Daten, Dashboards, Durchblick – Tchibos Weg zur datengetriebenen Organisation, mit Philip R., Tchibo

SPEAKER 1 0:00:00

Welche unterschiedlichen Rollen gibt es eigentlich im Data Game? Das war meine Frage, die ich nochmal angehen wollte. Ich wollte schon immer mal ein bisschen über Chibo erfahren und dachte dann, ich kann mit dem Philipp sprechen. Philipp erzählt so ein bisschen aus der technischen Welt, was er so bei Chibo macht. 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 Datenbereichen und zeigt Schritt für Schritt, wie genau das funktioniert. Herzlich willkommen zu My Data is Better than Yours, der Data Podcast. Schön, dass ihr Alken geschalten habt. Mir gegenüber sitzt der liebe Philipp ganz freudestrahlend und im HSV-Trikot. Vielleicht können wir dadurch erahnen, wo du herkommst. Es ist eine spannende Folge. Ich habe schon sehr, sehr lange drüber nachgedacht, mal mit Chibo aufzunehmen. Und das ist ja jetzt sozusagen was geworden. Und dann haben wir noch eine freudige Nachricht. Aber die freudige Nachricht, Philipp, kannst du, glaube ich, auch mal kommunizieren.

SPEAKER 2 0:01:20

Genau. Wir sind endlich wieder in der ersten Liga. Also um das relevante Verwechseln, je nachdem wann dieser Podcast gesendet oder gehört wird, kann das ja durchaus schon wieder kalter Kaffee sein.

SPEAKER 1 0:01:33

Aber man muss mal entsputen und schauen, dass das Team das relativ zügig schneidet. Cool. Philipp, jeder Gast und jede Gästin stellt sich bei mir ja mal vor. Jetzt haben wir schon ein bisschen gesagt, welchen Fußballclub du gut findest. Stell dich nochmal vor, kurz wer du bist, was du machst. Und vor allem hatte ich ja schon das Unternehmen verraten. Kannst ja mal kurz was über das Unternehmen sagen.

SPEAKER 2 0:02:00

Ja, genau. Also ich bin Philipp Rutkowski. Ich bin 46, bin als Senior Business Consultant in Challenges bei der Chibo GmH beschäftigt im wunderschönen Hamburg und dort bei Chibo entsprechend zuständig in der Abteilung von Omaha Rani. Für unsere Sub Analytics Cloud, für die Subdatersphere und ein bisschen mit Kollegen zusammen für die Architektur. Das heißt, wie schaffen wir es, unsere Daten zusammenzuhalten, zu orchestrieren, zu modellieren und entsprechend dann an die Endnutzer zu bringen?

SPEAKER 1 0:02:35

Ja, jetzt ist Chibo gar nicht so klein. Ihr seid schon eine große Organisation. Dein Chef will ich auch noch mal irgendwann im Podcast haben, weil es glaube ich total spannend ist, ein bisschen mal auf einer strategischen Ebene mit ihm zu diskutieren. Weißt du, wisst ihr, wie viele Data Leute alleine bei euch arbeiten?

SPEAKER 2 0:02:52

Ja, also sogar sehr gut. Chibo hat das hier über die letzten Jahre geschafft, es zusammenzubündeln. Also die Abteilung von Omaha, wenn man das so nennen möchte, sind roundabout 60, 65 Leute, je nachdem, wie man das da mit Werkstudenten und so was mitzählt. Und dort machen wir quasi alles. Also wir haben dort Stager Engineers, wir haben die Leute, die das SAPW betreuen. Wir haben entsprechend Leute, die Customer Analytics machen. Wir haben die Abteilung, in der ich bin, in der wir dann an der Stelle die Daten nach vorne bringen, quasi zu unseren Kunden und dann auch ein eigenes Team, um Marketing Analytics zu unterstützen. Also alle BI Abteilungen oder alle Leute, die etwas mit Business Intelligence machen, die etwas mit Daten machen, sind in einer Abteilung zentral zusammengeführt.

SPEAKER 1 0:03:42

Ja, ich sehe mal die Diskussion zentral oder dezentral. Ich glaube, es hat den Vorteil, wenn du alles zentral hast, dass du einfach einen anderen Speed auf der Innovation hast und auf den Reifegrad, den du da verändern kannst. Definitiv.

SPEAKER 2 0:03:56

Und es ist halt eine riesen Abteilung, die Wege sind dennoch kurz. Das heißt, wir sind da quasi nur in vier Unterteams gegliedert und können dann sofort bei Omaha oder entsprechend bei unserem CIO dann entsprechend vorstellig werden und die Sachen bestimmen.

SPEAKER 1 0:04:15

Noch so eine philosophische Frage und dann können wir ja nochmal in deine Aufgaben viel tiefer einsteigen. Aber was ist, was glaubst du, was habt ihr in den letzten Jahren erreicht? Was ist der Mehrwert, den Data oder die Abteilung bringt? Kann man das irgendwie beziffern?

SPEAKER 2 0:04:34

Manche Mehrwerte oder Benefits sind sehr, sehr gut monetarisierbar darstellbar. Also wir haben neben unserer, neben diesen ganzen Geschichten natürlich auch ein eigenes Team, das sich um Gen.i und Predictions kümmert. Und wir hatten da einen Use Case. Also ich bin jetzt ja zweieinhalb Jahre an Bettschiebe und das war so quasi der Use Case, mit dem ich eingestiegen wurde oder eingeführt wurde. Was dann hieß, das haben wir gerade eben gemacht und das war dann eine Prognose, eine Prediction, wie viel Artikel in welchem unserer Depots, das sind diese kleinen Shops im Shop. Also wenn du zur Edigkeit gehst, wenn du zur Rewe, dann siehst du so ein Chibo Regal, das gehört alles Chibo. Und das muss auch von uns selber zentralisiert mit Ware versorgt werden. Und die Prediction alleine, wo wie viel, also die Prognose Ware hin verschifft werden muss, also quasi in welches Lager, in welches Termin geballt werden muss, das ist mit Machine Learning-Alberitmen gemacht worden. Und dieser kleine Use Case hat schon quasi direkt im Proof of Concept so viel Hebelwirkung gezeigt, dass der quasi sofort live gesetzt wurde und uns dann schon irgendwie eineinhalb Millionen Euro, glaube ich, gebracht hat. Also ich weiß nicht, ob die Summe fest ist, aber es war gigantisch. Das hast du gesagt, Hander, warte mir gar nicht erst auf ein Projekt, das schalten wir sofort live.

SPEAKER 1 0:05:55

Ja, extrem spannend, weil ich überlege gerade, ich habe ja auch mit Smekl oder so was mal einen Podcast gemacht zum Thema Abverkauf im Einzelhandel. Da müsst ihr schon eine gute Kooperation haben, dass ihr auch die Abverkaufsdaten bekommt. Genau.

SPEAKER 2 0:06:08

Also das ist halt so quasi noch das aus dem Einzelhandel, weil es ist nicht unsere eigene Laden. Deswegen wissen wir nur, was dann quasi im Stock fehlt, dann in den Depots, weil die Ware gehört halt an der Stelle tatsächlich Chibo. Das ist halt ein einmaliges Geschäftsmodell, weil die Ware verkaufen wir nicht an EDEKA, sondern wir mieten uns quasi als Untermieter bei EDEKA ein.

SPEAKER 1 0:06:31

Ja, und EDEKA kassiert für euch ab und gibt euch dann sozusagen wieder das Geld. Und dadurch wisst ihr, was im Lager ist, aber kriegt irgendwann eher später erst mit, was verkauft wurde. Und ja, spannend.

SPEAKER 2 0:06:45

Genau. Und natürlich, das ist jetzt das, was erst vor eineinhalb, zwei Monaten in den Beta-Test reingegangen ist, das ist unsere Gen.i-Suche im Webshop, wo dann die Kollegen tatsächlich mit Gen.i-Algorithmen, mit Large-Language-Modellen die Suchbegriffe anders vektorisiert und dargestellt haben, sodass dann entsprechend nicht nur Schlagwort-basierte Artikelsuche, sondern wirklich komplett per Large-Language-Model-basierte Suche umgesetzt wurde. Und das ist natürlich ein gigantischer Hebel, wenn man sagt, ich suche nach irgendwelchen, Oma hatte da ein schönes Beispiel, ich suche dann auf der Webpage nach irgendwelchen Gartenhäusern und finde da vielleicht nur irgendwie ein, zwei Artikel dazu, aber wenn ich das entsprechend anders einschalte,

SPEAKER 1 0:07:36

Socken mit Tiermotiven für Kinder.

SPEAKER 2 0:07:40

Und wenn dann an der Stelle wirklich dann das nicht so eingegeben wurde vom Einkäufer, bringt das halt ja noch sehr, sehr gut.

SPEAKER 1 0:07:47

Genau, es kommt immer darauf an, wie die Produkte gepflegt werden und das ist natürlich schon mühsige Arbeit, die Produktdaten da sauber zu pflegen und dann kriegst du es natürlich über so Large-Language-Models nochmal auf einen ganz anderen, also kannst du die Produkte selber taggen und automatisierst viel in Bereichen und hast dann natürlich auch die Suche, die besser.

SPEAKER 2 0:08:03

Und alleine, wenn du da so einen Hebel hast, so ein, zwei Prozent mehr Conversion-Weights sind das gleich gigantische Summen, die dann...

SPEAKER 1 0:08:09

Definitiv, vor allem bei einer Größe die, die ihr habt. Philipp, wir haben so, ich kann mich noch dran erinnern, vor einiger Zeit mal miteinander telefoniert und haben so ein bisschen überlegt, ich hab gesagt, ich will euch auf jeden Fall einen Podcast haben und würde gerne mit dir sprechen. Du hast es so ein bisschen gesagt, um so ein bisschen aus dem Nähkästchen zu blaulern. Ja, du weißt noch gar nicht, ob das so spannend ist, über was du sprechen kannst. Und ich bin ganz fest der Meinung, dass, und das ist ja auch meine Aufgabe, dass die Aufgabe, die ihr zum Beispiel macht, total wertschätzend ist und dass die in überhaupt noch nicht immer unternehmenklar kommuniziert wird. Nämlich was ist eigentlich der technische Background? Kannst du uns nochmal abholen, was ihr macht? Und ich finde es ein total tolles Beispiel, wenn du es eher, man muss es vielleicht manchmal ein bisschen negativ frameen. Was kann denn alles nicht gemacht werden, wenn eure Arbeit nicht erledigt wird? Weißt du, ich glaube, das hilft manchmal, weil es ist so die klassische IT oder die ganzen klassischen Themen rund um Data ist ja, bei uns würde man sagen, nicht gescholten ist genug gelobt. Also wenn es funktioniert, gibt es kein Lob. Aber wenn es nicht funktioniert, dann wird man oder meldet man sich eben.

SPEAKER 2 0:09:15

Ja. Die Bandbreite, die wir quasi bei uns insgesamt mit Dat machen, da bin ja ich nur ein ganz, ganz kleines Zahnrätchen davon, aber die gesamte Abteilung, wenn wir nicht da wären, wenn quasi unsere Systeme nicht funktionieren werden, würden dann wäre quasi tatsächlich Steinzeit bei Chibo und sie würden zurück, also vielleicht noch irgendwie ein, zwei Monate versuchen, mit irgendwelchen Excel-Listen zu überleben. Und dann ist Papier und Bleistift angesagt, weil wir haben quasi in unseren Systemen komplett von der Standard Ergebnis Rechnung. Also da wird halt wirklich vom Controlling die Belastwaren von den Wirtschaftsprüfern abgenommenen Zahlen ermittelt und quasi im Haus verteilt und als Grundlage genommen. Es werden entsprechend die Predictions gemacht. Es werden die Prognosen für alles Mögliche gemacht, für die Planungen. Und was hier so Jenny-Eye-seitig entsprechend passiert, da ist dann auch der Ofen aus. Ja. Und dann weiter haben wir für das Marketing natürlich sämtliche Kundenanalysen. Also alles das, was wir jetzt mit Kunden klassifizieren. Wenn wir irgendwelche, es gibt immer noch Newsletter, die rausgehen, die teilweise sogar in Prospekten gedruckt werden. Wenn da es nicht mehr möglich ist, dann geht da auch nichts mehr raus, kann nichts bestellt werden. Oder im schlimmsten Fall wird halt an Kunden verschickt, die mit dem Analog gar nichts anfangen können.

SPEAKER 1 0:10:45

Ja. Gibt es eine Analogie, in der wir beschreiben können, was die Aufgabe ist? Der gesamten Abteilung. Ja, der Gesamt, also deine Aufgabe, das war ja sozusagen der spannende Case. Jetzt mal deine Rolle bei Chibo und allgemein im Unternehmen noch mal zu beschreiben, wann und in welcher Art und Weise braucht man deine Rolle? Was ist deine Aufgabe? Das ist ja sozusagen der spannende Case, der dahinter liegt.

SPEAKER 2 0:11:12

Also ich sehe mich quasi als Enabler. Ich sehe, dass wir ganz, ganz viele Datenschätze haben. Ich sehe, dass ganz, ganz viele Abteilungen die Notwendigkeit haben, auf diese Daten zuzugreifen, aber teilweise gar nichts davon wissen.

SPEAKER 1 0:11:31

Ja.

SPEAKER 2 0:11:31

Und beschreib den Titel bitte noch mal, den habe ich gerade.

SPEAKER 1 0:11:38

Enabler. Ich habe den Titel vorher sozusagen, denn der normaler.

SPEAKER 2 0:11:43

Senior Consultant Business Intelligence.

SPEAKER 1 0:11:46

Aber wenn man das vergleicht, ihr habt ja noch Data Engineering Rollen, richtig?

SPEAKER 2 0:11:50

Wir haben auch Data Engineering Rollen.

SPEAKER 1 0:11:52

So, wenn wir das jetzt sozusagen noch mal die Wertschätzung darlegen, ist es ja sozusagen, wir kommen, also das die Engineers, die die Quellen nehmen, die Rohdaten oder die aggregierten Daten aus den Quellen nehmen, sie vielleicht in den Data Warehouse oder in eine zentrale Stelle packen, dort modellieren und dann weiter zur Verfügung stellen in aggregierte Form oder in Rohform. Dann gehen ja da die Data Analysten und die Data Scientisten drauf. Deine Rolle ist ja noch mal weiter vorne in der Wertschätzung. Korrigiere mich auch gerne, wenn ich dir jetzt die Wertschöpfungskappe zu schnell oder zu einfach erklärt habe. Deine Aufgabe ist ja eher, wenn ich jetzt zum Beispiel in der Marketing Fach Abteilung sitze, so würde ich deine Aufgabe verstehen und sage, OK, pass auf, ich möchte im Webshop meine Suche gerne besser machen. Mein Gefühl ist, dass ich 10 Prozent aller meiner Suchergebnisse führen nicht zu conversion, die ich mir eigentlich erwünsche auf der Webseite. Was können wir machen, um die Suche besser zu machen? Dann würdest du einsteigen?

SPEAKER 2 0:12:57

Ja, das machen quasi die Kollegen dann, die bei Gen.i sind. Also ich bin quasi eher dafür da und würde meine Rolle dann quasi beschreiben, dass die Fachbereiche, wir können jetzt ein Beispiel nehmen, unser Non-Food Fachbereich kann unter anderem auf mich zu. Und dann hieß es, Non-Food braucht quasi mehr Informationen zu seinen eigenen Produkten, zu seinen eigenen Artikel, zu Abverkäufen, zu Kundenstrukturen, um einfach die Sortimente optimieren zu können. Und dann mache ich mich auf der Suche mit unseren Data Analysten zusammen, zu sagen, wer hat welche Informationen anzubieten?

SPEAKER 1 0:13:34

Wo kann man entsprechend da noch Mehrwerte heben?

SPEAKER 2 0:13:37

Und dann bin ich dabei, alle diese Daten zusammenzubringen und halt eben in gebündelter Form, zum Beispiel in Form von Dashboards oder in Form von möglichen Dashboards.

SPEAKER 1 0:13:49

Aber machst du das auch wirklich dann? Ja. Du bist dann sozusagen, du erstellst dann auch das Dashboard?

SPEAKER 2 0:13:55

Ich erstelle dann auch das Dashboard. Ich verteile das dann auch je nachdem. Man kann das nicht alles immer selber machen, aber ich schraube auch tatsächlich dann auch selber in der SHC herum. Ich schraube dann auch selber in der BigQuery herum, wenn wir an der Stelle gerade Not am Mann haben.

SPEAKER 1 0:14:09

Dein Profil ist also auch technisch? Ja. Aber dein Hauptjob ist eigentlich, die Anforderungen aus dem Business zu verstehen und umzusetzen?

SPEAKER 2 0:14:17

Und dafür zu sorgen, dass dann die entsprechenden Datenstrukturen in den Systemen auch drin sind, um solche Fragenstellungen beantworten zu können. Es hilft ja nichts, wenn dann quasi wir immer nur pro Einzelfall dann irgendeinen Datamap bereitstellen oder irgendeine Analyse bereitstellen. Es soll dann auch möglichst aus dem Einzelfall heraus alle zukünftigen oder möglichst alle zukünftigen Anforderungen derselben Art und Weise oder aus ähnlichen Anforderungen.

SPEAKER 1 0:14:43

Struktur, du baust, was auch immer, so ein bisschen Governance-Aufgaben sozusagen. Verstanden.

SPEAKER 2 0:14:49

Deswegen, also ich sehe mich da eher als Generalist, weil ich dann immer mal wieder verschiedene Hüter habe. Dann muss man mal wirklich eher so in die Projektsteuerung reingehen. Dann muss man mal in die Architektur reingehen und teilweise ist dann auch wirklich die Arbeitskleidung anziehen und dann quasi in Maschinenraum abtauchen und dann was schrauben.

SPEAKER 1 0:15:08

Wie lange arbeitest du jetzt bei Chibo?

SPEAKER 2 0:15:11

Zweieinhalb Jahren.

SPEAKER 1 0:15:12

War die Rolle vor zwei Jahren auch gleich? Die Rolle war eigentlich schon gleich.

SPEAKER 2 0:15:21

Also ich bin auch zu Chibo gekommen mit der Prämisse, die Systeme so quasi dann vorzubereiten. Wir haben vor zweieinhalb Jahren dann genau auch mit der Data Sphere angefangen, das entsprechend auch technisch zur Verfügung zu stellen. Und das blieb dann an der Stelle auch soweit und hat sich dann an der Stelle sogar ausgebaut.

SPEAKER 1 0:15:43

Ich überlege gerade, weil ich durfte ja auch schon einige Data Teams begleiten, die diesen Weg, diese Entwicklung der unterschiedlichen Rollen mitgemacht haben. Ich überlege, wie das sozusagen einhergeht, weil irgendwann wird ja deine Generalistenrolle vielleicht wieder in eine Spezialistenrolle gehen, weil es mehr Anfragen der gleichen Art gibt, die nochmal individueller beantwortet werden müssen. Auf der anderen Seite würde ich interpretieren, dass fünf Anfragen könntest du nicht im Projekt beantworten. Also du bist ja irgendwann auch Bottleneck, was gar nicht negativ gemeint ist, sondern eher umso besser du deine Arbeit machst, umso mehr Nachfrage wird es ja aus der Fachabteilung geben. Und umso mehr wirst du gefragt und umso mehr Personen braucht man wie dich? Ja, verstehe ich.

SPEAKER 2 0:16:42

Wir haben auch bei uns quasi in der Abteilung durchaus so eine Aufteilung, dass verschiedene Leute verschiedene Fachbereiche betreuen, weil sie dann entsprechend in der Logik, in den Themen der Fachbereiche drin sind.

SPEAKER 1 0:16:58

Die verstehen wir.

SPEAKER 2 0:16:59

Da kann ich zum Glück quasi so ein bisschen springen. Aber wir haben an Stellen durchaus auch so das, was ich Kopfmonopoly nenne, wo du dann wirklich Themen hast, die nur speziell bei einer Person liegen. Und gerade wenn diese Person das Unternehmen verlässt, hast du dann eine Vielzahl an Themen, die in der Luft hängen und die musst du dann einer Person zusätzlich zu teilen. Und das versuchen wir aktuell gerade architektonisch so ein bisschen zumindestens Herr zu werden, dass wir uns architektonisch so aufstellen, dass es möglichst Strukturen folgt, die für alle nachvollziehbar sind, sodass dann quasi die Kopfmonopoly versucht werden aufzubringen. Das ist halt ein Prozess. Das ist nicht von heute auf morgen.

SPEAKER 1 0:17:46

Und dann alle Generalisten werden, also dass du dann auch andere Themenbereiche verstehst?

SPEAKER 2 0:17:51

Ja, der Anspruch ist es tatsächlich, dass man zumindestens die Chance hat, verschiedene Themen zu verstehen. Also da geht es dann in Richtung in der Data Governance um die ganze Dokumentation. Es hilft nichts, wenn ich dann entsprechend irgendeine, wir haben Data Marts, die dann gigantisch groß sind mit 400, 500 Spalten und irgendwelchen Sonderberechnungen. Die sind auch gut dokumentiert, aber das braucht dann tatsächlich Monate, um dahinter zu steigen, wie dann so etwas funktioniert. Das kann man auch nicht mit irgendeiner Data Governance Doku erschlagen und sagen, da steht ja alles drin und jetzt sei glücklich, sondern da muss man halt schauen, dass man solche Bereiche versucht, Sly's the Elephant, so ein bisschen aufzusplitten und die ganzen Monolithen versucht, ein bisschen loszuwerden, dass man es ein bisschen kleiner macht und dafür dann besser dokumentieren kann.

SPEAKER 1 0:18:50

Ja. Hast du ein Beispiel für einen positiven Use Case, den du in letzter Zeit umgesetzt hast, über den du erzählen kannst?

SPEAKER 2 0:18:59

Ja, dieses von mir erwähnte, der Non-Food-Bereich, das war eigentlich ein ganz erhellender Moment, weil der Fachbereich, wie formuliere ich das, positiv, also das soll jetzt überhaupt nicht despektierlich wirken. Das ist jetzt nur aus meiner eigenen technischen Brille so, wenn für mich Excel schon ein Buch mit sieben Siegeln und Hightech ist, dann brauche ich mit DataMats, DataMesh und irgendwelchen grafischen Analysen noch nicht anfangen.

SPEAKER 1 0:19:28

Ja.

SPEAKER 2 0:19:29

Und der Fachbereich war halt an der Stelle so unterwegs und hatte aber viele Ideen, was ihnen wohl an Daten weiterhelfen könnte. Und wie das so ist in der Historie, werden dann natürlich alle möglichen Seilschaften und Bekanntschaften benutzt und dann bekommt der eine das eine Team von irgendjemanden Excel-Listen zugeschickt, das andere bekommt irgendwelche Grafiken erstellt und zugeschickt und das baut sich dann über die Jahre auf. Und das haben wir halt dadurch auflösen können, dass diese ganzen Anforderungen zusammengesammelt wurden. Da hat der Fachbereich sehr, sehr viel gemacht. Und da haben wir dann wirklich ganz, ganz viele unterschiedliche Daten. Das sind klassische Controlling-Daten, das sind Kundensegmentierungen, die dann entsprechend aufgelistet sind. Aber auch unsere Gen.EI-Use-Cases konnten wir damit einbringen. Wir haben so ein Projekt, das dann auch automatisiert Kunden-Feedbacks, also das, was die Kunden auf der Homepage an Sternebewertungen, an Kommentaren schreiben, an E-Mails schicken. Das wird auch von Large-Language-Modellen testweise durchsucht und entsprechend kategorisiert und auf Artikel runtergebrochen, damit man dann sagen kann, oh, guck mal hier zu dem T-Shirt sagen Kunden, dass die Passform nicht stimmt oder das ist quasi. Also, dass man da so ein Feedback bekommt. Und diese ganzen Sachen konnte ich dann auch zusammenziehen und sagen, hey, diese Daten haben wir auch, die könnten wir doch auch mit dazu verheiraten und dazu bringen. Und so ist dann quasi jetzt etwas entstanden, was den Leuten wirklich dann auch in ihrer täglichen Arbeit hilft, wo sie dann wirklich sagen können, hey Mensch, wie sieht es denn in meinem Sortiment aus, wo ich verantwortlich bin? Wie ist da die Kundenstruktur? Wie ist sie sich verändert? Wir haben bei Chibo jede Woche eine neue Welt. Das ist halt auch etwas, wo jede Woche halt wirklich ein neues Sub-Sortiment quasi live anschauen wird. Und die Planungen begannen in der Vergangenheit wirklich schon irgendwie eineinhalb Jahre früher für jede Woche und sind halt jetzt schon mal drastisch gekürzt worden.

SPEAKER 1 0:21:25

Ja, ja, spannend, weil. Mit der Veränderung, mit dem Zentralisieren der Daten, so hört sich es an, vorher mit mit Excel zusammengezogen, jetzt mit anderen Methoden oder Toolsets hört sich das fast so an, als ob Reife gerade übersprungen worden sind. Also dass man vorher jetzt jetzt hast du nicht nur die Reportings automatisiert, sondern auch Sentiment Analysen jetzt als Beispiel mit integriert und hast plötzlich nicht nur eine Zeit ersparen, sondern auch ein ein Erkenntnis gewinnt.

SPEAKER 2 0:22:00

Ja, wobei das nicht unbedingt um Reife, also vielleicht Reife gerade überspringen bei dem Fachbereich. Das kann sein. Technisch gesehen haben wir die Daten schon gehabt. Also es ist jetzt nicht so, dass wir da komplett auf der grünen Wiese anfangen mussten, bei weitem nicht, sondern es gibt da. Also es ist ja auch kein technisches Geheimnis. Wir setzen bei uns ganz viel auf Google BigQuery. Und in unserer Google Appliance haben wir schon als Data Mesh ganz, ganz viele Daten, die für diverse Use Cases und Fachbereiche und Themengebiete aufgebaut und quasi versorgt werden. Und da sitze ich dann eher so drauf und versuche dann eben nicht wieder alles zu kopieren, wieder neu zu zentralisieren, sondern zu sagen, das, was wir haben, nutzen wir und vernetzen das und stellen es halt eben Leuten zur Verfügung, die bisher noch gar nicht wussten, dass sie auf diesen Datenschatz zugreifen konnten.

SPEAKER 1 0:22:58

Und das ist natürlich sehr positiv, wenn es dann passiert und der Use Case umgesetzt wird.

SPEAKER 2 0:23:02

Genau. Und da kommt dann auch wieder das Stichwort Datendemokratisierung dazu, wo wir dann versuchen und das ist halt auch mein Steckenpferd oder mein Antrieb, dass wir die Einstiegshürde da möglichst niederschwellig machen. Weil es kann ja gut sein, dass wir diese Daten haben, aber wenn ich dann 35 Antagsformulare, Genehmigungen und zweieinhalb Wochen Wartezeit habe, bis ich dann an irgendeinen Report, der schon seit Jahren existiert, rankomme, ist auch kein Geholfen. Und ein sehr, sehr gutes Beispiel war, das war so für mich im Kopf der Stein des Anstoßes zu sagen, da müssen auch bei uns in dem System was verändern. Wir hatten im Sommer 2023 ein neues Lager in Cheb, in Tschechien eröffnet. Das Lager gab es schon, aber da wurde die ganze Fördertechnik neu aufgebaut. Und das ging dann als Zentrallager live und die Herausforderungen waren gewaltig. Der Durchsatz der Pakete stimmte von und hinten nicht. Es entstand ein gigantischer Stau an Paketen und das musste halt dringendst irgendwie gelöst werden. Und da hatten wir, das war auch nicht ich, ich war nur quasi mit in so einer Taskforce mit drin, mit Kollegen zusammen, versucht dann über kleine Reports, Dashboards und Analysen, a, das Problem sichtbar zu machen und b, dann auch gleichzeitig für die Logistikkollegen, so mit Machine Learning, Prognosen und Paketlisten zu optimieren, die sie dann möglichst optimal in das Lager reinspielen können, um halt quasi zu sagen, welche Aufträge solltest du idealerweise jetzt im nächsten Patch bearbeiten, damit du möglichst viel von deinen Artikeln wegkriegen kannst. Wohl wissend, dass dann auch Retouren kommen werden und dass das dann irgendwie so zusammenpasst. Und da konnten sie das dann entsprechend über Dashboards und Listenexporte machen. Und da kamen wir dazu, also das war wirklich eine Situation, da mussten wir innerhalb von einer Woche an diverseste Systeme heran, mussten Daten heranziehen, mussten Machine Learning-Algorithmen aufbauen mit Kollegen und mussten das Ganze an die User bringen. Und da hast du dann wirklich nach einer Woche irgendwas fertig und dann kommt auf einmal das halbe Haus um der Ecke und sagt,

SPEAKER 1 0:25:30

ich möchte das jetzt sehen, ich brauch das.

SPEAKER 2 0:25:33

Ich hab gesehen, ihr habt da so ein Dashboard fertig, zeig mal her. Und dann stellst du fest, na gut, damit du diese Daten sehen kannst, bräuchtest du folgende Berechtigung. Dazu musst du diese, musst ich deine Rolle erweitern lassen. Und auch einmal hakte es im System.

SPEAKER 1 0:25:46

Ja.

SPEAKER 2 0:25:47

Da gesagt haben, das quasi war bisher so nicht vorgesehen. Wir haben Einzelanalysen, wir haben natürlich ein Berechtigungskonzept, wie ich es in ganz, ganz vielen anderen Firmen vorher auch schon kennengelernt habe, dass du halt wirklich auf Einzelsatz-Ebene was berechtigst. Und auf einmal kommt man um die Ecke und sagt, ich hab hier etwas, das sind Einzelsätze, aber das soll jetzt quasi das ganze Haus sehen dürfen.

SPEAKER 1 0:26:09

Aber das Tolle ist ja doch bei so Cases, dass, also tu Gutes und sprich darüber, dass sich die positiven Ergebnisse immer schneller verbreiten, oder? Ja.

SPEAKER 2 0:26:27

Aber es sind dann auch quasi die Geister, die ich rief. Also es kommen dann, ich meine, das finde ich positiv, also wirklich positiv, wenn du dann den Leuten halt Appetit machst und sie zeigen, das funktioniert. Und ich sage deswegen Datendemokratisierung, ich kann gar nicht vorhersehen, was die Leute alles mit den Daten Positives bei sich selber bewirken könnten. Ich kann nur dafür sorgen, dass sie quasi auf die Idee kommen, selber über den Tellerrand mal hinweg zu denken.

SPEAKER 1 0:27:01

Ja. Ja, also ich glaube, man braucht so ein bisschen den Anker, wie weit man kommen kann. Ja, also ich glaube, auf der einen Seite musst du verstehen, was für Möglichkeiten gibt es eigentlich alles. Auf der anderen Seite muss es natürlich auch irgendwie nicht so weit weg sein, dass du nicht den zehnten Schritt nacheinander machen willst. Und auf der anderen Seite gibt es dann bestimmt natürlich auch Leute, die, die verstehen wollen, dass die Möglichkeiten fast unendlich sind, sie zu realisieren, jedenfalls technisch. Ob dann der Aufwand natürlich wieder sozusagen gerechtfertigt ist, ist eine andere Nummer. Richtig.

SPEAKER 2 0:27:42

Muss ich halt bedingen. Es soll halt eine möglichst geringe Einstückshürde sein, damit du halt wirklich die Möglichkeit hast, ins Denken zu kommen und zumindest Ideen entwickelst.

SPEAKER 1 0:27:55

Wenn man sich so ein bisschen deinen Lebenslauf anschaut, war das immer die Position, die du ausgeführt hast?

SPEAKER 2 0:28:02

Nein, das hat sich entwickelt über die Zeit. Ich glaube, das ist auch keine überraschende Antwort. Natürlich entwickelt sich das über die Zeit, tatsächlich aber relativ lange schon im Datenumfeld gewesen. Also ich habe mit einem klassischen Java-Entwickler angefangen und habe dann quasi J2E-Programmierung gemacht und bin dann aber tatsächlich jetzt schon seit bald 20 Jahren im Bereich Daten und Data Warehouses unterwegs. Also ich habe Data Warehouses vom Scratch aufgebaut. Ich war auf Oracle und Teradata unterwegs. Ich war auf Microsoft Azure unterwegs. Ich war dann auch jetzt seit 13, 14 Jahren bin ich auch parallel im SAP-Umfeld, also SAP BW unterwegs. Es waren eigentlich immer quasi eben was mit Daten. Und dann ging es halt auch um die Präsentation der Daten, also nicht nur im Maschinenraum irgendwelche Tabellenschrauben oder so etwas, sondern daraus dann auch einen Mehrwert machen. Und wir haben schon früh versucht, Daten miteinander zu kombinieren und haben auch Datenbanken miteinander kombiniert. Und manchmal läuft es, manchmal läuft es technisch schwierig und dann werden die Datensätze immer größer, die Daten mein leistungsfähiger. Und jetzt sind wir so in einem Zustand, wo ich sage, jetzt macht es langsam richtig Spaß, verschiedene Daten auch virtuell miteinander zu koppeln. Das hat immer noch seine Restriktionen, aber man kann zumindest jetzt wesentlich einfacher auf Daten zugreifen in einem ersten Schritt und kann dann hinterher anfangen, okay, wenn ich da jetzt noch mal einen Schritt tiefer gehe, dann wird es langsam nach gut. Dann bleibe ich erst mal auf der höheren Flug-Ebene, aber habe zumindest schon mal so ein Quick Win von Informationen aus verschiedenen Systemen.

SPEAKER 1 0:29:48

Gekoppelt. Ich versuche gerade herauszufinden, ob dein Lebenslauf dir geholfen hat in der Position. Also, weil das ist, du verbindest ja gerade dieses Anforderungsmanagement und auch das Umsetzen. In vielen Organisationen sehe ich und ich habe auch selber die Erfahrung gemacht, dass ich diese Stelle eher durch zwei Personen ersetze. Also jemand, der versteht, die Sprache von der Fachabteilung zu sprechen und nicht zwangsweise technisch umsetzt, aber eher dann mit dem Data Engineer oder der Data Engineering Dame sprechen kann. Was natürlich den Vorteil hat, du kannst schneller POCs bauen, weil du die gleiche Person bist, die es auch realisiert. Es gibt keinen Abstimmungsaufwand. Auf der anderen Seite kannst du vielleicht auch in einem Termin was öffnen und währenddessen mal gucken, wie die Daten eigentlich aussehen und hast nicht dieses, ja, muss ich erstmal checken, ob überhaupt die Daten in der Form vorhanden sind. Ja, genau.

SPEAKER 2 0:30:47

Aber es war immer Teamwork. Also ich bin da kein Einzelheld oder sowas.

SPEAKER 1 0:30:52

Ja, ja, ja.

SPEAKER 2 0:30:55

Ich bin genauso abhängig von ganz, ganz vielen Kollegen, die dann mir Data Engineering seitigen oder die Arme greifen, wo ich sage, ich habe vielleicht vor 15 Jahren das letzte Mal irgendwie eine OData, OData gab es damals, sie haben nicht, aber quasi ein Webservice angebunden, hat irgendwelche Datenbanken oder irgendwelche Frameworks genutzt.

SPEAKER 1 0:31:15

Da bin ich auch schon abhängig. Was glaubst du denn, wo die Reise hingeht? Was sind denn so die Entwicklungen, die jetzt kommen? Also wird das Thema AI und Data noch separat laufen? Wird das irgendwann zusammengeführt werden? Siehst du noch andere technische Entwicklungen?

SPEAKER 2 0:31:33

Das ist eine gute Frage und wenn ich die wüsste, würde ich quasi nicht mehr arbeiten müssen, sondern hätte ich die Lottozahlen von nächster Woche schon. Aber die AI-Reise ist an der Stelle noch lange nicht zu Ende. Das ist jetzt gerade ein erster Wurf und jetzt fangen die Leute an zu denken und zu überlegen, wo es Sinn macht. Und jetzt kommen auch die ersten Ideen, wo es dann an der Stelle Sinn machen könnte, das reinzufinden. Jetzt wird es halt spannend, wie sich so das Ganze mit den etablierten Herstellern aufbaut. Also auch Chibo hat, wie ganz viele andere Kunden auch, dann natürlich Legacy-Systeme im Haus, wo wir dann sagen, auch das ist kein technisches Geheimnis. Wir haben sehr viel SAP und wir werden auch sehr viel SAP auch noch zukünftig haben müssen.

SPEAKER 1 0:32:29

Wo geht da die Reise hin?

SPEAKER 2 0:32:33

Wo kann da AI helfen, wirklich einen Mehrwert zu den Usern zu machen? Wir sehen das jetzt mit so ein paar lustigen Use-Cases mit Gen.AI und automatischer Bildgenerierung und so etwas, wo wir dann uns irgendwelche Fotomuster sparen können, weil wir das Ganze mit AI generieren können und das sieht täuschend echt aus. Aber das ist erst ein Anfang, das ist ja quasi nur ein kleiner Ausschnitt aus dem, wenn ich dann halt wirklich per AI mir irgendwelche lästigen Standard-Tasks, den SAP ersparen kann oder zumindest sagen kann, ja, buchen wir mal jetzt hier diesen Warn-Eingang durch. Wenn ich das nicht tagtäglich mache, dann muss ich mir erst mal wieder die Transaktion suchen oder so etwas. Und wenn ich das einem AI-Assistenten sagen könnte, das wäre schon genial.

SPEAKER 1 0:33:21

Ja, so ein AI-Agent, der ein bisschen Sachen abnimmt. Ich glaube, dass es viel mehr so Rollen geben wird, vor allem in der nächsten Zeit, also auch für eine Übergangszeit von drei bis fünf Jahren, die noch mal viel mehr dieses Educating, das Literacy Game, also Themen erklären, den Leuten versuchen, verständlich zu machen, was man denn alles mit den Sachen machen kann. Damit es anfassbar wird, weil sonst wird es, glaube ich, nicht möglich sein, das zu nutzen. Also AI ist schon zu weit weg. Du hast vorhin ja extra das auch höflich benannt, fand ich gut, aber Leute, die nicht mal Excel verstehen, wie wollen die der AI verstehen? Und das ist gar nicht negativ gemeint, weil sonst auch ich oder du werden in 30 Jahren höchstwahrscheinlich irgendwie da sitzen, da kommen andere junge Menschen, die sagen, hey, wir machen gerade Folgendes, warum versteht ihr das nicht? Und wir sagen, ja, sind wir nicht mit aufgewachsen?

SPEAKER 2 0:34:17

Das hieß doch heute schon, wenn ich jetzt unsere Werkstudenten nehme, für die ist ChatGPT oder so ein Large Language Model, das ist das natürlichste der Welt, dass ich halt quasi einfach erst mal mit denen spreche, mir erst mal Beispiele generieren lasse, Codebeispiele oder Fragestellungen, wo ich sage, ich käme gar nicht auf die Idee, dafür dann jetzt quasi dort was reinzutippern, weil das hätte ich anders gemacht. Aber das entwickelt sich so weiter. Und ich glaube auch, AI wird in drei oder fünf Jahren nicht tot sein, wenn wir es nicht erklären können, sondern es wird einfach mehr und mehr nach vorne subversiv quasi so zu den Leuten gebracht werden. Also dann hast du auf einmal in deinem Browser, in deiner Subquay, in deinem Handy, wie auch immer, du merkst gar nicht, dass da quasi ein AI-Algorithmus dahintersteckt, um das eine oder andere zu machen, sondern der Knopf ist dann genauso wie vorher auch und er macht halt einfach dann auf einmal mehr, als er sonst gemacht hat.

SPEAKER 1 0:35:19

Ja, oder nimmt viele Themen ab. Ja, stimmt. Obwohl ich, was ich jetzt spannend gesehen habe, heute ist bei mir das in der Timeline aufgetaucht. Planer war ja so der klassische, der Use-Case irgendwie, Customer Service wurde jetzt durch AI gemacht. Jetzt rollen sie schon wieder zurück. Da muss ich auch mal fragen, warum, weshalb und wo es da in die Richtung geht. Also an gewissen Stellen wird es immer human in the loop sein. Definitiv.

SPEAKER 2 0:35:47

Das willst du quasi, also ich als Mensch würde auch quasi nicht gerne mit einer Maschine nur sprechen wollen, denn man an gewissen Stellen, wenn du irgendeine Hotline anrufst oder ähnliches und dann erst mal mit der Maschine verbunden bist, ist es ja okay, um quasi das Ganze zu kategorisieren. Du merkst es immer dann, wenn dann quasi der Mensch rangeht und fragt, was ist denn dir anliegen, wo du sagst, wozu habe ich das denn vorher kategorisiert, wenn du dann brauchtest, dann wieder...

SPEAKER 1 0:36:14

Nochmal von vorne anfängt, ja.

SPEAKER 2 0:36:16

Aber das, glaube ich, wird einfach zukünftig noch, noch viel besser werden. Und vielleicht kann man dann schon das eine oder andere im Self-Service mit der Maschine klären, um irgendwelche Standardprozesse aufzulösen. Wenn du es auch nur schaffst, keine Ahnung, 10, 20, 30 Prozent der sowas wie von Kunden anrufen, dann von quasi im Self-Service erledigen zu lassen, dann sparst du ja auch gewaltigen Aufwand, um das dann wiederum nutzen zu können. Für den Rest haben wir dann immer noch Menschen, die sich das Einzelproblem anhören und entscheiden können. Also deswegen glaube ich, der AI-Weg, das hat gerade erst angefangen und das wird sich weiterentwickeln. Einige Strecken werden vielleicht irgendwann nicht mehr so interessant sein, weil es nicht funktioniert, aber braucht keinen Schwein. Aber vielleicht wird es dann noch viel mehr im Hintergrund einfach so zusammengesteckt, dass wir es vielleicht von vorne gar nicht merken, dass da irgendwelche AI-Alberitmen sich unterhalten, irgendwelche Bots sich unterhalten und was austauschen. Und uns Arbeit abnehmen.

SPEAKER 1 0:37:19

So bis zum Ende kommt die zwei Fragen, Philipp. Was machst du noch privat? Machst du noch was privat außer HSV-Schauen? Und welchen Filmtitel würdest du deinem Data Game dann geben?

SPEAKER 2 0:37:35

Nein, privat, also kann man es ganz einfach machen. Versuche ich, möglichst wenig mit Daten zu machen.

SPEAKER 1 0:37:42

Verstanden.

SPEAKER 2 0:37:43

Ich bin ehrenamtlich beim Roten Kreuz tätig und da bleibt nicht viel Zeit. Und deswegen versuche ich da privat möglichst wenig mit Daten zu machen.

SPEAKER 1 0:37:54

Und Filmtitel?

SPEAKER 2 0:37:56

Ja, da habe ich schon die ganze Zeit darüber nachgedacht, dass ich bin, gut, das ist vielleicht für ITer nicht ganz ungewöhnlich, sehr Science-Fiction orientiert und ich würde dabei Star Trek 6 bleiben, das unentdeckte Land. Das sind halt Sachen, die immer mal wieder aufploppen und man sagt, eigentlich dachten wir, wir wüssten, wie es lang geht und dann machst du die nächste Tür von Chefs, da ist ja auch noch eine ganze Welt zu entdecken.

SPEAKER 1 0:38:30

Gibt es noch mehr.

SPEAKER 2 0:38:31

Und Star Trek hat immer ein positives Ende, das ist wie so ein Märchen. So soll es sein, ja.

SPEAKER 1 0:38:38

Genau.

SPEAKER 2 0:38:40

Es geht zwar zwischendurch schief, aber spätestens ein Teil später wird es wieder eingefangen und hat wieder Bruststrikulös.

SPEAKER 1 0:38:45

Philipp, vielen, vielen Dank für die Folge.

SPEAKER 2 0:38:47

Ich habe zu danken, Jonas. Vielen Dank, dass ich dabei sein durfte.