Daten als Wegweiser – Wie Daten dabei helfen können, Mehrwert für Unternehmen zu generieren

via GIPHY

In dieser Folge des Podcasts „My Data is better than Yours“ spricht Jonas Rashedi mit Sebastian Wernicke über Data Science und darüber, dass viele Leute dieses Hype-Begriffes müde sind. Weiters gibt er Positiv- sowie Negativbeispiele zum Umgang mit Daten, weist darauf hin, was einem im Umgang mit Daten bewusst sein muss und welche Rolle unterschiedliche Reifegrade in der Arbeit mit Daten spielen. Ebenso wird das richtige Mindset angesprochen und abschließend stellen sich die beiden Daten-Experten der Frage, ob Daten wirklich die Lösung aller Probleme sein können.

Sebastian Wernicke ist Chief Data Scientist bei One Logic, einem Dienstleister und Softwareanbieter rund um das Thema produktive Data Science. Sebastian leitet ein Team von 40 Data Scientisten – und das mit viel Erfolg. Das Geschäft entwickelt sich gut, demnächst soll das Team auf sechzig Expertinnen und Experten ausgeweitet werden.

Data Science sei ein klarer Hype-Begriff, so Sebastian. Viele Leute sind des Begriffes müde, versuchen lange, sich mit der Thematik auseinanderzusetzen und resignieren schlussendlich, da sie das Gefühl haben, dass es keinen Nutzen hat. Deshalb ist das neue Ziel eine produktive Data Science. Es geht nicht darum, „im Elfenbein tolle Analysen zu entwickeln“, vielmehr geht es darum, sicherzustellen, dass produktive Tools und Lösungen für Kundinnen und Kunden geschaffen werden. Auch Jonas ist der Meinung, dass es an der Zeit ist, die allseits bekannten Buzzwords aus dem Fokus zu geben. Das Werkzeug Data Science sollte dazu genutzt werden, Probleme, die ein Business hat, zu lösen. So muss sich stets die Frage gestellt werden, welcher Value gestiftet werden kann.

Sebastian hat viel Erfahrung und demnach auch Beispiele für eine positive bzw. negative Nutzung von Daten mit dem Ziel der Stiftung von Mehrwert. In der Automobilbranche beispielsweise können Daten sinnstiftend eingesetzt werden. In Deutschland ist es üblich, dass ein Auto, welches selbst konfiguriert wurde, erst nach einigen Monaten verfügbar ist. Dies kann frustrierend sein, wird aber auf dem deutschen Markt üblicherweise so hingenommen. Auf dem asiatischen Markt sind konfigurierte Modelle schneller verfügbar. Mithilfe von Daten ist es möglich, zu analysieren, welche Fahrzeugkonfigurationen in der Vergangenheit oft gekauft wurden, es können anhand von Internetanalysen Rückschlüsse auf Präferenzen gezogen werden. So können Autos schneller vorproduziert werden. Dies hat für beide Seiten Benefits: Die Käuferin bzw. der Käufer kann das Auto gleich mit nach Hause nehmen, die Verkäuferin bzw. der Verkäufer verkauft auch hochwertigere bzw. im Preis höhere Modelle schneller, wenn sie sofort verfügbar sind. Als negatives Beispiel wählt Sebastian die Predictive Maintenance. Hier kann vorhergesagt werden, wann Maschinen ausfallen werden. Dies lohnt sich oft nicht, weil die Maschinen heute extrem gut funktionieren und es zu wenige Fälle gibt, in denen sie wirklich ausfallen.

Von höchster Wichtigkeit ist es, dass die Datengrundlage stimmt. Sonst kann nichts vorhergesagt werden. Fehler werden dann auch mit in den Algorithmus einbezogen. In anderen Worten: Damit man sinnvoll arbeiten kann, muss das Fundament stimmen, so Jonas. Auch Sebastian sieht das genauso. Er betont auch in Bewerbungsgesprächen, dass sich die potentiellen Mitarbeiterinnen und Mitarbeiter auf einen „Klemptnerjob“ einstellen müssen. 80 Prozent der Zeit verbringt man damit, Daten zu säubern und sie zu verstehen. Nicht alle haben mit diesem Thema Freude. Aber ohne gute Grundlage kann man nicht mit den Modellen anfangen. Datenprojekte scheitern kaum am Algorithmus, sondern viel eher an fehlenden Daten.

Von höchster Wichtigkeit ist es, dass die Datengrundlage stimmt. Sonst kann nichts vorhergesagt werden. Fehler werden dann auch mit in den Algorithmus einbezogen. In anderen Worten: Damit man sinnvoll arbeiten kann, muss das Fundament stimmen, so Jonas. Auch Sebastian sieht das genauso. Er betont auch in Bewerbungsgesprächen, dass sich die potentiellen Mitarbeiterinnen und Mitarbeiter auf einen „Klemptnerjob“ einstellen müssen. 80 Prozent der Zeit verbringt man damit, Daten zu säubern und sie zu verstehen. Nicht alle haben mit diesem Thema Freude.

Aber ohne gute Grundlage kann man nicht mit den Modellen anfangen. Datenprojekte scheitern kaum am Algorithmus, sondern viel eher an fehlenden Daten.

Jonas fügt dem hinzu, dass das Eisbergprinzip häufig nicht beachtet wird. So muss im Vorhinein schon viel Arbeit aufgewandt werden, damit die Daten schlussendlich stimmen. Sebastian und sein Team versuchen von Anfang an, den Produktivgedanken mitzudenken. Es genügt nicht, sich nur zu fragen, was mit Daten alles gemacht werden kann. Es ist essentiell, zu hinterfragen, wer im Business am Ende was damit machen muss. Durchdenkt man das nicht, bleibt man irgendwo im Prozess stecken.

Laut Sebastian gibt es unterschiedliche Reifegrade im Umgang mit Daten. Viele kennen sich damit nicht aus. Dann gibt es oft Initiativen um die Datenlandschaft zu ordnen und in ein Korsett zu pressen. Viele erkennen nicht, dass es sich aber um ein dynamisches Feld handelt.

Wenn beispielsweise die Web Analyse Visits nicht erfasst wurden, ist es unmöglich, eine umfassende Auskunft darüber geben zu können, wie die Werte im letzten Jahr waren. So muss allen bewusst sein, dass es einen Grundsatz an Daten geben muss, die man messen muss. Sind die Daten nicht vorhanden, lässt sich nichts mehr machen, auch wenn viele das nicht wahrhaben wollen. Auch Schätzwerte sind falsch. Wenn gewürfelt werden soll, so Jonas, braucht man überhaupt keine Daten erfassen.

Die Grundlage, um ein Unternehmen datengetrieben zu steuern, ist es, Mehrwert zu schaffen. Dieser kann erst geschaffen werden, wenn das Business verstanden wird und wenn Bewusstsein darüber herrscht, welche Initiativen das Business verändern können. In Bezug auf Daten muss Vorarbeit geleistet werden um später dann Mehrwert zu schaffen. Dies verschlafen viele Unternehmen. Vieles ist dann nicht mehr aufholbar. Auch ein falscher Ansatz bereitet Probleme. Die Frage, was mit den Daten gemacht werden kann, sollte laut Sebastian nicht im Vordergrund stehen. Viel wichtiger ist es, sich zu fragen, wo man eigentlich hin will und ob genügend Daten vorhanden sind, mit denen das gelingen kann. Die fachliche Seite gibt den Takt vor, die Daten unterstützen. So muss die Einheit mit dem Business vernetzt sein.

Für eine Data Unit gibt es unterschiedliche Aufbaumodelle (zentral, dezentral, hybrid etc.), gewährleistet werden soll immer, dass diese die Enabler für das Business sind. Sie beraten Fachabteilungen, deren Aufgabe es ist, die Daten zu nutzen. Jonas betont hierbei, dass die Data Unit das Business nicht besser als die Fachabteilungen versteht. Sebastian spricht in diesem Kontext vom Joint Data Lab, das in seinem Business geläufig ist. Mit Daten kennen sie sich natürlich aus, sie maßen sich aber nicht an, anderen ihren Job zu erklären.

Auch Jonas stimmt dem zu. Daten sind natürlich nicht für alles die Lösung, aber ein wichtiger Wegweiser. Das Business entscheidet, was genutzt wird. Oft hört man, dass es ein Fehler ist, wenn nicht datengetrieben entschieden wird. Dies ist aber nicht immer der Fall, vielmehr muss es sich um ein harmonisches Zusammenspiel handeln. So würde Sebastian den Begriff Data Science weiter fassen. Es geht nicht darum, die Daten zu analysieren, sondern das Unternehmen zu verändern. Dabei darf der menschliche Faktor nicht vergessen werden. Data Science muss nicht unbedingt mit Machine Learning zu tun haben, oft erledigt ein statischer Algorithmus schon die Arbeit.

Daten beschäftigen Sebastian derzeit hauptsächlich im Berufsleben, in seiner Freizeit beschäftigt er sich gerne mit handwerklichen Themen, interessiert sich auch für die Themen 3D-Druck, Laserschneiden und den Raspberry Pi.

Kapitelmarken
00:00 Intro
00:26 Begrüßung
00:39 Vorstellung Sebastian Wernicke
02:07 Data Science – ein Hypebegriff?
03:45 Positiv- und Negativbeispiele für Datennutzung zur Stiftung von Mehrwert
07:51 Was einem im Umgang mit Daten bewusst sein muss
13:36 Unterschiedliche Reifegrade im Umgang mit Daten
16:42 Warum eine fehlende Datengrundlage ein Problem ist
20:01 Mindset um Umgang mit Daten
23:20 Aufbaumodelle und Joint Data Lab
25:07 Daten – Die Lösung aller Probleme?
28:20 Wie Daten Sebastian privat beschäftigen

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.