Die Wahrheit über Datenkultur mit Katharina S., Stat-Up

00:00:00: Wo stehen wir eigentlich mit dem Thema Data Literacy in Deutschland?

00:00:03: Wie würden wir Data Literacy vielleicht mit einer Analogie erklären?

00:00:07: Was sind eigentlich Herausforderungen, die wir in der Zukunft lösen müssen, um einfach besser das Thema Data zu verstehen?

00:00:13: Das sind alles Fragen, die ich mit der lieben Katharina in der heutigen Folge bespreche.

00:00:30: Doch nur die wenigsten wissen sie für sich zu nutzen.

00:00:34: Wer seine Kunden verstehen will, um ihnen das bieten zu können, was sie brauchen,

00:00:37: kommt um

00:00:38: ein professionelles Datenmanagement nicht herum.

00:00:41: Jonas Raschidi interviewt andere Experten aus den Datenbereichen und zeigt Schritt für Schritt, wie genau das funktioniert.

00:00:53: Herzlich willkommen, Katharina.

00:00:55: Ich habe mir ja deinen Lebenslauf bei LinkedIn nochmal angeschaut und war total fasziniert, was du alles machst.

00:01:00: Und am größten Punkt ist mir aufgefallen, dass du über zweiundzwanzig Jahre schon im Data-Bereich arbeitest, bei der Bundesregierung im Digital-Gipfel mithilfst und Aufsichtsrat Vorsitzender bist.

00:01:13: Von daher bin ich ganz nervös und will rausfinden, was du denn alles so im Data-Bereich machst.

00:01:19: Und von daher stelle ich nur mal kurz vor, weil ich glaube, ich habe jetzt einen ganz, ganz kurzen Abriss gemacht habe, was du so alles kannst.

00:01:26: Ja, danke, Jonas.

00:01:27: Also erst mal freue ich mich sehr, dass ich hier sein darf.

00:01:29: Und ich glaube, nervös muss man gar nicht sein, wenn man sich mit mir unterhält.

00:01:33: Zumindest sagen das meine Kinder, die sind eher so, ja Mama, hab dich auch lieb.

00:01:39: Da merkt man dann schon, wie alt man ist.

00:01:44: Und wenn du die zweiundzwanzig Jahre erwähnst, dann erst recht.

00:01:47: Aber es stimmt, ich hab mein Unternehmen Start-up schon zwei tausend drei gegründet, als ich nur Studentin war.

00:01:53: Ich habe nach einem kleinen Ausschlag in die Psychologie Statistik studiert und in meinem Statistik Studium gemerkt, wie vielseitig Daten sein können und was man alles mit Analysen aus Daten rausholen kann.

00:02:05: Ich war so fasziniert davon, dass ich da einfach so ohne Ahnung von gar nichts entschieden habe.

00:02:11: Ach, ich gründe ein Unternehmen in dem Bereich, weil ich will einfach diese Vielfalt.

00:02:16: der Datenwelt erkunden für mich und auch anderen zugänglich machen.

00:02:20: Und so fing das alles an.

00:02:21: Das hat natürlich nicht immer so ganz linear funktioniert, wie das dann im Nachhinein so aussieht, wenn man die Trendkurve durchlegt, durch den eigenen Lebensweg.

00:02:30: Aber im Endeffekt, ich mache das heute eigentlich noch im Kern immer noch das Gleiche.

00:02:35: Ich helfe Unternehmen und auch anderen Organisationen, viel auch im Publixsektor dabei.

00:02:41: mit ihr für ihre Daten bessere Entscheidungen zu treffen und mit bessern, meine ich, auf der einen Seite kontextrelevant und optimierte, auf der anderen Seite aber auch verantwortungsbewusste.

00:02:51: Und das ist ein Thema, was für uns ja auch immer wichtiger wird, nämlich das Thema Ethik.

00:02:55: Im Zusammenhang mit Daten und KI und das ist das Thema, mit dem ich mich in den letzten Jahren auch sehr stark auseinandergesetzt habe.

00:03:02: Ja, jetzt ... Hast du einen spannenden Punkt gesagt, dass du das schon eben die zwanzig Jahre machst und dadurch kannst du glaube ich schon vielleicht uns noch mal einen Tipp geben.

00:03:16: Wie war das eigentlich vor zwanzig Jahren?

00:03:18: Also welche Herausforderungen haben da Unternehmen gehabt?

00:03:22: Ist das gerade KI gesprochen?

00:03:23: Ich glaube, KI gesagt, das ist ja glaube ich ein Punkt, der gerade ist.

00:03:26: Aber wie ist so die Entwicklung in den letzten Jahren gewesen?

00:03:29: Wenn du uns mal mitnimmst auf die zwanzig Jahre, was war das da so?

00:03:34: Ja, damals war es so, dass es in vereinzelten Branchen durchaus schon sehr üblich war, mit Daten zu arbeiten, also in der Versicherungsbranche.

00:03:42: Da kommt ja vieles, was wir heute noch in der Datenanalyse nutzen, her und ist da schon vor über hundert Jahren entstanden oder noch länger her.

00:03:51: Die Grundlagen der KI sind ja übrigens auch schon sehr alt, aber ich glaube, da muss ich dir nicht erzählen.

00:03:56: Oder im Bereich der Medizinforschung, der Pharmazie.

00:04:00: Auch Daten und Climate-Daten gearbeitet, natürlich in der amtlichen Statistik.

00:04:05: Und dann kam auch gar nicht so viel später, dann war das Thema Database Marketing auf, also Unternehmen, die angefangen haben, ihre Kundendaten sehr systematisch zu analysieren, um dann auf dieser Basis auch Kampagnenmanagement zu machen.

00:04:18: Was aber daran auffällig war, es war eben sehr begrenzt, es waren sehr klare Anwendungsfälle und die Herausforderung war eher das Unternehmen.

00:04:29: Oder auch Behörden, die man gefunden haben, der es für sie umsetzen konnte.

00:04:33: Und was sich verändert hat, war, dass immer mehr Organisationen heutzutage auch einfach mal sagen, hey, was können wir denn mit unseren Daten machen?

00:04:44: Das heißt, damals war es so, man hat Daten zu einem speziellen Zweck erhoben, also beispielsweise, um Risiken zu erheben oder um... Ja, zu verstehen, welche Kunden reagieren auf welche Ansprache oder welche Patienten reagieren denn auf ein Medikament?

00:05:02: oder wirkt Medikament überhaupt besser als ein bisheriges Medikament oder ein Placebo.

00:05:06: Also es war zweckgebunden.

00:05:08: Und was wir jetzt in den letzten zehn, fünfzehn Jahren immer stärker sehen, ist, dass jemand auf die Idee kommt, hey, lass uns mal gucken, was man aus unseren Daten machen kann.

00:05:17: Mal schauen, was da so drinsteckt und da liegen große Chancen, aber durchaus auch Herausforderungen oder gar Gefahren.

00:05:24: Ja, das heißt vom Spezialistentum, also einzelnen Newscases eher zu dem, kann man sagen, Daten getrieben, also sich zurückzulehnen, zu sagen, hey, pass auf, generalistisch muss ich Daten einsetzen, Informationen einsetzen, um besser zu werden, um bessere Entscheidungen zu treffen.

00:05:41: Ja, also mein Eindruck ist immer noch, es wird sehr viel auf Newscases gesetzt.

00:05:48: die sich eigentlich mit Effizienz beschäftigen.

00:05:50: Also wie kann ich den Prozess effizienter machen?

00:05:52: Wie kann es schneller werden, tiefer einsteigen und so weiter?

00:05:57: Kosten sparen beispielsweise.

00:05:59: Aber eigentlich das, was ich halt richtig spannend finde, ist das Thema Effektivität.

00:06:04: Also wie kann ich mit Daten was ganz Neues machen oder Daten vielleicht sogar zu meinem Geschäftsmodell machen?

00:06:09: Ja, kannst du uns dann mal mitnehmen Beispiel, was ein konkretes Beispiel sein könnte?

00:06:17: Ich nehme ein Beispiel, was wir in meinem Unternehmen hatten.

00:06:20: Das ist ja schon einige Jahre her.

00:06:21: Das war ein Zusammenarbeit mit einem Automobilhersteller.

00:06:24: Und es ging um die Thematik Gebrauchtwagenmarkt, vor allem in asiatischen Ländern, also China und Indien, der sich da ziemlich stark aufgebaut hat.

00:06:32: Und es waren Markenhersteller.

00:06:34: Und was denen aufgefallen ist, war das Thema Kilometer Manipulation, also Tacho Manipulation.

00:06:43: Ja, also klar.

00:06:44: Ein Auto ist halt mehr, wie hätte man es weniger Kilometer hat.

00:06:47: Und was sie befürchtet hatten, war, dass es der Marke eben schadet, wenn solche Betrugsfälle sich häufen.

00:06:53: Also das war... Bei

00:06:54: einer speziellen Marke sozusagen.

00:06:55: Ja, genau, bei einer speziellen, natürlich, das trifft auch viele andere, aber diese eine Hersteller hatte sich damit auseinandergesetzt.

00:07:01: Und die Frage für die war, also erst mal, wie kann man dieses Problem lösen?

00:07:05: Wie kann man das Risiko einschätzen?

00:07:07: Und das mit Hilfe von anderen Daten aus dem Fahrzeug machen mit Sensor Daten, also sprich mit Sensor Daten, die zum Beispiel die Anzahl der Bremsvorgänge oder die Anzahl der auf die Tür geöffnet worden ist zu machen.

00:07:20: Ich will jetzt nicht auf die ganzen Herausforderungen eingehen, da gab es ganz schön viele Schwierigkeiten auch dabei.

00:07:25: Aber das ist jetzt so ein klassischer Effizienzfall beziehungsweise ist es total klar, was das Outcome sein soll, also was da berechnet wird.

00:07:33: Und dann kam sie aber auf die Idee, vielleicht kann man.

00:07:35: das noch für ganz andere Dinge nutzen.

00:07:37: Also beispielsweise ein Zertifikat auszustellen für den potenziellen Käufer, um eben mehr oder weniger eine Garantie zu haben.

00:07:48: Dieses Fahrzeug ist in Ordnung.

00:07:50: Und damit hast du einen Kontakt zu dem Gebrauchtwagenkäufer, der möglicherweise später erstkäufer wird.

00:07:56: Denn ansonsten geht dir das ja verloren, du weißt ja gar nicht, wer der Zweitkäufer ist in diesem Markt und kannst ihn dann aber in deine Kundenratenbank aufnehmen und kannst ihn talgitten, also kannst ihn anschreiben, indem du das Neues anbietest.

00:08:07: Also das ging eigentlich über die ursprüngliche Fragestellung hinaus.

00:08:11: Und dann haben sie sogar noch die Frage diskutiert, wer könnte denn noch Interesse an so einem Risikoscore haben, also beispielsweise eine Versicherung, die sich dafür interessieren könnte.

00:08:19: Ja, und dann bist du nämlich an dem Punkt, wo die Daten nicht mehr Mittel zum Zweck sind, sondern wo die Daten das Produkt selber werden.

00:08:26: Und ich finde an diesem Pfeil kann man sehr schön illustrieren, wie man eigentlich von der sehr konkreten spezifischen Fragestellung auf einmal erkennt, welches Potenzial da noch drin steckt.

00:08:35: Und ich sozusagen iterativ nach der Zwiebeltechnik nach und nach sozusagen aufborst und erkennst, was am Ende dann rauskommen kann.

00:08:45: Du

00:08:45: brauchst aber auch ein Stakecode.

00:08:47: Ja, und die Berührungsämke bauen sich halt ab.

00:08:49: Also, dass halt dann auch jemand mal drauf schaut und sagt, hey, ist das was aufgefallen?

00:08:54: Vielleicht könnte man noch was damit machen.

00:08:56: Und was da auch dazu kommt, ist viele Datenexperten... Gehen erst mal davon aus, dieses Datenproblem zu lösen.

00:09:05: Also zu sagen, wie finde ich einen Algorithmus, der jetzt möglichst präzise vorhersagt oder dieses konkrete Problem möglichst gut löst.

00:09:14: Aber das dann zu verbinden mit betriebswirtschaftlichem Denken, also der Fragestellung, lohnt sich das eigentlich?

00:09:19: Wie kann ich damit jetzt ganz konkret Kosten sparen?

00:09:22: Wie kann ich damit ganz konkret vielleicht neue Umsätze machen?

00:09:25: Das ist noch mal eine andere Denkweise, die sich drauf setzen muss.

00:09:27: Und das merke ich auch, ist in den letzten Jahren einfach dazugekommen.

00:09:30: Und ich glaube, jetzt... ist vielleicht sogar schon kleiner Blick in die Zukunft.

00:09:35: Das wird sich noch deutlich verstärken, wenn mehr Menschen jetzt mit Daten, auch mit Hilfe von KI und Datenanalysen, eben KI-gestürzten Datenanalysen arbeiten können, die was von der Fachdomäne verstehen, also die dieses Domänenwissen mitbringen und sich auch genau vorstellen können, das kann man eigentlich mit dem Ergebnis anfangen.

00:09:55: Ja, was du natürlich trotzdem weiterhin brauchst, ist dieses methodische Hinterfragen.

00:10:01: Also sehe ich genauso wie du, dass umso mehr wäre jetzt diese Kompetenz, sei es, man spricht ja mal von Low Code, No Code Anwendungen, also einfache Bedienüberflächen für komplexere technische Herausforderungen zu... gestalten, die dann die Fachabteilung nehmen kann.

00:10:20: Aber auch die Fachabteilung muss dann trotzdem die Methoden verstehen.

00:10:24: Also nicht im Sinne von, was kann ich technisch da machen, sondern ihr eigenes Business zu hinterfragen.

00:10:29: Wie kann ich besser werden?

00:10:30: Was für Stellschrauben habe ich denn überhaupt?

00:10:35: Sonst wird das ja nicht funktionieren.

00:10:37: Ja, klar.

00:10:38: Also das sind auf der einen Seite die Wirkzusammenhänge.

00:10:41: Was sind eigentlich die Einflussfaktoren, wie stark ist der jeweilige Einfluss und das dann auch interpretieren zu können oder da die entsprechend richtigen Fragen an den Datenexperten zu stellen?

00:10:51: Dann ist halt auch nicht jede Methode für jeder Art von Daten geeignet oder unterstellt bestimmte Wirkzusammenhänge.

00:11:00: Also allein die frage sind das denn jetzt lineare zusammenhänge oder sind sie nicht linear?

00:11:05: gibt es wechselwirkungen die eine rolle spielen könnten und so weiter?

00:11:08: also dieses ganze plausibilisieren das spielt dabei noch eine rolle.

00:11:12: Und an einem punkt der mich eben mit meinem hintergrund das statistiker ein sehr stark beschäftigtes das thema datenqualität.

00:11:19: Und damit meine ich nicht nur eine technische datenqualität also dass die daten.

00:11:24: Interoperable sind, dass keine falschen Werte drin sind, nicht zu viele Ausreißer, keine fehlenden Werte, sondern auf einer viel grundlegenden Ebene noch, wie gut repräsentieren die Daten eigentlich die realen Phänomene, die da drin abgebildet sind.

00:11:40: Und das haben wir in jeder Art von Umfragen mit dem Thema, wie repräsentativ sind eigentlich meine Daten, aber auch im industriellen Umfeld, also wenn es beispielsweise um Sensor-Daten geht.

00:11:52: die ja Messfehler enthalten können, die auch fehlende Werte enthalten könnten, die möglicherweise irgendwo fehlerhaft verarbeitet werden, bis sie dann überhaupt aufbereitet sind.

00:12:02: Ja,

00:12:03: genau, Katharina, das ist der spannende Punkt.

00:12:05: Glaubst du, dass wir das schaffen?

00:12:10: Wenn du die zwei Stakeholder anguckst, die Data-IT-Abteilung, wie auch immer du sie nennen magst, und die Fachabteilung, dass die Fachabteilung versteht, dass das ja ein Punkt ist.

00:12:18: den sie lernen müssen, weil egal, ob du No Code, Low Code Anwendungen zur Verfügung stellst, diesen Punkt müssen sie ja verstehen.

00:12:25: Das hört sich jetzt so vorwurfsvoll an, aber ich glaube, du weißt, was ich mein.

00:12:30: Ja, also das sehe ich absolut so und wir haben ja die Herausforderungen, Organisationen heute, dass die Daten, die von jemandem genutzt werden, typischerweise nicht mehr die Daten sind.

00:12:43: die diese Person oder diese Abteilung selbst erhoben hat.

00:12:47: Also entweder man kauft sie ein oder sie kommen aus einem ganz anderen Bereich oder sie werden durch Systeme erhoben und so weiter.

00:12:55: Und das dann wirklich zu verstehen, welche Limitationen stecken da eigentlich drin.

00:13:00: Und umgekehrt von denjenigen, die die Daten erheben oder bereitstellen, auch mitzudenken, was könnte denn jemand am Ende damit machen wollen.

00:13:09: Das muss sich miteinander verbinden und das passiert heute in vielen Stellen noch nicht.

00:13:14: Ich arbeite in einem Forschungsprojekt zusammen mit einer sehr guten Freundin, die ist Kriminologin.

00:13:21: Ich kann noch mehr dazu erzählen.

00:13:26: Wir haben uns dafür den Begriff zirkuläre Datenkompetenz überlegt.

00:13:31: Eigentlich müsste man sogar erweitern auf systemische Datenkompetenz.

00:13:34: Aber mit zirkulärer Datenkompetenz meinen wir, Dass eben nicht nur die Daten im Kreis fließen, hin und her fließen.

00:13:41: Also aus den Daten werden Informationen, wird Wissen, werden Handlungen, die wiederum zu neuen Daten führen.

00:13:48: Sondern dass auch, es bedeutet, diejenigen, die Daten bereitstellen, müssen wissen, was damit gemacht wird.

00:13:55: Und diejenigen, die Daten nutzen, müssen wissen, wo diese Daten herkommen.

00:13:58: Und was daraus möglicherweise folgt, wie eine Möglichkeit der Datennutzung oder auch nicht.

00:14:04: wie fit die Daten für den Purpose sind, also für den Zweck, zu dem sie genutzt werden sollen.

00:14:10: Und diesen, diesen Brückenschlag, den müssen wir hinkriegen, damit Daten wirklich gut genutzt werden können und auch verantwortungsbewusst genutzt werden können.

00:14:21: Ja.

00:14:22: Du hast vorhin oder in Vorgespräch, hat mir mal so ein bisschen überlegt, welche Punkte hast du mit aufgeschrieben, Data Literacy.

00:14:30: Jetzt bin ich mal so frech und würde sagen,

00:14:33: Ähm,

00:14:35: wie würdest du den Begriff Data Literacy jemanden erklären, der sich vielleicht noch nie mit diesem Thema beschäftigt hat?

00:14:44: Also es gibt ja mittlerweile Definitionen, die mir da weniger allgemein angekanteln und die sagen, das sind alle Kompetenzen, die ich brauche, um Daten zu beschaffen, Daten zu verarbeiten, zu analysieren, zu interpretieren, zu kommunizieren und kritisch zu hinterfragen.

00:15:01: Und zwar im Alltag wie... im persönlichen Alltag, wie auch im beruflichen Alltag.

00:15:07: Und das im Sinne einer Future Skill, das heißt einer Kompetenz, die jeder und jeder heutzutage haben sollte, um in einer Welt, die eben zunehmend durch Digitalisierung und Daten geprägt ist, auch erfolgreich unterwegs zu sein und mit den Chancen und Herausforderungen umzugehen.

00:15:22: Das heißt, da sind wir jetzt ganz nah an dem Punkt zu sagen, es ist eigentlich eine Grundkompetenz, es sollte Teil der Allgemeinbildung sein.

00:15:30: So wie Lesen und Schreiben.

00:15:32: Und das daher kommt auch dieser Begriff ja.

00:15:34: Literacy meint ja nichts anderes als Lesefähigkeit.

00:15:38: Und Lesefähigkeit oder Alphabetisierung bedeutet eine ganze Menge an unterschiedlichen Kompetenzen.

00:15:45: Das bedeutet erstmal Wissen.

00:15:48: Also wenn ich jetzt mal von Buchstaben ausgehe oder Wörtern, ich muss wissen, welcher Buchstabe steht für welchen laut, wie hängen die Silben zusammen, dann bedeutet es Fertigkeiten, also handwerkliche Fertigkeiten, ich muss in der Lage sein, diese Buchstaben für mich zu verknüpfen, zu wörtern.

00:16:04: Und das bedeutet aber auch Fähigkeiten, nämlich eine Fähigkeit... die ganz den Sinn dahinter zu verstehen, also das Ganze zu interpretieren.

00:16:13: Und am Ende bedeutet das aber auch Einstellungen, das heißt eine Lesefreude und Interesse daran entwille, sich damit auch auseinanderzusetzen.

00:16:20: Und es kann zu eins zu eins auf das Thema Daten übertragen.

00:16:23: Also verstehen, was Daten bedeuten, Fähigkeiten und Fertigkeiten damit umzugehen, aber auch eine Motivation, sich damit auseinanderzusetzen und eben Daten auch nicht manipulieren zu wollen, um ein bestimmtes Narrativ zu unterstützen.

00:16:37: Das war jetzt nicht ganz ein Satz, aber ich lass es mal gelten.

00:16:42: Okay, ich versuche mal in einem Satz zusammenzufassen, zu verstehen, dass Daten und die Bedeutung von Daten zwei Paar Stiefel sind.

00:16:56: Ja.

00:16:57: Wir sind jetzt den Philosophisch, gell?

00:16:58: Ja,

00:16:58: ja, ja, ja, ja.

00:16:59: Das ist wohl bei

00:16:59: dem Wort.

00:17:00: Ich meine, da stehen schwarze Striche auf weißem Grund.

00:17:03: Ja, ja,

00:17:04: ja.

00:17:04: Und was ist da für Bedeutung?

00:17:05: Der tägt vom Kontext ab.

00:17:06: Ja, ich habe ja auch provotiert sozusagen mit einem Satz, von daher finde ich das auch sehr gut.

00:17:14: Jetzt bist du länger im Data Game als ich.

00:17:18: Meine Wahrnehmung war aber den Scherz, den ich vor fünf Jahren gemacht habe, als ich mein Podcast gegründet habe, ist dieses Thema.

00:17:24: Jetzt wird ein Data Scientist eingestellt, obwohl Data Engineers benötigt werden.

00:17:28: Jetzt sind wir, glaube ich, in einer ganz anderen Herausforderung im Markt.

00:17:32: haben viele verstanden, dass sie in den Data Stack investieren müssen, also die Technik bereitstellen müssen.

00:17:39: Was aber meine Wahrnehmung ist, und es spannend deine Wahrnehmung, weil wir ja gerade über Literacy gesprochen haben, die Literacy-Initiativen sehe ich noch nicht so im Markt, die mein ja eigentlich wieder Brauch, um Daten gesamthaft oder das Verständnis für Daten gesamthaft in die Organisation zu bringen, oder?

00:17:58: Ja, ich sehe immer wieder mal so ein Hype, also dann... Online-Schulungsanbieter, die jetzt kommen mit einer großen Initiative.

00:18:07: Es gibt auch eine Plattform, an der ich selber als Beiräte dabei bin.

00:18:11: Das ist der KI Campus.

00:18:13: Das ist eine Lernplattform für KI und Datenkompetenz, also AI und Data Literacy, könnte man sagen, die auch frei zugänglich ist.

00:18:21: Ist alles kostenlos, ist gemeinnützig.

00:18:24: Aber mein Eindruck ist, es richtet sich alles sehr an Menschen mit einem akademischen Hintergrund.

00:18:31: Also entweder sehr spezifisch an bestimmte Fachbereiche, an bestimmte Disziplinen, an bestimmte Funktionsstufen.

00:18:40: Sehr wenig, aber an Menschen, die zukünftig viel mit Daten und KI zu tun haben werden oder es schon zu tun haben.

00:18:48: Also denk mal an die Pflegekraft, den Pflegedienstleiter oder Pflegedienstleiterin, die mithilfe von Daten und Algorithmen jetzt eine Einteilung macht oder denkt an Betriebssteuerungen in einen großen Logistikunternehmen, die eben auch teilweise vom Menschen gemacht werden, die halt nicht studiert haben.

00:19:08: Denk an die ganzen Apps, die wir inzwischen nutzen im Alltag ganz selbstverständlich.

00:19:13: Und da bräuchte es eigentlich ein Verständnis dafür, was da eigentlich passiert.

00:19:17: Also wie wir Daten nutzen, Daten teilen, wie wir die Ergebnisse von Datenanalysen verwenden.

00:19:23: Ja oder allein schon meine Smartwatch hier, ja.

00:19:25: Ich meine, die macht ja auch nichts anderes.

00:19:26: Also sie versucht, Daten zu erheben.

00:19:30: Mein Blutdruck misst jetzt nicht, aber sie misst meinen Sauerstoff gehalten, mein Blut, sie misst mein Puls auch nicht direkt, sondern im Grunde wird halt ein Lichtstrahl gesendet, der wird reflektiert, das wird dann da drin verarbeitet.

00:19:42: Und ja, also ich habe die bekommen, was ich Corona hatte, weil ich an so einem Experiment teilgenommen habe und da ging es drum zu gucken, habe ich eigentlich noch genug Sauerstoffsättigung in meinem Blutdruck.

00:19:53: Aber das können ja auch Messfehler passieren, das muss nicht unbedingt stimmen, wenn da jetzt zweiundneinzig Prozent steht und irgendwie ein Alarm losgeht oder so.

00:20:01: Also das ist jetzt was, was jetzt vielleicht noch nicht so weltbewegend ist und mein Alltag nicht massiv verändert, aber sowas ist überall schon um uns rum und viele Menschen lassen sich davon ja mittlerweile auch relativ stark beeinflussen.

00:20:14: Ja, aber wenn du dir die Verbreitung anschaust oder die Majority irgendwie anschaust, reife grad, ist es... alle Data und Analytics nahen, also alle Statistik nahen Personen werden ja gerade noch geschult.

00:20:29: Das heißt, wir sind eigentlich, wenn du es vergleichen willst, mit der Technik.

00:20:32: und jetzt ist die Frage, weißt du das, bist ja auch Durzentin an der Uni, kann man das mit irgendwas anderem vergleichen?

00:20:40: Das kommt doch relativ spät zur Technikeinführung, ist das normal?

00:20:44: Also sieht man das bei anderen Themen?

00:20:47: Weißt du, dass die Fähigkeit, die Analogie wird nicht passen, aber du bringst das Auto auf den Markt, Und schulst die ersten Leute sozusagen, die Rennfahrer ist der falsche Begriff, aber die Leute, die sich sozusagen eher mit dem Logistischen beschäftigen und die Leute, die eigentlich die Allgemeinheit, die schulst du irgendwie erst nach, nach zehn, zwanzig Jahren?

00:21:11: Das ist ja gerade die Wahrnehmung, oder?

00:21:13: Ich

00:21:14: finde, deine Analogie gar nicht so unzutreffend, weil am Anfang war es ja auch nicht so, also Otto-Normal-Bürger ist nicht mit dem Auto gefallen, sondern es gab, man musste sich das erst mal leisten können.

00:21:27: Es gab speziell ausgebildete Chauffeure, so wie es am Anfang ja auch speziell ausgebildete Kutscher gab.

00:21:34: Und wir haben das gleich ja auch mit dem Lesen.

00:21:36: Also wer konnte denn am Anfang lesen?

00:21:39: Also bevor der Buchdruck erfunden wurde, war es ja sowieso eine Wissenschaft, für sehr, sehr wenige gelesen und schreiben konnten, vor allem eben auch im kirchlichen Umfeld.

00:21:47: Erst mit dem Buchdruck, als Bücher dann allgemein zugänglich wurden und günstig wurden.

00:21:54: hat sich dann auch die Fähigkeit zu lesen und zu schreiben verbreitet.

00:21:58: Und es ist halt die Frage, wo siehst du denn den Startpunkt?

00:22:02: Aber wenn du den Startpunkt siehst, bei den ersten Computerhunderten oder vielleicht sogar noch den Vorläufern, Charles Babbage, ich war dann mal das eighteenhundertvierzig irgendwann, ja, und Aaron Lovelace.

00:22:12: Also da hat sich ja niemand damit auseinandergesetzt und man musste halt auch die Muße haben und dafür auch einen gewissen Wohlstand, um sich diesen Themen überhaupt widmen zu können.

00:22:22: Also es ist klar, du musst die Technologie erst mal so weit haben, dass sie funktionsfähig ist, genug, um die Allgemeinheit zu erreichen und sie muss günstig genug sein, um die Allgemeinheit zu erreichen.

00:22:32: Und dann erst geht es los, dass sich Leute damit beschäftigen und dann vielleicht auch mal merken, okay, sie müssten schon mehr wissen und können dazu.

00:22:41: Um nochmal bei der Analogie mit dem Lesen und Scheiben zu bleiben, man darf nicht vergessen, wir haben in Deutschland einen erschreckend hohen Anteil an funktionalen Analphabeten.

00:22:50: Also die Schätzung war mal, dass es sieben Millionen der erwachsenen Menschen sind, die nicht so gut lesen und schreiben können, dass sie mehr als einfache Texte erfassen können.

00:22:59: Das heißt, die können nicht mal ein Behördenbrief verstehen.

00:23:03: Und das ist so unter der Befassung.

00:23:04: Das

00:23:04: ist fast zehn Prozent, oder?

00:23:06: Ja, ja.

00:23:09: Der Bevölkerung, wenn man da noch die Kinder abzieht und die die älteren, dann ist es hier wahrscheinlich noch mal viel höher.

00:23:16: Es ist natürlich eine sehr kurbe Schätzung, über die man auch streiten kann, wie genau die jetzt zutrifft.

00:23:21: Aber einfach mal um zu sagen, wir haben dieses Problem in anderen Bereichen noch nicht überwunden, dass es doch überall noch einen signifikanten Teil gibt, die eigentlich mit einer Technologie oder mit einer Kulturtechnik in dem Fall nicht gut umgehen können.

00:23:36: Ja.

00:23:37: Katharina, meine Wahrnehmung ist, dass viele Data Literacy-Initiativen immer nach kurzem scheitern.

00:23:46: Ich weiß nicht, ob es daran liegt, dass nicht verstanden wird, wie man schuld oder dass nicht das Verständnis dafür existiert, dass man diese Sachen erlernen sollte, um in der Zukunft zu sein.

00:23:59: Was ist deine Wahrnehmung in dem Bereich?

00:24:02: Also zwei Dinge.

00:24:04: Ich glaube, es braucht auch ein politisches Bewusstsein dafür, wie wichtig dieses Thema ist.

00:24:09: Ja.

00:24:10: Es gab es mal eine Zeit, als wir mit dem Stifterverband... Das Data Literacy Framework, was ich hier mitverfasst habe, rausgebracht haben und dann die Data Literacy Karte hatten.

00:24:20: Da gab es kurzzeitig deutlich politisches Interesse.

00:24:24: Da habe ich damals mit dem Volkshochschulverband zusammen eine App entwickelt, Stadtland Datenfluss und wir hatten sogar die Kanzlerin als Schirmherren.

00:24:32: Da gab es einen gewissen Hype, aber das war auch schon ganz zum Ende ihrer Amtszeit.

00:24:36: Wenn du jetzt schaust, im neuen Koalitionsvertrag taucht das Wort Datenkompetenz überhaupt nicht auf.

00:24:41: Digital Kompetenz taucht auf, aber Datenkompetenz nicht.

00:24:44: Obwohl es lange Zeit große Datenkompetenz-Initiativen gab, die auch ganz stark gefördert wurden vom damals BMBF.

00:24:52: Stack Fuel, glaube ich war.

00:24:53: Ich bin ja, durfte ja so ein bisschen beirat sein bei dem Thema Daten Toolbox-Datenkompetenz so rum.

00:25:01: Und sagst du, dass das jetzt so langsam einschläft, oder?

00:25:08: Ja, es hat einfach nicht mehr... Es hat einfach nicht mehr die Aufmerksamkeit, ja.

00:25:13: Vielleicht, weil es zu wenig Impact hatte, weil es zu wenige Leute erreicht hat, zu spät kam.

00:25:20: Ich glaube, wirklich erreichen werden wir die Leute erst, wenn es in die Schulen reinkommt, und zwar möglichst früh.

00:25:27: Aber das ist ja politisch auch schwer in dem Land wie in unserem, wo Bildung halt ländersache ist und du dich erst mal

00:25:33: mit

00:25:34: jahrsechzehn Leuten abstimmen musst.

00:25:37: Und das andere Thema ist halt, zu erkennen, wofür brauche ich es wirklich, beziehungsweise was passiert, wenn ich diese Datenkompetenz nicht habe.

00:25:49: Und wir werden ja überflutet, und das ist jetzt eher mein Blick nochmal aus der statistischen Perspektive, von einem Missbrauch von Daten und Statistiken im Alltag.

00:26:00: Also da muss ich nur in die Medien reinschauen, wie oft Headlines Aussagen treffen, wie keine Ahnung.

00:26:09: ein Brokuliröschen am Tag schützt vor Darmkrebs und solche Sachen.

00:26:13: Ja, ist kein Witz, so was gab es kürzlich.

00:26:16: Wenn man das dann hinter fragt, stellt sich raus, das ist eben überhaupt nicht so und wir haben keine Evidenz dafür.

00:26:22: und die Statistiken, die Zahlen zeigen echt ganz was anderes.

00:26:26: Aber so diese Schlagzeilen, die sehr häufig auch mit Daten und Statistiken argumentieren, aber in ihrer Absolutheit meistens falsch sind, die haben wir uns, glaube ich, so gewöhnt.

00:26:38: dass, ja, das eigentlich gar nicht klar ist, was es für einen Schaden anrechtet und da gibt es wahrscheinlich noch viele andere Beispiele dafür.

00:26:47: Jetzt gehen wir nochmal kurz aufs Thema AI Literacy, weil wenn wir uns angeguckt haben, Statistik, Data, jetzt haben wir es, oder ich habe es frecherweise mit irgendwie einem Führerschein verglichen.

00:26:59: Dem Beispiel, AI wird ja noch komplizierter wie Data Literacy, wie Statistische Literacy.

00:27:09: Deine Wahrnehmung kriegen wir das, also kriegen wir diese Schnelligkeit der Technologie, die jetzt gerade so im Hype ist, auch auf der, auf die Schulungs, auf die Verstehebene.

00:27:23: Ich fürchte nein.

00:27:25: Also man muss halt überlegen, wer hat eigentlich ein Interesse dran, das den Menschen wirklich beizubringen.

00:27:31: Im Endeffekt sprechen wir davon, dass wir eine neue Form der Aufklärung bräuchten.

00:27:34: Also neue, neue Epoche der Aufklärung.

00:27:37: Und das würde hier auch heißen, dass... Viele Menschen anfangen vieles kritisch zu hinterfragen.

00:27:42: Ich will jetzt auch nicht zu dystopisch sein.

00:27:45: Aber gerade große US-amerikanische Konzerne haben ja einen Vorteil davon, wenn wir nicht zu kritisch hinterfragen.

00:27:53: Und nicht überlegen, was passiert jetzt eigentlich genau mit meinen Daten.

00:27:58: Ja, und dann ist es halt auch, du musst es ja auch unterkriegen im Alltag und du merkst die Folgen halt nicht unmittelbar, während du den Nutzen halt direkt merkst.

00:28:06: Also du zahlst... Ohne es zu merken in vielen Fällen mit deinen Daten dafür, dass du Zugang zu was bekommst, Informationen, Bequemlichkeit und so weiter, was es langfristig für einen Schaden anrichten kann oder welchen Risiken du dich aussetzt, merkst du nicht.

00:28:24: Aber wo fängt man an, wo hört man auf?

00:28:26: Also irgendwo müssen wir es ja auch kapseln, oder?

00:28:32: Also zu viel... Was wäre so Minimum, was man zum Verstehen geben müsste, wenn man das in Anführungsstichen sieht?

00:28:43: Also Minimum, und das ist noch nicht mal Literacy, sondern das ist einfach Awareness.

00:28:48: Ja.

00:28:48: Also sich bewusst zu sein, was ist überhaupt KI und was ist nicht KI, wann habe ich es mit einem KI-System zu tun und wann sitzt mir ein Mensch gegenüber oder eben ein regelbasierter Algorithmus.

00:29:04: Also diese Grundbegriffe zu kennen und zu verstehen, wann ich damit interagiere und wie ich aber auch eigenständig und aktiv entscheiden kann, dass ich ein System nicht nutze, dass ich meine Daten nicht heile beispielsweise.

00:29:20: Das wäre für mich so die Grundlage, die Basis von allem.

00:29:24: Und dann geht es eben auf die erste Stufe von Literacy im Alltag bewusst zu hinterfragen, kritisch zu hinterfragen.

00:29:32: sich zu überlegen, wo habe ich es eigentlich mit Datenanalysen zu tun?

00:29:37: Sind die gerechtfertigt?

00:29:38: Sind die möglicherweise manipulativ?

00:29:43: und so weiter?

00:29:47: Was ist denn deiner Meinung so, dass das typische Missverständnis, was du gerade in Unternehmen bei deinen Kunden erlebst, wenn über KI oder AI gesprochen wird?

00:29:57: Also das typische Missverständnis ist unsere Datensinn gut.

00:30:02: Ja, ich weiß nicht, ob es Missverständnis ist oder falsche Annahme.

00:30:08: Ja, und KI wird es dann schon richten.

00:30:11: Also du setzt halt dann darauf auf.

00:30:15: Ja, das ist ja, also ich beobachte in letzter Zeit unglaublich viele Start-ups, die sich positionieren als so.

00:30:23: Wir setzen jetzt KI in deinem Unternehmen ein und wir vernetzen alle deine Daten.

00:30:30: Ob sie jetzt strukturiert sind oder unstrukturiert, alle deine Datenbanken, alle deine Belege, alle deine komplette Bruchhaltung, alles wissen in deinem Unternehmen und machen sie mit KI für alle zugänglich.

00:30:42: Das aber nur, weil da Daten vorhanden sind, das nicht unbedingt bedeutet, dass sie auch wirklich wertvolle Informationen enthalten oder gut kombinierbar sind oder verständlich oder die Schlüsse, die man daraus ziehen möchte, auch zulassen.

00:30:56: fällt dann damit unter ein Tisch, also nur weil ich jetzt mehr Daten habe oder Zugang zu mehr Daten habe, habe ich noch nicht automatisch mehr Wissen oder bessere Entscheidungen.

00:31:05: Ja, vor allem meine bessere Entscheidung.

00:31:07: Und im Worst Case willst du sie ja mit KI und AI automatisieren und guckst dir den Prozess gar nicht an und damit kommen dann zwar quasi automatisierte schlechtere Entscheidungen

00:31:15: raus,

00:31:16: die du vielleicht, wenn man wieder beim Literacy Thema gar nicht verstehst, was du damit produziert hast.

00:31:24: Ja, nach dem Motorjahr ein schlechter Prozess, den du digitalisierst, ist das halt ein schlechter digitaler Prozess.

00:31:31: Ja, ja.

00:31:35: Welche Rolle spielt denn das Thema Transparenz, also der Klärbarkeit von KI, AI-Modellen, in der Praxis wirklich?

00:31:43: Also ist es relevant oder ist es manchmal sozusagen hinderlich?

00:31:47: Das ist ja auch so ein Thema, was man auf dem Drahtseil lag.

00:31:49: Also wie sehr muss ich meine Sachen verstehen, um sie einzusetzen?

00:31:53: Aber wie sehr.

00:31:56: manchmal wollen wir Deutsche vielleicht auch zu sehr verstehen und brauchen dann auch zu lange und hinterfragen.

00:32:00: sozusagen dann auch bringt es wirklich mehr wert also.

00:32:05: Was ist deine Wahrnehmung da?

00:32:06: Ja, ich glaube wir müssen bei KI einfach akzeptieren, dass wir vieles nicht vollständig verstehen werden.

00:32:11: Ja.

00:32:12: Und es ist ja auch nicht mehr das Ziel.

00:32:14: Also jeden einzelnen Schritt nachzuvollziehen, der da jetzt da gemacht wird.

00:32:19: Und sonst kämen wir auch nie ins Tun.

00:32:23: Ich hab ein interessantes Gespräch geführt mit Gert Gigerrenzer, mit dem ich ja auch ein Buch zusammengeschrieben habe und zwar weiteren Coautoren.

00:32:31: Ich hab den Interview für mein eigenes neues Buch und mit ihm eben auch über dieses Thema Transparenz gesprochen in Algorithmen.

00:32:39: Und er hat eben gesagt, sie haben ein Projekt gemacht für die Schufa zusammen mit weiteren Forschern, wo es darum ging, den Schufa Score zu vereinfachen, also von dem.

00:32:50: Algorithmus, der zweihundertfünfzig Variablen ungefähr einbezieht und komplett intransparent ist, einen Vorschlag zu entwickeln für ein sehr einfaches Regelsystem mit nur zwölf Variablen.

00:33:02: Und er war so, hatte ich den Eindruck bisschen hin und her gerissen.

00:33:07: Also er meinte, er findet es wirklich total gut und super Ansatz.

00:33:12: Aber er ist sich nicht sicher, ob es wirklich akzeptiert wird.

00:33:16: Weil in dem Moment, wo es transparent wird und verständlich wird, hast du auch sofort Leute, die dann reingreltschen und sagen so, ja, aber warum ist das jetzt drin und das andere nicht?

00:33:26: Und warum wird es genau so gewertet?

00:33:28: Und dann kommt jemand, der es vielleicht anders haben möchte oder der auch dann auch auf die Idee kommt, ja, okay, dann kann ich das ja aber auch zu meinen Gunsten nutzen.

00:33:39: Wenn ich weiß, wie es versteht, wie es funktioniert, dann kann ich es manipulieren und... Das ist halt die Kehrseite der Medaille.

00:33:46: Transparenz führt auch dazu, dass du Macht teilst.

00:33:52: In dem Moment, wo du jemandem dumm hältst, wo du dafür sorgst, dass jemand nicht versteht, was du tust, hast du selber die Macht.

00:33:58: In dem Moment, wo du dir anderen teilhaben lässt und erklärst, musst du dich dem aussetzen, dass mitdiskutiert wird, dass jemand mitentscheiden möchte oder dass jemand auch hinterfragt, was du da eigentlich tust.

00:34:09: Und das ist nicht immer unbedingt gewollt.

00:34:13: Ja, stimmt.

00:34:14: Ich habe jetzt eher daran gedacht beim Thema Schufer an die Diskussion darüber, nicht welcher Parameter eingesetzt wird oder nicht, sondern, warum er so gewichtet wird bei der einzelnen Person.

00:34:27: Also, wenn man jetzt am Ende irgendwie einen positiven oder negativen Schufer-Score hat und man dann anfängt zu überlegen, kriege ich den eigentlich nochmal besser.

00:34:37: und dann werden.

00:34:38: bei zwölf Faktoren kannst du halt eher nochmal darüber diskutieren, weil du den als Mensch überblicken kannst.

00:34:42: Bei über zweihundert Faktoren hast du natürlich... ...verliste irgendwann den Überblick welcher Faktor zu welchem Teil auch wieder gewichtet ist.

00:34:50: Ja.

00:34:53: Spannend.

00:34:55: Ich hatte noch mehr im Kopf abgespeichert, vor allem, weil ich selber gerne auch Crime-Podcast höre.

00:34:59: Hast du was von der Krimonologin gesprochen?

00:35:04: Das war dann ein spannender Cliffhanger, an den ich gerne nochmal ansetzen wollen würde.

00:35:08: Was kannst du instan da verraten?

00:35:11: Ja, das ist eine... Inzwischen sehr großes Projekt, was ich zusammen mit einer Freundin und Kriminalogen mache, meiner Forschungspartnerin und zwar mit dem Zoll zusammen.

00:35:24: Und das fing damit an, dass sie, nicht ich, sondern sie die Idee hatte, wir könnten doch mal versuchen, mit dem Zoll was mit KI zu machen.

00:35:34: Also eigentlich ging es mal drum, zu verstehen, wie Handelsbeziehungen funktionieren über Daten vom Zoll.

00:35:40: Das war so die ursprüngliche Idee.

00:35:43: Mit der Idee sind wir an den Zoll rangetreten und es hat sehr, sehr, sehr, sehr lange gedauert, bis wir überhaupt eine Reaktion bekommen haben.

00:35:50: Und dann, ich glaube, es waren fast zwei Jahre, hatten wir unser erstes Gespräch und dann war eine große Begeisterung da.

00:35:56: Wir können anfangen, was zu machen und haben dann im Laufe des nächsten Jahres festgestellt, dass wir eigentlich unseren Fokus komplett verändern mussten.

00:36:08: Großes Interesse da zu sagen, was kann man eigentlich mit den Daten vom Zoll machen und können wir mithilfe von KI dem Zoll helfen, bessere Kontrollen zu machen, effizienter zu sein, die Mittel besser einzusetzen, vielleicht auch ganz neue Wege, wie die organisierte Kriminalität vorgeht, zu entdecken und halt frühzeitig einzugreifen.

00:36:27: Und damit jetzt licht den Zoll, aber auch unser Gesellschaft dann resilienter und wehrhafter zu machen.

00:36:33: Und das, was wir uns am Anfang vorgestellt haben, hat aus vielen Gründen so nicht funktioniert.

00:36:39: Das hatte auch was mit dem Thema Datenqualität zu tun.

00:36:43: Aber es hatte vor allem was damit zu tun, dass wir gemerkt haben, wenn du eine neue Technologie oder so eine ganz neue Herangehensweise in eine Organisation einführen willst, dann gibt es ziemlich viele Widerstände.

00:36:56: Und ja, es ist einfach ein Riesen-Change-Thema.

00:37:00: Und gerade noch, wenn du dann so eine Organisation hast, die so sehr hierarchisch aufgebaut ist, Und die auch sehr viel auf Erfahrungswissen setzt, also von Menschen, die halt seit dreißig Jahren ihren Job machen und auf ihre Erfahrungswissen vertrauen.

00:37:14: Ist es extrem hinderlich, wenn jetzt der Eindruck entsteht, ja, da kommt jetzt jemand und setzt mir ein Computer vor die Nase und der sagt mir, was ich zu tun habe.

00:37:24: Und was wir dann gemacht haben, und das war für mich unglaublich augenöffnend, war wirklich reinzugehen.

00:37:30: Ich bin selber vier Wochen nicht am Stück, sondern aufgeteilt.

00:37:35: an verschiedenen Flughäfen unterwegs gewesen mit Zöllnerinnen und Zöllnern und bin mitgegangen und hab mal erlebt, wie das ist.

00:37:41: Also wenn du halt auch nicht immer ganz freundlich angesprochen wirst und dann kontrollierst und auch unangenehme Arbeitszeiten hast, noch Nachtschichten mitgemacht und so.

00:37:52: Und das war total faszinierend, also durch dieses Beobachten auch zu erkennen, wie funktioniert das denn wirklich?

00:37:59: Und dann das Thema zirkuläre Datenkompetenz hatte ich angesprochen.

00:38:03: Wie entstehen diese Daten, die am Ende irgendwo in einer Datenbank landen?

00:38:08: Also ganz konkret in der Praxis bei einer ganz konkreten Kontrolle.

00:38:12: Wo sind da die Herausforderungen?

00:38:14: Und durch diese ganzen Gespräche haben wir dann auch gemerkt, dass die Menschen vor Ort die Zollbedienstsitten schon ziemlich genau wussten, erstens, was da passiert und ja auch zweitens, wo sie eigentlich ihre Probleme haben und wie man die lösen könnte.

00:38:30: Dadurch hat sich unser Fokus total stark verändert, weil wir dann diese Ideen aufgegriffen haben und dann daraus Use Cases entwickelt haben oder Vorschläge für Use Cases mit den Zöllnern und Zöllnerinnen zusammen.

00:38:43: Und das hat einen kompletten Dreh reingebracht, dass auf einmal ein Vertrauen da war, hey, die interessieren sich ja wirklich für uns und die wollen nicht nur irgendwie irgendwas mal ausprobieren oder so.

00:38:54: Und seitdem ist das eine super erfolgreiche Zusammenarbeit und als auch mit der ersten Publikation, die rauskommt.

00:39:00: Es macht richtig Spaß und hat auch meine Vorstellung davon, wie man eigentlich an so ein Thema rangeht, nochmal deutlich verändert.

00:39:08: Wenn man nochmal mehr gemerkt hat, dass man auf Augenhöhe kommunizieren sollte, oder?

00:39:14: Ja, und das ist eine Herausforderung, die wir als Experten zukünftig, glaube ich, auch noch viel mehr haben werden.

00:39:22: Dass jetzt nicht jemand kommt.

00:39:24: und fragt, okay, was hast du als Expertin dazu zu sagen?

00:39:27: und dann lieferst du halt dein Wissen ab oder deine Analyse und dann ist es wieder gut, sondern es ist vielmehr ein Dialog und es ist auch vielmehr ein Hinterfragen da und auch eine Skepsis.

00:39:40: Hast du wirklich Interesse, mich zu unterstützen?

00:39:43: Kann ich das brauchen, was du lieferst?

00:39:45: Verstehst du eigentlich meine Lebensrealität und so?

00:39:48: Das sind die Themen, mit denen wir zunehmend konfrontiert sind.

00:39:53: Aber ich glaube, es ist doch ein spannendes Beispiel oder ein gutes Beispiel zu zeigen, dass das Thema Literacy sprechen wir immer davon, dass die Data-Leute oder AI-Leute Sachen schulen müssen den anderen sozusagen eher als Oberlehrer hingehen und erklären, wie die Welt auszusehen hat.

00:40:10: Aber am Ende zeigst du ja gerade, wenn wir es andersrum drehen und erstmal Interesse für Ihren Bereich zeigen, kannst du natürlich jetzt nicht verallgemeinern.

00:40:20: Dann ist eher diese Zusammenarbeit oder entsteht die Zusammenarbeit eher und dann hat auch die andere Seite wieder Interesse zu verstehen, wie das mit den Daten funktioniert.

00:40:30: Ja, es gibt da so einen schönen Satz, den habe ich mal vor einiger Zeit gelesen.

00:40:34: Nobody cares what you know, unless they know that you care.

00:40:38: Also dieses Interesse zu zeigen.

00:40:41: Und vielleicht nochmal zurückkommend auf das, was du vorhin gefragt hast, woran scheitern denn die Literacy-Initiativen.

00:40:48: Ich glaube, dass wir auch gerade in Deutschland so diese Oberlehrer Kultur doch auch sehr stark verinnerlicht haben.

00:40:58: Also Frontalunterricht, da steht jemand vorne, der weiß, wie es geht und stellt Fragen auf, die gibt es Antworten, die sind richtig oder falsch, sowie im Matheunterricht in der Grundschule.

00:41:10: Aber so funktioniert die Realität nicht und so funktionieren Daten nicht und so funktionieren Datenanalysen nicht.

00:41:16: oder Statistik, sondern da hast du was, das sieht vielleicht aus wie eine mathematische Gleichung, aber da ist ganz viel Unsicherheit drin und da ist Bewertung drin und es kommt ganz stark auf den Kontext an.

00:41:26: Das ist eine andere Art des Herangehens.

00:41:29: Und es gibt unterschiedliche Interpretationen.

00:41:32: Das heißt, wenn zwei Menschen mit den gleichen Daten und der gleichen Kompetenz, den gleichen Kompetenzeniveau hergehen, können sie trotzdem diese Daten unterschiedlich interpretieren, einfach weil sie eine eine andere Einschätzung des Kontextes dazu haben.

00:41:48: Und dann ist, wenn du nichts mehr weißt darüber, die eine Interpretation möglicherweise genauso gerechtfertigt wie die andere, also sie ist nicht besser als die andere.

00:41:57: Und da hat dann so ein Verhalten, wie ich weiß es aber besser oder ich bin der Lehrer oder ich bin der Experte, ist dann eher kontraproduktiv.

00:42:07: Aber so lernen wir halt, so lernen wir an den Schulen, so lernen wir an den Universitäten.

00:42:13: Und dann häufig auch sehr theoretisch und ohne den konkreten Praxisbezug.

00:42:16: Und ich glaube, das ist auch was, wovon wir uns wirklich verabschieden müssen, wenn wir Datenkompetenzen in die Bevölkerung bringen wollen.

00:42:27: Ja, Katharina, ich glaube, wir könnten noch viel, viel länger sprechen.

00:42:30: Ich versuche ja mal so forty-fünf Minuten einzuhalten und dachte so, das ist glaube ich jetzt ein guter Schluss, um nochmal auf die letzten zwei Fragen zu gehen.

00:42:39: Weil ich glaube, das Thema Literacy, wir... tun so wenig, zu wenig in dem Bereich, um das in die gesamte Organisation oder nicht nur in die Organisation, wir haben ja, glaube ich, auch über die Bevölkerung im Allgemein gesprochen.

00:42:54: Das fand ich eigentlich auch gut, das so als Statement stehen zu lassen.

00:42:59: Zwei Fragen, die ich jeder Gast oder jeder Gästin stelle.

00:43:05: Du arbeitest für das wahrscheinlich sehr viel, aber was machst du vielleicht noch privat mit Daten?

00:43:08: Gibt es da irgendwas?

00:43:10: Ob du dich da irgendwie beschäftigst?

00:43:11: Und dann ja die zweite Frage, wenn du Unsere Folge oder dem Thema, was du im Data-Bereich oder im AI-Bereich machst, einem Filmtitel oder einen Serientitel geben würdest.

00:43:23: Muss nicht echt sein, kann aber auch erfunden sein, was wäre das?

00:43:31: Also, was ich privat mache ist, ich lese wahnsinnig gerne Bücher und immer mehr auch über Geschichte von der Statistik oder von dem Thema Daten.

00:43:46: Und ich habe jetzt gerade ein Buch gelesen, das heißt die Macht der einen Zahl und da geht es um die Geschichte des Bruttoinlandsproduktes.

00:43:54: Und es ließ sich an manchen Stellen wie ein Krimi, also wie Menschen gemerkt haben, dass volkswirtschaftliche Gesamtrechnung, also die Rechnung unseres Staates auch so ein Machtinstrument sein kann, um ihre eigenen Interessen durchzusetzen, fand ich unfassbar spannend.

00:44:11: Und es ist dieses zu verstehen bekommen, diese Konzepte und diese Ideen eigentlich her.

00:44:15: So was mache ich in meiner Freizeit gerne.

00:44:19: Aber ich mache auch gern Musik in meiner Freizeit.

00:44:21: Also das ist vielleicht eine andere Art von Daten, einen Hut zu verlesen und zu interpretieren.

00:44:27: Aber entspannt höchstwahrscheinlich.

00:44:30: Ja, ich bin Saxophon und das macht mir sehr viel Spaß.

00:44:34: Und Filmtitel oder Serientitel, ich würde wahrscheinlich nahbleiben an dem Titel meines Buchstartens in Macht.

00:44:45: Ja.

00:44:46: Dein Buch sollten wir auch auf jeden Fall nochmal in unsere Show Notes verlinken.

00:44:50: Ein spannendes Thema.

00:44:54: Vielen, vielen Dank für die Folge.

00:44:55: War sehr kurzweilig.

00:44:57: Ich glaube, war ein guter Einblick.

00:44:59: nochmal zum Thema Literacy.

00:45:02: Und wer nochmal mehr erfahren möchte oder sich nochmal mehr mit dir austauschen möchte, der verlinkt dich ja auch nochmal in den Show Notes mit dem LinkedIn-Profil.

00:45:12: Vielen Dank, Katharina, für die spannende Folge.

00:45:14: Danke.