HALERIUM METHODOLOGY – Die vier größten Schwächen von CRISP-DM

Staffel 5· 28. März 2023· 1545

Episoden-Cover: HALERIUM METHODOLOGY – Die vier größten Schwächen von CRISP-DM
0:001545
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Dr. Maksim GreinerCo-Founder & CTO von Erium

Überblick

In dieser Folge diskutieren die beiden Erium-Gründer Theo Steininger und Maksim Greiner das weit verbreitete Data-Science-Prozessmodell CRISP-DM und beleuchten dessen blinde Flecken. Anhand konkreter Projektbeispiele aus der Industrie zeigen sie, wo CRISP-DM zu kurz greift, und skizzieren, welche Erweiterungen ein praxistaugliches Framework braucht.

Über den Gast

Dr. Maksim Greiner ist Co-Founder und verantwortet den Sales-Bereich bei Erium. Als Mitgründer hat er gemeinsam mit Theo Steininger zahlreiche Data-Science-Projekte in der deutschen Industrie begleitet und dabei praxisnahe Erfahrungen gesammelt, wie Data-Science-Projekte vom ersten Use-Case-Brainstorming bis zum stabilen Produktivbetrieb erfolgreich gestaltet werden können.

Zusammenfassung

Was ist CRISP-DM und was macht es richtig?

CRISP-DM (Cross Industry Standard Process for Data Mining) wurde 1996 entwickelt und ist trotz seines Alters von über 27 Jahren nach wie vor das meistzitierte Prozessmodell für Data-Science-Projekte. Das Modell beschreibt einen zyklischen Ablauf: Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation und Deployment. Zwischen den Phasen gibt es Rückkopplungsschleifen, etwa zwischen Business Understanding und Data Understanding oder zwischen Data Preparation und Modeling. Beide Gesprächspartner betonen, dass CRISP-DM nicht grundsätzlich falsch ist – die Grundstruktur und die iterativen Loops sind durchaus sinnvoll. Es ist eher wie eine Seite eines Würfels: korrekt, aber unvollständig.

Deployment ist kein kleiner Schritt – das BMW-Beispiel

Ein zentrales Praxisbeispiel aus einem Projekt mit BMW zeigt, wie massiv CRISP-DM das Thema Deployment unterschätzt. Im Diagramm erscheint Deployment als gleichwertiger Schritt neben Modeling oder Evaluation. In der Realität machte es jedoch rund 80 Prozent der Projektlaufzeit aus: Frontend-Entwicklung, kontinuierliche Datenpipelines, Sanity-Checks, Stabilitätstests und Retraining liefen über fast zwei Jahre, ohne dass weiteres Machine Learning stattfand. Der eigentliche ML-Anteil war vergleichsweise gering – die echte Herausforderung lag in der Produktivmachung der Lösung.

Der menschliche Faktor und Interdisziplinarität fehlen

CRISP-DM beschreibt Prozessschritte, aber keine Menschen und Rollen. In der Praxis ist die Zusammenarbeit zwischen Data Scientists, Dateningenieuren, Domänenexperten und Business-Stakeholdern jedoch entscheidend. Ein anschauliches Beispiel: Eine Datenanfrage, bei der 50 konsistente Beispiele über drei Messstationen erwartet wurden, lieferte stattdessen 150 unkonsistente Einzeldatensätze – nicht aus Fahrlässigkeit, sondern weil die Gegenseite kein Machine-Learning-Hintergrundwissen hatte. Diese Kommunikationslücke ist in CRISP-DM strukturell nicht adressiert. Rollen wie der 'Data Analytics Translator', der zwischen Geschäftsproblem und Datenproblem vermittelt, werden nicht erwähnt.

Fehlende strategische Ebene: Use-Case-Portfolio statt Zufallstreffer

CRISP-DM hat als einzigen Endpunkt das Deployment – das verführt dazu, an einem einmal gestarteten Use Case festzuhalten, auch wenn er sich als ungeeignet erweist. In der Praxis entstehen erste Data-Science-Projekte oft durch Zufall: Jemand liest einen Artikel, findet eine Idee spannend, und dieses Beispiel wird dann durchgezogen, ohne es strategisch zu prüfen. Was fehlt, ist eine übergeordnete Ebene: ein systematisches Use-Case-Portfolio, das bewertet, welcher Use Case für ein Unternehmen tatsächlich am vielversprechendsten ist – und das einen strukturierten 'Plan B' ermöglicht, wenn ein Ansatz nicht trägt.

Pivotieren als Stärke – das Intralogistik-Beispiel

In einem Projekt mit der DE Software und Control GmbH sollte aus zweieinhalb Millionen Log-, Stör- und Warnmeldungen über zwei Jahre zunächst eine Vorhersage aufgebaut werden, wann Maschinenstörungen auftreten. Die ersten Modelle zeigten zwar ein gewisses Signal, aber die Vorhersagequalität war zu gering für einen validen Business Case – zu viele Fehlalarme hätten die Akzeptanz zerstört. Statt weiter im CRISP-DM-Kreis zu drehen, ermöglichte eine vorher entwickelte strategische Rahmung den Pivot: Das Ziel OEE-Optimierung (Overall Equipment Effectiveness) blieb bestehen, aber der Lösungsweg änderte sich. Statt Vorhersage wurden Zusammenhänge explorierbar gemacht, die einem systemischen Instandhalter helfen, typische Fehlerabläufe zu erkennen und präventive Maßnahmen einzuleiten. Zusätzlich konnte Machine Learning die Eskalationszeit im Störungsfall verkürzen, indem frühzeitig erkannt wurde, ob ein Problem First-Level-Support oder Spezialisten erfordert.

Was CRISP-DM noch fehlt: Data Assets, UX und Artefakte

Weitere blinde Flecken betreffen das Thema Data Asset Management: CRISP-DM behandelt Daten als statische Inputgröße, nicht als eigenständiges Produkt mit Wert. Heutige Data Products – etwa ein sauber kuratierter Datensatz als Ergebnis eines Design-of-Experiments-Projekts – können mehrere nachgelagerte Use Cases erst ermöglichen. Auch das Thema User Experience im Deployment kommt zu kurz: Ein JSON-Output mit Zusammenhängen nützt einem Instandhalter wenig, wenn keine nutzbare Oberfläche existiert. Schließlich skizzieren die Gründer ihren eigenen Erweiterungsansatz: Ein vollständiges Framework braucht neben Prozessen auch eine Denkweise (Mindset), klar definierte Rollen und die Idee von Artefakten – wiederverwendbaren Ergebnissen, die Folgeprojekte befähigen.

Kernaussagen

  • CRISP-DM ist nach 27 Jahren immer noch der Industriestandard für Data-Science-Prozesse – es ist nicht falsch, aber strukturell unvollständig.
  • Deployment ist in der Praxis oft der aufwändigste Teil eines Projekts und kann 80 Prozent der Gesamtlaufzeit ausmachen – CRISP-DM behandelt es als gleichwertigen kleinen Schritt.
  • CRISP-DM enthält keine Menschen: Rollen, Interdisziplinarität und Kommunikationslücken zwischen Data Scientists und Domänenexperten sind nicht adressiert.
  • Ohne eine strategische Ebene über dem Prozess werden Use Cases oft zufällig ausgewählt und dann auf Biegen und Brechen durchgezogen, statt rechtzeitig zu pivotieren.
  • Ein sauber aufgesetztes Use-Case-Portfolio ermöglicht strukturiertes Pivotieren und schützt vor 'Datenarchäologie' ohne Mehrwert.
  • Daten sind keine statische Inputgröße, sondern können selbst wertvolle Produkte (Data Assets) sein, die Folgeprojekte erst ermöglichen.
  • Ein praxistaugliches Framework braucht vier Dimensionen: Mindset, Rollen, Prozesse und Artefakte.

Fazit

CRISP-DM bleibt ein nützlicher Ausgangspunkt, deckt aber zentrale Realitäten moderner Data-Science-Projekte nicht ab: die Komplexität des Deployments, die menschliche Dimension interdisziplinärer Zusammenarbeit, die strategische Use-Case-Auswahl und den Wert von Daten als Produkt. Die Erium-Gründer plädieren für ein erweitertes Framework, das Mindset, Rollen, Prozesse und Artefakte gleichwertig behandelt – und damit echte Wertschöpfung statt zufälliger Projekterfolge ermöglicht.

Für Data-Science-Projektleiter und -Teams

Wer Data-Science-Projekte strukturiert, sollte CRISP-DM als Einstiegsreferenz kennen, aber aktiv ergänzen: um Rollendefinitionen, eine strategische Use-Case-Bewertung und ein klares Verständnis davon, dass Deployment weit mehr als ein Prozessschritt ist.

Für Führungskräfte und Business-Stakeholder

Data-Science-Initiativen scheitern häufig nicht am Modell, sondern an fehlender Strategie und mangelnder Kommunikation zwischen Fachbereichen. Ein Use-Case-Portfolio und strukturierte Pivotierungsmöglichkeiten sind ebenso wichtig wie technische Exzellenz.

Für Industrieunternehmen mit Fertigungsprozessen

Domänenwissen von Ingenieuren und Instandhaltern ist ein entscheidender Erfolgsfaktor – und kein Selbstläufer. Der Transfer dieses Wissens in Data-Science-Projekte braucht explizite Rollen und Prozesse, die CRISP-DM nicht vorsieht.

Volltranskript anzeigen

Speaker0: Herzlich willkommen zu 1 neuen Folge von die Eriam Podcast. Mein Name ist Theo Steininger und heute in echt das 1. Mal, glaub ich, Ja. Gegenüber Maxim Greiner, mein Co Founder bei Eriam. Maxim, schön, dass wir heut mal in echt Das stimmt. Im wiederum aus her. Alle Podcastepisoden, quasi jeder an seinem eigenen Tisch. Ja, genau. Stimmt, ja. Genau. Immer remote, immer remote, heute im Office.

Speaker1: Ja, freut mich, stimmt.

Speaker0: Wir haben heut 'n Herzensthema dabei, nämlich einen langen Begleiter, den wir heut als Aufhänger für unsere Diskussion benutzen möchten. Es gibt ein Prozessmodell. Das ist ganz neu. Das ist ganz neu. Das ist so alt, ich war echt überrascht, als ich das gelesen hatte. Das ist so alt wie das Nintendo 64 Spielekonsolensystem, nämlich 27 Jahre aus dem Jahr neunzehnhundertsechsundneunzig. Oh. Und das heißt Chris d m. Das ist der. Das hatte ich vorher nicht nachgeguckt, das kann ich auswendig. Und beschreibt einen Standardprozess, den man sich vor eben vor mehr als 'n Vierteljahrhundert ausgedacht hatte, mal bissel Struktur in Data Mining damals reinzubringen. Und kurioserweise, obwohl's Alternativen gibt, die da ausgearbeitet wurden, ist es immer noch der Standard, der gezeigt wird auf Slides, wenn das Thema wie strukturiert man Data Science Prozesse angeht. Und dieses Thema wollen wir heut mal durchsprechen, denn wir haben einen Alternativvorschlag entwickelt.

Speaker1: Ja, ich glaube, wir sind auch nicht ganz die Einzigen, die erkannt haben, dass CRISP DM nicht vollständig ist. Ich würd ja gar nicht sagen, das ist falsch oder oder vollkommen veraltet oder so. Es ist ja eigentlich erstaunlich gut dafür, dass es so alt ist. Aber man hat halt erkannt, na ja, was hab ich vorhin gemeint? Es ist wie eine Seite 1 Würfels, die ist nicht falsch, aber es gibt 5 andere. Und darüber, wann wollt ich sprechen, oder? Genau. Ich hab nur einen x-K-d-Comiker

Speaker0: immer im Hinterkopf. Und zwar kennst Du den, 2 2 Personen unterhalten sich.

Speaker1: Ah ja.

Speaker0: Und das Ergebnis sind. Wir werden sehen, wo uns die Reise die nächsten Monate und Jahre hinführt. Genau. Aber lass uns erst mal einsteigen, bevor wir jetzt zu tief irgendwie in in Gerante über CRIST PM verfallen. Nee, im Gegenteil. Also wie Du sagst Sollen wir einmal erklären, wie CRIST PM aussieht und wissen, was unsere Hörer. Lass uns einmal durchgehen, dann dann eben rauszuheben, wo ist es vielleicht einfach bissel unvollständig oder nicht? Der Weisheit letzter Schluss. Aber erst mal genau, magst Du uns damit durchleiten? Na klar. Also,

Speaker1: CRISPM ist eben dieser. Und das ist 'n zyklischer Prozess, der, wo man da so einsteigt, ist aus dem Diagramm selbst vielleicht gar nicht erst mal so direkt ersichtlich, aber es gibt trotzdem 'n logischen Einstiegspunkt. Das ist das Business Understanding, ja. Also im Prinzip das Warum, was möcht ich erreichen? Warum soll das lohnenswert sein, was ich tue? Und dann beginnt's, stellt euch das quasi so im Uhrzeigersinn vor, kommt als Nächstes dann das Data Understanding. Und da gibt's dann auch schon die 1. Feedback oder den ersten Loop, das heißt vom Data Understanding spring ich zurück zum Business Understanding, bis ich zur die Meinung hab, jetzt macht das Ganze Sinn. Ein nächster Point of Action ist Data preparation. Und nach Data preparation folgt Modeling. Und nach Data preparation folgt Modeling. Modeling looped wieder mit Data preparation, bis das zusammen Sinn macht, sodass ich dann was modelliert habe. Da geh ich in die Evaluation, evaluiere das Ganze und dann gibt's eine Gabel. Ich geh entweder zurück zum Business Understanding. Ja, Evaluation hat gezeigt, Business go ist vielleicht nicht erreichbar oder vielleicht noch was ganz Cooleres erreichbar oder back to the droping Board. Oder ich sag, ich geh ins Deployment. Das Modell ist gut, deployen wir's. Und das Ganze, jetzt hat sich ja der Kreis geschlossen, wenn ihr ans Business an der Standing denkt, kreist die Daten. Und das ist insofern eigentlich jetzt mal gar nicht schlecht. Das macht diesen diese diese große Iteration ist korrekt und auch dieses Hin und Her zwischen Data Understanding und Business Understanding ist ist korrekt aus meiner Sicht. Auch Data Prep und Modeling ist so und daher korrekt. Und wo jetzt vielleicht einige von euch schmunzeln werden, ach deploy. Ja, das ist ja dieser eine kleine Schritt da. Es ist halt nicht, es gibt halt mehr als das. Es ist nicht alles.

Speaker0: Lass uns da mal einsteigen. Denn was ich spannend finde, ich hatte persönlich das CRISTDM Modell lange, lange Zeit immer im Kopf als eine Referenz, ja. Auch wenn ich gedanklich über Prägte nachdenke und wie ich's jetzt fürn Kunden strukturier, immer CRIST EM. Denn wie Du ja vorhin erwähnt hattest, es ist jetzt nicht irgendwie grundfalsch oder so, weit davon entfernt, aber es gibt noch mehr Komponenten. Und Du hast jetzt grad erwähnt, dass im CRIST CRISPRDM Prozess so eine kleine Box ist. Ja. Vielleicht mal retrospektiv geblickt. Wie ist es denn in der Realität?

Speaker1: Ja, ich mein, wenn wir, wir haben ja 'n Projekt mit BMW gemacht und wenn ich da an diesen kleinen Schritt deploy denke, dann war das im Vergleich zum der zum restlichen Cycle 80 Prozent der Zeit in dem Fall, weil was fällt hier in deploy? Letztendlich war das das Ganze, wie sieht das Frontend aus? Wie kommen da kontinuierlich neue Daten in die Applikation? Wie wird da noch, wie werden spezielle Sanitychecks gemacht, dass falls falls 'n User Input vom Request falsch war, das hat 2 Jahre fast gedauert. Bis die Applikation stabil war und und und und schnurrte. Und in diesen 2 Jahren ist überhaupt kein Machine Learning passiert, ja. Das ist und auch das das die a der Anwendungsfall hat sich nicht geändert. Das war alles eigentlich konstant. Das das Einzige, was es noch 'n bisschen gab, also extradata prep könnt man vielleicht sagen, in der Pipeline halt mal so Checks zu machen, dass die Daten sich jetzt nicht komplett geändert haben. Aber alles, was hier im Deploy ist, auch das Thema Ret Retraining und all diese Sachen, das war natürlich alles deutlich viel mehr Aufwand als ein Schritt, der vielleicht das Gleiche hätte wie jetzt mal eine Evaluierung.

Speaker0: Was ich bei dem von dir gerade erwähnten Projekt auch spannend fand, ich hatte am Anfang so das Gefühl oder die Erwartungshaltung, dass alle Projektbeteiligten emotional und vom geistigen Commitment, nenn ich's jetzt mal, gleich tief drin sind. Das heißt, dass wir von allen Projektbeteiligten

Speaker1: erwarten können, die verstehen alle total, worum's in dem Use Case geht. Ja, ja, klar. Das ist auch hier eine, ich meine, Chris Dem, da sind ja keine Menschen in diesem Diagramm, das sind Schritte. Ja. Und was wir halt gemerkt haben, gelernt haben über die Jahre ist, ne, diese diese Menschen, welche Personen gibt es und was haben die für Rollen und was brauchen die? Was sollen die zuliefern? Das ist 'n ganz eigenes Thema. Und ja, dieses, liebe IT, hier ist das Modell, bitte deployzed, ne. Also Ja, ja. Da woher auch? Also da da sind die ja unschuldig dran. Ja. Das das hat halt erst mal natürlich so nicht geklappt.

Speaker0: Ja, ich ich ich find, das ist auch 'n total gutes Beispiel. Du erinnerst dich bestimmt, wir hatten noch mal Daten angefragt aus der aus der Produktion raus. So gibt's uns mal bitte 50 Beispiele und insgesamt gibt's ja 2, 3 Stationen. Genau. Und was wir erwartet hatten oder für uns völlig klar, ja klar, die wissen natürlich, worum's in dem Use Case funktioniert, worum's in dem Use Case geht. Und wenn wir sagen 50 Beispiele, dass wir dann fünfzigmal von Messstation 1, 2 und 3 'n Datensatz zum gleichen Objekt kriegen. Genau, zum selben Objekt. Zum zum selben Objekt, genau. Aber von 50 Objekten und über über die 3 Stationen hinkonsistent. Und was wir gekriegt haben, das waren letztlich von 150 Objekten, ne. Einfach nur 150 Objekten jeweils quasi, also

Speaker1: es ist wie gekriegt 50 Features und 50,

Speaker0: die aber nicht von den gleichen Beispielen sind. Ja. Ist natürlich nicht so nützlich. Aber woher soll's die Gegenseite wissen, wenn die keine Machine Learning Erfahrung hat? Richtig. Und und das find ich, ist son Beispiel für, na ja klar, könnten wir jetzt irgendwie sagen so, man, ist die Gegenseite doof, ja oder wieso checken die das nicht? Aber nee, das ist weder deren Aufgabe noch Stanz im Ticket, um's mal so zu formulieren, ja. Genau. Damit sind wir auch total tief in der Interdisziplinarität drin. Genau. Was ich nämlich hier auch, wenn wir schon bei Personen sind, auch vermisse, das ist bezüglich das Business Understanding und das Data Understanding noch mal wirklich, dass rausgehoben wird, wie die Prozesse funktionieren. Also was mir da fehlt, vor allem, wenn ich jetzt an deutsche Industrie denke, die zum Beispiel Fertigungsprozesse. Also ist das jetzt im drin, Data Understanding? Das macht's mir da 'n bissel zu einfach. Und diese Lernkurve zwischen zum Beispiel Data Analysts und den Menschen, den Ingenieuren, die sich mit den Fertigungsprozessen beschäftigen, das kommt mir da komplett zu kurz. Also wo ist denn dieses Fachwissen, das da transportiert wird in die eine und die andere Richtung? Richtig.

Speaker1: Und und in welchen Schritten brauch ich das, ja? Ja, genau. Klar, wenn Du den einen Unicorn Senior Data Scienttester, der technischer Berater, Modellierer und und Data Engineer alles in einem ist, dann kann der das natürlich alles versammeln. Aber letztendlich musst Du ja, Du hast Du grad gesagt, dass dieses technische Verständnis und auch das Geschäftsverständnis des Use Cases, was hier so am Anfang im Business Understanding, Data Understanding so unterm Teppich gekehrt ist, das ist ja eine ganz eigene Aufgabe. Da gibt's ja auch manchmal diese Rolle des Data Analytics Translators Mhm. Oder ähnliche Sachen, die ja gar nicht, die müssen gar nicht modelliert können. Die müssen auch nicht programmieren können, aber die müssen das Echtweltproblem abstrahieren können in ein Datenproblem und dann halt auch das bewerten können und sagen, ja, jetzt macht das Sinn. Und mit dafür müssen sie mit Domänenexperten oder mit den Business Stakeholdern halt auch entsprechend das kommunizieren können. Das ist eine eigene Aufgabe, die kann natürlich im Personalunion mit dem Data Scientist passieren, aber das ist eine eigene Aufgabe. Die eine andere ist als, hier hast Du Features, hier hast Du Target, finde das Modell mit dem besten oder das Modell, wo eine Prediction nachher 5 Millisekunden geht. Mhm,

Speaker0: mhm. Eine weitere Sache, die mir aufgefallen ist, ist das schon mal, hast Du schon mal bemerkt, wie Firmen zu ihre ersten Data Science Projekte, zu diesen Leuchtturmprojekten kommen? Ich hab manchmal den den Eindruck, irgendjemand liest 'n Artikel und denkt sich, boah cool, Thema x y, das könnte so ähnlich bei uns auch funktionieren. Und alleine die Tatsache, dass diese Person das Thema mit 'nem total zufällig ausgewählten Beispiel triggert, sorgt dann dafür, dass dieses Beispiel auch durchgezogen wird. Also nur weil eine Firma einen Fertigungsprozess hat und man dafür Machine Learning einsetzen kann, meinetwegen dort den Ausschuss zu reduzieren, heißt das ja nicht, dass für eine Firma genau das der perfekt 1. Use Case ist. Richtig. Ja, und was ich da vermisse, ist tatsächlich im Business die Business oben drüber.

Speaker1: Ja, beziehungsweise wenn wir's von unten betrachten, ich hab ja vorhin gesagt, CRISTPM ist ein. Der einzige Endpoint ist deploy. Was bedeutet das jetzt? Fucking ja, das heißt, Du drehst diesen Kreis, bis Du vor Erschöpfung umfällst oder was deployed hast. Und ja, das macht natürlich, also ihr wisst ja, es gibt Budgets und und so weiter, aber aber da ist 'n Körnchen war halt trotzdem dran. Wir haben das ja gesehen, wie sich an Use Cases festgebissen wird. Ja, ja. Und nachher dann unter der Hand gesagt, na ja, eigentlich haben wir jetzt 3 Monate Datenarchäologie gemacht. Mhm. Ja, warum? Weil hier kein, also Plan b ist in Christ d m so nicht, also Plan b im Sinne von, wir müssen einen ganz anderen Use Case mal adressieren und den jetzt die Art Akta legen, ist da drin ja nicht kultiviert. Mhm. Das wär ja dann ein Scheitern und niemand will ja 'n Projekt scheitern lassen, wenn man eigentlich noch mehr versuchen kann. Und das bringt mich genau zu der Ebene, die Du sagst, diese eine Ebene drüber, mein, eigentlich brauch ich ein Portfolio an Use Cases, die Sinn machen für mich, damit ich nicht zufällig jetzt einen ausgewählt hätte und an dem mich dann halt auf Gedeih und verderb festbeiße. Und entweder hab ich zufällig ins Schwarze getroffen, dann sagt diese ganze Firma, yay, Data Science funktioniert. Oder das war halt 1 von denen, die aus vielleicht vollkommen unschuldigen Gründen grade nicht gehen und sagen,

Speaker0: ja, das bringt ja nix. Und ja, das das fehlt hier einfach, ne. Wir brauchen diesen diesen strategischen Plan. Da würd ich an der Stelle gern für die Zuhörer einen kurzen Deep Dive machen in 'ner Projekt, das man ganz aktuell in 'n Stralogistik. Auf jeden Fall. Und zwar ist es nämlich 'n sehr, sehr schönes Beispiel, wo es total gut geklappt hat, auf 'ner strategischen Ebene einerseits zu denken und dann in der Ausführung zum richtigen Zeitpunkt zu pivotieren. Und zwar ist es ein Projekt, das gemeinsam mit der d e Software und Control GmbH machen, mit der Zielsetzung, 'n Mehrwert aus Intralogistikdaten zu ziehen. Und der Datensatz, anhand dessen wir gearbeitet hatten, der umfasst Log-, Stör- und Warnmeldungen, richtig, über 'n Zeitraum von, was waren das? Meldungen,

Speaker1: Störungen und Alarme von über 2 Jahren. Von 2 Jahren, genau. So, was sind das so, zweieinhalb Millionen Events.

Speaker0: Und die Events, das ist ja erst mal ein unstrukturiertes oder bis auf die Zeitstempel unstrukturiertes Log. Und wir hatten am Anfang 'n sehr diffuses Bild erst mal, was man mit diesen Daten machen könnte. Genau. Und eine Idee, wenn ich's richtig erinnere, dann war das, okay, es treten Störungen auf, die kosten Geld. Können wir vorhersagen, wann diese Störungen auftreten?

Speaker1: Genau, klar. Das, der der Mehrwert davon lege ich ja auf der Hand, wenn ich schon 5 Minuten vorweis, dass sich 'n Ausfall von 1 bestimmten Art, also zum Beispiel Maschine x fällt aus in 5 Minuten, da kann ich ja jetzt schon Gegenmaßnahmen einleiten oder das vielleicht gleich verhindern, da leck ja das Geld dann quasi auf der Straße. Ja. Und genau das haben wir auch zuerst versucht und haben wir halt, der Artusco war nicht 0 oder so, ja, also das hat man schon gesehen, ja. 'N bisschen Informationen ist da schon drin über die Vorhersage. Aber wir haben dann halt gemerkt, na ja, okay, komm, also wir haben jetzt die ersten einfachen Modelle probiert, die Vorhersagequalität, also die die Scores, die wir da erreichen, die Genauigkeit, die ist nicht gut genug, dass nachher der Business Case stimmt. Du würdest viel zu oft die Leute umsonst zu 'ner Maschine rennlassen und dann stehen die da und da passiert nix, ne. Und wenn Du dreimal zur Hilfe der Wolf kommt, rufst, Ah. Dann ist die Akzeptanz schon wieder weg, wenn er dann nicht kommt. Jetzt hätt man natürlich sagen können, ah, nee, wir drehen uns weiter im Kreis, da gibt's ja noch, wir können ja wir können sagen, wir machen da noch ganz fancy Feature Engineering oder wir holen noch mehr Prozesswissen rein. Aber weil wir ja die strategische Ebene geöffnet hatten, haben wir ja gesehen, na ja, Moment, vielleicht sollten wir pivotieren.

Speaker0: Denn was da ganz wichtig war an der Stelle, wir hatten ja dieses initiale Use Case Brainstorming, das erst mal wichtig ist, Ideen aufn Tisch zu kriegen und haben wir auf Basis dessen dann rauskristallisiert, na ja, worum geht's uns eigentlich? Und das Ergebnis war OEE Optimierung, ja. Die OE, die Overall Equipment Effektivness als Produkt von Durchsatz, Qualität und Verfügbarkeit. Ja, und dann ist mir halt erst mal egal, ob ich vorhersagen kann, wann ein Fehler auftritt. Mir geht's die OEE, ja. Das ist noch mal eine ganz andere Flughöhe. Und was ihr dann ja wirklich innerhalb von, ich glaub, 2 Tagen hingekriegt habt, war von dem oder von dem von dem von dem Ansatz eine Vorhersage zu rechnen wegpivotiert habt in der. Die Strategie, die Zielsetzung, die blieb die gleiche. Und am Ende, wir hatten auch dann das Gespräch mit dem Instandhalter, Richtig. Der uns ja erst mal auch diese Struktur nahegebracht hat mit mit First- und Second Level Support. Genau. Ja, also im Endeffekt hat sich dann herauskristallisiert

Speaker1: aus aus diesen ersten Versuchen, aber auch aus der aus den aus den aus der Strategie vorher, dass der Use Case Vorhersage jetzt nicht vielversprechend genug ist, dass wir den weiter durchziehen. Aber wir können Zusammenhänge erkennen, die einem quasi nicht jetzt akuten, sondern den sehr systemischen Instandhalter, der sich überlegt, wie kann ich den Prozess an sich stabilisieren, es ermöglichen, Zusammenhänge zu explorieren und dadurch typische Fehlerabläufe zu sehen. Mhm. Mhm. Und dann entsprechende Gegenmaßnahmen oder halt Mitigierungen im Vorfeld einzuleiten. Das wär wie, wenn ihr sagt, das ist wie, wenn Du 'n Sicherheitscode installierst, weil Du weißt, na ja, häufig haut's die Leute nach vorne, wenn sie mit dem Auto irgendwo gegenhauen, ja. Du verhinderst den Crash nicht, aber Du hast jetzt eine andere Maßnahme eingebaut, Mhm. Dass dass wenn es, also dass dass das halt nicht so schlimm ist, wenn es passiert. Die Möglichkeit ist für den dann halt eröffnet. Und das andere war, wieder jetzt auf der Akut nehmende, okay, wir können vielleicht dann nicht sagen, wir können vorhersagen, wann es passiert, aber wir können, wenn es passiert, sagen, na ja, wie lang denn dauern oder wie heftig ist es? Das war nämlich, da war der wichtige Input dieser First- und Second Level Support. Also einen Standhalter an soner Anlage, da gibt's einen, der ist vor Ort und wenn da irgendwo hier der Alarm leuchtet, alles steht still, dann rennt er dahin mit dem Schraubenschlüssel in der Hand. So, klar, nur mit dem Schraubenschlüssel. Und dann schraubt er rum und präpariert das hoffentlich oder er schafft's grad nicht. Dann hat er quasi 10 Minuten, vielleicht auch 30 Minuten. Das hängt 'n bisschen von der Anlage ab und deren Konzept. Aber dann muss er sich quasi den Spezialisten rufen, der sich genau mit dieser Maschine auskennt, weil er kann ja nicht den ganzen Maschinenpark perfekt kennt. Dann kommen die und die haben dann noch mal Spezialwerkzeug, nicht nur den Schraubenschlüssel und den Hammer und fixen dann das Problem. Und diese Eskalationszeit zwischen, er probiert's selbst und er ruft seine Spezialisten, die konnten wir mit Machine Learning dann halt verkürzen. Dass wir sagen, na ja, wir erkennen gleich, das ist 'n Problem, was nicht mit dem Schraubenschlüssel lösbar ist, sondern da musst Du jetzt mehr Spezialwerkzeuge und Spezialleute reinholen. Du hast nix vorhergesagt, Du hast nichts verhindert, aber Du hast die Reparaturzeit verkürzt, indem Du quasi einen einen Entscheidungspfad abgekürzt hast. Ja.

Speaker0: Dieses schnelle Zerrieren, wir haben das in unsere Veröffentlichungen ja gar nicht drin, ja, aber uns wurden ja einige Zähne gezogen. Ich erinnere mich, wir hatten die Idee, ein Vorschlagswesen aufzusetzen. Also Fehler passiert, kann ein KI System dann gleich bei der Fehlerbehebung helfen. Feedback vom Instandhalter so, na ja, angenommen, wir würden dokumentieren, was die Fehlerbehebung war, Ja. Vielleicht dokumentieren wir, nein. Ja, das sind dann so die Reality Checks, denn im Handbuch oder in der Arbeitsanweisung steht's halt anders. Ja. Und was ich auch cool fand, Du hast vorhin ja diesen diesen Explorer der Ex Post Analyse erwähnt, was dabei angefallen ist, das ist 'n Datenasset. Und das ist tatsächlich etwas, das auch zu CRISBM noch dazukommen muss. Richtig. Nämlich. Dieses dieses ganz systematische Entwickeln erstens von Datenassets als erst eine abstrakte Entität, aber auch als Entität, die richtig Geld kosten kann im Sinne von Big Data, und zwar teuren Big Data. Wo man aber halt natürlich sagen muss, vor 27 Jahren, da gab's halt noch kein Big Data in dem Style, so wie man's kennt. Gehört aber heutzutage halt einfach dazu.

Speaker1: Richtig. Ja, aber das Daten erschaffen, das ist ja auch Also man denkt ja gerne auch jetzt heutzutage auch so in Data Products. Wo Du gar nicht so sehr unterscheidest, das jetzt Applikation oder ist das 'n Datensatz? Es ist ein Produkt mit einem Wert. Das kann dann auch das Ergebnis 1 Projekts sein, dass Du einfach einen guten Datensatz hast, der dann wiederum Use Cases befähigt. Also plakativstes Beispiel wär ein Design of Experiments Projekt. Mhm. Ist auch 'n Data Science Projekt, dann am Schluss steht aber 'n guter Datensatz. Ja, ja. Und keine Webapplikationen, ja, genau. Ja, genau, bei dem Du vielleicht 3, 4 oder 5 andere Use Cases befähigen kannst. Und ja, ich, also Data ist ja im CRISTDM heißt der das, worum's sich dreht, aber das ist hier kein

Speaker0: Produkt, was herauskommt. Ist vor allem statisch, ne. Ja. Und es ist hier statisch.

Speaker1: Und weil wir grad von diesem Explorieren der Zusammenhänge in diesem Instandhaltungsfall gesprochen haben, ganz wesentliches Element da, UX. Ja, wie soll der das denn explorieren? Kann ich gerne den JSON ausspucken mit den Zusammenhängen und dann sagen, viel Spaß. Also dieses deploy, ne, was ist da die UX, was ist, wie sieht das aus? Das ist fundamental wichtig und kommt hier mit diesem deploy halt 'n bisschen zu kurz. Mhm, mhm.

Speaker0: Was mir an der Stelle wichtig ist, ist, dass jetzt nicht der Eindruck entsteht, wir würden hier Christ d m zerlegen oder so, ja. Ja. Aber Stimmt.

Speaker1: Ja, nee. Bleiben, wie ich meine, es ist eigentlich ziemlich gut,

Speaker0: aber es sind halt 'n paar Sachen 'n bisschen arg zusammengefasst. Genau, genau, genau. Und was wir halt gelernt haben, war doch in der Vergangenheit, es gibt Erweiterungen, die man dann irgendwo ganz natürlicherweise beginnt, einzusetzen und zu entwickeln. Und nur damit wir dort die Klammer noch mal zumachen Also für mich war's echt noch mal interessant zu sehen, als wir das Thema auch vorbereitet hatten, Christ BM, wo hakt's oder wo wo ist es nicht ausreichend? Geschäftsprozesse, Geschäftsstrategie kommt zu kurz. Der menschliche Faktor Interdisziplinarität kommt zu kurz, ist 'n rein technischer Prozess. Es ist nur eine Prozessbeschreibung, ja. Rollen fehlen beispielsweise und noch mehr, kommen wir gleich dazu. Das Thema Big Data, Data Asset Management, Landscaping fehlt komplett. Und letztlich das sind Modelle, keine Lösungen, ja. Das, was Du ganz am Anfang mit BMW meintest, ja. Das Modell, das war relativ 'n anderes Brett. Und eine Brücke zu schlagen auf die kommenden Folgen, wo wir dann noch mal tiefer in das Thema einsteigen möchten, wir haben realisiert, es ist ein Framework nötig oder wir nennen das, da keine Verwechslung zum Software Engineering, zu Software Frameworks wie Tencelflow aufkommen zu lassen. Und da gibt's mehr als nur eine Prozessbeschreibung, insgesamt ja, 4 Kategorien.

Speaker1: Richtig. Also Prozesse, klar, aber das ist eigentlich nur Punkt 3. Punkt 1 ist, wie soll ich überhaupt nachdenken? Dann Rollen, war vorhin auch schon erwähnt. Wen gibt es, was für also oder was für Rollen müssen ausgefüllt werden? Die Prozesse an sich, das geht dann son bisschen wie, was ihr aus CRISPPM kennt und Artefakte. Was sind denn sozusagen die Dinge, die ich erzeuge, die ich nachher dann stolz ins Regal lege und und dann rausnehmen, damit das nächste coole Ding zu machen? Sind aber nicht die Dinge, die man mit Pinsel und Schaufel ausgräbt,

Speaker0: Artefakte.

Speaker1: Na ja, es fühlt sich manchmal aber so an. Stichwort Datenarchäologie

Speaker0: vor. Datenarchäologie, das ist eine nice, das ist eine nette Brücke. Cool. Maxim, lass uns da in den kommenden Folgen auf die einzelnen Themen noch mal detaillierter eingehen. Wir haben uns ja mit der intensivst Gedanken gemacht, wie wir unsere Echtwählerfahrung in eine Struktur gießen können,

Speaker2: die von uns eingesetzt wird, aber auch alle herzlich eingeladen sind, der Struktur zu folgen. Und wer nicht auf die nächste Folge warten möchte, kommt

Speaker0: E-Mail-up gehen wir gleich mal gehen wir gleich mal in die Vollen und machen den Deep Dive in die. Wer eben nicht auf die nächste Folge des Podcasts warten möchte, Meet-up dot com Data Science in Meet-up München, gibt's den Link, sei's herzlich eingeladen. Danke dir, Maxim. Hat Spaß gemacht. Ebenso. Master die Komplexity.

Speaker3: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.

Mehr Folgen aus Staffel 5 →