche.

00:08:46: Welche Option hat man die zu optimieren möchten das auch dann,

00:08:51: möchte man das auch wirklich oder möchte das vielleicht nur eine einzige Person im Unternehmen um sich selber erstmal zu beweisen dass es funktioniert oder möchte man wirklich als Einheit als würde ich als Ganzes Unternehmen auch.

00:09:04: Und dann wenn das alles geklärt ist dann kann man eigentlich sofort in die erste Tradition starten und mal.

00:09:10: Mal mit dem ersten Projekt oder mit dem kleinen Projektumfang mal wirklich an dieser Vision arbeiten.

00:09:17: Und da ich sage da immer ganz gerne ist kennst du wahrscheinlich auch das Sprichwort think big Start small und das finde ich fast ja eigentlich auch sehr sehr gut

00:09:26: ja jeder Berater sagt er structure follows strategy und das ist ja eigentlich der Welt der wichtigste. Erstmal muss muss eine gewisse Strategie da sein und dann können wir uns lustig

00:09:34: ja ich wir kennen uns noch nicht so wäre mir jetzt sagen bisschen kurz überlegt ihn geschrieben ich bin ein Typ der braucht immer bildliche.

00:09:43: Beispiele glaubst du wir kriegen einen Beispiel zusammen für die Zuhörer um das Thema zu visualisieren ich fange mal an und du sagst ob ich in die richtige Richtung gehe oder ob ich vielleicht zu stark die Männerdomäne damit rausdrücken

00:09:56: stell dir vor wir werden also das Unternehmen wäre ein ein ein.

00:09:59: Eine Rennstall bzw wer im Unternehmen für fünf oder Stockport und wir würden eben glaube ich.

00:10:07: Schon mal den rent den den den besten Rennen Fahrer einstellen,

00:10:11: dim dim dim dim für den data scientist and aber was fehlen würde wär das Konzept das Auto ist oder auf welcher Rennstrecke und auf wem welche welche Formel wie eigentlich Fahrenheit Formel 1 Formel 2 oder wollen wir Rallye fahren ist ein gutes Beispiel ja das kommt eigentlich schon ziemlich gut hin.

00:10:25: Klar also.

00:10:27: Der data scientist wenn man der Rennfahrer hier der auch nicht weiß in welchem Auto er sitzt es wäre ja jetzt Analogie zu er weiß nicht mit welcher Technologie arbeiten soll ob er jetzt

00:10:37: optimieren soll schnell zu fahren oder irgendwie ich mein am hinteren Fahrer ist es so ja ob wir irgendwie möglich schnell fährt aber soll er vielleicht gleichzeitig auch noch den Energie

00:10:49: der den Spritverbrauch irgendwie noch beachten oder ist es komplett egal oder soll er irgendwie drauf achten dass die

00:10:56: dass die Reifen irgendwie eine gewisse Dauer.

00:11:00: Halten also da gibt's ja auch noch ich bin jetzt ehrlich gesagt nicht so tief im Rennsport drin aber ich kann mir vorstellen dass es vielleicht auch da noch irgendwie zusätzliche constraints gibt's die ist neben dem,

00:11:13: gib das der Rennfahrer natürlich so schnell wie möglich sein soll letztendlich soll er ja auch Feedback geben damit auch die die Autos.

00:11:21: Optimiert werden kann im Nachhinein von den Mechanikern und so sehe ich das halt bei den data-scientist letztendlich auch das da einfach schon auch noch mehr da ist.

00:11:31: Als dass man jetzt wirklich einen guten data scientist braucht der machine learning versteht also.

00:11:36: Ja der muss schon auch wissen wo er hin soll was er damit erreichen soll wo es Prozente gibt die es zu optimieren gibt das wäre jetzt Zeit für mich so die Rennstrecke.

00:11:45: Und auch aber jetzt sag mal beim Rennfahrer bei eine Runde fahren soll oder 10 Uhr das ist ja auch klar also was was ist das Ziel worauf soll man optimieren,

00:11:54: wann wann gilt es auch als geschafft gut gefällt mir das einschneidendste Erlebnis warum du eigentlich von data scientist und dann weg gegangen bist und gesagt hast.

00:12:06: Jetzt werde ich data Coach.

00:12:10: Ja ich glaube da habe ich zwei Geschichten ich kann ja mal versuchen dass ich beide mal so ein bisschen an skizziere also ein Beispiel war.

00:12:17: Dass ich in einem Projekt mit einem Medienhaus zusammen eigentlich ein ziemlich cooles data science Projekt aufgezogen habt wir hatten da.

00:12:27: Seitens der.

00:12:29: Seitens des Kunden eigentlich schon so die die ganzen Entscheider mit drinnen die auch das so ist Unternehmen treiben konnten da ging es letztendlich darum dass man,

00:12:38: eine Art Applikation bauen wollte um Online-Artikel einfach besser bewerten zu können du bist ja auch im Bereich Web-Analytics tätig.

00:12:47: Da schaut man ja oder hat man ja eine Vergangenheit immer extrem viel auf Klicks geschaut.

00:12:53: Und das war in dem Zuge auch so man hat eigentlich rein auf die Klickzahlen geschaut hat dann festgestellt dass man darauf soll es muss aber nicht mehr so gut bewerten kann sondern das Journalismus ja mehr ist als nur reine Klickzahlen.

00:13:03: Und wir dann dahin gekommen sind halt so eine sollen.

00:13:08: Ja so also neue Metriken auch noch mit hinzu zu entwickeln und die dann halt gemeinschaftlich zu verrechnen und dann im,

00:13:16: sag ich mal so einen Performance Quad zu ermitteln der halt dann mehr Dimensionen als rein die Klickzahlen damit berücksichtigt und das war.

00:13:27: Sag mal aus data-science Perspektive gar nicht so dramatisch.

00:13:31: Also das war kein machine learning in dem großen sender das warnen ziemlich simples Modell was wir da entwickelt haben Scoring-Modell

00:13:38: Zusammenhalt mit einer Art der Sport Ansicht wo man sich dann auch durch die Ergebnisse durch navigieren konnte und die Anforderung war dass man das

00:13:47: mit einem Tag Verzug sieht heißt man hat eigentlich schon eigentlich für so eine für so eine Medienbranche

00:13:56: einen ziemlich guten ja echt Zeit war es jetzt nicht aber einen ziemlich guten Einblick bekommen über die aktuelle Lage.

00:14:05: Und das haben wir uns gemeinsam alles ausgedacht das heißt unser data science Team und die Seite des Kunden und.

00:14:14: Haben da auch ziemlich lange dran gearbeitet das war auch am Ende so dass wir alle ziemlich glücklich waren als es dann online ging und haben aber irgendwo so ein bisschen vergessen.

00:14:26: Die 80% der User Tube fragen ob sie das denn eigentlich verstehen was wir da machen und das war so für mich so ein bisschen aha. Ich würde jetzt nicht sagen das Projekt ist gescheitert.

00:14:39: Aber ich glaube dass man extrem viel Potenzial hat liegen lassen letztendlich haben wir von Anfang an so ein bisschen die digitale rennen.

00:14:47: Kollegen aus diesem aus diesem Medienunternehmen miteinbezogen zum Testen sie haben auch Ihr Feedback eingegeben eingebracht,

00:14:55: und waren dann auch am Ende sehr zufrieden aber 80% der User waren digital gar nicht so tief drin,

00:15:04: und dann muss man sich mal vorstellen dann kommen wir mit einer statistischen Auswertung zu Daten

00:15:09: und haben einen Dashboard gebaut und die erste Frage die ich dann von einem Regionalleiter ja so aus der aus der dörflichen Richtung dann per Telefon bekommen habe ist Frau Stemmler können Sie mir mal erkennen was denn eigentlich ein Dashboard

00:15:23: das war so für mich einfach eine der Schlüsselerlebnisse dass ich gesagt habe okay.

00:15:27: Eigentlich eine coole Sache aber was bringt es mir wenn meinem wenn unsere Nutzer das am Ende gar nicht nutzen können oder auch nicht nutzen wollen weil dann.

00:15:36: Muss man einfach sagen hat eigentlich auch so ein bisschen den Zweck verfehlt und auch der Mehrwert der bestens nutzen der ist da eigentlich dann doch gar nicht mal so groß.

00:15:46: Mitnutzer und es gerade zu stellen vielleicht zuzuhören meinst du die dieses Produkt am Ende nutzen nicht die.

00:15:52: Nicht die Besucher der Zeitung oder der Online-Zeitung sondern den den man dass Daten Produkt zur Verfügung gestellt das ist jetzt in dem Sinne waren das halt Journalisten.

00:16:04: Journalisten die halt selber schauen wollen Sie Ihre Artikel online verformen die selber mehr darüber ja erfahren wollen einfach wo können Sie in Zukunft vielleicht auch noch,

00:16:15: Aspekte verbessern ist es.

00:16:18: Dass sie einfach so ein bisschen mehr ein Gefühl dafür bekommen und das ganze halt mit Daten untermauern können und nicht allein wie die letzten 50 Jahre.

00:16:27: Einfach auf gut Glück.

00:16:28: Und vielleicht nach Erfahrungswerten agieren können und das war so dass das Ziel und das war auch so schlimm ich einfach noch mal so ein Aha-Moment dass ich gesagt hatte okay,

00:16:37: ist ja eigentlich schön was wir hier da gebaut haben und wir waren super stolze auch glaube ich der Kunde war eigentlich zu super stolz dass wir so ein innovatives Projekt,

00:16:48: er in von Unternehmen gebracht haben.

00:16:50: Und trotz alledem hätte man halt ein hätten wir hat einfach glaube ich viel viel früher auch noch die die die Masse der Nutzer der späteren Nutzer einfach noch mal früher mit einbeziehen müssen was die eigentlich brauchen.

00:17:02: Und nicht so viel über Annahmen was könnten sie brauchen so ein Produkt entwickeln spannt in dem Bild was wir jetzt gerade hatten mit dem.

00:17:14: Mit dem Rennfahrer geht ja irgendwie so ein bisschen in die Richtung vielleicht die Aktionäre der der Firma des Rennsteig irgendwie so ein bisschen.

00:17:24: Gar nicht abgeholt haben wo gutes Produkt sich hin entwickelt welche Formel man jetzt fahren möchte

00:17:29: also wenn sie immer weniger vor vollendete Tatsachen gestellt hat und gesagt ha guck mal jetzt haben wir auf die Schnelle Auto und wir fahren ja auf dem Hockenheimring oder war auch immer gesagt

00:17:39: damit können wir uns ja gar nicht aus erklärt uns das doch erstmal wie schnell muss man da fahren wie wie es die Konkurrenz wieder wie ist der Wettbewerb,

00:17:46: das datenprodukte oder die die die Veränderung oder die Einführung von Daten immer auch einen großen Challenge verursacht das und changes immer.

00:17:56: Ist immer sehr schwer und es kann nicht von außen passieren also da kann natürlich eine tolle Beratung sagen hey wir müssen da was ändern aber ich glaube das,

00:18:05: Des auch immer intern betrieben werden muss also die Leute müssen abgeholt werden die müssen heute müssen sich fähig fühlen diese Themen zu steuern und das wird oftmals glaube ich vergessen.

00:18:16: Ja und dann wird es auf data-science sagen runtergestuft und dann halt irgendwie das Data science Projekt war nicht erfolgreich aber es war der change der nicht erfolgreich war,

00:18:27: Ja und Changeling ist jetzt auch ein riesen Thema.

00:18:31: Ich glaube nicht dass wir als data scientist oder auch selbst als ehemalige data scientist schaffen werden.

00:18:38: Das komplette Unternehmen zu revolutionieren durch so ein Projekt aber ich glaube man kann halt kleine Zugeständnisse machen indem man wirklich.

00:18:46: Die die späteren Anwender dieser Produkte als auch schon von Anfang an mehr mit integriert und dadurch aber auch einfach nur höre

00:18:54: Akzeptanz schafft von dem was man dann später baut also ich glaube das geht uns ja wahrscheinlich genauso wenn uns auch jemand irgendwann

00:19:01: mal so eine Entwicklung soll so ein neues Tool irgendwie Vorsätze und sagt dann Jonas du musst jetzt ab morgen damit arbeiten und du weißt überhaupt nicht warum

00:19:11: was ist für ein Ziel hat und du würdest auch nicht mal gefragt aber es beeinflusst einfach deine ganze ein ganzen Arbeitsalltag dann.

00:19:20: Ja würdest du dir glaube ich auch wünschen dass du einfach mal vorher miteinbezogen wurdest in diesem morgen arbeiten bin ich mit Apple und dann so ja okay.

00:19:30: Morgen ab morgen nur mit noch mit mit mit Mac bedeutet ja für dich aber schon auch eine große Veränderungen von quasi von dem einen auf andere Betriebssysteme.

00:19:40: Überzugehen ja II Case ja II Case der ist auch

00:19:50: in dem Sinne ganz interessant weil ich da festgestellt habe dass es ihr so mehr an der

00:19:56: anfänglichen Ausrichtung so ein bisschen gefehlt hat also so sein an dem an der Use-Case Entwicklungs Sicht.

00:20:03: Meistens ist er so in der Beratung also ich war halt bevor ich selbständig war wie gesagt fast 5 Jahre in der Beratung tätig.

00:20:10: Jetzt nicht nur rein als brados und auch als unsagbar das war so ein bisschen das Besondere daran,

00:20:15: und da war es aber so dass man an Projekte gekommen ist wenn wenn schon klar war dass man das ganze auch umsetzt das heißt er wurde dann nicht noch mal geprüft inwieweit ist es sinnvoll inwieweit sind die Daten da

00:20:28: sondern man hat man sitzt dann im kicker Workshop und.

00:20:32: Es geht halt dann los und das ist dann sozusagen der. Wann data-scientist meistens auch in so ein Beratungsprojekt mit zukommt und da ging es darum das war ein Projekt für

00:20:46: die Elfen Handelsunternehmen der einen Onlineshop hatte.

00:20:49: Und der wollte eigentlich ganz klasse schneeprognose bauen auf Monatsbasis für die Bestellmengen die in Zukunft kommen

00:20:57: also eigentlich ziemlich klassisches data science Problem man hat irgendwie Zeitreihendaten aus den vergangenen Jahren hat irgendwie ganze bestelle storia weiß also wann was irgendwie bestellt wurde kann in die schönen auch saisonal Effekte

00:21:11: herausarbeiten und möchte dann eigentlich für die Zukunft schauen wiederholt sich das kann man das einmal da irgendwelche Muster erkennen und dann halt Prognosen für die Zukunft machen

00:21:21: und das was halt

00:21:23: was wir halt so als data science von Anfang an eigentlich nicht so richtig auf dem Schirm hatten und was auch der Kunde glaube ich nicht so richtig auf dem Schirm hatte war eigentlich das Thema das.

00:21:33: Meisten Produkte oder die die die extremsten Pieks die man in den Daten gesehen hatte immer aufgrund von Werbemaßnahmen geschehen sind.

00:21:43: Eigentlich auch eine ziemlich komische Sache und eigentlich auch komisch dass man dann in so eine Falle tritt also wir haben auch darüber gesprochen.

00:21:51: Kann aber dann auch festgestellt dass es wirklich ein extremer Anteil hat also wirklich ein extremer Einfluß ist ob wir eine Werbemaßnahme geschaltet wird was man sich wirklich auf diese auf diesen Bestellprozess auf die Bestellmengen auswirkt

00:22:06: und.

00:22:07: Dass das interessante war einfach da an der Stelle was mir auch wieder so die Augen geöffnet hat ist dass wir das eigentlich nicht so ganz klar bei wie data-science funktioniert,

00:22:16: weil was habe ich natürlich dann gemacht ich habe nachgefragt okay wie sind denn jetzt die zukünftigen

00:22:22: Aktionen also was sind denn so was habt ihr denn für die Zukunft geplant habt ihr da schon irgendwie einen innen werbeplan den wir irgendwie mit einbauen können weil wenn das ja so relevant ist.

00:22:34: Kann es ja nicht sein dass ich diese Informationen nicht habe und dann kam eigentlich erst zur Mitte des Projekts raus dass man diese Informationen einfach so frühzeitig gar nicht hat und das ist mir so noch mal so klar geworden dass das eigentlich eine Sache ist.

00:22:48: Dass das Data science glaube ich in der Masse noch gar nicht so richtig verstanden ist wie das eigentlich funktioniert gerade wenn es in Richtung Prognose geht.

00:22:57: Und man dann machine learning Techniken ja im Superweiss Kontext also wo man wirklich Trainingsdaten aus der Vergangenheit hat in dem Beispiel.

00:23:06: Und das auf die Zukunft übertragen möchte dass man nur so gute Prognosen machen kann wie man auch Daten hat.

00:23:14: Also wenn man diese Informationen in den Daten nicht besitzt man da auch überhaupt gar keine guten Prognosemodelle erstellen kann.

00:23:21: Glaube dem Kunden hätte es an der Stelle einfach geholfen wenn man da von vorne rein auch mit diesem.

00:23:28: Methodischen Blick vielleicht auch mit der mit der Erfahrung wie data science funktioniert da noch mal in so ein Topping rein gegangen wäre hätte noch mal die Idee gerade gezogen hätte noch mal einen Datencheck gemacht.

00:23:40: Und hätte dann festgestellt ok vielleicht ist das Projekt aktuell noch nicht so richtig geeignet wir müssen erstmal anfangen wirklich diese ganzen Daten fein säuberlich zu sammeln

00:23:49: und das war so'n bisschen II II aha Moment würde ich mir ja gedacht habe okay da glaube ich bräuchte wahrscheinlich noch mehr diesen Vermittler in der.

00:23:58: In der Brücke sozusagen um Spiel zu bringen wenn jemand fragen würde wie schnell das also

00:24:04: in der Vergangenheit hat das Auto immer auf der Rennstrecke gute und schlechte Zeiten gefahren und wenn man dann sozusagen raus findet es liegt daran ob Sommer erobert die Sonne scheint oder es regnet und man dann eigentlich prognostizieren möchte,

00:24:16: ob das denn wieder gut oder schlechte zeiten ist und sozusagen die Ansage ist eigentlich ich weiß nicht ob in zwei Jahren ist an dem Tag wo wir fahren regnen wird,

00:24:25: und dann sich sozusagen drüber aufgeregt wird dass man die Zeit nicht drucken

00:24:28: ja genau richtig also gerade beim Thema Wetter Wetter ist ja auch immer so ein sehr schönes beistehen der data-science eigentlich ganz häufig besteht die Annahme dass irgendwelche Ausprägungen in den Daten vom Wetter abhängig sind finde ich immer sehr sehr spannend.

00:24:43: Und ach da vielleicht eine kleine Anekdote also bisher habe ich noch kein Bild das dein Projekt

00:24:49: erlebt oder gesehen und tatsächlich einen signifikanten Einfluss hatte und ich habe schon oft die Wetter Komponente getestet

00:24:59: ja also

00:25:00: und selbst dann braucht man einfach gute Prognosen für die Zukunft und wir kennen ja unser Wetter und die Prognosen dahin also wir wissen ja da auch dass wir wirklich nur mehrere Stunden im Voraus wirklich sehr sehr exakte Prognosen auch zum Wetter treffen können und,

00:25:13: Wissens ja selbst einfach nicht besser da hast du vollkommen recht.

00:25:19: Es gibt auch und viele wollen das glaube ich im Management oder in demjenigen digitieren dann bekommen sowas wie Korrelation und Kausalität was der Unterschied ist wie das zusammenhängt ich glaube dieses dieses Beispiel immer zu machen irgendwie

00:25:33: was weiß ich

00:25:35: überlegen wie man jemand das erklärt aber das Thema irgendwie wenn mehr Eis verkauft wird im Sommer gibt's mehr Tote in Schwimmbädern ist sagen das liegt das jetzt mir Eis verkauft wird,

00:25:47: oder zum Sommer allgemein liegt es immer immer manchmal schwer zu verstehen oder werde ich mir schwer zu erklären setzen sehr sehr sehr simples Beispiel weil ich glaube.

00:25:56: Man braucht jemanden der eigentlich den Management oder dem die Person und das ist ja sozusagen jetzt gerade deinen Job data der der Coach dem versuchen einfach zu erklären vor allem auch manchmal im Stress zu erklären Hell Passau,

00:26:08: das sind die Daten die wir haben aus den Daten können folgendes ablesen und es ist nicht

00:26:13: immer der Heilige Gral hat das sein man kann das machen aber man muss auf jeden Fall immer bewusst sein

00:26:19: welche Frage stelle ich in welchem Kontext und welche Daten habe ich um diese möglicherweise zu beantworten das stimmt.

00:26:27: Ja ich ich sehe halt auch oft oder vor einigen Jahren war es halt so dass der Taster als extrem gehackt wurde und wurde so als aufs neue Wundermittel

00:26:36: irgendwo in den Raum gestellt und da ist mir einfach auch ganz ganz wichtig zu sagen auch selbst wenn ich aus dem Bereich komme und ich es als sinnvoll empfinde.

00:26:45: Es ist kein es ist kein Wundermittel es ist es ist kein keine Magie.

00:26:50: Es ist immer noch ein Tool ein Werkzeug das sind statistische Maßnahmen die man anwenden kann aber mehr ist es auch nicht also es ist ich vergleiche auch gerne mit dem Handwerker ich kann die beste Bohrmaschine haben wenn ich nicht weiß wie wie ich sie halte,

00:27:05: oder wenn ich wenn wenn ich dich den richtigen Aufsatz habe für die entsprechende Wand und ich nicht weiß wie tief ich bohren muss dann bringt mir auch die beste Bohrmaschine nichts also bzw auch der Handwerker muss ja trotzdem wissen die

00:27:18: den Bohrer wirklich an die Wand ansetzt in welchem Winkel damit dann am Ende auch was gescheites bei raus kommt und so ähnlich ist es bei der Dateien.

00:27:24: Also nur weil man jetzt wirklich so ein so ein Projekt startet und weiß man hat irgendwie die Algorithmen und die Technologien zur Hand

00:27:34: brauchst also vielmehr es auch wirklich den dass das dieses Problem hast du den Business Kontext damit auch wirklich umändern Mehrwert entsteht und braucht die Daten einer gewissen Qualität

00:27:43: damit man überhaupt natürlich diese Analysen machen kann und das dritte ist wahrscheinlich dann einfach wirklich dieses gilt also die die idealerweise im eigenen Unternehmen damit das Ganze dann auch über die Zeit hinweg.

00:27:58: Madison change character bekommt und Unternehmen wirklich auch lernen was bedeutet denn jetzt in der das 1 Produkt und wie kann man denn wirklich jetzt daraus setzt Erkenntnisse ziehen,

00:28:09: denn dann meistens ist es ja so dass wirklich nicht nach dem ersten nach dem ersten iterationsprozess auch gleich schon irgendwie so die sowieso dieses letztendliche Ergebnis besteht sondern ist es ja wegen allem.

00:28:22: Man hat immer fängt man an man hat auch irgendwie einen Ergebnis aber die Wirtschaft und Unternehmen verändern sich.

00:28:28: Und genauso verändern sich die Anforderung an sohn data sein Produkt was man dann auch wieder iterieren muss,

00:28:34: daher ähnlich wie in so einer Software auch einfach diese weiter Entwicklungszyklen was macht mir jetzt deine Aufgabe meine aufgabe erstmal vor allem.

00:28:49: Also unser Ziel Ersatzteil Didi call Operation also durch diese Zusammenarbeit zu verbessern Projekte.

00:28:59: Besser zum Erfolg zu bringen oder eher zum Erfolg zu bringen das heißt ja es ist kursiert die Zahl das um die 85% aller aller data science Projekte scheitern

00:29:08: oder halt zumindest nicht live gehen das ist eine extrem

00:29:12: extrem große Zahl bei der wirkliche anfangen müssen die möglich zu reduzieren weil ich glaube dass die Unternehmen einfach so viel Potenzial auf der Straße liegen lassen was einfach nicht.

00:29:22: Das kann man auf Dauer das kümmern auf Dauer nicht so stehen lassen dann müssen auch wirklich gucken dass wir das optimieren und als data Couch begleiten wir eben Team auf Ihren Projekten.

00:29:31: Über idealerweise 12 Wochen hinweg das ist auch wirklich eine längere Zeitspanne ist mit ein bis zweimal pro Woche sehr intensiven Coachings.

00:29:40: Indem wir einmal ja unsere Best-Practices Teil aus unseren Erfahrungen heraus.

00:29:47: Auf der anderen Seite aber auch sagen okay wir stehen jetzt fest am Fachbereich ist vielleicht auch noch nicht ganz klar wo sie hin wollen da fehlt vielleicht so ein bisschen die Expertise.

00:29:57: Data science Team,

00:29:59: kriegt das vielleicht oder hat jetzt gleich gerade gar nicht irgendwie so diese fachliche diese Domain expertise in dem Sinne oder auch diese Entfernung die man als externer ja oftmals auch mitbringt auf so einen auf so ein Problem,

00:30:12: dazu sagen mit dem Fachbereich schauen wir halt dass wir vielleicht da auch noch so Verständnisfragen klären.

00:30:19: Das wäre auch so den das Thema Daten Kompetenz noch er Schulen und reinbringen und auch leeren was kann man mit Daten machen.

00:30:27: Acommit data science machen was kann man mit machine learning wirklich machen und dass man da einen realistischen,

00:30:33: Blick bekommen und auf Seiten der data scientist sind wir sehr stark dahin vertreten dass wir auch in Richtung Kommunikation.

00:30:41: Begleiten wollen das heißt data science Teams dahin unterstützen vor abschlusspräsentationen vor generell vor Meetings vielleicht mit dem Management auch noch mal mit drauf zu schauen mit auf die Ergebnisse zu gucken auch zu sagen hier was wollt ihr denn für eine Geschichte erzählen

00:30:57: was habt ihr denn Daten wirklich gefunden und was bedeutet das denn jetzt für euren Manager.

00:31:03: Was bedeutet denn das wenn ihr das jetzt auf die Art und Weise wie er das jetzt erkannt habt denn darstellt und da insgesamt.

00:31:12: Sozusagen als Begleitung als bearing Partner zu sagen wir helfen wir sind da wir sind auch so ein bisschen wieder best Buddy der man auch mal fragen kann.

00:31:22: Und wie hat als neutrale Person von außen ohne dass wir irgendwelche Abhängigkeiten selber empfinden im Unternehmen versuchen wirklich das Beste auf beiden Seiten.

00:31:34: Zur Schule damit die verschiedenen Bereiche Fachbereich data science IP wieder etwas näher zueinander Rücken das wäre so unser unser Ziel,

00:31:42: am Ende unseres Coachings die letzte Frage liebe Sarah was machst du oder wie beschäftigen dich denn Daten privat.

00:31:54: Ich habe mir darüber im Vorhinein etwas Gedanken gemacht

00:31:58: ja also ich versuche privat tatsächlich auch ein bisschen Abstand zu nehmen von dem ganzen Thema das heißt am liebsten gehe ich natürlich in die Natur und habe erstmal gar nichts mit Daten zu tun,

00:32:10: aber so 100% lässt sich natürlich der Job auch nicht aus dem privaten rausnehmen von daher.

00:32:16: Wofür ich mich sehr stark interessiere sind z.b. ich weiß nicht sag dir hans Rosling was hast du hast du den schon mal gehört.

00:32:26: Das ist eigentlich eins meiner größten Idole leider schon vor einigen Jahren verstorben das ist ein Schwede der.

00:32:34: Der über Datenvisualisierungen bei ganz vielen verschiedenen ted-talks z.b. gezeigt hat wie sich wirklich so die befolgen das Bevölkerungswachstum über die Jahre verändert hat.

00:32:46: Der der sich anschaut wie sich Armut und Wohlstand auf der Welt verändert hat und das einfach immer,

00:32:54: am anhand von Daten das ist so so eine Sache die mich extrem fasziniert das heißt er so gesamtgesellschaftliche Daten interessieren mich sehr stark.

00:33:05: Da dann beschäftige ich mich auch.

00:33:08: Schaue auch immer wieder ob ich da vielleicht auch mal selber so ein kleines Projekt starte was dann wirklich weniger jetzt ein bisschen contact liegt sondern eher gesellschaftsrelevant ist.

00:33:19: Vor einem Jahr etwa habe ich auch mal angefangen als es gerade mit der mit der Corona Pandemie los ging als auch diese Daten der John Hopkins Universität mir zu nehmen und die mal zu analysieren.

00:33:32: Muss ich aber auch gestehen da habe ich relativ früh als dann einfach auch die verschiedenen der Sports der das RKI ist und so dann veröffentlicht wurden dann auch wieder eingestellt.

00:33:41: Weil ich dann auch für mich Gang den Mehrwert gar nicht mehr gesehen habe aber anfangs fand ich in die ganz interessant da z.b. die die Kurvenverläufe also die so dieses

00:33:51: finanzielle Wachstum was er in jedem Land zum anderen Zeitpunkt startet hat einfach mal übereinander zu legen zum zu normalisieren und darüber halt eigentlich festzustellen dass die Verläufe extrem ähnlich waren also die waren nahezu identisch das fande ich

00:34:06: unfassbar beeindruckend dass das hat mich sehr sehr sehr bewegt und da mir ist mir ein schon sehr früh klar geworden dass wir hier echt mit einer

00:34:16: mit einer längerfristigen Geschichte zu tun haben die uns einfach nicht nur irgendwie im März und April 2020 beschäftigt sondern wie

00:34:24: jetzt hat auch noch doch noch akut genau so zwei Themen und.

00:34:33: Dann beschäftige ich mich eigentlich recht viel mit Altersvorsorge

00:34:36: und habe einen kleinen also einen kleinen Rentenrechner gebaut auch mit verschiedenen Daten und habe davon mal hochgerechnet was was das so für mich eigentlich eher später an Rente so rausspringen.

00:34:49: Das sind so so so kleine kleine datenprojekte.

00:34:54: Wie die Heuschrecken doch gut war super erschreckend es war sehr sehr erschreckend,

00:35:03: und nicht als Wertung tanzen also sozusagen auch noch runterrechnen auf den Realwert den den dann der Betrag später hat und es war schon leider sehr erschreckend,

00:35:11: und hat da auch dann sowieso eine kleine Simulation gemacht also was.

00:35:16: Was sind so Lebensereignissen die man hat wenn man heiratet man bekommt gleich Kinder das ist wirklich ja alles irgendwie auf die Rente später aus und auch auf das Vermögen und das man aufbaut und da habe ich mir mal so so ein kleinen Rentenrechner gebaut.

00:35:30: Und hat einfach ein bisschen besser entscheiden zu können wie ich heute meine Geldanlage mache

00:35:34: ja ich habe die die Zeit verging wie im Flug Sarah vielen vielen Dank

00:35:41: dass du Gast warst ich glaube es waren definitiv spannende Themen mit dabei gerne können wir den von Dir angesprochenen Herrn bei uns in den Shownotes verlinken.

00:35:50: Ja sehr gerne ja,

00:35:52: hast du noch einen abschließenden Satz für die Zuhörer ein abschließenden Satz ja also ich glaube ich kann die einleitenden beschrieben auch noch mal sagen.

00:36:04: Data science hat extrem viel Potenzial.

00:36:07: Generell datenprojekte ne wenn App sonst nicht nur data scientist wenn es kann auch bis es intelligent sein reporting Web-Analytics also allal dass alle Projekte die rund um daten gehen.

00:36:19: Haben extrem viel Potenzial für Unternehmen und es ist es wert sich damit zu beschäftigen allerdings.

00:36:26: Erwartet nicht davon nur weil er 34 data scientist einstellt dass damit dann einfach schon alles geregelt ist,

00:36:35: wann das ganze ist wirklich eigentlich ein holistisches Thema was eigentlich das ganze Unternehmen betrifft es muss wirklich von oben angegangen werden.

00:36:45: Es ist ein.

00:36:47: Ein change Prozess notwendig und es reicht einfach nicht aus nur nur dies gilt sich einzukaufen und dann zu hoffen dass am Ende Mehrwert entsteht sondern.

00:36:58: Es muss wirklich

00:36:59: an jeder Stelle im Unternehmen ein Beitrag geleistet werden dass man wirklich aus den Daten auch einen eine relevante Erkenntnis ziehen kann und wer wer Lust hat

00:37:11: da auch von unseren Erfahrungen zu lernen oder mal Lust hat mehr zu erfahren wie auch so ein begleitendes Coaching von unserer Seite aus sieht der darf sich auch gerne mit mir auf LinkedIn,

00:37:22: verknüpfen sind da sehr offen wir verkaufen nichts von der Stange wenn wenn wir in Coaching gehen dann müssten wir uns auch sicher dass wir wirklich einen Mehrwert liefern können und.

00:37:34: Ja hoffen dass wir da wirklich auch ein paar Probleme lösen können dadurch danke schön mehr von Podcast abonniere my data is better than yours und bewerte ihn gerne.