Vom Bauchgefühl zur Data-DNA – So macht’s sevDesk, mit Marc R.

00:00:00: In der heutigen Folge spreche ich mit dem lieben Marc von Ceftes.

00:00:02: Es geht ums Thema, wie und wo ist er eigentlich in der Organisation eingestiegen, wo ist er gerade jetzt und welche Herausforderung hat er auf seinen Weg mit der Reife vom Data innerhalb von Ceftes festgestellt?

00:00:14: Und was würde er vielleicht am Ende auch anders tun?

00:00:21: Neue Folgen jeden Freitag.

00:00:23: In dieser digitalen Welt gibt es einen speziellen Faktor, der über Erfolg und Misserfolg entscheidet.

00:00:29: Daten.

00:00:30: Doch

00:00:30: 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 zu MyDatersBetteredInniors, der Data-Podcast.

00:00:56: Schön, dass ihr eingeschalten habt.

00:00:58: Mir gegenüber sitzt der liebe Marc von ZEFTES.

00:01:01: Ein kurzer Hinweis, bevor ich es vergesse.

00:01:03: Mit ZFDesk mache ich wieder eine Serie.

00:01:06: Das heißt, wir sprechen nicht nur mit Marc, wir sprechen auch mit Michelle und Sebastian zum Thema Data Engineering und Data Science.

00:01:15: Das heißt, wir tauchen erst mal in die Strategie ein mit dem Limarck, der stellt sich gleich vor und dann wird das Thema, wie er so kennt, aus dem Data Bereich immer in Engineering und in Data Science getrennt.

00:01:26: Ja, Marc, damit die Leute mal so ein bisschen wissen, wer mir gegenüber setzt, stelle dich doch mal kurz vor, wer du bist, was du machst.

00:01:32: Und es hilft, glaube ich, total dann nochmal den Schwenk zu, was es theft ist, zu machen.

00:01:38: Klar, mache ich gerne.

00:01:40: Erst mal vielen Dank für die Einladung, Jonas.

00:01:41: Ich freue mich total, hier zu sein.

00:01:44: Long in the making, sagt man, glaube ich.

00:01:46: Stimmt,

00:01:47: ja.

00:01:47: Wir

00:01:47: haben ein bisschen gebraucht, aber es war mich eigentlich hier zu sein und das ist auch total cool.

00:01:51: Also wer bin ich?

00:01:52: Ich bin Marc, ich bin der VP für Data and Analytics by Self-Desk.

00:01:57: Das bedeutet effektiv, dass ich so die ganzheitliche Verantwortung für alles rund um Data und Analytics und Data Science und Data Engineering habe in der Company.

00:02:05: Ich bin da seit etwas mehr als zwei Jahren und... Ja, ich habe meine komplette Karriere mehr oder weniger in irgendwelchen digitalen Unternehmen, wie man so schön sagt, verbracht und immer im Data Space.

00:02:18: Also ich bin dem immer treu geblieben.

00:02:19: Ein Backnode ist im Data Analytics, also da habe ich angefangen.

00:02:23: Damals bei eBay, da war ich noch bei Mobile in Scout, bei Mobile.de, bei der damals so genannten eBay Classified Group und zu Let's Back Sing, bevor ich dann jetzt schließlich zu Save das gekommen bin und mache jetzt seit etwas mehr, oh Gott, die Zeit rennt.

00:02:38: Ich würde sagen, etwas mehr als zehn Jahren in Führungspositionen, weil ich relativ schnell gemerkt habe, dass das ganze Thema so Data Evangelism und Übersetzten von den Daten ins Business rein mir, ich sag mal, ein bisschen mehr Spaß macht als das harte Koden.

00:02:53: Wie kann ich das schreiben?

00:02:55: Und am Ende hat es mir auch unfassbar viel Spaß immer gemacht oder macht mir immer noch Spaß, so Teams zu entwickeln und zu leiten.

00:03:03: Und da bin ich da halt in diese Nische sage jetzt mal so reingekommen.

00:03:07: Genau.

00:03:09: Die ist gar nicht mehr so klein, die Nische, wenn man so drüber nachdenkt.

00:03:11: Früher hat man Data-Leader gesucht und jetzt gibt es dir eigentlich auf jeden Fall in einem viel höheren Prozentsatz.

00:03:19: Wobei ich immer noch erstaunt bin, wie wenig Unternehmen eigentlich verstanden haben, wie wichtig es ist, auch Signal-Leaders zu haben.

00:03:27: Also ich würde vermuten, dass du das ungefähr

00:03:31: ähnlich

00:03:32: merken würdest.

00:03:33: Das ist jetzt nicht so, es gibt nicht so viele CDOs und WP-Data, so was in Unternehmen.

00:03:39: Das wird ja so oft

00:03:41: aufgeteilt.

00:03:41: Ich hab jetzt gerade meinen Bayest verstanden.

00:03:43: Ich spreche natürlich nur mit solchen Leuten.

00:03:45: Ja

00:03:45: klar, ja klar.

00:03:46: Aber also wenn man mal ein Telltale sein haben möchte, wie wenig relevant eigentlich Data noch aufgehangen ist, muss man eigentlich nur mal auf die Jobseiten von daneben gehen und die wenigsten davon handelt dedizierten Space für Data.

00:04:02: Das musst du suchen.

00:04:04: Wenn du ein Data-Leadership-Position musst du überlegen.

00:04:07: Gehe ich jetzt zu Prada?

00:04:08: Gehe ich jetzt zu Engineering?

00:04:10: Wo gehe ich jetzt eigentlich hin?

00:04:11: so, um eine Stelle speziell zu suchen bei einem Unternehmen?

00:04:16: Das ist so.

00:04:17: Ja, guter Punkt.

00:04:18: Das ist so, glaube ich, weil so viele Unternehmen das eigentlich aufteilen und nicht Konsistenz sagen, ich brauche einen, der für alles verantwortlich ist und das ist alles unter einem Dach.

00:04:30: Egal, ob das jetzt Matrixorganisation oder sonst was aufbaus, aber trotzdem dieses Verständnis dafür, dass das zusammengehört.

00:04:35: Ich glaube, das gibt es super selten.

00:04:38: Und so der Schwenk, das gibt es bei SafeDesk.

00:04:40: Und SafeDesk, das ist wo ich jetzt arbeite, ist ein Saasunternehmen.

00:04:46: Software-Service.

00:04:48: Im Buchhaltungsbereich für kleine Unternehmen, selbstständige Freiberufler, Solopreneurs, die das nebenberuflich machen, alles so ungefähr bis zehn Mitarbeitern.

00:05:01: Das liegt daran, dass wir die Endprozesse, so die ganz komplexen Dinge dann nicht mehr abbilden.

00:05:06: Zum Beispiel haben wir keine Lohnbuchhaltung, aber im Pre-Accounting machen wir alles von Auftragsstellung, Rechnungsstellung.

00:05:17: die Angebote erstellen, dann mit dem eInvoicing, die Digitalisierung davon.

00:05:23: Das sind einfach von der Regierung vorgegebene Formate, die eingehalten werden müssen, aber dann eben auch die Belege erfassen und diese ganzen verarbeiten.

00:05:33: Um dann in diesem Accounting-Prozess, das sind dann so ganz furchtbare Summensaltenliste, die Gewinn- und Verlustrechnung, die EUR, die Einnahmeüberschussrechnung etc.

00:05:43: etc.

00:05:44: Das sind alles Dinge, die dann quasi gemacht werden.

00:05:46: Meistens wird es am Ende noch einen Steuerberater.

00:05:49: übergeben.

00:05:50: Dazu haben wir dann aber auch Schnittstellen, es gibt eine Datefschnittstelle, etc.

00:05:53: Derweile über hundertfünfzigtausend Kunden, also ist jetzt gar nicht mal so klein, sondern einer der größten Anbieter im deutschsprachigen Raum.

00:06:00: Wir sind primär in Deutschland und Österreich aktiv, aber auch ein bisschen in der Schweiz.

00:06:04: In Offenburg der Sitz?

00:06:05: Genau, wir sitzen im wunderschönen Offenburg, in Brandenburg, im Ländle.

00:06:09: Ich glaube ein schönes großes Büro habe ich gehört.

00:06:11: Das haben wir, das sind sehr schönes Büro.

00:06:13: Auf jeden Fall, kann sich sehen lassen.

00:06:14: Da sind wir als Gesamtkampagni immer einmal im Quartal, da kommen wir sind ein Hybrid Setup Unternehmen, das heißt, wir haben zwei Standorte, einmal Offenburg, das ist die Headquarter, das ist weil die beiden Founder von dort kommen und die sind sehr verwurzelt dort und sind auch immer noch aktive im Unternehmen.

00:06:32: Und dann haben wir einen Berlin-Standort, weil einfach, als die Entscheidung getroffen wurde, vor ich glaube ungefähr dreieinhalb Jahren, wenn ich so meinen Zeitstall richtig habe, sagen wir öffnen uns für Deutschland im Hiring, ziemlich schnell natürlich auch nach Berlin, weil einfach so viele Talente sind.

00:06:49: Und als wir so eine kritische Marke erreicht haben, haben wir gesagt, jetzt müssen wir mal langsam Office aufmachen.

00:06:52: Ja, wie

00:06:53: viele Seite da?

00:06:54: Also wir sind in Summe ungefähr zweihundertvierzig Mitarbeiter und davon sind mittlerweile so, ich glaube, um die viertzig, fünfzig in Berlin, in der Berliner Region.

00:07:04: Und wir waren vor zwei Jahren, als ich angefangen habe, waren wir so um die zwanzig.

00:07:08: Also das ist einfach, und wir sind jetzt nicht großartig gewachsen von der Mitarbeiterzahl.

00:07:12: Das ist einfach eher so um meine Entscheidungen zu gehen, machen was anderes.

00:07:15: Und dann wenn man ins Hiring geht, natürlich, hast du einfach relativ viel, die auch dann in Berlin geheiert werden.

00:07:20: Ja.

00:07:23: Ich habe mir so ein bisschen über euch informiert und meine Mahnehmung war, ihr achtet beim Hiring-Prozess extrem auf das Kulturfitting-Thema.

00:07:33: Yes.

00:07:34: Ich glaube, ihr habt ein eigenes Interview im Prozess dafür.

00:07:38: Das gab es.

00:07:40: Momentan, also wir machen gerade einen Culture Revival.

00:07:45: Das Unternehmen setzt sehr viel Wert auf Kultur.

00:07:48: Das kommt auch ein bisschen aus von den beiden Gründern von Fabian und Marco, denen das immer wichtig war, dass das ein Ort ist, wo die Leute sich auch wirklich wohlfühlen, wo die gerne arbeiten.

00:07:59: Das ist auch eine der Gründe, warum ich mich für den Job entschieden habe.

00:08:02: Also ich fand das Leadership-Team toll.

00:08:05: Ich fand die Kultur toll und ich fand das Produkt cool, weil es einfach unglaublich komplex ist.

00:08:11: Das ist auf jeden Fall das komplizierteste Produkt, das ich je gearbeitet habe.

00:08:15: Das kann ich auf jeden Fall sagen.

00:08:17: Weil die Buchhaltung so komplex ist für Deutschland?

00:08:20: Ja, genau.

00:08:20: Also jedenfalls...

00:08:22: Also ihr seid ja auch ein reines Datenprodukt am Ende?

00:08:25: Ja, also ich habe immer nur für reine Datenprodukte gearbeitet.

00:08:29: Aber die meisten ist relativ simpel.

00:08:30: So, mobile.de hat man Listings, hast eine Angebot, Nachfrage, irgendwie, da hast du die Detail-Page und die Results-Page, aber ein... Buchhaltungsprodukt so durchdringen und wirklich zu verstehen.

00:08:41: Mit den ganzen Steuerregelungen und den Prozessen.

00:08:45: Das ist extrem schwierig.

00:08:48: Aber das bedeutet, da hast du auch sehr viel Dateninformationen, die du da verarbeiten kannst.

00:08:51: irgendwelche Transaktionsdaten, die du dann matchen kannst.

00:08:55: Den habe ich vorhin vergessen zu erwähnen.

00:08:57: Wir haben auch ein Banking-Bereich.

00:08:58: Du kannst eine Bank anbinden und am Ende deine Belege hochleden.

00:09:01: Dann musst du die dagegen matchen.

00:09:03: Du hast ganz viele Informationen.

00:09:05: Die Kunden unserer Kunden.

00:09:07: Dazu haben wir eigentlich drei Kunden.

00:09:10: Wir haben unseren Kunden.

00:09:14: Der euch bei euch das Abo abschließt?

00:09:15: Genau.

00:09:16: Und dann haben wir den Steuerberater.

00:09:18: Weil alles, was der macht, ist vorbereitende Buchhaltung für den Steuerberater.

00:09:22: Wir müssen sicherstellen, dass der Steuerberater das eigentlich gut findet, was wir da den produzieren.

00:09:28: Und am Ende ist das alles nur vorbereitend fürs Finanzamt.

00:09:32: Das Produkt ist teilweise vorgegeben, weil es Regularien gibt, was gemacht werden muss.

00:09:36: Das war auch erst mal ungewohnt, ich bin da reingekommen und war so, okay, warum machen wir denn kein AB-Testing oder so wenig AB-Testing?

00:09:43: Weil wir teilweise Dinge noch bauen müssen, die einfach falsch sind.

00:09:47: Wir müssen das ändern, weil das nicht richtig ist, das ist formell inkorrekt.

00:09:51: Da brauchst du nichts testen, weil normalerweise validierst du ja in Tests, ob etwas

00:09:55: Nutzt oder

00:09:56: nicht?

00:09:56: Ja, das brauchst du dann nicht.

00:09:59: Okay, stimmt.

00:10:00: Das ist anders hier, ja.

00:10:02: Genau.

00:10:04: Sorry, zurück zu deiner Kulturfrage.

00:10:07: Das Thema Kultur ist weiterhin wichtig.

00:10:10: Es ist allerdings auch etwas, das sich immer weiterentwickelt.

00:10:13: Und verändert, ja.

00:10:14: Ja,

00:10:14: genau.

00:10:15: Weil ihr natürlich auch wachst und bei zweihundertvierzig Mitarbeitern hast du natürlich auch wieder eine andere Kultur seitdem Matrix organisiert.

00:10:20: Wie muss ich mir das vorstellen?

00:10:22: Also wir haben... ein R&D nennen wir das.

00:10:29: Das ist Produkt, Design, Engineering und Data.

00:10:33: Da arbeiten eigentlich immer Engineering, Design und Product im Trio.

00:10:38: Und dann haben wir ein Go-to-Market-Bereich, wo CS und Marketing eigentlich verbunden zusammenarbeitet und dann ansonsten noch so die anderen funktionalen Teams.

00:10:51: Also es ist... Wir aus dem Data-Bereich arbeiten mit einer Matrix in die Organisation hinein, aber wir sind eigentlich einer der wenigen, die das da so machen.

00:11:01: Wir haben Embedded Analysts teilweise und die Data Science-Organisation ist noch nicht groß genug, dass sie embedded sein kann, weil wenn du zu wenig Leute hast, können die sicher nicht embedden.

00:11:12: Das funktioniert nicht.

00:11:14: Aber wir versuchen trotzdem mit denen zusammenzuarbeiten.

00:11:16: Also eigentlich, ich habe eine zentralisierte Data-Org, abzüglich ein paar... Analysten, die fully embedded sind.

00:11:24: zu denen haben wir eine dotted line also so dieses typische setup Die die etwas weiter weg sind.

00:11:30: wir haben zentrale product analytics Organisation Die mit den produkt teams zusammenarbeiten eben diesen trios an den produktentwicklungen.

00:11:38: und dann haben wir im cs im marketing im finance und in hr Haben wir embedded Analysten.

00:11:44: Spannend dass sie so ein hybride auch da wieder hybride.

00:11:48: Genau.

00:11:48: also das und das.

00:11:49: aber es funktioniert gut.

00:11:51: wir haben Dafür haben wir Data Engineering und Data Science, haben wir noch zentral, weil es einfach von der Größe her so Sinn macht.

00:12:00: Was mich in dem Zug interessieren würde, Marc, ist ja so ein bisschen... Wir haben vorhin jetzt Scherzer gemacht, was ein Data-Lieder ist.

00:12:07: Wie weit hängst du denn im Management?

00:12:10: Ich bin Teil vom Management Team.

00:12:12: Also ich habe angefangen und wurde geheiert vom CFO, weil damals... Der CFO, die treibende Kraft hinter diesen ganzen Thema war, rund um Data.

00:12:20: Ihm war damals dieses Single Story Truth ganz wichtig und darum hatte er Engineering unter sich.

00:12:27: Also Analytics und Data Engineering und hat mich reingeholt mit so dem Auftrag, das ist dein direktes Team, du musst indirekt in die Organisation wirken für die Analysten, weil die Wirkung entfaltet sich nicht wie mein.

00:12:38: Wie er sich das wünscht.

00:12:40: Und dann nach ungefähr zwölf bis achtzehn Monaten würde ich behaupten, bin ich so ein bisschen, oder ist dieser Bereich den Finance entwachsen.

00:12:48: Weil wir haben dann ein komplettes Data Science Team aufgebaut.

00:12:50: Das ist vorher gar nicht gehabt.

00:12:51: Data Science passt einfach nicht in Finance rein.

00:12:54: Und auch Analytics ist dann unter meiner Verantwortung direkt.

00:12:57: Also wir haben die Reporting Line umgezogen, weil wir gemerkt haben, dass diese Nähe einfach wertvoll ist.

00:13:01: Und da glaube ich auch dran.

00:13:03: Und momentan hänge ich direkt beim CEO.

00:13:11: Wir führen gerade Diskussionen, wo das vielleicht permanent hin sollte.

00:13:15: Ich glaube, es wird nicht ewig beim CEO bleiben.

00:13:18: Wie viel

00:13:19: C-Level habt ihr?

00:13:22: Wir haben CFO, CPO, CTO und CRO.

00:13:28: Der Chief Revenue Officer ist halt Marketing.

00:13:31: Soll

00:13:34: man das ausdiskutieren, wo es hin könnte?

00:13:37: Jetzt können wir vielleicht später machen.

00:13:40: Ich glaube, das ist ein bisschen eine Philosophie-Frage.

00:13:43: Ja, definitiv.

00:13:44: Deswegen habe ich das so lustig gefunden, man drüber zu

00:13:46: philosophieren.

00:13:48: Die Frage hinter der Frage ist ja, wie hoch aufgehangen ist das?

00:13:51: Und ich glaube, egal ob es beim CEO oder bei einem der Sea Levels ist, es ist bei einem der Sea Levels.

00:13:55: Und das wird als extrem wichtig fürs Unternehmen angesehen.

00:13:58: Und das ist das, was zählt.

00:14:00: Außer

00:14:00: es wird zum Sea Level?

00:14:04: Ja.

00:14:06: Bei der Rolle, die ich bei Falke habe.

00:14:09: Ja.

00:14:09: Mein Titel ist Chief Digital Officer.

00:14:11: Ja.

00:14:12: Ich veranworte aber die IT-Themen, die Datathemen und die AI-Themen.

00:14:15: Jetzt können wir überlegen.

00:14:16: Ja.

00:14:19: Wie weit hängst du sowas hoch und wie nennst du das?

00:14:21: Man kann es natürlich auch überlegen, ob du es Chief Information Officer nennst.

00:14:24: Ja.

00:14:25: Oder Chief Digital Officer.

00:14:26: Ich glaube, das Thema oder mein großer Auftrag ist auch das Thema, mit zu digitalisieren.

00:14:31: Ja, aber das ist, das ist, wo der Kernunterschied liegt.

00:14:33: Falke ist ein... Old school brick-and-mortar Business, das ein CDO im Sinne von Digital Officer braucht.

00:14:41: Cephas ist ein durch und durch digitales Unternehmen.

00:14:44: Jeder sollte die Verantwortung dafür tragen.

00:14:46: Wenn, dann bräuchte man ein Chief Data Officer und dafür ist, glaube ich, dieses Thema und der Bereich nicht groß genug, als dass es das rechtfertigt.

00:14:53: Die Frage ist, ob du Positionen auf Basis des Königreichs oder auf Basis der strategischen Wichtigkeit positionierst.

00:15:01: Und egal wie groß das Team ist, Umso wichtiger es ist, umso mehr müsstest du dieser Rolle in Wichtigkeit geben.

00:15:10: Und dann ist wieder die Diskussion, ob es überhaupt ein Ziel-Level sein muss oder nicht.

00:15:13: Oder ist es unterm Ziel-Level eigentlich schon wichtig genug?

00:15:15: Und dann sind wir bei der Diskussion Matrix-Organisation.

00:15:19: Und dann hast du sozusagen den Kopf und nebendran hättest du auch eine Querfunktion und da würde ich Data sehen.

00:15:25: Und meine, das ist auch eindeutig der Grund, warum ich damals zu selbst das geholt wurde.

00:15:30: Um auf Art die Bewusst zu sagen, Wir wollen hier eine VP-Position schaffen, die ganzheitlich die Verantwortung für alles rund um Data hat.

00:15:39: Und es ist durch die Entwicklung mit AI nur noch wichtiger geworden.

00:15:43: Und wie ich gesagt habe, ich habe angefangen, da gab es so Data Science als kleine Pockets irgendwo im Unternehmen.

00:15:49: Dann ein ganzes Team aufzubauen, und da wird Sebastian ein bisschen, du bei der CL auch noch, das ist ja einfach eine ganz andere Hausnummer und das erhöht die Relevanz.

00:16:01: Aber also... Ob ich jetzt ein VP oder ein CD-Obin ist für mich zweitrangig.

00:16:05: Tatsächlich in diesem Kontext, für mich ist wichtig, dass ich die ganzheitliche Verantwortung dafür trage, weil das macht mein Leben so viel einfacher und ist es auch so viel effizienter dieser Abstimmung zwischen den Engineers, den Analysten und den Data Scientists.

00:16:23: Also ich habe auch schon ein Unternehmen gearbeitet, da wurden dann einfach mal zwei Data Lakes aufgebaut, weil Data Science wollte ein Data Lake und Data Analytics wollte ein Data Lake oder da hat ... Data Science auf völlig andere Kennzahlen optimiert, als die Analysten eigentlich vorgegeben haben.

00:16:35: Und ich habe als Data Evangelist gepredigt, das ist eure Target KPI im Unternehmen.

00:16:40: Das ist so wichtig, dass sie darauf optimiert, und da habe ich ein Jahr später herausgefunden, dass Data Science irgendwelche Algorithme programmiert hat, die auf ein völlig anderes Ziel ausgerichtet sind, weil die gesagt haben, oh, das habe ich gar nicht mitbekommen, dass ihr das geändert habt.

00:16:51: Und das passiert natürlich in so einem Setup dann nicht, weil das alles vereinheitlich ist und die alle miteinander sprechen.

00:16:57: Wir nennen das bei uns den Data Circle.

00:16:59: Ja, und wir trell, wir gehen regelmäßig einmal im Quartal, kommen alle zusammen, tauschen sich aus, wie können wir besser zusammenarbeiten?

00:17:07: Alle,

00:17:07: alle sind, alle die bei dir in der Organisation sind, die, die embedded sind.

00:17:11: Genau.

00:17:12: Weil,

00:17:12: wie viel sind es dann in so?

00:17:14: Wir sind dann bei einundzwanzig.

00:17:15: Genau.

00:17:16: Also wir haben, ja, egal, wir sind in so mal einundzwanzig ungefähr gleich verteilt, Data Science, Data Analytics und Engineering, mit Data und Analytics Engineering.

00:17:28: Die Realität ist, die sind sehr eigenständig in dem, was sie tun.

00:17:31: Das heißt, sie brauchen ihre eigene Identität und die tauschen sich nicht jetzt jeden Tag aus.

00:17:35: Aber wir haben mehr als genug Rituale.

00:17:39: Roadmap-Planning machen wir gemeinsam.

00:17:41: Onsites machen wir gemeinsam.

00:17:44: Wir haben ein gemeinsames Leadership-Team, das sich die Strategie gemeinsam überlegt.

00:17:47: Ich kann sagen, das sind unsere strategischen Pillars.

00:17:49: Das sind unsere KPIs, auf die wir optimieren wollen.

00:17:52: Das ist alles ganzheitlich gedacht.

00:17:55: Und ich glaube, das ist der Mehrwert, der dahinter steht, der Titel ist.

00:17:59: Ja,

00:17:59: gut gesagt.

00:18:01: Aber dann nehmen wir uns doch mal mit auf die Strategie.

00:18:04: Was ist die Strategie?

00:18:05: Also, wo hast du angefangen und wo spielst du jetzt?

00:18:08: Ja.

00:18:09: Also, als ich reingekommen bin, habe ich so ein bisschen, ich glaube wie relativ typisch, so ein Assessment gemacht, die Data Maturity versucht zu einzuschätzen.

00:18:18: Und damals habe ich dann so ausgerufen und gesagt, ich will eigentlich Data in der Company DNA tragen.

00:18:22: Und dafür braucht es sechs Säulen.

00:18:24: Wir haben gesagt, das erste, was wir brauchen, ist Data Science, weil das haben wir der Fakt, und nicht so, wie wir es eigentlich bräuchten, um erfolgreich zu werden.

00:18:30: Das zweite, was wir brauchen, ist Data Insights.

00:18:33: Also wir müssen die Analysten mehr dafür nutzen, dass sie Insights generieren im Sinne von wirklich tiefen Erkenntnisgewinn und nicht einfach nur ad hoc, da hat ein Lieferant sein, weil das war ein bisschen mehr der Fall.

00:18:44: Die dritte Säule war Dashboarding.

00:18:47: Also bessere Nutzung unserer BI-Infrastruktur.

00:18:51: um Effektiv-Self-Service zu ermöglichen, damit die Analysten mehr Zeit verwenden können auf eben diese Insights.

00:18:57: Und dann die nächsten beiden sind eher so die Foundational, wir brauchen eine starke Data Platform und wir brauchen Data Quality, das ist noch die Infrastruktur.

00:19:06: und last but not least Data Literacy, weil ich bin davon überzeugt, also diese zwei Platform-Qualities, das ist so die Foundation, die muss jetzt damit alles läuft.

00:19:15: Wenn du Data Literacy hochziehst, dann kannst du auch sowas wie Self-Service enablen.

00:19:19: Und wenn du das hast, können die Analysten ihre Insights generieren und wirklich sich damit beschäftigen.

00:19:23: Aber

00:19:23: eher auch die Second Level Insights generieren und diese ganz Objeß-Themen können über den Self-Serve vergriffen.

00:19:29: Die erst sonst bei den Analysten liegen, die sich dann langweilen und denken, dass es jetzt nicht wofür sie vielleicht viel Statistik gelernt haben oder andere Themen.

00:19:39: Genau.

00:19:40: Und das hat sich über die... Ich glaube über die letzten anderthalb zwei Jahre ziemlich gut bewährt, weil das einfach ein sehr stark so den Pfeiler in den Bodenrahmen zu sagen, wir brauchen mehr Data Science und die Analysten brauchen mehr Sichtbarkeit.

00:19:54: Und das haben wir jetzt allerdings weiterentwickelt.

00:19:56: Die Welt hat sich auch ein bisschen weiter gedreht und auch unsere Organisation hat sich weiter gedreht.

00:19:59: Und jetzt haben wir eigentlich gerade das vor ein paar Monaten mit dem Data Leadership Team, das so überarbeitet, dass wir gesagt, eigentlich haben wir drei Customer Facing, ich sag mal Principles oder Services, das ist nämlich Data Analytics, um bessere Entscheidungen zu treffen, Data Science, um Datenprodukte zu bauen und AI, um Prozesse zu optimieren.

00:20:19: Weil wir haben mittlerweile auch eine Position geschaffen für AI Automations.

00:20:24: Die fuchst sich gerade auf CS, aber wir gucken, wo die Reise hingeht.

00:20:28: Es ist natürlich auch sehr verteilt, eigentlich sollten alle Unternehmen mittlerweile GenEI nutzen, um Prozesse zu optimieren.

00:20:33: Aber wir haben eine dedizierte Stelle geschaffen, die gesagt hat, die kümmert sich um nichts anderes, weil da so viel zu optimieren ist in dem Bereich, dass sich das lohnt.

00:20:40: Das sind die drei Customer Facing.

00:20:41: Und darunter sind dann jetzt eher so die sechs Competencies, die darunter stehen, die das enablen.

00:20:49: Und da findet sich dann viele von dem anderen wieder, aber es ist ein bisschen weiter aufgefälchert.

00:20:53: Marc, wir beide würden glaube ich darüber sprechen, dass du jetzt gerade beschrieben hast, dass die Reife in der Organisation zum Thema Data höher geworden ist.

00:21:05: Dadurch gehst du in die Breite.

00:21:07: Also du holst dir... statt Analytics & Engineering, auch Data Science noch mit dazu.

00:21:13: Und du gehst eigentlich in die Tiefe, dass du dich mit dem Thema ML Ops, wie du gerade beschrieben hast, die Datenqualität noch mal bespricht und auch Literacy-Themen ist ja sowas wie Tu Gutes und Sprich darüber, also noch mal in die Organisation treiben.

00:21:26: Jetzt hast du viele Organisationen im Data-Bereich begleitet.

00:21:31: Ab welchem Punkt sagst du denn, kann man das so?

00:21:36: Für allgemeiner ist das falsche Begriff, aber kann man so eine Methodik darüber legen?

00:21:39: Ab wann gehst du in die Tiefe bei welchen Themen?

00:21:43: Wenn ich dir zum Beispiel sage, ich habe jetzt Analytics aufgebaut in der Firma, wo ich arbeite.

00:21:49: Wann entscheide ich, mich Data Science einzuführen?

00:21:53: Und das ist eine spannende Frage.

00:21:57: Tatsächlich glaube ich, hat das mit dem Reifegrad des Produktes zu tun, mit dem man sich da beschäftigt, weil Data Science ist etwas, dass du eigentlich erst brauchst, wenn deine ganzen anderen Dinge relativ gut funktionieren, sonst wirst du sehr stark den Pushback bekommen aus der Organisation.

00:22:14: Für sowas habe ich gerade keine Zeit.

00:22:16: Ich muss erstmal meine Low-Hanging-Fruits abgreifen.

00:22:19: Das ist nicht immer unbedingt richtig, weil ich glaube auch die einfachen Dinge kannst du mit Data Science erschlagen, aber die werden oft eher sagen, ah, Rule-Based, wir müssen irgendwie nochmal die UX überarbeiten, die Designs, das haben wir auch gemacht.

00:22:34: Seth, das hatten wirklich sehr, sehr schöne UX und sehr schönes Designs, eins der Dinge, die uns so stark macht.

00:22:39: Und dafür brauchst du jetzt nicht unbedingt Data Science, aber dafür brauchst du relativ viel Engineering Kapazität, irgendwie für Reskinning und Designs und Front-End und sonst was, die dann keine Kapazität haben.

00:22:50: Also das war auch so für mich der Lernprozess.

00:22:54: Data Science ist nochmal was ganz anderes im Level of Involvement, also wie stark du eigentlich mit deinem Stakehold zusammenarbeiten musst.

00:23:02: Bei den Analysten... Bist du eigentlich sehr stark nur Lieferant?

00:23:06: Und es gibt vielleicht ein, zwei, drei Themen, wo du dich auch so in der Abhängigkeit begibst in einer ganz anderen Organisation.

00:23:13: Das sind so Themen wie Tracking.

00:23:14: Irgendwie, ja, ich brauche Tracking, das muss priorisiert werden.

00:23:17: Die Engineers haben dafür fast nie Zeit.

00:23:19: Data Science, alles was Data Science macht, kommt auf so eine Product Roadmap, muss da reingetaktet werden.

00:23:25: Der Austausch ist viel intensiver.

00:23:27: Und da kompetest du mit ganz, ganz anderen Themen, als du es in Analytics machst.

00:23:32: Und ich glaube darum, die Entscheidung, ob du Data Science brauchst oder nicht, als Unternehmen, hängt damit zusammen, kannst du dir das jetzt leisten.

00:23:41: Und ich meine nicht kostenseitig, sondern ich meine rotner Priorisierungstechnisch.

00:23:45: Weil es lange dauert, oder?

00:23:48: Was meinst du mit leisten?

00:23:50: Nee, nicht weil es lange dauert, sondern weil du musst dann ein komplettes Unternehmen dazu erziehen, auch Data Science mitzudenken.

00:24:00: Weil das haben die da bisher nicht gemacht, das war bei uns genauso.

00:24:02: Wir haben Produktmanager, die bisher oder damals, die noch nicht dieses Mindset hatten, ich überlege mir jetzt, kann ich das vielleicht mit einem Algorithmus, mit einem Machine Learning-Modell eigentlich lösen?

00:24:15: Ist das ein Problem, sondern da kommt viel mehr Rule-based Ansätze, UX-Design-Ansätze.

00:24:22: Der ganze Prozess ist einfach anders, der ist anders gedacht.

00:24:26: Und das ist schon etwas, das Zeit braucht.

00:24:28: Die Modelle selbst brauchen nicht so lange.

00:24:30: Die sind meistens, also unser Sebastian, den wirst du ja noch kennenlernen, aber der hat ein ganz tolles Fallbeispiel gemacht, um die Product & Engineering Organisation ein bisschen zu erklären, wie funktioniert eigentlich Data Science, der hat mit den Engineers so ein Coding Challenge gemacht und das war irgendwie... Die sollten ausrechnen, einmal Rulebase und einmal mit einer Algorithmus, wie man am besten die Leute auf der Titanic rettet.

00:24:56: Das war ganz witzig, bei einem unserer, wo alle zusammenkommen in der Company, bei uns im Atrium.

00:25:02: Und am Ende waren das, oh Gott, Tausende von Zeilen, Tausende von Zeilen, von Code.

00:25:07: Und eigentlich war dann nur so ein kleiner Absatz, das eigentliche Machine Learning Modell, das dahinter stand.

00:25:12: Das ist so, das ist super einfach.

00:25:14: Das ganze Cleaning vorher und das Aufbreit, das ist was die Arbeit macht.

00:25:17: Nicht das Modelle sind einfach.

00:25:20: Geil,

00:25:20: gut erklärt.

00:25:21: Wenn man sich das jetzt so ein bisschen anschaut und feststellt, dass du die Strategie aufgebaut hast und die Organisation vorbereitet hast, welche Rolle spielt bei euch jetzt Data?

00:25:31: Was wäre, wenn wir morgen dein Bereich wegnehmen würden?

00:25:36: Da würden ziemlich viele Dinge, glaube ich, nicht mehr so gut funktionieren.

00:25:39: Also am Anfang vielleicht schon.

00:25:41: Michel, den, das du auch noch kennenlernen, der sagt immer sehr gerne, er versucht sich selbst abzuschaffen.

00:25:47: Dafür zu sorgen, dass diese Prozesse alle von selbst laufen.

00:25:50: Das macht er sehr gut.

00:25:52: Das heißt, wir haben ein sehr stabiles Data Setup.

00:25:55: So technisch von den ganzen Schnittstellen und den Pipelines.

00:25:58: Das war auch eines der Dinge, die am besten war, als ich die vorgefunden habe.

00:26:01: Ich habe die mit Schödie geprüft also.

00:26:03: Der Bereich, den fahrt sich nicht an, das läuft.

00:26:04: Eines, was wir machen, ist, wir migrieren von Redshift auf Snowflake, weil so Redshift irgendwie so ein bisschen an die Grenzen kommt, aber ansonsten alles anderes talk.

00:26:13: Aber ich würde schon sagen, dass das Unternehmen sehr stark von Daten abhängig ist.

00:26:20: Also wir haben eine ganze Maschinerie, um Kunden reinzuholen, dieser ganze Go-to-Market, unser Revenue-Bereich.

00:26:28: der lebt von Daten.

00:26:29: Diese Entscheidungsprozesse irgendwie, wir optimieren unseren Spend, um die Kunden reinzuholen und optimieren da auf den Kack sehr stark.

00:26:38: Die Attribution-Modellings, wie wir machen, sind super wichtig, dafür brauchen wir Daten.

00:26:42: Das heißt, dieser eine Bereich ist sehr stark durchzogen von Data.

00:26:47: Und dann im Produkt werden auch fast alle Entscheidungen basierend auf Daten getroffen.

00:26:53: Nicht alle, aber da hängt ganz viel von ab.

00:26:56: Unsere ganzen So strategischen Check-in-Meetings und sonst was.

00:27:02: Da ist immer ein Analys dabei.

00:27:03: Die Aufbereitung erfolgt mit den Daten.

00:27:06: Die Produktmanager, das finde ich auch sehr schön bei Self-Disk, arbeiten sehr selbstständig in unserem End-Anwender Web Analytics Tool.

00:27:14: Also wir nutzen bei uns Mixpanel.

00:27:17: Aber ich meine, da ändert sich auch immer wieder was.

00:27:19: Also das ist eines der Hauptaufgaben.

00:27:22: Wir brauchen wieder ein neues Tracking, das da eingebaut werden muss.

00:27:24: Und wenn das nicht da ist, dann haben wir ja die Produktmanager nicht die richtigen Informationen, um Entscheidungen treffen zu können.

00:27:30: Und last but not least hast du ja im Management überall, also wir haben das bei uns eingeführt so Level eins und Level zwei KPIs, damit wir wissen, worauf wir als Unternehmen optimieren.

00:27:42: Und ich behaupte jetzt mal, und ich hoffe, aber muss ich ja auch, das ist mein Job, dass das wertvoll ist für eine Unternehmen, dass sie wissen, worauf sie eigentlich optimieren, weil dann steuert dieses ganze... große schiff auf ein gemeinsames ziel zu.

00:27:54: und wenn du das ändert sich ja auch mal wenn du dann keine analysten da hast die dann helfen das zu definieren dann funktioniert das auch nicht mehr.

00:28:01: also Die welt bricht nicht sofort zusammen.

00:28:05: aber das ist wahrscheinlich so ein so ein sterben auf raten das dann langsam eintreten würde.

00:28:09: also Ich überlege gerade welcher bereich vielleicht nicht so durchzogen ist von daten aber mir fällt nichts ein.

00:28:14: auch im finance unsere komplette strategie im finance analysen der ist dediziert dafür da der geht da rein und alle unsere strategischen Prozesse, die wir prüfen, unsere Business Pläne, all das, das basiert ja auch auf Daten.

00:28:25: Also es ist eher so die Frage, wo ist es nicht?

00:28:30: Es ist auch ein Beispiel dafür, wie gut ihr in der Organisation, wie hoch der Reifegrad eigentlich ist.

00:28:35: Also wie sehr ihr geschafft hat, eigentlich auch das Thema Literacy zu dringend diesen Tipping Point zu haben, es jetzt in der Gesamtorganisation zu nutzen.

00:28:45: Also bei vielen Händlern, Oder allgemein von hast du Pricing Water Business gesagt, aber ich glaube auch bei Falke ist es noch so ein bisschen zu spüren, dass nicht alle ganz intensiv mit Daten arbeiten, weil auch das Produkt natürlich hast du den immensen Vorteil, dass euer Produkt allein sehr zahlen und Daten getrieben an sich schon funktioniert und auf dem digitalen Modell sich auswählen.

00:29:13: Aber trotzdem brauchst du natürlich auch Mitarbeiter und Mitarbeiterinnen, die dann über Excel hinaus schauen und das weiter nutzen.

00:29:22: Total.

00:29:23: Und ich glaube, das ist halt auch die Realität, das auch selbst in einem Digital-Business, wo man denken würde, das ganze Business ist doch Daten.

00:29:33: Was soll es sonst sein, wenn wir kein Datenprodukt sind, was dann?

00:29:36: Hat man trotzdem noch, sind alles Menschen und es gibt Leute, die sind weniger Zahlen auf ihnen, die haben kein Gespür dafür, sie haben auch kein Interesse dran.

00:29:45: ohne jetzt meinen Management Kollegen irgendwie böse zu wollen.

00:29:48: Ich habe auch schon oft wahrgenommen, um so mehr Erfahrungen Leute mitbringen, um so Seniorier, sie werden umso mehr wollen sie sich auf ihr Bauchgefühl verlassen.

00:29:56: Ich sage auch immer, so Analytics ist, gibt es so ein schönes Zitat von, ich glaube, der Gründer tatsächlich von dem, der Analytics Abteil bei Facebook, der gesagt hat so Data is not only an Art.

00:30:08: Ender Science.

00:30:09: Und da hat er auch recht, weil es ist nicht alles mit Zahlen erklärbar, aber man muss die Balance finden.

00:30:14: Und auch bei Saftes muss sich immer wieder die Leute antreiben und dafür sorgen, dass sie oder nicht ich mein Team, dass die Leute mehr mit Daten arbeiten.

00:30:24: Also ich mache es an der Einstellung, an der anderen.

00:30:29: Das gehört mit zum Job dazu.

00:30:32: Also wenn man sich entscheidet, im Bereich Data und Analytics zu gehen, dann... wird man immer diese Überzeugungsarbeit leisten müssen.

00:30:40: Ich glaube, die geht nie weg.

00:30:42: Auch bei einem rein digitalen Unternehmer.

00:30:44: Ja,

00:30:44: Überzeugungsarbeit sind wir wieder beim Thema Literacy.

00:30:47: Hast du noch Beispiele, wie ihr das macht?

00:30:50: Ja, also ich habe da so ein paar verschiedene Dinge, die ich in so verschiedenen Unternehmen eingeführt haben, die gut funktioniert haben.

00:31:00: Dazu gehört Transparenz darüber.

00:31:03: wo man eigentlich die Daten findet.

00:31:05: Also eigentlich fast immer, wo ich angefangen habe, wussten meistens die Leute gar nicht, wo sie die Zahlen finden können.

00:31:11: Das geht über so einfache Dinge wie... Also

00:31:14: klassische Kommunikation, Transparenz machen.

00:31:16: Ja, genau.

00:31:17: Also, zum Beispiel, wir haben eine Learning-Page gebaut, wo alle unsere Dashboards aufgelistet sind aus den verschiedenen Fachbereichen, damit die Leute wissen, da gehen die hin und da finden sie ihre Daten.

00:31:25: Das andere ist, wir haben einmal ein Monat All Hands, da haben wir eine Serie eingeführt, A Know Your Matrix.

00:31:32: Hab ich auch schon beim Unternehmen Feuer gemacht.

00:31:35: Funktioniert wahnsinnig gut, weil es erhöht einfach so diese Wahrnehmung.

00:31:39: Ich muss auch verstehen, warum diese Kennzahl wichtig ist und ganz oft eine KPI, die dann im Management verwendet wird.

00:31:47: Also ja ARR.

00:31:48: Das Wichtigste bei uns, fragst du mal im Unternehmen, wie viele wissen überhaupt, was das ist.

00:31:52: Und dann wissen es ganz viele gar nicht.

00:31:54: Und erst recht nicht, wie sie definiert ist.

00:31:55: Vielleicht können sie noch irgendwie sagen ARR, annual recurring revenue, ja okay.

00:32:00: Hab ich mal gehört.

00:32:01: Aber die Definition dahinter, wie die eigentlich aufgebaut ist, wissen Sie nicht.

00:32:05: Das heißt, wir machen ein Education-Sessions über Kennzahlen.

00:32:09: Was wir noch nicht so gut machen, wo ich aber auch noch hin will, ist Transparenz über alle Kennzahlen dokumentiert, Data-Catalog mit allem, was dazugehört.

00:32:17: Ich glaube, das ist noch wichtig, aber ansonsten auch sehr klassisch.

00:32:22: Schulungen, Trainings.

00:32:23: Also wir führen gerade Trainings nach und nach ein, haben angefangen mit einem AB-Testing-Training.

00:32:28: Abit-Testing ist hochkomplex.

00:32:30: Ähm, selbst die meisten Analysten wissen nicht in der Tiefe wirklich, wie Abit-Testing funktioniert.

00:32:35: Ähm, und dann aber zu erraten, dass das Produktmanager und Stakeholder das verstehen, da kann schon mal eine Schulung helfen.

00:32:41: Ähm, Mix-Panel-Training für mehr Self-Service und Looker-Training für, für unser Beile-Dashboarding.

00:32:47: Das ist schön, ne?

00:32:48: Tools

00:32:48: mehr, also mehr, mehr klar, ne?

00:32:50: Genau, genau.

00:32:51: Ich

00:32:52: glaube, das ist der große Unterschied, ne?

00:32:53: Das macht man, wenn man so Tools einführt.

00:32:56: Denken alle Trainings mit, aber erstens gibt es X neue Mitarbeiter, Mitarbeiterin meistens.

00:33:03: Und auch Weiterentwicklung.

00:33:04: Und dann muss er natürlich auch über die Tiefe trainieren und das wird dann immer nicht so ganz berücksichtigt.

00:33:08: Ja, total.

00:33:09: Total.

00:33:10: Man muss eigentlich laufende Trainings machen.

00:33:13: Du hast vorhin so den Punkt gesprochen, Training, Tracking Setup, Attribution.

00:33:18: Jetzt ist es bei euch ja der Key, um neue Nutzer zu bekommen.

00:33:22: Glaubst du, ihr seid da besonders?

00:33:26: Nee, ich würde nicht sagen, dass wir besonders sind.

00:33:30: Oder seid ihr besonders gut darin?

00:33:31: So war die Frage eher gemeint.

00:33:35: Also ich glaube, dass unsere Marketing-Abteilung schon besonders gut darin ist, zu optimieren auf Kundenwachstum.

00:33:45: Das auf jeden Fall.

00:33:46: Aber der Großteil unseres Trackings passiert ja eigentlich dann eher in der Applikation für die Kunden, die schon da sind.

00:33:53: Das ist wo das ganze Event Tracking passiert ja dann in.

00:33:57: in Aufselfdesk.

00:34:00: Und da sind wir genauso gut wie alle anderen.

00:34:02: Das heißt, der Kern ist da für alles andere.

00:34:06: Wir machen das nur, wenn es nachgefragt wird.

00:34:09: Und fast immer wird es nachgefragt, wenn es fast schon zu spät ist.

00:34:11: Da kommt irgendwie ein Produkt-Manager und sagt, ich baue hier jetzt was Neues auf.

00:34:15: Hier fehlt mir mein Tracking, da muss es nachgezogen werden.

00:34:17: Oder das Tracking hier ist ja kaputt.

00:34:19: Warum funktioniert das nicht?

00:34:20: Das passiert bei uns natürlich genauso über jedem anderen Unternehmen.

00:34:24: Aber ich glaube, das ist so ein relativ normales Brut- und Butter-Geschäft, um zu sagen, das Tracking muss stetig weiterentwickelt werden.

00:34:33: Was wir schon gemacht haben über den letzten Jahr ist ein bisschen mehr standardisiert.

00:34:37: Das war mir wichtig, weil ich glaube, Safter ist noch in der Reise.

00:34:43: noch sehr viel vor sich hat im Sinne von Größe und Komplexität.

00:34:48: Sehr relativ normal, dass ein Unternehmen mit einer Growing-Maturity dann auch immer komplexer wird mit den Anzahlen von Features und Produkte, die da reinkommen.

00:34:55: Und ein Unternehmen, wo ich vorher war, die etwas reifer waren und älter, die kein Tracking-Standard hatten, war das unmöglich, das zu überarbeiten.

00:35:04: Also ich sage, wir nutzen die Chance hier und haben ein bisschen Standards eingeführt, wie das aufgebaut ist, damit das gut skaliert.

00:35:12: Also ich glaube, da sind wir jetzt in der guten Position für die nächste Wachstum.

00:35:16: Um so ein bisschen einen Abschluss zu finden und einen guten Blick nach vorne.

00:35:21: Welche Learnings habt ihr denn am Ende gemacht?

00:35:24: Was würdest du anders machen?

00:35:26: Das ist eine gute Frage.

00:35:28: Was würde ich anders machen?

00:35:29: Ich finde, das ist tatsächlich eine ziemlich schwierige Frage.

00:35:31: Was würde ich anders machen?

00:35:33: Ich glaube, ich versuche das mal anhand meinen verschiedenen Bereichen irgendwie aufzuziehen.

00:35:37: Ich glaube, im Plattformteam würde ich gründlicher eine Migration vorbereiten, weil wir Reddit zu Snowflake migriert haben und dafür zu lange gebraucht haben.

00:35:50: Und das hat uns weh getan gegenüber den Stakeholders, weil die ungeduldig wurden, weil wir hatten auch ein Code Freeze drin, dann konnten wir Dinge nicht umsetzen.

00:35:57: Und ich habe wahrscheinlich unterschätzt, wie stark das doch spülbar wird, wenn man dann so ein Backlog aufbaut von Themen und die wieder abzubauen, dann hast du wieder, stehst du mit dem Rücken zur Wand, dann kündige ich vielleicht einen Analyst.

00:36:11: Da fehlt hier noch mehr Ressourcen und ich glaube, das war zu teuer im Sinne von, was das an Goodwill gekostet hat.

00:36:20: Das würde ich auf jeden Fall im Plattform-Team anders machen, weil ich da erlaubt habe, zu sagen, die Migration ist das Wichtigste und das hätten wir anders aufziehen können.

00:36:30: Im Analytics hätte ich glaube ich wahrscheinlich früher mit der Data Literacy angefangen.

00:36:39: Als ich angefangen habe, hatte ich ja vorhin erklärt, diese sechs Säulen.

00:36:42: Und habe ich gesagt, Data Literacy ist nicht der Fokus am Anfang.

00:36:45: Dafür haben wir gerade keine Kapazitäten, keine Zeit.

00:36:48: Dafür hatte ich aber viel aufwendigere Diskussion mit den Produktmanagern, die eben noch nicht diese Literacy hatten, wie ich sie eigentlich erwartet hatte.

00:36:54: Ich glaube, ich habe das unterschätzt.

00:36:59: Und bei Data Science würde ich denken, dass ich noch schneller den Schulterschluss mit Engineering Products suchen würde.

00:37:11: sicherzustellen, dass die Produktmanager-Data mitdenken.

00:37:14: Weil ich davon überzeugt war, die Use-Cases, die wir haben.

00:37:17: Wir haben Workshops am Anfang gemacht.

00:37:19: Damit haben wir angefangen, Workshops mit einem Bereich zu definieren, was sind die Use-Cases, auf die wir aufbauen können, da können wir gut Data Science anbringen.

00:37:27: Also jetzt hier die Liste da, jetzt ist ja offensichtlich.

00:37:30: Da fangen wir einfach an zu bauen und dann, wenn wir fertig sind, dann ist es da und dann nehmen die das schon, weil dann werden die dankbarer Abnehmer sein.

00:37:36: Dann bin ich in den Priorisierungs- und Road-Mapping-Prozess mit Engineering & Products und Design gekommen.

00:37:41: Und da hat das eine oder andere etwas länger gedauert, als ich es erwartet hätte, weil wir nicht mit offenen Armen entfangen wurden, sondern erst mal mit, ich will nicht sagen, Skepsis, aber schon mit erst mal so ein, wo kommt das denn jetzt her?

00:37:54: Wir haben doch hier schon so viele andere Themen, die wir arbeiten müssen.

00:37:57: Wie aufwendig ist das denn?

00:37:58: Das muss ich erst mal besser verstehen, weil sie kein Verständnis dafür hatten.

00:38:01: Das heißt, ich glaube, ich hatte viel früher diesen Schulterschluss gesucht.

00:38:05: Ich meine, ich habe von Anfang gesagt, dass ich das möchte.

00:38:07: Es war mir schon klar, dass ich es brauche.

00:38:08: Ich glaube, ich hätte das intensiver betrieben, sagen wir es mal so.

00:38:12: Nachgang ist man natürlich immer schlauer, das ist die Frage, der ich freche, aber wenn wir rauszufinden, was sind so Schritte, also kann man, du bist ja auch oft als Theaterleader gewesen, kann man das sozusagen methodisch einfach kopieren und hat dann irgendwann weniger Fehler, aber ich glaube auch, was wir gerade festgestellt haben, ist, dass dich könnte man jetzt vielleicht nicht zwangsweise in ein Fashion-Unternehmen setzen, weil die Sachen, die in einem digitalen Produkt funktioniert haben, würden glaube ich da nicht funktionieren.

00:38:39: Ich glaube, jeder Data-Lieder hat andere Profile.

00:38:43: Es ist mein Gefühl jetzt gerade nach dem Meeting.

00:38:46: Ich

00:38:46: habe auf LinkedIn gepostet, das wäre meine nächste Frage gewesen.

00:38:50: Data-Lieder müssen, glaube ich, Transformationsmenschen oder sind Transformationsmenschen.

00:38:55: Auf jeden Fall.

00:38:56: Ich glaube, das ist für jeden Data-Lieder gleich.

00:39:01: Aber das Thema, wie und wo Data in der Organisation gespielt wird.

00:39:06: ist, glaube ich, branchenabhängig, ist produktabhängig und wird ganz individuell entwickelt.

00:39:13: Da bin ich bei dir.

00:39:13: Also das ist ja auch Unternehmensgrößenabhängig.

00:39:17: Aber ich glaube, da reifst du eher unternehmensgrößenmäßig.

00:39:21: Ihr seid ja auch gewachsen über die Zeit.

00:39:23: Ich glaube, du würdest dich eben ganz anders positionieren, wenn du in einem Unternehmen arbeitest, wo ich jetzt gerade arbeite.

00:39:31: Und es ist gar nicht böse gemeint, sondern ist, glaube ich, einfach ...

00:39:35: Da hab ich tatsächlich witzigerweise in der Bahn drüber nachgedacht, auf dem Weg hierher.

00:39:39: Über mich.

00:39:41: Das sowieso.

00:39:43: Genau diese Übersetzbarkeit der Rolle in andere Unternehmensformen, weil ich halt schon tatsächlich eigentlich immer in digitalen Unternehmen gearbeitet hab.

00:39:54: Und da war ich so, ah, was sind eigentlich die Herausforderungen?

00:39:57: Und wir haben jetzt bei uns irgendwie, wir müssen nicht ... die Logistik analysieren oder irgendwie unser Inventar oder das ist schon eine ganz andere Art, Analysen zu machen.

00:40:08: Ich würde denken, ich könnte auch in einem Fashion Retailer, Ähm, Analytikslieder sein, weil die Herausforderungen gleich sind, aber mir ist schon klar, es wäre ein größerer Stretch und eine ganz andere Lernerfahrung, die ich damit machen müsste.

00:40:23: Das, das bin ich sicher.

00:40:26: Ja, ich glaube, wir könnten noch eine Weile sprechen, müssen immer ein bisschen auf die Zeit achten.

00:40:29: Marc, die zwei Fragen, die ich ja jedem Gast stelle.

00:40:31: Was machst du noch privat mit Daten?

00:40:33: Und welchen Filmtitel würdest du unserer Folge

00:40:36: geben?

00:40:37: Was mache ich noch privat mit Daten?

00:40:39: Ich versuche so wenig wie möglich, bei einer Arbeit in mein Privatleben reinzubringen.

00:40:46: Insofern nicht so viel.

00:40:48: Ich gehöre nicht zu den Data-Liedern, die dann auch noch privat ... Ja, genau, nein.

00:40:55: Das mache ich tatsächlich nicht.

00:40:57: Das halte ich für gesund, das so zu machen.

00:41:02: Welchen Titel würde ich dieser Filmtitel vielleicht die Reife prüfen?

00:41:11: Sehr gut.

00:41:12: Vielen, vielen Dank für die Folge.

00:41:14: Sehr gerne.