Weniger Strom, mehr Effizienz: Wie Data Science den Unterschied macht – mit Frank M., Infraserv Höchst

SPEAKER 1 0:00:00

Wie geht man das ganze Thema Data Science an? Auf was muss man eigentlich achten, um Erfolg zu haben, indem man die unterschiedlichen Use Cases nacheinander aufbaut? Wie kann man Maschinen überhaupt optimieren? Das sind alles Fragen, die ich in der heutigen Folge mit dem lieben Frank beantworte. Neue Folgen jeden Freitag. In dieser digitalen Welt gibt es einen speziellen Faktor, der über Erfolg und Misserfolg entscheidet. Daten. Doch nur die wenigsten wissen sie für sich zu nutzen. Wer seine Kunden verstehen will, um ihnen das bieten zu können, was sie brauchen, kommt um ein professionelles Datenmanagement nicht herum. Jonas Raschedi interviewt andere Experten aus den Data-Bereichen und zeigt Schritt für Schritt, wie genau das funktioniert. Herzlich willkommen zu MyData's Better News, der Data-Podcast. Schön, dass ihr eingeschaltet habt. Mir gegenüber sitzt der... Liebe Frank. Hi Frank. Hi. Frank, stell dich doch mal kurz vor, wer du bist, was du machst. Du hast, glaube ich, sogar ein C im Titel, wenn ich das richtig habe. Also im Sinne von Chief Data Science. Von daher, stell dich mal kurz vor, wer du bist, was du machst. Erklär, was sich hinter deinem Titel verbirgt und dann tauchen wir in die Folge ein. Hi. Ja, also... Also erstmal freut mich, dass ich hier sein darf. Ich bin Frank Moller. Ich arbeite jetzt bei Infrasurf Höchst als Chief Data Scientist.

SPEAKER 2 0:01:38

Damit bin ich jetzt nicht in der Geschäftsführung, sondern ich bin einfach der Head of Data Science. Das bedeutet das.

SPEAKER 1 0:01:44

Ja. Ich bin auch Unternehmensbeauftragter für KI und ja, ich leite das Team. Das kommt eben daher, dass ich relativ früh in diesen Bereich eingestiegen bin und ich habe alle möglichen... ...Titel mal gehabt. Ich war auch mal Data Scientist, ich war mal Ökonom, ich war mal Statistiker. Und jetzt bin ich dabei, diesen Bereich in einem Unternehmen aufzubauen. Das heißt, ich habe 2022 damit angefangen, das Team aufzubauen. Verschiedene Projekte, also versucht Leuchtturmprojekte durchzuführen. Und das ist mir, glaube ich, auch ganz gut gelungen. Das Team wächst jetzt auch und ja, ich würde sagen, das ist alles eine recht erfolgreiche Sache. Cool. Dann holen Sie doch nochmal kurz ab, was macht ihr denn als Firma? Wir sind ein Dienstleister am Standort Infrasurf Höchst. Das ist ein ziemlich großer Industriepark. Da arbeiten so 24.000, 25.000 Menschen. Und wir sind diejenigen, die die Infrastruktur zur Verfügung stellen. Also das heißt, die ganzen Gebäude, die Straßen. Ich bin eine Feuerwehr und wir haben auch ein eigenes Krankenhaus. Also das ist alles sehr vielschichtig. Aber auch eben IT-Dienstleistungen machen wir auch und wir erzeugen Strom zum Beispiel. Und wir stellen auch Dampf zur Verfügung, kalten Dampf und warmen Dampf. Alles, was eben zur Produktion, zur chemischen Produktion verwendet wird. Und was da eben anfällt, sind ziemlich viele Daten. Und deswegen kann man sich gut vorstellen. Dass das eine große Spielwiese für einen Data Scientist ist. Also das ist auch mit der Grund, warum ich mich dafür entschieden habe, da hinzugehen. Ja, wenn ich das jetzt richtig verstehe. Ich war vor nicht allzu langer Zeit mal in Redmond bei Microsoft. Das sind ja auch 30.000 oder 40.000 Mitarbeiter, die da arbeiten. Das ist dann so eine kleine Welt für sich. So muss man sich sozusagen euren Standort und eure Umgebung vorstellen. Das heißt, ihr seid diejenigen, die... Diese kleine Stadt am Laufen haltet mit den jeweiligen Sachen, die dann eben da sind, wie Krankenhaus, Feuerwehr und Co. Spannend. Das heißt, wie viele Mitarbeiter muss man sich bei euch selbst vorstellen? So 3.200 sind das inklusive Auszubildende. Also so viele benötigt man schon, um das alles zu stemmen. Ja, also wenn man sich das anguckt, so fast 10 Prozent, 8, 7 Prozent der... Der gesamten Infrastruktur, wenn man so 24.000 bis 30.000 annimmt, die dann eben für die Infrastruktur notwendig sind. Ja, genau. So kann man sich das vorstellen, richtig. Und man versucht ja oder wir versuchen ja, Daten an unterschiedlichen Zwecken einzusetzen, um erfolgreich zu sein. Wo und wie setzt ihr Daten ein? Vor allem ist ja jetzt spannend, was du erzählt hast, dass du auf der einen Seite sagst, du bist erfolgreich und du hast vor allem mit als Ökonom angefangen oder als Statistiker und deine Entwicklung im Unternehmen mitgemacht. Vielleicht kannst du uns da einmal abholen. Das sind ja spannende Fragen, die ich immer stelle. Wo wart ihr vor fünf Jahren? Wo seid ihr jetzt? Also nimm uns mal mit auf die Reise, auch wenn es vielleicht jetzt ein bisschen länger mit der Erklärung ist, aber es hilft ja einem auch. Ja, also das hat bei mir die Reise im Grunde im Studium angefangen, weil ich mich sehr viel für Statistik, Ökonometrie, die ich in der Studium-Kultur beschäftige, sehr viel für Statistik, Ökonometrie beschäftige. Und auch Operations Research interessiert habe. Also ich habe Wirtschaft studiert und bin dann irgendwann natürlich auch verarfter darauf gewesen, mal das Ganze einzusetzen, wirklich außerhalb der Uni. Und habe dann als Statistiker bei der Deutschen Bundesbank angeheuert und habe da dann viereinhalb Jahre lang gearbeitet. Also ich war eigentlich schon mit Daten recht gut vertraut,

SPEAKER 2 0:05:53

gerade durch diesen Ökonometrie-Bereich. Das ist der Startpunkt, würde ich sagen, bei mir.

SPEAKER 1 0:05:57

Und da kommt das her. Also ich komme ja aus dem Statistik-Bereich. Und so mit KITENI zum Beispiel angefangen habe ich im Jahr 2015, 16, 17, also als es dann bei der Deutschen Bundesbank losging. Und da habe ich dann die ersten Projekte implementiert, wirklich,

SPEAKER 2 0:06:15

die auch heute noch genutzt werden. Also ich frage da immer mal nach, macht ihr das eigentlich immer noch?

SPEAKER 1 0:06:18

Sind da die Algorithmen immer noch im Einsatz? Und die Antwort lautet bis jetzt zum Glück immer noch ja.

SPEAKER 2 0:06:23

Also ich freue mich darüber, auch wirklich, dass ich da was Nachhaltiges gemacht habe. Ich habe dann währenddessen noch Wirtschaftsinformatik studiert, weil mich das halt interessiert hat.

SPEAKER 1 0:06:32

Dieser Bereich, weil ich eben schnell festgestellt habe, wenn man wirklich was implementieren will, ist dieses IT-Infrastrukturwissen einfach unglaublich wichtig. Und habe dann irgendwann aber auch Lust darauf bekommen, dass mal außerhalb der Deutschen Bundesbank anzufangen. Bin dann Berater geworden und irgendwann hinterher bin ich dann halt in der Chemieindustrie gelandet, wo ich dann jetzt auch geblieben bin. Und das Unternehmen jetzt, wo ich jetzt gerade bin, das hat mich deswegen... so gereizt, weil einfach so wahnsinnig viele Daten da anfallen. Sehr, sehr viele Datentöpfe existieren.

SPEAKER 2 0:07:04

Was jetzt nicht auch unbedingt immer nur positiv zu sehen ist. Also dieses Silo-Denken, das gibt es natürlich auch.

SPEAKER 1 0:07:10

Und diese Daten haben sich die Leute natürlich nicht alle immer auf so eine Weise angeschaut, wie das ein Data Scientist zum Beispiel macht.

SPEAKER 2 0:07:19

Die gucken sich das schon an, die nutzen die auch auf eine gewisse Weise. Aber ich sage mal, ein Data Scientist, der guckt vielleicht noch mal ein bisschen anders drauf und findet auch noch andere Sachen. Und da habe ich mir so ein bisschen auch so, ich sage jetzt mal in Anführungszeichen, diese low-hanging fruits erhofft.

SPEAKER 1 0:07:33

Da kommt man ja dann auch ganz gut rein. Da hat man ja auch die Möglichkeit, gewisse Projekte durchzuführen, so Leuchtturmprojekte durchzuführen,

SPEAKER 2 0:07:40

dass man sagt, schaut mal, wir gucken uns die Daten an und finden dann vielleicht relativ schnell was, sodass man auch Erfolg hat, sodass man dann darauf aufbauen kann.

SPEAKER 1 0:07:47

Also das war so ein bisschen die Idee hinter dem Ganzen. Und was ich mit erfolgreich meinte, dass wir das auch erfolgreich betreiben, ist, dass es genauso gekommen ist. Es gibt... Es gibt einige Projekte, die wir durchgeführt haben, die recht einfach gewesen sind, wo wir auch ziemlich schnelle Erfolge erzielt haben und auch eben ein paar komplexere Projekte. Ich kann ja mal ein paar Beispiele... Sehr gerne. Also das wäre meine nächste Frage gewesen. Was sind denn einfache und was sind komplexe Projekte? Ja, also wir haben so ein eigenes Vorgehensmodell entwickelt. Das kommt eben daher, ich gehe jetzt noch mal ein bisschen zurück in die Vergangenheit, also das ist jetzt mein Eindruck, den ich jetzt schildere.

SPEAKER 2 0:08:26

So in einem Jahr...

SPEAKER 1 0:08:27

Ja. 2015 so rum. Da sind ganz viele so Data Science Use Cases überall in den Unternehmen aufgeploppt. Ich habe ja auch mit vielen anderen schon gesprochen. Die waren aber oft eben nicht so erfolgreich. Also sind oft schiefgelaufen, sind an unterschiedlichsten Stellen aufgeploppt und das war alles andere als systematisch für die Unternehmen.

SPEAKER 2 0:08:44

Also die haben gesagt, ja da ist irgendwie was und an einer anderen Stelle, in einer anderen Abteilung ist auch noch was schiefgelaufen, dann hat da mal was funktioniert. Man hat das ja lieber irgendwie so ein bisschen auf geregelte Bahnen gelenkt.

SPEAKER 1 0:08:55

Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja. Ja.

SPEAKER 2 0:08:57

Ja.

SPEAKER 1 0:08:57

Ja.

SPEAKER 2 0:08:58

Ja.

SPEAKER 1 0:09:00

Ja.

SPEAKER 2 0:09:13

Nein. Nein.

SPEAKER 1 0:09:17

Nein. Nein.

SPEAKER 2 0:09:20

Nein.

SPEAKER 1 0:09:21

Nein. Nein. Nein. diese Strategie einzahlt.

SPEAKER 2 0:09:28

Das kann ja genauso gut sein, dass man voll in die falsche Richtung eigentlich mit dem geht, was man da macht und dass es gar nicht das ist,

SPEAKER 1 0:09:32

was eigentlich jetzt gerade richtig wäre.

SPEAKER 2 0:09:35

Und da ist eben das Bindeglied zwischen operativer Durchführung und

SPEAKER 1 0:09:38

der Strategie, also die Taktik, das worauf wir

SPEAKER 2 0:09:42

uns ein bisschen konzentriert haben. Deswegen rede ich von einem Vorgehensmodell. Die wird bei uns eben repräsentiert

SPEAKER 1 0:09:46

durch das Vorgehensmodell. Wie mache ich das, dass ich ein Projekt durchführe?

SPEAKER 2 0:09:50

Und wir machen das eben auf die Weise, dass wir sagen,

SPEAKER 1 0:09:52

so einfach wie möglich, so komplex wie nötig.

SPEAKER 2 0:09:55

Und dadurch versuchen wir

SPEAKER 1 0:09:56

eben die Wahrscheinlichkeit eines Erfolges zu erhöhen.

SPEAKER 2 0:10:00

Ganz konkret.

SPEAKER 1 0:10:03

Okay, aber nehmen wir uns da nochmal kurz mit. Strategie wird von der Geschäftsleitung meistens gemacht, also meistens höchstwahrscheinlich top-down. Die wird kommuniziert. Weiß nicht, ob ihr eure Strategie im Data-Bereich kommunizieren wollt, ob du darüber was sagen willst und kannst. Wie ist denn da die Übersetzungsleistung? Also, du sagst, ihr seid das Bindemitglied. Wie muss ich mir sowas vorstellen?

SPEAKER 2 0:10:32

Also, wir machen auch die Strategie. Also, die Data-Strategie, die wird auch von uns

SPEAKER 1 0:10:36

gemacht. Was ich damit meine,

SPEAKER 2 0:10:38

ist, wenn man eine gute Strategie hat, dann ist es, finde ich es manchmal schwer, in die richtige Richtung zu gehen und wirklich

SPEAKER 1 0:10:44

diese Strategie auch, also die PS, auf die Straße zu bringen. Das meine ich dann. Und weil das macht sich ja nicht von selbst.

SPEAKER 2 0:10:52

Das ist ja eher was Abstraktes.

SPEAKER 1 0:10:55

Man möchte,

SPEAKER 2 0:10:56

in eine bestimmte Richtung gehen.

SPEAKER 1 0:10:58

Und diese Richtung möchte man ja auch

SPEAKER 2 0:11:00

einschlagen und auch sicher sein, dass man da hingeht. Da gibt es ja verschiedene Möglichkeiten, wie man das auch herausfindet. Aber für uns war es eben manchmal schwierig, genau wie das, was ich gerade gesagt habe, wenn ich jetzt wirklich an einem Projekt dran bin,

SPEAKER 1 0:11:12

in dem Moment, wo ich das Projekt durchführe, ist das jetzt ein Projekt, was ich jetzt

SPEAKER 2 0:11:16

so hoch priorisieren sollte? Oder gibt es ein anderes,

SPEAKER 1 0:11:18

was in der Priorität, was die Strategie angeht, höher eingestuft werden sollte?

SPEAKER 2 0:11:23

Sodass ich eigentlich eher das Projekt mache. Also, das meine ich damit.

SPEAKER 1 0:11:26

Und da haben wir eben festgestellt, dass es

SPEAKER 2 0:11:30

hilfreich ist,

SPEAKER 1 0:11:32

über den Weg von Vorgehensmodellen zu gehen.

SPEAKER 2 0:11:36

Also, sich über den Prozess Gedanken zu machen,

SPEAKER 1 0:11:38

wie führt man eigentlich Projekte durch, sodass die besonders wirtschaftlich sind. Also, dass wir jetzt nicht

SPEAKER 2 0:11:44

irgendwelche Projekte zum Beispiel machen, wo am Ende was Tolles bei rauskommt, wir aber eigentlich irgendwie nicht so

SPEAKER 1 0:11:50

richtig den Mehrwert sehen. Die Gefahr existiert

SPEAKER 2 0:11:52

ja zum Beispiel auch. Das ist so eine Sache, wird bei uns immer overengineering zum Beispiel. Genannt, dass man irgendwie mit Kanonen auf Spatzen schießt

SPEAKER 1 0:11:58

oder sowas. Und das versuchen wir eben

SPEAKER 2 0:12:00

durch so ein Vorgehensmodell

SPEAKER 1 0:12:03

in den Griff zu bekommen. Und das funktioniert auch, finde ich jetzt, ziemlich gut.

SPEAKER 2 0:12:08

Und zwar machen wir das so, dass wir

SPEAKER 1 0:12:11

nach diesem Prinzip, wie gesagt, so einfach wie möglich, so komplex wie nötig vorgehen und immer versuchen, die Wirtschaftlichkeit im Auge zu behalten.

SPEAKER 2 0:12:21

Manchmal ist es natürlich schwierig, gerade wenn es um so Projekte geht, wo das gar nicht so

SPEAKER 1 0:12:24

klar ist, weil es ja manchmal auch so Projekte wie, da geht es eher um Zufriedenheit von Mitarbeitern zum Beispiel. Also gar nicht unbedingt so in Geld zu messen oder sowas. Aber es gibt eben auch oft Projekte, wo man das schon in gewisser Weise zumindest

SPEAKER 2 0:12:38

einschätzen kann.

SPEAKER 1 0:12:40

Und das ist das, was uns, glaube ich, recht erfolgreich macht. Also, dass wir wirklich

SPEAKER 2 0:12:46

ein gewisses Vorgehen haben, was wir auch

SPEAKER 1 0:12:48

kommunizieren. Wo wir sagen, wir starten das Projekt

SPEAKER 2 0:12:52

und versuchen immer eher einfache Lösungen

SPEAKER 1 0:12:54

zu finden. Und wir,

SPEAKER 2 0:12:56

überlegen dann, wenn wir eine einfache Lösung zum Beispiel

SPEAKER 1 0:12:58

gefunden haben, überlegen wir, was

SPEAKER 2 0:13:00

könnte jetzt noch eine bessere Lösung sein. Und dann überlegen wir, was bringt uns dann

SPEAKER 1 0:13:04

diese bessere Lösung. Ich kann auch ein Beispiel machen. Nehmen wir mal an, du kannst,

SPEAKER 2 0:13:09

du willst irgendeine Optimierung

SPEAKER 1 0:13:10

durchführen von einer Anlage oder sowas mit Daten. Und da kannst du natürlich

SPEAKER 2 0:13:14

irgendwo

SPEAKER 1 0:13:15

ganz viele verschiedene Methoden anwenden

SPEAKER 2 0:13:18

und bis zu einem gewissen Maximum hochgehen.

SPEAKER 1 0:13:20

Also du kannst sagen, so 100%

SPEAKER 2 0:13:22

Optimum kannst du eigentlich nie erreichen. Sondern sagen wir mal 80% oder sowas.

SPEAKER 1 0:13:26

Und das ist das, was du erreichen kannst.

SPEAKER 2 0:13:29

Und die Methode, die du gefunden hast, eine ganz einfache Methode, die schafft zum Beispiel 70% oder so. Und jetzt kann man sich ja überlegen, was würde das jetzt noch bringen, wenn ich jetzt eine total komplexe Methode anwende, die ich erst entwickeln muss, die ich dann später auch noch betreiben

SPEAKER 1 0:13:42

und bewahren muss, die mir dann 5% Punkte mehr bringt als das. Also da

SPEAKER 2 0:13:48

würden wir dann eher die einfachere Methode nehmen. Und das ist halt der Weg, den wir da

SPEAKER 1 0:13:52

versuchen zu gehen an dieser Stelle. Ja. Das heißt, auf der einen... Ich versuche es mal in meinen Worten zusammenzufassen. Eure Idee ist, es gibt eine Unternehmensstrategie, ihr entwickelt eine Datastrategie, die eben schafft, die Unternehmensgruppe seid ihr ja eher und unterschiedliche Bereiche zu unterstützen mit der Datenstrategie. Und die Frage, die ihr euch immer bestellt, dadurch, und das kannst du ja ein bisschen erzählen, wie unterschiedliche Anfragen vielleicht bei euch aufkommen, versucht ihr euch die Frage zu stellen, auf der einen Seite bringt jetzt die Lösung mit Data hier einen Mehrwert, ja oder nein? Und wenn ja, was ist der Aufwand, der mit dem Dataprojekt losgetreten wird, versus was ist die Running-Kost natürlich auch später? Und dann aber auch, was ist der Ertrag? Ja, so kann man das sagen. Genau. Also es sind...

SPEAKER 2 0:14:40

Das bringt es eigentlich so ganz gut auf den Punkt,

SPEAKER 1 0:14:43

weil wir eben auch darauf achten, ob Data überhaupt der richtige Ansatz ist. Das kann ja gut sein,

SPEAKER 2 0:14:48

wenn du irgendwie ein Problem hast, wo man sagt, es wäre eigentlich besser, wenn man es anders löst.

SPEAKER 1 0:14:52

Also es muss gar nicht unbedingt immer Data sein.

SPEAKER 2 0:14:55

Genauso wie es ja nicht immer KI sein muss. Also das zum Beispiel, weil du hast gerade gesagt, wie kommen die Anfragen?

SPEAKER 1 0:14:59

Da habe ich ja immer auch

SPEAKER 2 0:15:00

festgestellt, es kommt immer häufiger so nach dem Motto, habe Methode, suche Anwendung. Also hey, lass mal was mit KI machen.

SPEAKER 1 0:15:07

Das kommt schon häufig, das wird auch mehr. Und ich finde, also es gibt ja eben mindestens

SPEAKER 2 0:15:12

diese beiden Ansätze, dass man sagt, ich habe irgendwann eine Methode und möchte sehen, wo ich die

SPEAKER 1 0:15:16

einsetzen kann oder ich habe ein Problem und gucke, wie ich es lösen kann. Ich finde zweiteres besser, ehrlich gesagt,

SPEAKER 2 0:15:22

weil man vom Problem her geht, aber ich habe halt auch gelernt, dass das andere halt auch funktioniert.

SPEAKER 1 0:15:28

Und das kommt halt beides. Das kommt beides und dann versuchen wir natürlich trotzdem

SPEAKER 2 0:15:36

irgendwo zu schauen, wo liegt

SPEAKER 1 0:15:38

eigentlich das Problem? Also wir versuchen es

SPEAKER 2 0:15:40

auf ein Problem runter zu dampfen und damit zu starten

SPEAKER 1 0:15:42

irgendwie. Also wo drückt der Schuh? Und da wollen wir gucken, wie kriegen wir dann eine einigermaßen

SPEAKER 2 0:15:48

gute Lösung hin, mit der dann auch alle zufrieden

SPEAKER 1 0:15:50

sind. Und ja, das ist

SPEAKER 2 0:15:54

mittlerweile sehr heterogen, geworden. Also da gibt es sehr, sehr viele unterschiedliche Sachen.

SPEAKER 1 0:16:00

Ich habe es ja eben schon gesagt, wir haben Krankenhaus, wir haben

SPEAKER 2 0:16:02

eine Feuerwehr, wir haben ganz viele verschiedene

SPEAKER 1 0:16:04

Betriebe. Wir haben zum Beispiel eine Kläranlage, wir haben eine

SPEAKER 2 0:16:08

Kofermentationsanlage, mehrere Kraftwerke,

SPEAKER 1 0:16:10

das ist alles, wo Daten anfallen, wo unterschiedliche Probleme eben existieren.

SPEAKER 2 0:16:16

Helf mir nochmal kurz, um das ein bisschen

SPEAKER 1 0:16:18

einzuordnen in der Gesamtorganisation bei 3200 Leuten. Seid ihr ein zentrales Data Team oder Data Science, kommt ja nicht ohne Data Engineering und Co. aus? Wie muss ich mir das vorstellen? Also gibt es eine größere Data Abteilung? Wir haben eine IT

SPEAKER 2 0:16:34

von etwas über 100 Mitarbeitern. Ja. Absolut notwendig. Das könnte sogar mehr sein, ehrlich gesagt. Die Data

SPEAKER 1 0:16:42

Abteilung innerhalb der IT, die

SPEAKER 2 0:16:44

haben wir. Und das ist Data Science und Data Engineering. Also ich bin eigentlich der Head of Data Science und Data

SPEAKER 1 0:16:48

Engineering. Wir haben auch festgestellt... Du leitest zwei Teams. Ja, das sind zwei Teams, genau. Und wie viele Leute sind da? Wir sind jetzt fünf. Also das wird dann hoffentlich ein bisschen mehr. Aber dadurch, dass eben wir innerhalb

SPEAKER 2 0:17:02

der IT angesiedelt sind, gibt es natürlich auch gewisse Aufgaben, wo wir jetzt sagen, das ist dann direkt in Zusammenarbeit mit einem anderen Team.

SPEAKER 1 0:17:08

Das heißt, wir können auf recht große Ressourcen dann noch innerhalb von der IT zurückgreifen. Wir machen nicht alles. Also auch

SPEAKER 2 0:17:14

im Data Engineering Bereich. Wir haben zum Beispiel ein

SPEAKER 1 0:17:16

IT-Infrastruktur-Team noch,

SPEAKER 2 0:17:18

welches sehr, sehr viel macht, gerade für

SPEAKER 1 0:17:19

Zurverfügungstellung von Plattformen oder sowas. Das läuft dann mit denen Hand in Hand. Ja. Klar, das ist sozusagen dann, wo es betrieben wird an sich. Ja, genau. Und ja, das ist relativ klein noch,

SPEAKER 2 0:17:36

das Team. Aber es ist auch erst 2022 gestartet. Also ich habe ganz alleine erstmal gestartet. Ja, der

SPEAKER 1 0:17:41

Klassiker. Ja, genau.

SPEAKER 2 0:17:45

Aber es war schon klar, dass das ein Team werden soll. Also eine halbe Mitarbeiterin habe ich direkt bekommen. Das war auch sehr gut. Und da haben wir auch schon so ein bisschen was gemacht.

SPEAKER 1 0:17:53

Und das hat sich dann eben so ein bisschen

SPEAKER 2 0:17:56

herauskristallisiert, wie das hier

SPEAKER 1 0:17:57

in unserem Unternehmen gut funktioniert. Wir sind auch ein altes

SPEAKER 2 0:18:01

Unternehmen, also auch von der Unternehmenskultur

SPEAKER 1 0:18:04

her recht konservativ aufgestellt,

SPEAKER 2 0:18:06

würde ich eher sagen. Aber nicht nur. Also es

SPEAKER 1 0:18:09

gibt schon Digitalisierungsbestrebungen

SPEAKER 2 0:18:12

und es ist nicht nur

SPEAKER 1 0:18:13

komplett konservativ. Es hat ja viele Facetten

SPEAKER 2 0:18:16

in der Unternehmenskultur. Es gibt auch gewisse Bereiche, die recht

SPEAKER 1 0:18:19

modern sind. Und ich würde die IT jetzt als so ein Zwischenling bezeichnen. Ja. Verstanden. Wie viele Mitarbeiter seid ihr jetzt? Also bei dir in den Data Teams? Fünf.

SPEAKER 2 0:18:32

Also wir sind jetzt fünf insgesamt.

SPEAKER 1 0:18:34

Mit dir? Mit mir, ja. Jetzt hast du vorhin aber darüber gesprochen, dass ihr auch Sachen erfolgreich macht. Also dass ihr geschafft habt, Leuchtturmprojekte aufzusetzen. Hol uns mal ab. Also das ist das, was mich ja interessiert. Du hast als einzelne Person gestartet. Wer kam und wie kam überhaupt der Gedanke? Dass du derjenige sein sollst,

SPEAKER 2 0:19:01

der kommt oder dass diese Stelle

SPEAKER 1 0:19:02

überhaupt gesucht wird?

SPEAKER 2 0:19:04

Ja, das ist eine ganz interessante Geschichte.

SPEAKER 1 0:19:07

Da habe ich die richtige Frage gestellt. Das ist die richtige Frage.

SPEAKER 2 0:19:11

Auf jeden Fall. Ich habe es am Anfang nicht gesagt, weil es ein bisschen

SPEAKER 1 0:19:14

verwirrend vielleicht für einige sein kann. Denn ich war in einem Unternehmen als

SPEAKER 2 0:19:22

Machine Learning Engineer eingestellt und habe

SPEAKER 1 0:19:24

festgestellt, dass man als einzelne Personen nicht schaffen kann.

SPEAKER 2 0:19:28

Und zwar in dem Unternehmen, in dem ich jetzt auch bin,

SPEAKER 1 0:19:29

bei Infrastructure Höchst. Ich habe es nicht hingekriegt,

SPEAKER 2 0:19:31

als einzelne Person für so viele Mitarbeiter, für so viele Unternehmen, das hinzukriegen. Das habe ich auch so kommuniziert und habe auch gesagt,

SPEAKER 1 0:19:38

dass ich brauche ein Team. Und dann hat die Geschäftsführung auch gesagt,

SPEAKER 2 0:19:42

ja, das können wir jetzt noch nicht sofort dir geben. Das funktioniert nicht. Und da habe ich gesagt,

SPEAKER 1 0:19:45

okay, ich gehe jetzt erst mal.

SPEAKER 2 0:19:48

Dann bin ich wieder zurück zur Deutschen Bundesbank gegangen, in die Banken- und Finanzaufsicht.

SPEAKER 1 0:19:52

Und dann habe ich später tatsächlich einen Anruf gekriegt, dass sie sich jetzt überlegt haben, genau das zu tun, was ich gesagt habe. Und die haben gesagt, ja, wenn du zurückkommst, kriegst du ein Team. Und das

SPEAKER 2 0:20:05

habe ich dann gemacht. Also das ist so die Geschichte dahinter.

SPEAKER 1 0:20:09

Wenn ich eben einmal weg war und in dieser Zeit wirklich was passiert ist, dass die

SPEAKER 2 0:20:15

Unternehmensleitung sich gedacht hat, ja, das bringt ja was. Weil ich hatte damals schon

SPEAKER 1 0:20:19

ein paar Projekte, konnte ich schon zeigen, da kann man was machen. Und das hat auch überzeugt. Also die Leuchtturmprojekte, Projekte waren sozusagen vermeidlich als Einzelperson da. Aber die Wahrnehmung war jetzt noch nicht der so stark da, dass das einen Mehrwert bietet. Dadurch hast du gesagt, okay, verstehe ich, ist jetzt nicht für dich die Zukunft. Du gehst erst mal. Und dann bist du gegangen und irgendwann haben sie gesagt, ey, halt mal, bleib mal hier stehen. Komm mal wieder zurück. Du würdest, es gibt einen Mehrwert. Ganz genau. Was waren das für Mehrwert? Was waren das für Use Cases?

SPEAKER 2 0:20:53

Damals ist es so gewesen, dass wir

SPEAKER 1 0:20:55

in einem Prozessleitsystem, das ist,

SPEAKER 2 0:20:59

da werden im Grunde große Anlagen drüber gesteuert, dass man sagt, hier, schalte da den Ventilator ein, schalte da die Pumpe ein und ähnliches.

SPEAKER 1 0:21:06

Also das war jetzt für einen Rückkühlwert. Da geht es darum, so Wasser zur Verfügung zu stellen. Und das

SPEAKER 2 0:21:13

zum Wasserkreislauf.

SPEAKER 1 0:21:15

Und da war es so, dass ich eine Datenanalyse gemacht hatte mit einer Kollegin zusammen und dabei

SPEAKER 2 0:21:23

herausgekommen ist, dass es

SPEAKER 1 0:21:25

Situationen gibt, also es sind

SPEAKER 2 0:21:28

ganz viele Pumpen gewesen, also die, wie die genau geschaltet werden, ist gar nicht so

SPEAKER 1 0:21:32

einfach, dass es

SPEAKER 2 0:21:33

Schaltkombinationen gibt, die sehr ineffizient sind. Und

SPEAKER 1 0:21:37

da hatte ich einen Algorithmus entwickelt,

SPEAKER 2 0:21:42

den man in dieses Prozessleitsystem implementieren kann, der automatisch sagt, hier, schau mal, Obacht, jetzt ist gerade eine Situation gegeben, in der du eine andere Schaltfolge verwenden

SPEAKER 1 0:21:53

solltest. Und

SPEAKER 2 0:21:55

das ist das, was für Überzeugung gesorgt hat, dass man damit doch was machen kann.

SPEAKER 1 0:21:59

Ja, aber was war der Mehrwert?

SPEAKER 2 0:22:01

Der Mehrwert war, dass weniger Strom verbraucht wurde.

SPEAKER 1 0:22:05

Das war, hätte ich vielleicht auch dazu sagen sollen, das war bezogen auf den Stromverbrauch hauptsächlich.

SPEAKER 2 0:22:11

Also ineffizient bezogen auf den Stromverbrauch

SPEAKER 1 0:22:14

und auf den Verschleiß gleichzeitig. Also das ist so eine Doppeltarget-Optimierung gewesen. Und da kam im Grunde dann

SPEAKER 2 0:22:21

so ein Alarm, wurde dann gesagt, hier, schau mal, jetzt gerade läuft die Anlage,

SPEAKER 1 0:22:25

Energie ineffizient. Und dann

SPEAKER 2 0:22:27

haben die die Anlage eben umgeschaltet. Dann wurde weniger Strom verbraucht.

SPEAKER 1 0:22:31

Gleichzeitig ist der Verschleiß noch zurückgegangen. Und das hat schon für gewisse Überzeugung

SPEAKER 2 0:22:37

gesorgt. Allerdings, wie gesagt,

SPEAKER 1 0:22:39

in vielen Bereichen, in Unternehmen, welches ein bisschen konservativ

SPEAKER 2 0:22:43

auch noch unterwegs ist, da kann man nicht direkt mit dem Finger schnipsen und sagen, alles klar, du kriegst jetzt ein Team oder so. Und deswegen hat das dann doch schon ein bisschen gedauert. Ich denke mal, da ist hinter den Kulissen

SPEAKER 1 0:22:51

auch noch ein bisschen Überzeugungsarbeit gelaufen. Ich finde es ja eigentlich auch gut, dass die sich dann am Ende

SPEAKER 2 0:22:55

dann so doch entschieden haben.

SPEAKER 1 0:23:00

Und auf der Basis bist du dann wiedergekommen und durftest dich erstmal um die Strategie kümmern? Oder wie muss ich mir dann, also was war der Einsatz der anderthalb Personen, die es dann näher gab?

SPEAKER 2 0:23:12

Natürlich weiterhin auch

SPEAKER 1 0:23:14

an Leuchtturmprojekten zu arbeiten

SPEAKER 2 0:23:17

oder welche zu suchen auch. Also diese Suche

SPEAKER 1 0:23:19

nach Use Cases auch, was ja manchmal auch echt schwierig sein kann,

SPEAKER 2 0:23:23

dass man irgendwo was findet, wo wirklich was an

SPEAKER 1 0:23:25

Mehrwert, an potenziellem Mehrwert drinsteckt.

SPEAKER 2 0:23:27

Also das war ein

SPEAKER 1 0:23:29

wichtiger Punkt. Und die Datenstrategie,

SPEAKER 2 0:23:33

die wurde, es gab vorher auch schon

SPEAKER 1 0:23:35

eine Datenstrategie. Also bevor ich da war, das

SPEAKER 2 0:23:39

wurde auch schon,

SPEAKER 1 0:23:40

ein BI-Team zum Beispiel gibt es

SPEAKER 2 0:23:42

daneben auch noch. Das ist jetzt nicht in unserem Team,

SPEAKER 1 0:23:44

es gibt noch ein eigenes BI-Team. Wir haben auch

SPEAKER 2 0:23:46

Datenstrategie schon ausgearbeitet. Ich habe die eher so ein bisschen

SPEAKER 1 0:23:49

verändert, würde ich sagen, die Datenstrategie. Ein bisschen auf unsere Bedürfnisse. Aber bei BI ist es bei euch dann klassisch... So Dashboarding ist das. Ja, sorry, die Frage nochmal stellen. Keine Ahnung, warum jetzt. Vielleicht muss ich immer mal Luft reinlassen. Nur mal die Frage. BI ist dann wirklich sozusagen klassisch Reporting bei euch? Ja, genau. Und ihr unterscheidet euch dazu, dass ihr Datenprodukte baut?

SPEAKER 2 0:24:16

Genau. Wir machen zwei Dinge eigentlich. Wir machen Datenprodukte, genau, das machen wir einmal, was auch natürlich in einem Dashboard oder sowas enden kann. Oder in irgendeiner Pipeline,

SPEAKER 1 0:24:27

die irgendeine Funktionalität

SPEAKER 2 0:24:28

zu irgendeinem Produkt hinzufügt. Oder es ist eben so, dass jemand um die Ecke kommt und sagt, guck mal, ich habe hier einen bestimmten Datensatz und ich möchte gerne wissen, ich habe hier eine Hypothese, ob da was dran ist oder nicht. Und dann untersuchen wir den Datensatz. Das heißt, da geht es eher in Richtung so Erklärung. Also wir versuchen, Erklärung und Evidenz zu finden. Oder wir versuchen, irgendwelche

SPEAKER 1 0:24:50

Prognosen zum Beispiel durchzuführen oder also die dann auch zum Beispiel,

SPEAKER 2 0:24:55

die später produktiv geschaltet werden

SPEAKER 1 0:24:56

oder Analyse-Tools entwickeln zum Beispiel. Sowas machen wir auch. Also wir haben so ein Projekt zum Beispiel gehabt, das nennen wir IoT-PLS-Miner. Da geht es darum, aus diesen genannten

SPEAKER 2 0:25:08

Prozessleitsystemen Daten rauszuziehen und aus

SPEAKER 1 0:25:10

IoT-Sensoren

SPEAKER 2 0:25:12

auch Daten rauszuziehen. Sprich, in diesem Fall sind das Vibrationssensoren und die Daten miteinander so zu vereinen, dass man die gleichzeitig analysieren kann. Was eben dazu führt, dass man zum Beispiel

SPEAKER 1 0:25:24

irgendwie sieht, wie der

SPEAKER 2 0:25:26

Zusammenhang zwischen der Drehzahl einer Maschine und der Vibration ist. Da haben wir zum Beispiel herausgefunden, wo so ein Minimum an Vibration

SPEAKER 1 0:25:32

oder welcher Drehzahl das ist. Also so kann man sich das vorstellen. Das ist so ein Verlauf, der so konvex ist und irgendwo ein Minimum hat. Und da kann man zum Beispiel

SPEAKER 2 0:25:40

sagen, ja, es ist besser, wenn die Maschine an der Stelle läuft, weil der Verschleiß dann niedriger ist, vibriert er weniger. Also sowas in dieser Richtung,

SPEAKER 1 0:25:46

das kann man damit machen. Und das alles mit Echtzeitdaten. Also das heißt, es ist direkt

SPEAKER 2 0:25:50

an die Systeme angebunden. Das war schon ein ganz schöner Aufwand. Dafür haben wir auch schon

SPEAKER 1 0:25:54

Echtzeit gebraucht. Und das hat ziemlich viele Analyse-Funktionalitäten. Da kann man auch so Knowledge Discovery mitmachen, dass man sich die Daten aussucht, was möchte man alles haben

SPEAKER 2 0:26:06

und findet man irgendwelche Muster in den Daten. Dann drückt man

SPEAKER 1 0:26:08

auf den Knopf drauf und dann werden die Muster

SPEAKER 2 0:26:10

dann automatisch angezeigt. Die muss man dann halt eben selber nochmal untersuchen

SPEAKER 1 0:26:14

und interpretieren hinterher. Aber es kann eben

SPEAKER 2 0:26:16

sehr hilfreich dabei sein, Zustände, die man vorher nicht verstanden hat, hinterher doch zu

SPEAKER 1 0:26:22

verstehen von diesen

SPEAKER 2 0:26:23

komplexen Anlagen. Es kann manchmal sein, dass irgendwo was nicht so richtig funktioniert

SPEAKER 1 0:26:27

und das aber nicht klar ist, wo das eigentlich

SPEAKER 2 0:26:32

herkommt. Also was ist da eigentlich, was steckt dahinter? Und das kann manchmal eben einen Hinweis darauf geben, wenn man solche Analysen macht, so Richtung unsupervised

SPEAKER 1 0:26:40

Learning zum Beispiel, dass man da irgendwelche

SPEAKER 2 0:26:42

Cluster findet, die sich im hochdimensionalen

SPEAKER 1 0:26:44

Raum bilden und dass man sagt, ah, okay, das wusste ich jetzt noch gar nicht, dass da diese

SPEAKER 2 0:26:48

Beobachtungen irgendwie anders sind als die. Und dann kann man nochmal

SPEAKER 1 0:26:50

gucken, warum das dann so gewesen ist. Und das ist, für die Ingenieure vor Ort

SPEAKER 2 0:26:55

dann zum Teil doch schon sehr hilfreich, so ein bisschen

SPEAKER 1 0:26:58

mehr über die Daten erfahren zu können. Ihr entwickelt Produkte, die, wie jetzt die Vibrationsthemen, betreibt ihr die dann auch? Also seid ihr die Stelle, die diese Tools auch noch weiter als Datenprodukt betreuen? Ja,

SPEAKER 2 0:27:15

das müssen wir sogar machen.

SPEAKER 1 0:27:18

Das ist so ein, also

SPEAKER 2 0:27:19

bei dem Projekt muss ich jetzt so ein bisschen auch

SPEAKER 1 0:27:21

sagen, das ist so ein Projekt, das geht die ganze Zeit

SPEAKER 2 0:27:26

weiter. Also wir sind die ganze Zeit immer am Weiterentwickeln.

SPEAKER 1 0:27:28

Optimierender. Und das ist

SPEAKER 2 0:27:30

eigentlich fertig, aber da kommt der

SPEAKER 1 0:27:31

Fachbereich immer wieder um die Ecke und sagt, hey,

SPEAKER 2 0:27:33

schaut mal, wir haben neue Sensoren, könnt ihr die nicht noch damit zur Verfügung stellen? Oder wir wollen eine neue Art der Analyse oder in der Grafik möchte ich das und das verändert haben. Aber das ist auch mit der Grund, warum wir von

SPEAKER 1 0:27:43

nie so richtig bisher die Frage auch gestellt haben,

SPEAKER 2 0:27:47

ob wir das jemand anderen übergeben

SPEAKER 1 0:27:50

für einen Betrieb. Bis jetzt machen wir den Betrieb komplett selbst. Spannend, ja. Wie siehst du es weiter? Also kann man eure Arbeit irgendwie in Maturity Stufen irgendwie aufteilen? Wo steht ihr? Also du hast mit einer Person, einer Teilperson angefangen, ein paar Use Cases. Wie muss ich mir das jetzt gerade vorstellen? Kannst du das ein bisschen beschreiben? Ja, da gibt es

SPEAKER 2 0:28:18

für mich erstmal einen großen Unterschied zwischen

SPEAKER 1 0:28:20

meinem Wunsch,

SPEAKER 2 0:28:22

wie es sein sollte,

SPEAKER 1 0:28:23

und dem, wie sich das

SPEAKER 2 0:28:26

eben entwickelt. Es ist eben so, dass dieses Team jetzt so eine gewisse Grenze erreicht hat, wo ich jetzt sagen kann, da kriege ich

SPEAKER 1 0:28:32

vielleicht jetzt nicht noch mehr Mitarbeiter. Hat auch was mit der Unternehmensstrategie zu tun.

SPEAKER 2 0:28:38

Von der Entwicklung her, wie das jetzt in der Vergangenheit gewesen ist, wir haben jetzt mit diesem anderthalb angefangen. Dann gab es eine Stellenausschreibung, weil das eben auch nicht ausgereicht

SPEAKER 1 0:28:44

hat, weil wir Projekte eben

SPEAKER 2 0:28:46

auch systematisch durchführen wollen. Wenn jetzt irgendwo eine Projektanfrage kommt, kann ich ja nicht jedes Mal sagen, nee, kann ich nicht machen.

SPEAKER 1 0:28:52

Und ich gehe dann her, und nehme Ressourcen von außerhalb

SPEAKER 2 0:28:56

des Unternehmens, Unternehmensberatung oder ähnliches

SPEAKER 1 0:28:58

in Anspruch. So was kann ich natürlich tun, aber wir wollen auch Wissen im Unternehmen halten. Das heißt, da ist schon so ein gewisser Trade-off an der Stelle dabei, dass wir das eher ein bisschen im Team halten wollen.

SPEAKER 2 0:29:10

Wir haben zum Beispiel auch ein Projekt mit einem digitalen Zwilling gemacht, den wir aufgebaut haben. Das ist so das erfolgreichste

SPEAKER 1 0:29:14

Projekt, was wir bis jetzt gemacht

SPEAKER 2 0:29:16

haben. Da wollen wir jetzt nicht, dass andere unbedingt direkt wissen, wie man das nachbauen kann.

SPEAKER 1 0:29:20

Zum Beispiel ProK1 oder so was an einem anderen

SPEAKER 2 0:29:21

Standort. Das wollen wir eigentlich nicht. Und das wäre zum Beispiel was, was wir weder im Betrieb noch in der weiteren Entwicklung, wenn wir das nochmal ausrollen auf andere Bereiche,

SPEAKER 1 0:29:30

an eine Unternehmensberatung geben würden. Das heißt also, wir müssten auf jeden Fall intern wachsen. Vom Reiferat her würde ich sagen, befinden wir uns,

SPEAKER 2 0:29:40

was das Team angeht, auf jeden Fall noch in der Entwicklung.

SPEAKER 1 0:29:42

Ich kämpfe dafür, dass wir

SPEAKER 2 0:29:44

mehr Ressourcen erhalten.

SPEAKER 1 0:29:47

In Form

SPEAKER 2 0:29:48

am besten von Mitarbeitern. Momentan stelle ich

SPEAKER 1 0:29:50

immer relativ viele Werkstudenten,

SPEAKER 2 0:29:52

Werkstudentinnen ein, die

SPEAKER 1 0:29:53

dann auch eben helfen. Aber das geht eben

SPEAKER 2 0:29:56

auch nur bedingt, weil

SPEAKER 1 0:29:57

der Grund, warum man das macht, ist ja auch, dass man den Leuten

SPEAKER 2 0:30:00

irgendwie was beibringt und dass man die jetzt nicht irgendwie nur

SPEAKER 1 0:30:02

für irgendwelche Projekte ausnutzt, die dann und das funktioniert jetzt auch nicht unbedingt, dass ich Werkstudent A habe und dann kommt

SPEAKER 2 0:30:10

eine Werkstudentin hinterher, dass die sich das 1 zu 1 übergeben. Und das ist genauso wie ein Vollzeitmitarbeiter mit dieser gesamten Erfahrung, die in dieser Zeit gesammelt wird.

SPEAKER 1 0:30:19

Das Team hat jetzt momentan eine Grenze erreicht.

SPEAKER 2 0:30:22

Es wäre aber besser, wenn wir mehr wären.

SPEAKER 1 0:30:23

Das wäre aber besser, wenn wir mehr wären. Das wäre aber besser, wenn wir mehr wären. Das wäre aber besser, wenn wir mehr wären.

SPEAKER 2 0:30:23

Das muss man ganz klar sagen. Und ich glaube, dass wir damit

SPEAKER 1 0:30:26

auch echt wirklich Geld verdienen könnten. Dazu kann ich vielleicht nur mal ganz kurz auf ein paar kleinere Projekte eingehen. Wir haben ein paar andere Projekte, wo wir auch wirklich Geld mitverdienen.

SPEAKER 2 0:30:38

Und zwar, ich hatte ja ganz am Anfang auch gesagt, dass wir immer nach diesem Prinzip so einfach wie möglich, so komplex

SPEAKER 1 0:30:43

wie nötig vorgehen. Und da gab es ein Projekt, da ist eine Kollegin auf mich zugekommen,

SPEAKER 2 0:30:50

hat gesagt, schau mal, wir haben hier diesen Datensatz, den habe ich aus dem System rausgezogen, kannst du den mal analysieren. Sollen wir den

SPEAKER 1 0:30:55

mal zusammen analysieren? Und das hat nur ein paar Stunden

SPEAKER 2 0:30:59

gedauert, bis wir wirklich eine starke Ineffizienz entdeckt haben in diesem Datensatz. Da ging es auch wieder um so Pumpen,

SPEAKER 1 0:31:05

wie die geschaltet werden. Da haben wir eben festgestellt,

SPEAKER 2 0:31:08

dass immer die ganze Zeit, das ganze Jahr über eine

SPEAKER 1 0:31:09

Pumpe zu viel gelaufen ist. Und das haben wir eben

SPEAKER 2 0:31:11

nur daran gesehen. Und dann haben wir einen Druckalarm definiert. Also wenn zu viele Pumpen laufen, ist der Druck halt zu hoch. Sodass wir gesagt haben, wenn der Druck zu hoch ist, nimmt eine von den Pumpen aus.

SPEAKER 1 0:31:19

Das haben wir implementiert. Das hat wirklich

SPEAKER 2 0:31:21

nur Stunden gedauert. Und dadurch haben wir so um

SPEAKER 1 0:31:23

die 12.000 Euro pro Jahr an Stromkosten gespart.

SPEAKER 2 0:31:26

Also nur dadurch, durch so ein

SPEAKER 1 0:31:27

Mini-Projekt. Das ist diese erste Stufe.

SPEAKER 2 0:31:30

Manchmal ist es aber so, dass die

SPEAKER 1 0:31:31

Komplexität eben nicht ausreicht. Dass man schon komplexere

SPEAKER 2 0:31:35

Methoden irgendwo einsetzen muss,

SPEAKER 1 0:31:37

um irgendwie was hinzubekommen. Also meiner Meinung nach muss eben Komplexität des der Methode, die man

SPEAKER 2 0:31:45

einwendet, mit der Komplexität des Problems

SPEAKER 1 0:31:47

irgendwo ausgeglichen sein. Und das ist

SPEAKER 2 0:31:49

eben das, wo dieser digitale Zilling bei uns,

SPEAKER 1 0:31:51

dass es zum Beispiel ins Spiel kommt. Und das war so ähnlich.

SPEAKER 2 0:31:56

Da haben wir uns auch einen Datensatz angeguckt von einem ziemlich großen Rückkühlwerk

SPEAKER 1 0:31:59

auch. Und haben dann festgestellt,

SPEAKER 2 0:32:02

dass wir eben mit diesen Thresholds, die wir da irgendwo setzen, kommen wir nicht weiter. Da musste schon mehr dran. Dann haben wir

SPEAKER 1 0:32:07

irgendwann festgestellt,

SPEAKER 2 0:32:10

dass das ein Problem ist, das man vielleicht numerisch lösen könnte. Und dann haben wir diese ganzen verschiedenen Bedingungen

SPEAKER 1 0:32:13

alle nachgebildet. Und dieses

SPEAKER 2 0:32:17

Rückkühlwerk im Grunde in so einem mathematischen Gleichungssystem nachgebildet.

SPEAKER 1 0:32:22

Komplett. Was wir dann auch

SPEAKER 2 0:32:23

optimieren konnten. Und zwar gegeben

SPEAKER 1 0:32:25

auf den Stromverbrauch auch wieder und auf den Verschleiß. Und das hat ziemlich gut funktioniert,

SPEAKER 2 0:32:32

weil das eben auch wiederum so komplex

SPEAKER 1 0:32:34

war, weil

SPEAKER 2 0:32:34

diese Anlage auch so komplex war, dass man jetzt nicht direkt, wenn man diese Anlage steuert, sehen konnte, wie man das am besten macht.

SPEAKER 1 0:32:41

Und dieser

SPEAKER 2 0:32:43

Algorithmus hat damit natürlich keine Probleme. Der konnte das einfach optimieren. Hat dann direkt gesagt, okay, die Pumpe soll eingeschaltet sein, die Pumpe soll ausgeschaltet sein und die soll so und so weit

SPEAKER 1 0:32:51

aufgedreht sein. Unter all diesen ganzen

SPEAKER 2 0:32:53

Nebenbedingungen. Und die Nebenbedingungen ändern sich halt auch, je nachdem, wie die

SPEAKER 1 0:32:57

äußeren Bedingungen sind. Das ist schon ein recht komplexes System. Und das hat, das war,

SPEAKER 2 0:33:03

das ist, glaube ich, bis heute immer noch unser

SPEAKER 1 0:33:05

erfolgreichstes Projekt. Das Ding

SPEAKER 2 0:33:07

läuft jetzt seit

SPEAKER 1 0:33:08

über

SPEAKER 2 0:33:11

anderthalb Jahren auf jeden Fall.

SPEAKER 1 0:33:13

Dieser Algorithmus. Und

SPEAKER 2 0:33:15

der ist dazu da, diese Anlage eben effizienter zu steuern. Und da haben

SPEAKER 1 0:33:19

wir schon so 500, 600

SPEAKER 2 0:33:21

Megawattstunden ungefähr durch eingespart.

SPEAKER 1 0:33:23

Das ist schon echt eine Hausnummer. Und das sind so

SPEAKER 2 0:33:27

200 Tonnen CO2 ungefähr

SPEAKER 1 0:33:29

umgerechnet. Alleine nur an Stromverbrauch.

SPEAKER 2 0:33:32

Und auch der Verschleiß geht natürlich

SPEAKER 1 0:33:33

auch dadurch runter. Also das ist

SPEAKER 2 0:33:35

auch so ein ongoing Projekt, muss ich sagen. Weil wenn es zum Beispiel zu Wartungen kommt, muss man die auch noch mit

SPEAKER 1 0:33:40

beachten. Also wenn eine Pumpe

SPEAKER 2 0:33:43

zum Beispiel ausgeschaltet wird, ändert sich das ganze System. Das muss man auch noch mit einbauen.

SPEAKER 1 0:33:47

Und das funktioniert aber ziemlich gut. Das ist so das beste Projekt, was wir bis jetzt gemacht haben. Aber wie kommen die auf euch? Also die sind aber aktiv auf euch

SPEAKER 2 0:33:55

zugekommen, ne?

SPEAKER 1 0:33:56

Das ist eine ziemlich gute Zusammenarbeit, würde ich an dieser Stelle

SPEAKER 2 0:34:01

sagen. Wir treffen uns einmal die Woche. Und dann kommen solche Themen auf. Ich weiß gar nicht genau,

SPEAKER 1 0:34:05

aus welcher Richtung das genau kam. Ich glaube schon eher, dass die gesagt haben, wir könnten

SPEAKER 2 0:34:09

an der Stelle mal anfangen. Und die Idee, wie wir das machen, das kam dann von uns. Dann haben die gesagt,

SPEAKER 1 0:34:13

ja cool, das machen wir. Dann arbeiten wir zusammen. Das ist immer, dass man sich den Ball so ein bisschen her und her spielt. Aber das gibt es beides. Also in der Regel ist es eher so, dass die ...

SPEAKER 2 0:34:23

... Kolleginnen auf uns zukommen. Also auch aus anderen Bereichen.

SPEAKER 1 0:34:27

Und dass wir

SPEAKER 2 0:34:28

sagen, was kann man machen? Das machen wir auch. Also wir machen zum Beispiel so Vorträge darüber, dass wir die Kollegen informieren

SPEAKER 1 0:34:35

über die Möglichkeiten, die es so gibt.

SPEAKER 2 0:34:37

Was kann man eigentlich alles zum Beispiel so mit KI machen?

SPEAKER 1 0:34:39

Also jetzt dieses neuere Themen, wie zum Beispiel Agenten modellieren und ähnliches. Darüber informieren wir und

SPEAKER 2 0:34:47

versuchen es so hinzukriegen, dass wir

SPEAKER 1 0:34:48

Inspiration bieten. Und dann überlegt sich jemand, ob das sinnhaftig ist, damit zu arbeiten. Genau. Spannend. Doch ein guter Case.

SPEAKER 2 0:34:57

Ja, das sind so die Themen, also die Richtung der Themen, die wir angeben. Wir machen aber auch noch

SPEAKER 1 0:35:02

ganz andere Sachen. Zum Beispiel mit SAP-Systemen machen wir auch recht viel. Und da haben wir zum Beispiel mal so ein Recommender-System zusammengebaut. Oder wir haben auch mal im Bereich des Energiehandels, wir machen auch sehr viel Energiehandel, da haben wir auch mal Projekte gehabt, dass es geht. Und es ist alles sehr heterogen,

SPEAKER 2 0:35:27

was wir machen. Also manchmal geht das eher in so eine wirtschaftswissenschaftliche Richtung, meistens

SPEAKER 1 0:35:31

im Bereich Ingenieurswissenschaften.

SPEAKER 2 0:35:33

Das ist sehr unterschiedlich. Aber das ist auch

SPEAKER 1 0:35:35

der Grund, warum wir eben

SPEAKER 2 0:35:37

sehr viel Hilfe brauchen. Weil wir halt nicht

SPEAKER 1 0:35:39

die Experten auf den Gebieten sind. Also ich finde,

SPEAKER 2 0:35:43

Data Science ist halt total Teamwork. Das kann man gar nicht alleine machen. Und da brauchen wir das Domänen ein bisschen von den Kollegen. Die sind halt besser da drin als wir. Selbst wenn wir jemanden haben, der sehr gut in

SPEAKER 1 0:35:53

Bereichen ist, zum Wissen, die ist meistens dann trotzdem nochmal besser, weil die ja die Prozesse und die Strukturen viel besser kennen.

SPEAKER 2 0:35:59

Also es ist für mich der absolute Schlüssel

SPEAKER 1 0:36:01

dabei. Um die Sachen zu lösen, finde ich einen fairen Punkt. Haben wir aus deiner Sicht irgendwas vergessen, was euch auszeichnet? Welche Use Cases ihr habt? Oder was würdest du anderen Leuten raten, was wir vielleicht jetzt noch nicht besprochen haben? Sei es positiv oder negativ. Raten in Bezug auf was? Alles. Also wenn sie in deiner Stelle, in meiner Stelle wären? In meiner Stelle? Oh, okay.

SPEAKER 2 0:36:28

Also

SPEAKER 1 0:36:28

wenn ich jetzt nehme mal an,

SPEAKER 2 0:36:33

ich würde jetzt das Unternehmen verlassen

SPEAKER 1 0:36:35

und irgendeine

SPEAKER 2 0:36:37

Nachfolgeperson würde kommen.

SPEAKER 1 0:36:39

Was würde ich dieser Person raten?

SPEAKER 2 0:36:40

Also ich würde erstmal sagen...

SPEAKER 1 0:36:42

Nein, im Sinne von jemand anders hat auch ähnliche Herausforderungen oder würde in einer ähnlichen Firma arbeiten. Das ist sozusagen... Also nicht, wie macht man weiter, sondern wenn jemand anders auch so anfangen würde wie du.

SPEAKER 2 0:36:57

Auf jeden Fall

SPEAKER 1 0:36:58

die Stakeholder mit einbeziehen. Ganz wichtig.

SPEAKER 2 0:37:04

Herausfinden, wer das ist. Weil auch da hatte ich schon

SPEAKER 1 0:37:07

den Case, dass im Nachhinein, das Projekt war eigentlich fertig,

SPEAKER 2 0:37:11

dann plötzlich jemand aufgezeigt hat und gesagt, hier, du hast mich nicht mit einbezogen, da bin ich jetzt nicht mit einverstanden.

SPEAKER 1 0:37:15

Und dann kann das Projekt im Nachhinein dann doch noch... Nochmal aufgerollt werden.

SPEAKER 2 0:37:19

Genau, ja, aufgerollt werden.

SPEAKER 1 0:37:21

Vielleicht läuft es sogar komplett schief. Ja. Dann nicht mit Kanonen auf Spatzen schießen.

SPEAKER 2 0:37:28

Auf jeden Fall. Also auch dieses Prinzip so einfach wie möglich, so komplex wie nötig, das halte ich für

SPEAKER 1 0:37:32

sehr sinnvoll in diesem

SPEAKER 2 0:37:35

Bereich insgesamt.

SPEAKER 1 0:37:39

Und ja, wichtig, sich mit den Menschen auseinanderzusetzen.

SPEAKER 2 0:37:45

Auch mit der Umgebung,

SPEAKER 1 0:37:47

mit der Unternehmenskultur

SPEAKER 2 0:37:49

auf jeden Fall.

SPEAKER 1 0:37:52

Also das heißt,

SPEAKER 2 0:37:53

wenn man jetzt in einem

SPEAKER 1 0:37:53

eher moderneren Unternehmen unterwegs ist,

SPEAKER 2 0:37:56

ist das auf jeden Fall was anderes,

SPEAKER 1 0:37:58

als wenn man eher in so einem konservativeren Bereich unterwegs ist.

SPEAKER 2 0:38:03

Ich war ja auch mal in einem kleineren Unternehmen und da war es schon ganz anders als das,

SPEAKER 1 0:38:07

als das, was jetzt ist.

SPEAKER 2 0:38:08

Das ist halt eine Mindset-Frage. Und wenn man irgendwie neue Methoden oder sowas

SPEAKER 1 0:38:12

implementieren möchte, muss man im Zweifel ein bisschen mehr

SPEAKER 2 0:38:16

Überzeugungsarbeit leisten. Also ich finde es immer wichtig, den Leuten zu sagen,

SPEAKER 1 0:38:20

warum? Also warum macht man das?

SPEAKER 2 0:38:22

Warum bringt das was? Also wirklich zu überzeugen und nicht nur zu sagen,

SPEAKER 1 0:38:25

hier, wir machen das jetzt.

SPEAKER 2 0:38:26

Sondern die Leute wirklich mitnehmen.

SPEAKER 1 0:38:28

Das finde ich sehr, sehr wichtig. Und ja, das sind, das würde ich sagen, das sind so die wichtigsten Dinge, die vielleicht die Arbeit

SPEAKER 2 0:38:36

in so einem Unternehmen, wie ich arbeite, was so ein bisschen konservativer ist,

SPEAKER 1 0:38:41

unterscheidet zu eher

SPEAKER 2 0:38:42

vielleicht moderneren. Genau, und die Chemieindustrie an sich ist konservativ.

SPEAKER 1 0:38:47

Also von dem her werden das wahrscheinlich viele bestätigen,

SPEAKER 2 0:38:52

die auch irgendwie in einem größeren Konzern arbeiten,

SPEAKER 1 0:38:54

im Chemiebereich. Da wird es möglicherweise ähnlich sein. Ich glaube, eine gute Überleitung zu unseren zwei Fragen, die wir, oder die ich jedem Gast stelle. Was machst du noch privat mit Daten? Und vielleicht mit dem, was wir anfangen sollten, ist eher, wie würdest du jetzt das, was du jetzt hier erzählt hast, mit einem Filmtitel oder mit einem Serientitel bezeichnen, Frank?

SPEAKER 2 0:39:18

Wenn ich jetzt auf das schaue, was ich bisher so gemacht habe,

SPEAKER 1 0:39:21

also wenn ich jetzt zum Beispiel, in meinen eigenen Lebenslauf mal angucke und ich dazu einen Titel finden sollte,

SPEAKER 2 0:39:28

ob es jetzt ein Filmtitel ist oder ein Serien- oder ein Buchtitel,

SPEAKER 1 0:39:31

dann würde ich sagen,

SPEAKER 2 0:39:32

zwischen Zahlen und Zielen.

SPEAKER 1 0:39:34

Das hatte ich mir überlegt,

SPEAKER 2 0:39:35

das passte irgendwie ganz gut. Weil das eben genau das ist. Ich versuche ja irgendwie mehr Werte mit Zahlen hinzukriegen

SPEAKER 1 0:39:41

und das ist halt mein Ziel, das zu schaffen. Also das würde ich jetzt als Filmtitel vielleicht sehen. Was mache ich privat mit Daten? Ich, habe verschiedene Themen, mit denen ich mich nicht auskenne. Im Bereich Data Science,

SPEAKER 2 0:39:58

Data Engineering und alles mögliche. Da gibt es einfach so wahnsinnig viel,

SPEAKER 1 0:40:01

da kann man nicht alles wissen. Und ein paar Mal im Jahr,

SPEAKER 2 0:40:05

so zwei, drei, vier Mal im Jahr, setze ich mich wirklich hin und versuche das aufzuarbeiten. Dass ich irgendwie mir das selber beibringe. Das war jetzt 2024, sind das Generative Adversarial Networks zum Beispiel gewesen. Damit habe ich mich sehr intensiv beschäftigt

SPEAKER 1 0:40:21

und auch geforscht, in dem Bereich. Oder Adversarial Attacks,

SPEAKER 2 0:40:24

da mache ich auch,

SPEAKER 1 0:40:25

habe ich sehr, sehr viel zugemacht.

SPEAKER 2 0:40:27

Also ich mir das erstmal selber beibringe

SPEAKER 1 0:40:28

und auch gucke, was kann man noch tun, was fehlt noch,

SPEAKER 2 0:40:31

wie kann ich es verbessern. Meistens mache ich das mit so Kaggle Notebooks.

SPEAKER 1 0:40:35

Und weil das halt öffentlich zur Verfügung steht,

SPEAKER 2 0:40:38

die Ressource,

SPEAKER 1 0:40:39

und da kann man auch gut an die Datensätze drankommen. Und manchmal baue ich dann eben auch daraus verschiedene Dashboards oder sowas zusammen

SPEAKER 2 0:40:49

für mich selbst, damit ich auch diese,

SPEAKER 1 0:40:50

diese Komponente immer dabei habe.

SPEAKER 2 0:40:52

Was wäre jetzt, wenn ich das implementieren wollte? Weil mich das meistens eigentlich auch aus beruflicher Sicht

SPEAKER 1 0:40:56

dann wiederum interessiert. Das heißt,

SPEAKER 2 0:40:59

ich versuche irgendwie, wenn ich was mache, ein Projekt von ganz am Anfang, von der Datenentstehungsseite bis ganz hinten hin, bis zu einem fertigen Produkt

SPEAKER 1 0:41:06

einmal durchzuspielen.

SPEAKER 2 0:41:07

Und das mache ich so drei, vier Mal pro Jahr ungefähr.

SPEAKER 1 0:41:10

Das ist das, was ich auch wirklich im privaten Bereich mache,

SPEAKER 2 0:41:13

weil das sind alles keine Sachen,

SPEAKER 1 0:41:14

die man irgendwie unternehmerisch verwenden könnte.

SPEAKER 2 0:41:17

Das ist alles nur Spielerei.

SPEAKER 1 0:41:18

Das letzte Mal habe ich so ein Dashboard erstellt,

SPEAKER 2 0:41:20

mit Streamlit,

SPEAKER 1 0:41:21

wo man sich Daten,

SPEAKER 2 0:41:23

also ein Bild generieren kann,

SPEAKER 1 0:41:25

zum Beispiel von einer Katze

SPEAKER 2 0:41:26

oder von einem Hund oder von einem Menschen.

SPEAKER 1 0:41:27

Und ich habe mal geguckt. Das wäre eigentlich cool,

SPEAKER 2 0:41:29

dachte ich mir. Was wäre denn, wenn ich so ein Modell zusammenbaue,

SPEAKER 1 0:41:32

wo man das beides,

SPEAKER 2 0:41:34

wo man jetzt zum Beispiel sagen kann, wie würde eine Mischung aus der Katze

SPEAKER 1 0:41:37

und dem Hund aussehen? Und dann habe ich,

SPEAKER 2 0:41:38

habe ich das zusammengebaut und dann so ein Dashboard daraus gebaut,

SPEAKER 1 0:41:41

wie man das,

SPEAKER 2 0:41:42

wie das aussehen würde. Also sahen schon ziemlich schrecklich aus.

SPEAKER 1 0:41:45

Aber, das fand ich einfach, das waren die Experimente. Und, ja, ein Elefant,

SPEAKER 2 0:41:50

ein DLM habe ich mal selber zusammengebaut, einfach nur mal,

SPEAKER 1 0:41:53

um zu gucken,

SPEAKER 2 0:41:53

wie schwierig das wirklich ist.

SPEAKER 1 0:41:55

Und ja, das ist echt schon ganz schön schwer.

SPEAKER 2 0:41:57

Also da kam auch nicht besonders viel raus. Also ich wurde dann sogar einmal beleidigt von dem Ding. Und das habe ich auch auf Kachel gemacht. Aber da kommt es auch eben sehr stark darauf an,

SPEAKER 1 0:42:05

wie viel Daten man da reinsteckt und wie viel an, wie groß,

SPEAKER 2 0:42:11

wie groß das Modell ist, wie gut man da halt generalisiert.

SPEAKER 1 0:42:13

Das, das geht alleine kaum. Also braucht man schon echt heftige Ressourcen dafür.

SPEAKER 2 0:42:18

Das ist jetzt gerade ein Projekt,

SPEAKER 1 0:42:19

wo ich mich jetzt gerade noch ein bisschen beschäftigt bin. Also bin ich noch lange nicht fertig.

SPEAKER 2 0:42:22

Aber dadurch,

SPEAKER 1 0:42:23

dadurch,

SPEAKER 2 0:42:23

dass ich diese Sachen mache,

SPEAKER 1 0:42:24

verstehe ich halt auch dann viele Sachen besser. Und ich glaube, dadurch kann ich meinen Beruf dann auch wiederum ein bisschen besser ausüben. Also das ist das, was ich privat mit Daten mache. Verstanden. Hast du eigentlich beide Fragen relativ schnell und zügig in einem beantwortet? Ja, ich habe mir vorher schon Gedanken darüber gemacht. Ja, ja. Die Fragen kommen ja jetzt langsam nicht mehr, nicht mehr sozusagen aus dem, aus dem Blauen. Frank, vielen, vielen Dank für die Folge. Ich habe zu danken.