Ohne Business-Intent scheitert jedes Datenprodukt – mit Ales Z., Quest

00:00:00: In der heutigen Folge sprechen wir mit dem lieben Allesch von Quest.

00:00:03: Es geht rund um das Thema Daten-Products, was ist ein Datenprodukt?

00:00:06: Wie kann man es vielleicht auch in einer Analogie zusammenfassen?

00:00:09: und am Ende wie und in welcher Form ist es eben auch sinnvoll das aufzubauen weil dass die Grundlage für AI sein kann.

00:00:18: Seid gespannt!

00:00:23: Neue Folgen jeden Freitag.

00:00:25: In dieser digitalen

00:00:26: Welt gibt es einen speziellen

00:00:27: Faktor über Erfolg und Misserfolg entscheidet – Daten.

00:00:32: Doch nur die wenigsten wissen sie für sich zu nutzen.

00:00:35: Wer seine Kunden verstehen will, um ihnen das bieten zu können was sie brauchen

00:00:39: kommt um

00:00:39: ein professionelles Datenmanagement nicht

00:00:41: herum.

00:00:42: Jonas Rascheli interviewt

00:00:43: andere

00:00:44: Experten aus den Data Bereichen

00:00:46: und zeigt Schritt

00:00:46: per Schritt wie genau das funktioniert.

00:00:55: Herzlich willkommen zur einer neuen Folge mydatas better than yours!

00:00:58: Mir gegenüber sitzt der liebe Alish.

00:01:01: Ich stelle ihn gerne vor.

00:01:03: Alish bringt so bisschen die Wendor-Seite mit rein wirklich beleuchtet haben.

00:01:08: Es geht nämlich viel um das Thema Data Products, viele sprechen über Data Governance, sprechen über Kategorisierung oder ja den Katalog zum Thema Data.

00:01:19: es geht viel um dieses Thema aber auch irgendwie wie kann ich Prozesse vertrauenswürdig aufbauen und auch messen?

00:01:26: weil am Ende sollen Daten ja dem Mehrwert liefern und deswegen war's für mich mal total spannend die Wender Seite mit einzuladen darüber vor allem mit Alleschätz zu sprechen, wie er es sieht.

00:01:36: Nämlich er arbeitet schon über twenty-fünf Jahre bei dieser Firma und über dreißig Jahre meint hier um Feld.

00:01:42: von daher ist ja auf jeden Fall erfahren genug mir so viele Fragen wie möglich zu beantworten dass wir alle da mehr rausfinden.

00:01:50: Hi!

00:01:50: Hallo

00:01:51: habe ich irgendwas vergessen bei der Vorstellung die ich vielleicht noch erwähnen soll?

00:01:55: Nein

00:01:56: ist alles richtig.

00:01:57: Vielleicht erwähnenswert wäre Vor dreißig Jahren meine Uni-Abschluss gemacht und das war in der künstliche Intelligenz.

00:02:07: Also die künstlichen Intelligenzen ist nichts Neues, ich bin alt.

00:02:12: Die Künstliche Integrations auch.

00:02:13: Das Einzige was wir damals nicht hatten war wirklich die Rechenleistung.

00:02:18: Meine Diplomarbeit so ein Expertensystem den man mit prompt ansprechen kann konnte nicht viel.

00:02:24: Aber er war schon da?

00:02:26: Der Ansatz war schon dann.

00:02:30: einen spannenden Satz gesagt, ich habe mir ein bisschen online recherchiert und da hast du gesagt ohne Business Intent funktionieren keine Datenprodukte.

00:02:40: Also so ein bisschen zum Thema was wildes Business eigentlich?

00:02:45: Wo wills Business hin?

00:02:47: Genau das ist wirklich richtig.

00:02:48: wahr wenn man den Geschäftszwecken nicht vorher bestimmt hat was wollen wir erreichen?

00:02:53: dann scheitern die Projekte.

00:02:54: Die kriegen keine Unterstützung, die kriegen keine Ergebnisse Keine ROI, deswegen sind die Zuschauer verurteilt.

00:03:02: Immer wenn man über Datemperaute spricht beginnt man mit der Frage was wir erreichen.

00:03:08: Ja,

00:03:08: ich kenne es ein bisschen.

00:03:10: Im Software-Unfeld irgendwann haben ja die Vendoren angefangen das Thema umzustellen und zu fragen hey Ich pitche dir jetzt nicht mein Tool sondern welche Probleme habt ihr denn?

00:03:20: Genau das was du beschreibst.

00:03:22: Und ich habe selber auch in Firmen oder aber jetzt in Firme wo ich auch Budget Verantwortung habe.

00:03:28: Das hat mich immer richtig geschmärzt diese Fragen zu beantworten weil da muss man sich erstmal überlegen welche Probleme man hat statt so ein neues glänzendes Tool einzukaufen.

00:03:36: Jetzt mal ehrlich, bis zu über twenty-fünf Jahre bei der gleichen Firma betreust Kunden Hand aufs Herz.

00:03:42: wie viel Kunden von euch wissen denn wirklich den Business Intent?

00:03:48: Wir betreuen viele Kunden.

00:03:51: klar und du sagst Werkzeugen.

00:03:53: Manche Sachen sind wirklich Werkzeug, also du brauchst Produktivität steigen und du setzt ein Werkzeug ein.

00:03:59: Aber darüber was wir heute sprechen, Datenprodukten ist wirklich eine Plattform, also end-to-end Plattform.

00:04:06: Und da muss man schon erst vorher herausfinden was für Probleme hat die Firma oder was will man damit lösen?

00:04:13: Damit man das dir richtig positionieren kann.

00:04:17: Und es ist aber auch nicht mit einem Werkzeug oder einer Plattform getan.

00:04:23: Also das ist mehr so ein Prozess, wirklich auch Entscheidungen in den Filmen wo welches Weg die gehen wollen weil es geht nicht nur um eine Lösung zu installieren.

00:04:37: man muss wirklich die Kultur drum herum passen und auch die Unterstützung von den höheren Stellen haben.

00:04:47: Wenn man so ein bisschen Schritt für Schritt jemandem mal mitnehmen würde, wie man so einen Business Intent, ein Data Product aufbaut.

00:04:54: Können wir... Kannst du auf der einen Seite... Ne, lass uns den Schritt vorher anfangen.

00:04:57: Kannst Du nochmal so ein bißchen definieren was für Dich ein Datenprodukt ist?

00:05:00: Das ist eine gute Frage.

00:05:01: also wenn wir über Trusted Data Products sprechen oder Vertrauens in Datenprodukten muss man erstmal wissen was Datenprodukte sind weil jeder stellt sich bis an etwas anderes vor damit.

00:05:12: ich benutze immer so eine Analogie.

00:05:14: Ich liebe Analogie.

00:05:16: Man kann sich so einen Lego-Baukasten vorstellen und die erste Frage ist, was will man damit erreichen?

00:05:24: Bei Lego ist das einfach ein Modell von Eiffelturm bauen.

00:05:28: Das ist mein Ziel, das will ich erreichen.

00:05:30: Wenn ich das definitiv habe, was ich erreichen will, dann brauche ich paar Sachen dazu.

00:05:34: Ich brauche die Bausteine, das sind alle meine Daten, die irgendwo in der Firma liegen.

00:05:40: Dann brauche ich die Bausteine irgendwie zu benennen.

00:05:43: Die haben Farbenformen und das sind meine Metadaten, mein Kontext zu den Daten.

00:05:48: Woher kommen sie?

00:05:49: Was bedeuten die?

00:05:50: Wie sehen die aus?

00:05:52: Dann brauchte ich so ein Buch was in dem Lego drin ist und das ist die Anleitung.

00:05:56: wie baue ich diese Stücke zusammen?

00:05:59: Wir hängen nicht zusammen!

00:06:00: Das sind die Metadate.

00:06:02: also dass mein Modell und die Metadata dazu Und wenn ich das hier habe kann ich wirklich jetzt meinen Datenprodukt aufbauen.

00:06:10: Wenn ich damit fertig bin, brauche ich ihm jetzt für Markten also den Lego wieder mal irgendwo in Amazon einen Webshop-Linien ein Preistempel und einfach auf dem Webshop Passen.

00:06:22: wir nennen das Marketplace da werden die Produkte platziert und da können die entweder meisten sind als die Internetkunden aus der Farbabteilungen.

00:06:31: aber man kann durchaus Datenprodukte auch für externe Kunden anbieten einmal öffentlich, sind zugreifbar haben die Beschreibungen können vergleichen werden und auch gelegt werden zum Beispiel.

00:06:50: Also wenn wir dann später zum Vertrauens kommen rechnen zb auf wie viele Likes so ein Datenprodukt innerhalb oder außerhalb der Firma hat.

00:06:59: das führt nämlich auch zum Vertrauen wenn vieler Leute deinen Datenprodukten geleicht haben.

00:07:08: Können wir mal, wenn man das einfach so nochmal...

00:07:10: Ja bitte.

00:07:11: Wenn ich das zusammen noch fassen soll also die Bestandteile sind Daten, das Modell dazu Kontext, also die Metadaten und Vermarktung also Visibilität.

00:07:26: ja

00:07:28: Was ist ein typisches Datenprodukt, wenn du das mal in die Firma transferierst?

00:07:32: Bei Mittelständler.

00:07:33: Jetzt bei einem Fashion-Unternehmen was könnte ein typische Datenproduk sein, was eigentlich jedes Unternehmen vielleicht haben sollte?

00:07:39: Also man publiziert das bestimmt nicht nach außen aber wie die meisten Datenprodukte, die heißen wirklich Kunde dreihundertsechzig also Visibilität, was die Kunden kaufen, wie sich Verhalten auf der Webseite und dagegen sind andere Daten Aus den Transaktionen, wie viel verkauft wurden und aus der Produktion welche Gestaltung der Daten am besten ankommt.

00:08:03: Also das ist so ein typischer Produkt.

00:08:05: oder auch dem Weg hierher habe ich zwei Datenprodukte die extern zur Verfügung stehen benutzt.

00:08:11: Ist einmal zum Beispiel die Karten also du schaust dich die Karte Wie komme ich zu deinem Studium hinan?

00:08:17: Das ist auch ein Datenprodukt was von Google oder Apple Maps angeboten wird.

00:08:21: Und dann so einen Datenproduktor von dem Verkehrs Lage.

00:08:28: Wenn ich mit dem Auto komme oder der Bahn, wie sehen das aus?

00:08:31: Das sind durchaus alles ein Datenprodukt zur Verfügung steht.

00:08:38: Ich versuche mir immer Datenprodukte noch mal ein bisschen anders zu erklären und du kannst ja nochmal deine Perspektive weil du länger natürlich auch in diesem speziellen Sektor oder in der Branche drin bist.

00:08:49: zum Thema Data Products Der Reifegrad in Organisation zum Thema Daten ist in den letzten Jahren massiv gewachsen.

00:09:00: Es ist eigentlich aus der BI-Abteilung, die früher vielleicht eher so ein Finanzreporting zu verfügen statt rausgewachsen, weil wenn man sich das einmal anschaut war es eigentlich... Die eigene Abteilung hat Daten zusammen moduliert, hat Reports gebaut und hat sie zur Verfügung gestellt.

00:09:15: Das war also eigentlich eine Insellösung, aus einer zentrale Blick irgendwo Daten hingeschoben hat und mehr gab es am Anfang gar nicht.

00:09:23: Und irgendwann gab's den Punkt, dass es immer mehr Entwicklungen gab zum Beispiel wie du sagst die Kunden zusammenzufassen.

00:09:30: das ist aber ein anderen Abteilung vielleicht in der CRM-Kundenmanagementabteilung.

00:09:36: Die arbeiten dann mit IT zusammen und führen die Daten zusammen.

00:09:39: jetzt könnte man das eher unter dem Thema Governance sehen und sagen, beschreib doch mal welche Kundendaten du da drin hast.

00:09:44: Wie sehen die überhaupt aus?

00:09:46: Wie ist die Anleitung?

00:09:48: Was sind die Legosteine?

00:09:50: Was aber eher den Charakter einer Bürokratisierung im Unternehmen hat, was glaube ich nicht so smart ist.

00:09:56: Wenn du es über das Thema Product spielst, dann sagst hey pass auf!

00:10:00: Du bist derjenige, der diese Kundendate zur Verfügung stellt, sag mir doch mal überhaupt, welche Daten sind da drinnen wie sehen dir aus, wie definierst du überhaupt ein Kunde?

00:10:09: Dann Hast du natürlich den smarten Move, dass du eher von dieser Bürokratisierung, von dieser Regulierung weg hingehst zu einem Bereitstellung von einem Service Leistung für andere zur Verfügung stellen was Leute glaube ich eher auch auf einer psychologischen Ebene viel smarter finden.

00:10:26: Und dann hast du auch die Situation das du mit der CRM Abteilung diese Daten vielleicht dem der E-Commerce Abteilungen zur Verfügung stellst und viel mehr zusammenarbeitest, die sie konsumierst und auch so Verträge untereinander schließt.

00:10:40: Jetzt mal ganz einfach gesprochen!

00:10:41: Und dann bringt es ja Spaß.

00:10:44: Das stimmt?

00:10:44: Ja das sind wirklich am Ende

00:10:48: der Kette.

00:10:50: Du hast viel was gesagt, was absolut stimmt.

00:10:53: Zum Beispiel noch wenn ich einen solchen Datenprodukt habe... von dieser BA-Abteilung, da wird jemand auch vielleicht noch die Superdaten.

00:11:02: Also wie viele Kunden haben sich beschwert über die Produkte?

00:11:05: Was waren die Probleme?

00:11:06: Vielleicht solche Daten will man auch dazu nehmen aber dann will man nicht immer von Anfang an benutzen, immer ein neues Datenprodukt zu kreieren.

00:11:14: und die Frage ist, wie funktionieren wir diese Abteilungen zusammen?

00:11:19: Unser Einsatz hier ist, wir empfehlen wirklich bei dem Modellierung, bei diesem Heft Anzufangen.

00:11:25: Es meint ein Konzept so well es Und ein logisches Modell von dem Daten, sich zu bilden.

00:11:30: Du sagst das was ist ein Kunde?

00:11:32: Jede Abteilung kann etwas anderes darunter verstehen und wenn die einen Konzept nicht gemeinsam haben da wird ein Datenprodukt abteilungsübergreifend nicht möglich sein aufzubauen.

00:11:42: Da arbeiten immer noch alle in dem Silos, die können eigene Datenprodukte kreieren aber die werden nie so ein Wert erreichen dass ich wirklich über die Abteilungen hinaus gehen kann.

00:11:54: also Ich würde bei den Datenmodellierungen anfangen.

00:11:58: Das Governance ist etwas, was man nicht überspringen sollte weil wir arbeiten mit Kundaten durch sensible Daten.

00:12:05: also Klassifizierung Daten ist wichtig.

00:12:08: ich brauche ein Datenkatalog.

00:12:09: ich muss wissen wo meine Daten liegen.

00:12:12: Also diesen Schritt kann man nicht überspringen ob das jetzt in der Versicherung schon gegeben wurde weil Governance und Compliance zu verschiedenen GDPR und anderen Vorschriften gemacht wurde.

00:12:26: Das kann man mit benutzen, muss man nicht rausschmeißen.

00:12:29: Man kann das in die Kette einbauen.

00:12:32: Und obendrauf wenn du das hier alles gemalt hast kannst du dein Datenprodukt kreieren der wiederverwendbar sein wird.

00:12:41: Lass uns vielleicht, lass mich die Frage nochmal bisschen anerstellen und vielleicht können wir damit die die Hörerinnen und Hörern so ein bisschen mitnehmen Ich jetzt zu dir kommen würde, ich wäre Chief Data Officer Head of Data und würde sagen, ich habe jetzt hier die Folge gehört.

00:12:55: Und ich möchte gerne wissen und rausfinden wie ist denn mein Fahrplan um jetzt so eine Data Product Factory aufzubauen?

00:13:03: Und alle Stunden müsste es mich von Woche zu Woche mal mitnehmen!

00:13:08: Wir sitzen jetzt hier und sagen ab heute geht's los.

00:13:12: was wären so die

00:13:12: Schritte?!

00:13:14: Also warum die Kunden interessiert sind, unsere Automated Data Faktorien zu benutzen oder anzuschauen ist wirklich so schnell wie möglich Datenprodukte zu kreieren und platzieren um zu dem Mehrwert schnell zukommen.

00:13:28: Die Produkte sollen wiederfüllbar sein, erweiterbar und auch irgendwie zugleichbar sein.

00:13:36: aber das ist wirklich zum Schluss der Kette wenn ich dann mit einem CDO einen Journal machen sollten.

00:13:45: Da frage ich erst mal, wenn ich ein Datenprodukt automatisiert aufbauen will, dann brauche ich richtig Grundlagen.

00:13:51: Ich brauche zu wissen wo die Daten liegen?

00:13:54: Ist das gegeben in der Firma?

00:13:56: Haben wir ein Katalog?

00:13:58: Haben wird die Modelle von allem Daten zusammen?

00:14:01: Wissen wir wie die Qualität der Daten aussieht um wirklich ein Trusted Data Produkt aufzubauen?

00:14:06: weil wenn ich nicht weiß wohin die Daten kommen ob die Sensibilitäten haben, wie sie modelliert sind und dass einem zum Beispiel KI-Applikation zur Verfügung gäbe.

00:14:17: Da weiß ich nicht was daraus kommt.

00:14:19: Kandidaten der LG müssen sich nicht vertrauen.

00:14:22: Also die Junior werden wirklich bei irgendwo entdecken der Daten zusammen mit Datenmodellierung anfangen dann über Datenkatalysierungen gehen, Datenqualität messen den Trascord zu messen, wie wir das machen.

00:14:38: Dazu kommen wir gleich kommen um dann die Daten demokratisieren also auf einem Marktplatz

00:14:43: zu platzieren.

00:14:44: Aber lass uns noch tiefer gehen Schritt für Schritt.

00:14:47: was ist sozusagen zu tun?

00:14:50: Also wirklich im Detail mal.

00:14:51: ich glaube es sind viele ich glaub viele Unternehmen haben vielleicht schon Datenprodukte gebaut die sie gar nicht verstehen und kennen und viele verstehen gerade glaube ich nicht und haben so ein bisschen das Gefühl man kauft so ein Data Warehouse, Data Lake ein und dann wird es schon funktionieren.

00:15:08: Lass uns nochmal so zwei Ebenen runtergehen und

00:15:10: das sind

00:15:11: wirklich die To-dos beschreiben?

00:15:13: Die Data Lakes und die Frage wo ich die Daten zur Fügung, zu Analyse bereitstelle, sind wirklich zum Schluss.

00:15:21: Also man muss irgendwo an Anfang beginnen.

00:15:23: Am konkretes Beispiel haben wir eine Versicherung und die bauen schon seit einigen Jahren Datumprodukte wie das Mauern.

00:15:31: Die haben den Prozess wirklich beschrieben.

00:15:34: Also die setzen sich und bestimmen den Zweck, was erreicht werden soll.

00:15:39: Und das geht zwischen IT-Fachabteilung und Datenabteilungen.

00:15:43: Machen wir bitte

00:15:45: einen roten Faden also machen Beispiel für was sie da jetzt machen?

00:15:49: Und dann können wir damit durchgehen.

00:15:51: Die wollen wissen ob wenn ein Vorfall gemeldet wird, ob das nicht Betrug ist.

00:15:56: Sie brauchen Daten von verschiedenen... Okay.

00:15:58: Kontrastaktionen von Zentimen, von den Anrufen vom Callcenter und die brauchen Beschreibungen der eigenen Policies.

00:16:08: Und das alles muss zusammengeführt werden.

00:16:11: Die Vorbereitung um diese Datenproduktion zu kreieren haben gesagt es hat sechs Monate gedauert bis sie sich zwischen der Facherteilung und Datenabteilung und dem Analisten ausgetauscht haben wie die Daten tatsächlich aussäen sollen.

00:16:24: Also welche Daten ich eigentlich brauche, um zu identifizieren ob ich einen

00:16:27: Betrug habe oder nicht?

00:16:29: Der Ergebnis war dreihundertfünfzig Excel-Schieds die zusammengebaut wurden.

00:16:34: Um ein Datenprodukt zu kreieren.

00:16:36: Das hat ungefähr nach der Vorbereitungsphase nochmal zwei Monate gedauert weil da mussten die Governance-Lite dazu kommen.

00:16:43: Mussten sagen hab ich alle Policies abgedeckt?

00:16:46: weiß ich wohl die sensitive Daten haben?

00:16:48: wer darf diese Daten benutzen?

00:16:50: wie sieht die Datenqualität aus.

00:16:52: wieder die Tastuarts mussten ran und Prozesse und Bereinigung der Daten anstehen.

00:16:58: Und das hat wieder einige Wochen gedauert, bis das Datenneprodukt irgendwo platziert werden konnte und von der Fachabteilung konsumiert wurde.

00:17:07: Wenn das fertig war, haben wir berechnet je nachdem wie viel Geld die einzige Leute haben.

00:17:13: Das waren Teams zwischen fünf bis zehn Leuten von den verschiedenen Abteilungen.

00:17:19: Hat so ein Datenprodukt dreihundfünfzig.

00:17:22: Pounce-Euros-Dollars gekostet.

00:17:26: Und nach den sechs Monaten wurden das bereitgestellt und bin im nächsten Geschäftsvorfall oder Zweck haben wir wieder von Null angefangen.

00:17:35: Jetzt ist die Frage, ist das produktiv?

00:17:38: Bringt das was oder nicht?

00:17:40: Also wenn ich vierhunderttausend Euro für sein Datenprodukt bezahle also intern für die Vorbereitung und mir zwei Millionen mehr Umsatz oder Gewinn, dann kann ich das vielleicht machen.

00:17:51: Aber es wird nicht immer der Fall sein.

00:17:52: Ja aber du bist natürlich auch endliche Ressourcen für dieses Thema?

00:17:55: Natürlich und die Zeit zu dem Wert ist natürlich auch zu lang.

00:17:59: Und da haben wir uns angeschaut und gesagt dass das jetzt wirklich nicht produktiv kommt nicht zur richtigen ROI.

00:18:06: Das war das Vorherbild.

00:18:08: Da könnte man mit Tools, mit Werkzeugen, mit einer End-to-end Plattform helfen.

00:18:13: Und besonders jetzt, wenn wir KI haben, kann man viele Sachen auch automatisieren.

00:18:19: Mhm.

00:18:20: Die Vorsetzung ist ... Ich muss wissen, wo meine Daten liegen?

00:18:25: Also ich bin erstaunt in Deutschland, also die Firmen sind überhaupt nicht so weit.

00:18:31: Es ist jetzt nicht in der regulierten Industrie, wie Banken-, Versicherungen- und Gesundheitswesen.

00:18:41: Da gibt es schon durchaus gute Governance-Ansätze, die man mit ein bisschen kann.

00:18:47: Aber die anderen ist es wirklich ganz am Anfang.

00:18:50: Die wissen, dass sich prozentere Daten überhauken, wo sie liegen und woher sie kommen oder wer für die Daten zuständig ist.

00:18:56: Und da fängt man wirklich mit Modellierung an.

00:18:59: Man definiert sich was ich meine Polizie, was mein Kunde ist, damit das verschiedene Abteilungen genauso benutzen können.

00:19:06: Das ist die Grundlage, damit ich so einen Datenprodukt in verschiedenen Use cases wiederverwenden kann nicht immer von Null anfangen zu bauen und auch erweiten kann, weil das wird auch dem gleichen Modell aufgebaut.

00:19:19: Das ist also die erste Sache, die man machen muss.

00:19:23: Das kann man unterstützen.

00:19:25: wenn man kein wirklich Datenkatalog noch aufgebaut hat, kann man mit Revers Engineering die bestehenden Datenbanken einfach ziehen und von physischen Modellen so ein logisches Modell ausbauen und dann zum Konzept übergehen.

00:19:51: Das kann alles durch KI-Unterstitze werden.

00:19:55: Man kann sich Regeln vordefinieren lassen, wie die das Daten gemessen sollten und wirklich einen hohen Automatisierungskrat erreichen.

00:20:05: So was man die KI einfach machen lässt und irgendwo nur der Mensch zum Schluß sagt ja das will ich, dass das hier brauche ich nicht.

00:20:15: Was man braucht die Governance wenn man die noch nicht hat so man sollte keinen Schritt überspringen weil sonst wird man irgendwo am Ende Video noch Haus bekommen, was in die Applikation reinkommt.

00:20:27: Also

00:20:27: man muss diesen Prozess folgen?

00:20:29: Ja und Governance ist wichtig, da gibt es die Leute, die werden auch wieder durch Kai unterstützt.

00:20:35: also man muss nicht so ein Glossary von Null auf aufbauen, man kann einfach dem Kai Agenten sagen oder was unsere Plattform bietet, sagt mir wo ich keine Business Terms definiert habe Die findet die Sachen, die schlägt auch Definitionen vor.

00:20:50: Der Mensch muss nur bestätigen ja das ist genau die Definition was ich unter dem Kunde verstehe.

00:20:56: und dafür gibt es diese Policies weil du hast sensitive Daten, immer Adresse, Name, Telefonnummer da musst du diese Polices epleihen.

00:21:04: Das kann wieder der KI-Agent für die Leute machen.

00:21:08: Also man kommt statt Wochen wirklich auf Stunden oder Tage.

00:21:13: Oder das von Monaten gesagt?

00:21:14: Von Monaten bei der Definition.

00:21:17: Das ist dann das, was wir zum Schluss machen wenn man das hier alles gemacht hat.

00:21:22: Dass man die Grundlage hat.

00:21:24: Man weiß wo die Daten liegen, Strukturität... Dann hat

00:21:26: die Legosteine benannt und Spielregeln aufgestellt.

00:21:30: Also man versteht die Daten, diese Glossaries sind fertig.

00:21:34: Da kann man jetzt die Daten zusammenbauen.

00:21:38: Und da kann man wieder mit Kai unterstützen.

00:21:42: Also man kann mit Worten beschreiben, das ist mein Ziel.

00:21:46: Das will ich erreichen und diese Plattform bildet ein Modell heraus.

00:21:51: was ich dazu brauche.

00:21:53: Das ist diese Definition dieser sechs Monate wirklich zum Tage herunterzustrumpfen weil die Fachartilungen sprechen wirklich normale Sprache aber der Architekt versteht vielleicht etwas ganz anderes ja und dass sie übernimmt dann die KI die die Sprache versteht.

00:22:10: Und der Architekt ist dann ein trainierter LLM-Modell, der aber jetzt nicht vergleichbar ist mit GelGPT.

00:22:20: Also das ist nicht dass ich dieses prompt, dieses Beschreibung des Datenbundes übergeben und er gibt mir einen Datenmodell zurück.

00:22:27: Das funktioniert, gibt aber jedes mal ein anderes Modell zurück.

00:22:31: und weil der auch halluciniert kann sich Dinge ausdenken.

00:22:36: Ich steuere mein Datenmodell dadurch, dass ich erstmal meinen LLM auf dem Datenkatalog trainiert habe.

00:22:43: Also der weiß ganz genau was ich in der Firma zur Fügung habe.

00:22:48: Wie sehen meine bestände Daten aus?

00:22:51: Und er hat noch ein weiteres Bestandteil.

00:22:54: Der wird auch trainiert auf Standard-Modellen die wir über dreißig Jahre gesammelt haben.

00:22:59: also pro Industrie gibt es die beste Praxis sozusagen wie man Daten modelliert und das länderlm auch.

00:23:06: Und dann geben wir diesen Pront an, die Beschreibung.

00:23:09: was wird man erreichen?

00:23:11: und wir aber müssen auch noch vier Cardlines dazunehmen also Kontext setzen.

00:23:16: Also nicht nur dieses Text aber da kommt noch viel mehr damit wir den LM zwingen sozusagen sich nicht Dinge auszudenken aber wirklich nur auf die bestehende Sachen zu schauen.

00:23:26: Und der kriegt immer ein Modell und kann ihn dann verfeinern und so eine Definition von meinem Datenprodukt schneller bekommen Und irgendwann dann in den Markt Marketplace speichern und Publik machen.

00:23:38: Ist das vorhin gesagt, ihr habt Monate für die Definition?

00:23:42: Und dann irgendwie auch zwei drei Monate fürs Produkt?

00:23:45: man fängt ja wieder von vorne an.

00:23:47: wenn man das jetzt anwendet wie schnell kriegt man die Zeit reduziert?

00:23:51: Das ist wirklich von Wochen auf auch Tage.

00:23:55: Das heißt, die Wiederverwendbarkeit der modellierten und zur Verfügung gestellten Daten ist eben auf der ersten Art sauberer, granularer und auch sozusagen vermeintlich rechtssicherer.

00:24:08: Weil du eine gute Governance-Dribülis bist.

00:24:10: Governance macht das rechtssichern.

00:24:13: Die Wiedervereinbarkeit ist gegebenen durch die Modellierung.

00:24:17: Weil wir immer wieder die gleichen... Dass ich Strucknullen

00:24:19: habe?

00:24:20: Ja!

00:24:20: Dass sich nicht jede Abteilung unterkommt Name Kunden was anderes.

00:24:24: Ja und auch sich selber seinen Kunden modelliert sozusagen.

00:24:28: Aber es ist nicht nur Kunden, das kann durchaus eine Software sein also was virtuelles oder das kann halt durchaus eine Atomkraft werden.

00:24:35: Okay Deutschland-Atomkraft wird wahrscheinlich nicht so, sagen wir Gaskraft werden?

00:24:39: Das kann man auch modelieren bis zu dem letzten Schluss.

00:24:42: Man kann wirklich so ein Digital Twins abbilden und daraus dann Analysen fahren.

00:24:49: Jetzt hast du was von Thema Trust Score oder Vertrauenswürdigkeit vor dem Gespräch.

00:24:56: Ja, wie mäße ich die Vertrauungswertigkeit dieser Datenprodukte?

00:25:01: Das ist eine interessante Frage und da gibt es wahrscheinlich auch keine einfache Antwort.

00:25:05: Was wir empfehlen – also das können unsere Kunden selber machen in der Plattform – sind mehrere Kriterien mit verschiedenen Gewichtungen.

00:25:16: Kriterium, logisches Kriterion kann durch Datenqualität sein oder Governance.

00:25:21: Aber wie misst man die?

00:25:23: Also die Datenqualität können wir messen also die Daten.

00:25:24: Qualität.

00:25:25: man definiert regeln oder lässt sich von der KI-Regel empfehlen je nach Datentyp woher sie kommen.

00:25:30: wenn das zum Beispiel Geburtsdatum ist sollte das Datum zwischen fünftig, neunzigfünfzig und unserem Tag sein.

00:25:39: So eine einfache Überprüfung.

00:25:40: Und da gibt es ganze Reihe von möglichen Regeln, die Out-of-Box kommen oder KI bestimmen kann und so kann man Datenqualität gut messen, Duplikate und solche Sachen machen.

00:25:52: Und dann sagt man ja, Datenquote ist für mich wichtig, das sehen wir auch in jedem Projekt ist, Datenqualität immer wichtig, kann man mit Gewichtung?

00:26:00: vierzig Prozent also vierzig prozent vom Traskor am Ende wird bestimmt durch die Qualität der Daten.

00:26:08: Dann Governance ist wichtig, habe ich alles definiert.

00:26:11: Habe ich meine Glosserie?

00:26:12: Habe auch meine Policy alles geteckt?

00:26:13: Hab ich meine sensitive Daten klassifiziert?

00:26:16: Weitere zwanzig Prozent Gewichtung bei Governance Gesetzes.

00:26:20: Weiteres was wir empführen ist Lineage also Ursprung der Daten.

00:26:24: weiß sich wie die Daten zu mir gekommen sind und wie die transformiert wurden.

00:26:28: Ist das einmal definiert und auch beweisbar?

00:26:31: Also ich kann sagen woher die Daten kommen.

00:26:33: Und wurden die Daten am Anfang modelliert?

00:26:35: Das ist ein weiteres Kriterium.

00:26:37: Habe ich meine Modelle, wenn das gegeben ist und dann kann dazu kommen wirklich mit kleinere Gewichtung oder wenn man es nicht will mit Nullgewichtung zum Beispiel die Likes.

00:26:47: wurden die Daten schon mal irgendwo geleitet von jemandem.

00:26:50: Hatte jemanden benutzt und Feedback gegeben?

00:26:52: Wie oft wurden benutzt?

00:26:54: Und z.B.

00:26:55: wie frisch die sind?

00:26:58: Also was verwandelt... Das

00:26:59: sind Mülltime-Daten, sind die einmal im Monat, einmal am Jahr?

00:27:02: Genau, wir haben so neun Kriterien die man für verschiedene Gewichten kann und daraus entsteht bei uns das Strasscore was in dem Hintergrund auf der Plattform immer wieder weiter berechnet wird.

00:27:13: Und sich verändert.

00:27:14: Ja

00:27:14: ich bin ja ein Zahlenmensch.

00:27:15: jetzt hast du gesagt neun kriterien.

00:27:18: Jetzt guckst du dir deinen Kunden an wenn du drei Kriterie raus suchen müsstest die bei den meisten Kunden so richtig schlecht sind?

00:27:23: Was ist das?

00:27:26: Also oder

00:27:26: am Anfang schlecht sind da wie auch immer ja?

00:27:31: Das ist nicht dass die Datenqualität schlecht wäre Aber die wird nicht gemessen, also das ist eine Sache.

00:27:37: Was sehr oft fällt, ist die Datenmodellierung.

00:27:41: Also es gibt keine Datenmodelle oder es gibt die in Form von Excel Sheet oder Visual.

00:27:47: Es ist besser etwas zu haben aber das kann man schlecht wirklich zwischen Abteilungen auch austauschen und zwischen Fachabteilung.

00:27:55: vielleicht versteht das ein Architekt, ein Modell, aber so eine Fachteilung für den Welten wirklich nicht schlau.

00:28:03: Also das sind so die Daten, die wirklich schlecht sind.

00:28:07: Policies Governance ist wie gesagt nach Industrie schon ziemlich weit verstanden und andere Aspekte der Datenprodukte, dass man SLR definiert hat, dass sie frisch sind, das sind überhaupt nicht gegeben.

00:28:23: Das vergisst man.

00:28:25: Weißt du Adarsh?

00:28:26: Ich habe irgendwie ein bisschen das Gefühl, Man denkt, dass Data Products immer nur für große Firmen sind.

00:28:35: Und ich versuch gerade mit mir gedanklich zu sprechen.

00:28:39: wie könnte ich dir eine Frage stellen um rauszufinden ist es immer braucht man so ein Data Products irgendwie nur für Versicherungen?

00:28:47: Ist das was?

00:28:48: man muss ein großer Konzern sein aber kannst du uns mal erklären wie klein eurer kleinster Kunde ist und was der macht?

00:29:00: Kann ich machen?

00:29:01: Also wir haben viele Interesse von Mittelständen.

00:29:04: Die wollen.

00:29:06: der Grund dahinter, warum die Datenprodukte erstellen wollen ist wirklich KI-Applikationen.

00:29:13: Nicht nur dass man Datenprodukt haben will aber man will KI einsetzen.

00:29:18: KI braucht gute Daten, v.a.

00:29:19: vor der Daten

00:29:20: und das... Sollten alle mal wissen, dass es wichtig ist, dass man grundsätzlich gute Daten für so ein Thema braucht.

00:29:26: So ist es ja!

00:29:30: Der Weg dahin ist über Datenprodukte.

00:29:33: Das ist der Weg, wie man effektiv wiederverrennbar und so weiter Datenvielkeit schaffen kann.

00:29:40: Deswegen kommen alle und fragen, wie ein Datenprodukt bauen kann?

00:29:45: Was sind die Wege?

00:29:46: Also das ist durchaus für die relevanten.

00:29:48: wo wir aber nicht scheiden, aber noch nicht so weit sind.

00:29:52: Dass wir zum Beispiel unsere Automated-Etappe-Ruchfaktorie bei allen Kunden platzieren können oder auch beim Mittelständen weil die überhaupt noch keinen Datenkatalog haben.

00:30:00: So worauf soll unsere KI aufbauen?

00:30:04: Wo soll ich die Daten suchen und optimale Modelle zusammenbauen wenn ich überhaupt keine weiß welche Daten zur Verfügung habe?

00:30:14: Das heißt eigentlich braucht ihr schon ein vermeidlich.

00:30:18: Braucht ihr eine aufgeräumte zentrale Datenstruktur oder braucht ihr den Verständnis davon, was das ist?

00:30:27: Eine zentralen Datensänke.

00:30:29: Oder was muss ich mir vorstellen, was für euch die voraus

00:30:31: ist?

00:30:31: Das ist wahrscheinlich die reife der Firma.

00:30:34: Wie mäßig die?

00:30:34: Um Automatisierung zu erreichen, muss sich erst mal gemanagt verwaltet, administriert werden.

00:30:41: Viele Firmen wirklich arbeiten im Silos.

00:30:44: Die wissen einfach nicht voneinander und die wissen wo die Daten liegen.

00:30:48: Also man muss erst mal die Daten verwalten, das ist die erste Stufe.

00:30:52: Um zu einen automatisierten Level zukommen.

00:30:56: und wenn die Firma noch nicht so weit ist dann helfen wir natürlich auch in der Suche der Daten, die Modellierung.

00:31:03: Das sind dann die ersten Produkte.

00:31:06: Der erste Schritt ist das eine Ende.

00:31:07: Wenn wir über end-to-end Plattform sprechen fangen wir an wirklich bei den Datenmodellierungen Suche Katalogisierung an.

00:31:15: Da kann man auch zu der Stufe Automatisierung kommen, wenn man die Stufen vorher durchgelaufen hat.

00:31:22: Sonst kommt man einfach nicht zur richtigen KI oder auch zum Wert von einem KI.

00:31:29: Da baut man etwas und die Ergebnisse sind einfach

00:31:33: schlecht.

00:31:34: Ist das so vorhin dieses Beispiel gemacht?

00:31:36: Der Kunden, also dreihundertsechzig Grad Blick auf den Kunden.

00:31:40: was ist denn für euch so ein typisches AI-Produkt oder AI-Usecase, wo ihr eben unten drunter das gute Fundament gebaut habt.

00:31:50: Also sehr oft sind es zwei Sachen.

00:31:52: ist also Frau Detection, also Betrug erkennen da ist die AI wirklich sehr gut, sehr schnell.

00:32:01: man hat schon von Jahren in Banken angefangen in Machine Learning aber durch KI Einsatz wird das hier nochmal deutlich effektiver und schneller.

00:32:10: wirklich bei jeder Transaktion sozusagen in realtime zu entdecken, ist das ein Betrug oder nicht?

00:32:15: Das ist sehr oft eine typische Datenprodukt was man dazu baut.

00:32:21: Und das andere was ich oft sehe ist Customer-Chan.

00:32:29: also wie kann ich verhindern dass die Kunden irgendwo abwandeln, dass sich Kunden nicht verlieren gut drauf, schlecht drauf.

00:32:38: Welche Produkte wollen die?

00:32:40: Wie soll ich meine Strategie gestalten und mehr Kunden einzulocken um mehr Kunden zu halten?

00:32:46: Dazu brauche auch Daten abtälungsübergreifend wie gesagt meine Transaktial-Daten also meine Webshockdaten oder Marketingdaten.

00:32:55: Ich meine Produktionsdaten unter Supportdaten.

00:32:58: das alles muss sich zusammen zu einem Datenprodukt bauen.

00:33:03: Ich versuch immer ja Themen auch betriebswirtschaftlich zu sehen ja und immer zu sagen hey pass auf Wie welchen Mehrwert bietet es?

00:33:10: Jetzt hast du vorhin den zeitlichen Mehrwert kommuniziert.

00:33:12: Er ist ja meistens schwer messbar, außer man guckt sich an wie viele Leute sind da drin welche Gehälter haben die und rechnet das hoch.

00:33:19: jetzt bin ich der CFO.

00:33:21: Du müsstest mir verargumentieren worum es total sinnhaftig ist jetzt eine Data Product Plattform einzuführen.

00:33:28: Ich will jetzt keinen Marketing-Wäsch haben sozusagen, sondern wirklich sozialen Datenfakten.

00:33:35: Was könntest du sagen?

00:33:36: Wie und wann würde sich das Lohnen, dass mein Head of Data sagt, jetzt müssen wir sowas einführen?

00:33:43: Viel Aspekte, die man zusammenrechnen kann.

00:33:45: Einer hast Du schon benannt.

00:33:47: Man kann durchaus ausrechnend wie lange ich brauche und wie viele Leute um Datenneprodukt zu kreieren.

00:33:54: Das wissen die Firmen, die Datenprodukte kreien.

00:33:57: Also das kann man bemessen und die Ersparnisse gehen über fünfzig Prozent hinaus.

00:34:05: Man kann sich eine Key-Studie herunterladen aus einer Webseite, da gibt es die genaue Zahlen aber es ist immer über fünfzig Prozent was man an Personalstunden und Zeit zum Ergebnis sparen.

00:34:15: Also Time to Market kann man viel schneller optimieren?

00:34:17: Ja also das Nutzen ist früher da klar, aber ich brauche auch weniger Zeit in den Leuten.

00:34:23: Ich kann viel mehr machen.

00:34:25: Dann ist das, wenn ich den Einsatz richtig habe.

00:34:29: Über alle diese Schritte von der Modulierung angefangenen Datenqualität Governance nichts überspringen.

00:34:36: dann komme ich auch zum Ergebnissen.

00:34:37: dass die Ergebnisse vor dem KI-Applikation oder von meinem Datenprodukt für mich benutzerrichtig sind.

00:34:45: Ich kann ihn vertrauen weil was nutzt mir das?

00:34:48: Wenn ich schnell zu dem Ergebnis komme der überhaupt nicht nutzbar ist.

00:34:52: Also dieses Werte darf man nicht unterschätzen.

00:34:54: Bei über neunzig Prozent dieser Projekte, was die Firmen bei GEI aussetzen, die scheitern, kommen nicht zu Ergebnis.

00:35:04: Zu diesem Argument dass sich Erfolg-Gleichprojekte umsetzen kann das kann man auch bemessen.

00:35:12: Ja fairer Punkt.

00:35:14: Selten und die Frage sind natürlich fiktive Zahlen unter Annahme.

00:35:17: Man muss ja schon gut rechnen und belegen können, dass es so erst wie es ist?

00:35:22: Ja.

00:35:23: Aber meine Meinung nach ist, wer jetzt nicht anfängt wirklich über KI-Projekte nachzudenken oder vielleicht schon Piloten auszuräumen?

00:35:32: Es gibt Firmen die produktiven Agenten, KI-Agenten einsetzen.

00:35:38: wenn damit jetzt nicht anfängen wir in zehn Jahren wahrscheinlich nicht auf dem Markt sein der wird überloht und überholt von Konkurrenz.

00:35:46: Ja alles ich finde es eigentlich gut nochmal sozusagen den Bogen zu dem Anfangsthema zu machen nämlich Business Intent.

00:35:50: Ich glaube wenn man nicht nur von der Data- oder IT-Seite diese Verargumentation hat, sondern klar definiert was eigentlich vom Fachabteilung gesehen wird und gebraucht wird.

00:36:01: Ich glaube darüber kann man dann nochmal viel mehr diesen Case aufmachen und sagen wenn ich die Kunden zur Verfügung stellen kann, kann ich sie irgendwo aktivieren?

00:36:09: Und wenn ich sie aktiviere kann ich entweder mehr Umsatz machen oder Kosten reduzieren.

00:36:13: und dann hast du natürlich nicht nur dieses Thema was du jetzt besprieben hast, IT-Data Reduktion des Aufwandes, schneller Tantum-Market.

00:36:22: Sondern hast du auf der Fachseite auch die Mehrwerten?

00:36:24: Ja und die Fachseiten sind verschieden, das ist jetzt nicht die Versicherung.

00:36:28: Es sitzt zum Beispiel in einem Energiesektor.

00:36:29: Also wenn ich optimieren kann dann spare ich Energie.

00:36:32: Dann spare ich von Ressourcen.

00:36:35: Wenn man Gesundheitswesen anguckt, kann er durchaus Menschenleben gerettet werden.

00:36:40: Also es hat viele Aspekte.

00:36:42: Das ist nicht nur jetzt auch irgendwo verkaufte.

00:36:45: Ja,

00:36:46: ist ein spannender Punkt weil du gerade Energiesektor sagst.

00:36:49: Ich habe drei Folgen mit dem Thema Siemens Energy aufgenommen.

00:36:54: da ging es viel ums Thema Datamash.

00:36:56: und worum hab ich drei folgen aufgenommen?

00:36:57: Weil die total klein gestartet haben mit so einem Art Best of Speed Stack sind sehr hands-on in den Fachabteilungen gewesen und sind dann über Jahre hinweg sozusagen haben sich den Reifekrat entwickelt.

00:37:17: Im Vergleich dazu ist ja jetzt der Ansatz von euch zu sagen, man hat so eine integrierte Plattform, eine zentrale Plattform für alles.

00:37:26: Jetzt stell dir vor du würdest mit Siemens Energy oder dem Head of Data in einem Raum setzen und wo liegen die denn richtig mit ihrem Ansatz?

00:37:39: Versus

00:37:40: wo

00:37:42: machen sie es vielleicht auch zu einfach?

00:37:44: Also welche Vor- und Nachteile haben die jeweiligen Ansätze?

00:38:15: bestimmten Wert.

00:38:16: Aber wenn ich die Herstellung der Energie, dass die Versuchung der Energie oder auch Simulierung der Kunden, wo die Energie gebraucht wird, wenn ich so ein Datenprodukt übergreifen machen kann hat er viel mehr Wert was es liefern kann.

00:38:29: und dazu brauche ich aber eine gemeinsame Sprache.

00:38:33: und da sind wir zurück bei dem NtoN-Plattform also gemeinsame Plattformen die bei Modellierung anfängt So mindestens die logische Konzepte, die logischen Modellierung sollte bei allen diesen Abteilungen auch wenn sie dezentral gehalten werden gleich sein.

00:38:49: Also da spürt das Gedanke.

00:38:51: der Gedankel eine Entwünschplattform gemeinsam zu nutzen, spielt dahin den Vorteil.

00:39:03: also ich muss wie gesagt nicht die Daten zentral halten.

00:39:09: Ja Ich denke drüber nach.

00:39:10: in der letzten Folge haben Sie dann erzählt dass sie Daten doch versuchen jetzt zu zentrallisieren.

00:39:14: Das ist jetzt die Frage, was sterilisiert wird.

00:39:16: Meistens ist da der Data Warehouse oder Data Lake, wie das jetzt genannt wird gemeint, dass man wirklich so eine Cloud-Datenbank aufbaut und dann macht es durchaus Sinn, dass ihr jede dann dieses Data Lake wegen duplizierter Datenhaltung benutzt um die Analysen zu machen.

00:39:33: Die anderen Datenhaltung oder Strukturierdaten sind irgendwo immer noch auf dem Fall.

00:39:40: Die transsexuelle Daten sind wahrscheinlich in einer Relational-Datenbank immer noch da und diese Plattform für die Ausführung an dieser ist so was wie Data Lake von Microsoft Fabrics, Snowflake Databricks.

00:39:54: das sind so die Panformen, die ich in der Projekte sehe.

00:39:58: Ja und ehrlich gibt es ja nie den einen richtigen und den einen falschen Ansatz, sondern jede Firma muss auf Basis ihres Reifegrats entscheiden wie und wo sie hin entwickeln.

00:40:08: Und ihr könnt natürlich jetzt gerade bei jedem Reifegrad höchstwahrscheinlich angreifen oder ansetzen ist vielleicht die bessere Formulierung aber man muss halt verstehen was und wie man das macht.

00:40:20: Ich wollte mal diese unterschiedlichen Ansätze einfach mal miteinander verglichen haben.

00:40:24: Richtig, richtig.

00:40:25: Unser Vorteil ist dass wir irgendwie plattformunabhängig sind.

00:40:28: also egal wo man sich der Klickmutter befindet oder welcher Zielplattform sich man für die Datenauswertung aussucht.

00:40:35: Wir können da an jeder Stelle unterstützen Dass man nicht geschlossen ist irgendwo in einem Plattformanbieter

00:40:44: Wenn jetzt euer Rezept da wirklich funktioniert, also so den Business Intent erstmal bestimmen.

00:40:52: So eine Vertrauenswürdigkeit irgendwie auch zu etablieren aber auf der anderen Seite den smarten Ansatz zu sagen man reused Sachen anstatt es sozusagen neu zu erstellen war mal oben.

00:41:02: macht das im deutschen Markt noch so wenig oder warum machen's so wenig Firmen noch in deutschem Markt?

00:41:13: Das ist schon mal eine Verspätung, wenn man zum Beispiel das mit den Nordamerika oder England aufregleicht.

00:41:20: Dass wir hier sehr spät anfangen... Ich habe das vor ein paar Jahren gesehen, wenn die Thematik klaut oder nicht klaut bei der Datenhalterung.

00:41:29: Also Datenbanken und Premises bei mir in Detacenter oder Datenauslagen über die Datenbanken in der Klaut.

00:41:36: Ob das jetzt redaktional oder andere Arten Neueschools sind, ist jetzt abgesehen.

00:41:43: Besonderlich sind sie nach Europa und Deutschland sehr spät gekommen.

00:41:47: Der Ansatz Cloud zuerst sieht man kaum, also man hat Cloud vorhin schon erkannt.

00:41:55: die Elastizität, die Skalierbarkeit ist das und das ist bei KIE-Projekten jetzt wirklich das Wichtigste weil die Ressourcen hatten wir nicht on site and on premises.

00:42:06: und so eine KI-Applikation zu entwickeln, muss man irgendwo die Clouddienste der verschiedenen Hyperscaler benutzen.

00:42:15: Und da brauchen wir jetzt auch die Daten irgendwie zur Verfügung stellen.

00:42:19: Das sind dann die Snowflake Databricks oder Microsoft Fabrics Plattformen, die primär nur in der Cloud gibt.

00:42:28: Und das wurde hier wirklich zwei, drei Jahre ... Verspätet ist hier angekommen, als was wir das in Nordamerika gesehen haben.

00:42:38: Und jetzt holen die Firmen nach und mit KI befasst man sich schon durchaus.

00:42:45: Aber wie ich sagte, wir müssen dann schräg zurückgehen.

00:42:49: bevor man automatisieren kann muss man erstmal Manage und erst mal herausfinden wo alles liegt.

00:42:55: Ich glaube vor allem braucht man die Erkenntnis erstmal dass man diesen einen Schritt zurück machen will weil alle gerade sehr stark diesen AI-Hype hinterherrennen.

00:43:03: Ja, ich würde das nicht heibnennen.

00:43:05: Also das ist wirklich Verschiebung, Umstrukturierung und das wird jetzt nicht irgendwie verschwinden.

00:43:12: Das ist etwas was Internet war, das ist etwas wie Smarttelefone waren, dass es etwas was uns für die Zukunft begleitet wird.

00:43:22: Wenn du dich mit dem Thema beschäftigst Wir, das AI-Thema mal kurz ausglammern.

00:43:31: Was glaubst du?

00:43:32: Wo entwickelt sich eure Firma hin?

00:43:35: Du warst vor nur zwanzig Jahre da oder bist jetzt vor zwanziger Jahre da.

00:43:39: Jetzt würden wir mal annehmen... Wir gucken mal nur fünf Jahre in die Zukunft!

00:43:43: Was glaubest du, wo sich das alles hinentwickelt?

00:43:46: Ja, fünf Jahre sind so sehr weit.

00:43:49: Ich wollte nicht von zwanzich Jahren sagen, deswegen dachte ich fünf.

00:43:52: Aber die Firma hat jetzt nicht nur Bestandteile in Datenmanagement, das ist ein wichtiger Punkt.

00:43:59: Da werde ich sogar sagen, dass wir eine Newstarter sind.

00:44:04: und wirklich was das Thema zum Beispiel Automated Data Products, die erstens auf dem Markt sind also der Markt ist noch nicht da, ist noch nie gegeben, der wird gerade formiert durch die erste Plattform.

00:44:16: Aber Quest bietet auch andere Sachen wie Security-Plattform, wo es um Management von Identitäten geht und das wieder an Bezug zu KI sind jetzt eine menschliche Identität zu Achtzig KI-Agenten Identitäten, die man irgendwie verwalten muss.

00:44:35: also da ist Bereich was Quest abdeckt und wir können uns auch um die Daten Plattformen, also die Daten banken selbst.

00:44:43: Die müssen auch verfügbar sein, die müssen laufen und optimiert werden oder überwacht werden.

00:44:48: Also das sind Produkte, die jetzt seit zwanzig Jahren Rolle spielen und die werden auch in der Zukunft Rolle spielen weil die Daten explodieren und die Daten muss sich jemand kümmern.

00:45:01: Und das schaffen die DBAs und die entwickeln nicht alleine.

00:45:04: da werden sie immer irgendwo Produktivität Lesungen brauchen und die bieten wir an.

00:45:11: Cool.

00:45:14: Machst du dir noch was Privatmitdaten?

00:45:18: Interessante Frage!

00:45:21: Gerade bevor ich hier reingegangen bin, habe ich jetzt einen Alarm bekommen von meinem lokalen Hub, dass mein Schwimmbäckern Internet zugreifen verloren hat und ich es nicht steuern kann also aus Smart Home.

00:45:39: das ist so meine... Sache, die ich mag.

00:45:43: Dass sich einfach alles steuern kann aber auch ein bisschen sparen kann dass man die Heizung entsprechend anpassen kann also klug machen kann.

00:45:53: es erkennt das Haus erkennt ob jemand zuhause ist oder nicht kann die Heitzung alleine nach oben und nach unten drehen wann Wasser vorbereiten oder lassen und viele Sachen steuen.

00:46:04: Das ist etwas wo man Datensensoren, IOTs benutzt ob ich so rund um achtzig Sensoren zu Hause die Daten liefen und verarbeitet werden, automatisiert werden.

00:46:16: Und meine zweite klassische Frage wenn du ein Filmtitel sozusagen hättest oder bräuchtest für dein Data Game oder die Folge was wäre das?

00:46:28: Ja, das ist eine interessante Frage!

00:46:29: Ich bin jetzt kein Hollywood-Autor.

00:46:32: Das was wir besprochen haben, dass man jetzt über diese Schritte gehen muss.

00:46:36: Dass man wirklich zu einem Automatisierung Grad reife Grad kommt Ich würde sagen Abgibbungen zahlen sich bei KI nicht aus

00:46:47: Könnte guter Bruchtitel sein.

00:46:49: Vielen vielen Dank.

00:46:51: ich wird einmal kurz nochmal die Folge sozusagen mit dem Fazit ziehen von meiner Seite und dann sind wir auch schon durch.

00:46:56: mein Gefühl ist noch mal ganz klar das der Mehrwert den ihr sozusagen kommuniziert und eure Wahrnehmung oder eure Definition von Data Products ist, dass es eben klar sein muss das in vielen Organisationen Daten fragmentiert sind.

00:47:15: Und der Schritt von der Modellierung, der Kategorisierung also der Beschreibung was will ich eigentlich machen?

00:47:25: Welche Daten brauche ich dann dafür?

00:47:26: wie müssen die einfach zusammenfügen dass das immer sehr lange braucht.

00:47:30: Und wenn man das darüber nachdenkt, muss man sich überlegen wie kann man dafür eigentlich ein Standardprozess aufbauen?

00:47:34: und den muss ich irgendwie automatisieren?

00:47:36: Und da kommt ihr dann ins Spiel mit Quest mit eurem Tool der sagen kann hey pass auf wir können diesen Prozess etablieren und wir bringen euch auch Methodiken bei oder auch Techniken bei wie man messen kann ob die Daten, die ihr euch da überall hin und her schickt auch eine gewissen Vertrauenswürdigkeit oder eine gewisse Wertigkeit habt.

00:47:56: Die man ja aber auch braucht.

00:47:59: genauso wie man im Einkauf irgendwie in die Qualität misst der Sachen die man einkauft muss man auch die Datenprodukte intern messen und dafür setzt ihr sozusagen an Um zu gewährleisten und dann auch perspektivisch.

00:48:10: Und da sieht man, wo die Reise hingeht.

00:48:11: Eigentlich bei AI ist es immer wieder das ich fertige Datenstreams brauche, dass ich Datengrundlagen brauche um eben Agenten zu befüttern oder andere Themen aufzubauen.

00:48:21: Da seid ihr mit eurem Produkt vielleicht schneller im Time to Market was aktuell ja eine der wichtigsten Faktoren in dem Feld ist.

00:48:30: Passt?

00:48:31: Kannst du richtig zusammengefasst?

00:48:32: Cool!

00:48:35: Dann vielen Dank für die Folge.

00:48:37: Gerne.