STRUKTURIERTER DATA LAKE ODER BEDARFSORIENTIERTER FLICKENTEPPICH? – mit Dr. Sandra Romeis

Staffel 3· 15. Dezember 2020· 3485

Episoden-Cover: STRUKTURIERTER DATA LAKE ODER BEDARFSORIENTIERTER FLICKENTEPPICH? – mit Dr. Sandra Romeis
0:003485
  • Moderator (Host)Host, The Erium Podcast
  • Dr. Sandra RomeisHead of Data Lab bei Rehau (Polymerverarbeitung)
  • Dr. Theo SteiningerCo-Founder & CEO von Erium

Überblick

In dieser Folge des Erium Podcasts dreht sich alles um Datenbeschaffung und Preprocessing – am Beispiel der fiktiven Data-Scientist-Figur Erika, die in ihrem ersten Industrie-Data-Science-Projekt mit chaotischen Rohdaten konfrontiert wird. Zu Gast ist Dr. Sandra Romeis, Head of Data Lab bei Rehau, die gemeinsam mit Dr. Theo Steininger praxisnahe Erfahrungen zu Datenqualität, Missing Values, Outlier-Handling und der Frage teilt, wann ein Datenbestand für Machine Learning wirklich brauchbar ist.

Über den Gast

Dr. Sandra Romeis ist Head of Data Lab beim Unternehmen Rehau, einem Spezialisten für Polymerverarbeitung. Sie kommt ursprünglich aus der Marktforschung, wo sie im Bereich Marketing Data Science gearbeitet hat, und war vor Rehau bei einem GfK-internen Startup tätig, das Unternehmen bei der datengetriebenen Transformation beraten hat. In ihrer aktuellen Rolle arbeitet sie intensiv mit interdisziplinären Teams aus Prozessingenieuren, Vertriebstechnikern und IT-Experten zusammen, um Industrieprozesse datengetrieben zu modellieren und zu optimieren.

Zusammenfassung

Rohdaten in der Praxis: ZIP-Dateien, XML-Gestrüpp und Foto-Scans

Die Geschichte der fiktiven Erika spiegelt laut Sandra Romeis sehr reale Erfahrungen wider: Daten kommen in den unterschiedlichsten Formaten an – von tief verschachtelten ZIP-Archiven über PDFs bis hin zu eingescannten Papierdokumenten von Lieferanten. Theo Steininger bestätigt, dass das Szenario mit den ineinander geschachtelten ZIP-Ordnern aus einem echten Projekt stammt, bei dem das vollständige Entpacken rund viereinhalb Terabyte Festplattenspeicher erfordert hätte, obwohl der eigentliche Informationsgehalt viel geringer war. Allein das Aufräumen der Rohdaten kostete damals drei volle Arbeitstage – und das, bevor die eigentliche Data-Science-Arbeit überhaupt beginnen konnte.

Historisch gewachsene Datensilos als strukturelles Problem

Sandra Romeis erklärt, warum Industriedaten so häufig schwer nutzbar sind: Daten wurden in Unternehmen über Jahrzehnte primär aus Dokumentationspflicht erhoben – nicht mit dem Ziel, später Machine-Learning-Modelle darauf zu trainieren. Die einzelnen Datenbanken sind oft nicht miteinander verknüpft, da gemeinsame IDs oder einheitliche Standards fehlen. Das Ergebnis sind Datensilos, die sich kaum zusammenführen lassen. Theo Steininger ergänzt, dass das Erzeugen von Lookup-Tables zur Verknüpfung verschiedener Datensätze manchmal mehr Aufwand verursacht als alle anderen Projektschritte zusammen. Sandra Romeis weist auch auf eine verbreitete Fehleinschätzung hin: In einer Studie gaben 60 Prozent der befragten Unternehmen an, gute Datenqualität zu haben – ein Experte vom Fraunhofer-Institut kommentierte dies damit, dass genau das die Unternehmen seien, die keine Ahnung hätten, was für Daten sie tatsächlich besitzen.

Datenreduktion und die Tücken von Missing Values und Outliern

Im Preprocessing-Schritt reduziert sich ein Datenbestand laut Sandra Romeis in der Praxis häufig um weit mehr als 50 Prozent – in Extremfällen sogar auf null nutzbare Datenpunkte. Kritisch beleuchten die Gäste den Umgang mit Missing Values: Das einfache Ersetzen durch den Mittelwert, wie es Erika in der Geschichte tut, wird als zu vereinfacht bewertet. Mittelwert-Imputation reduziert die Varianz im Datensatz, und in der Varianz steckt die Information, die ein Modell zum Lernen braucht. Theo Steininger warnt zusätzlich vor dem Entfernen von Outliern ohne hinreichende Begründung: Selbst ein einzelner weit entfernter Datenpunkt kann signifikante Information enthalten, und wer ihn vorschnell entfernt, riskiert ein verfälschtes Modellergebnis. Häufig auftretende auffällige Werte sollten immer hinterfragt werden – ob Sensorfehler, fehlerhafte Parameterzuordnung oder ein verwechselter Soll- und Istwert vorliegen.

Prozessverständnis und interdisziplinäre Kommunikation als Kernkompetenz

Sandra Romeis betont, dass Data Science im Industrieumfeld keine reine Programmierarbeit ist: Ein erheblicher Teil der Arbeit besteht aus Kommunikation und Zusammenarbeit mit Prozessingenieuren, Vertriebstechnikern und Anlagenbetreibern. Nur durch enges Zusammenarbeiten mit Fachexperten lassen sich Daten korrekt interpretieren – welche Spalten relevant sind, was bestimmte Werte bedeuten, ob ein Parameter tatsächlich gemessen oder nur der Sollwert gespeichert wurde. Sandra beschreibt ihre Strategie, Werkbesuche zu nutzen, um Zusammenhänge direkt vor Ort zu verstehen und Modellergebnisse gemeinsam mit den Experten zu validieren. Theo Steininger unterstreicht außerdem, dass das Preprocessing nicht losgelöst vom gewählten Machine-Learning-Algorithmus erfolgen sollte, da jeder Algorithmus spezifische Datenanforderungen stellt.

Wann ein Data-Science-Projekt überdacht werden muss

Die Diskussion beleuchtet, ab wann ein Projekt neu bewertet oder der Use Case angepasst werden sollte. Theo Steininger empfiehlt, früh einen minimalen Projektzyklus zu schließen – also mit einem kleinen MVP oder simulierten Daten durchzuspielen, ob der gewählte Ansatz bei der verfügbaren Datenmenge überhaupt funktionieren kann. Wenn die Datenmenge nicht ausreicht, kann es sinnvoll sein, den Use Case zu vereinfachen, etwa von einer vollständigen Predictive-Maintenance-Lösung auf reine Anomalieerkennung zu wechseln. Sandra Romeis plädiert dafür, Projekte von Anfang an klein und fokussiert anzugehen, da große, ambitionierte Use Cases häufig an Motivation und Komplexität scheitern – besonders wenn externe Data Scientists das Projekt verlassen und nur eine Empfehlungsliste zurückbleibt.

Data Lakes: Infrastruktur auf Vorrat oder bedarfsorientiert?

Die Frage, ob Unternehmen einen Data Lake 'auf Verdacht' aufbauen sollten, wird kontrovers diskutiert. Sandra Romeis spricht sich dafür aus, zunächst mit einem Prototypen zu validieren, ob sich der Aufbau einer umfangreichen Infrastruktur lohnt. Theo Steininger ergänzt eine differenziertere Perspektive: In großen Unternehmen dauert es oft Jahre, bis Infrastruktur genehmigt, beschafft und in Betrieb genommen ist. Deshalb ist es sinnvoll, frühzeitig mit dem Aufbau grundlegender Infrastruktur zu beginnen – jedoch mit klarer Unterscheidung zwischen produktionskritischer IT und einer kosteneffizienteren, nicht hochverfügbaren Experimentier-Infrastruktur für Data-Science-Zwecke.

Dokumentation und Versionierung als unterschätzte Erfolgsfaktoren

Sandra Romeis gibt als konkreten Tipp für Erika mit, die Dokumentation von Anfang an ernstzunehmen: Das erarbeitete Wissen über Datenquellen, Bedeutung von Spalten und Preprocessing-Entscheidungen sollte so aufbereitet sein, dass andere Data Scientists später darauf aufbauen können, ohne die gleiche Arbeit zu wiederholen. Zusätzlich empfiehlt sie, jeden Preprocessing-Schritt als Zwischenergebnis abzuspeichern, um bei späteren Iterationen oder bei Veränderungen im Use Case schnell an der richtigen Stelle anknüpfen zu können. Theo Steininger ergänzt Tools wie MLflow und DVC zur Versionierung von Experimenten und Pipelines, weist aber darauf hin, dass die semantische Dokumentation – also das Festhalten der inhaltlichen Bedeutung von Parametern und deren Wechselwirkungen – nach wie vor eine offene Herausforderung darstellt.

Kernaussagen

  • Industrierohdaten kommen selten in sauberer, direkt nutzbarer Form – verschachtelte Archive, proprietäre Formate und eingescannte Dokumente sind in der Praxis keine Ausnahme.
  • Datenbestände reduzieren sich im Preprocessing häufig um mehr als 50 Prozent; in Extremfällen ist kein einziger Datenpunkt verwertbar.
  • Historisch gewachsene Datensilos, die nicht miteinander verknüpft werden können, sind eines der zentralen strukturellen Probleme in Industrie-Data-Science-Projekten.
  • Missing Values pauschal mit Mittelwerten zu ersetzen ist problematisch, da dies Varianz – und damit Information – aus den Daten entfernt.
  • Outlier sollten nur mit fundierter Begründung entfernt werden; vorschnelles Herausschneiden kann zu verfälschten Modellergebnissen führen.
  • Prozessverständnis und enge Kommunikation mit Fachexperten sind unverzichtbar, um Daten korrekt zu interpretieren und sinnvoll zu preprocessen.
  • Data-Science-Projekte sollten klein und fokussiert gestartet werden, um frühzeitig Mehrwert zu zeigen und die Motivation aller Beteiligten aufrechtzuerhalten.
  • Dokumentation jedes Preprocessing-Schritts und das Abspeichern von Zwischenergebnissen sind entscheidend für die Effizienz späterer Iterationen.
  • Infrastrukturaufbau (z. B. Data Lakes) sollte differenziert angegangen werden: frühzeitig planen, aber pragmatisch starten.

Fazit

Die Folge macht deutlich, dass Datenbeschaffung und Preprocessing in realen Industrie-Data-Science-Projekten weit komplexer und zeitaufwendiger sind, als es Lehrbücher vermuten lassen. Die Qualität und Struktur historisch gewachsener Daten ist fast immer eine Hürde. Erfolg hängt nicht nur von technischen Fähigkeiten ab, sondern in mindestens gleichem Maß von Kommunikationsstärke, Prozessverständnis, sorgfältiger Dokumentation und der Bereitschaft, Use Cases iterativ und bescheiden zu beginnen.

Für Data-Science-Einsteiger und Young Professionals

Erwartet keine sauberen Datensätze in der Praxis – investiert Zeit ins Verstehen der Datenherkunft und sprecht intensiv mit Prozessexperten, bevor ihr mit dem Preprocessing beginnt. Dokumentiert jeden Schritt sorgfältig, das spart später viel Zeit.

Für Führungskräfte und Projektverantwortliche

Data-Science-Projekte scheitern häufig nicht an Algorithmen, sondern an mangelnder Datenqualität und fehlender interdisziplinärer Zusammenarbeit. Klein anfangen, früh Mehrwert zeigen und Infrastruktur rechtzeitig planen sind entscheidende Hebel für nachhaltigen Projekterfolg.

Volltranskript anzeigen

Speaker0: Kurze Info vorweg, auch zu dieser Folge wird es ein E-Mail-Up geben und zwar am zweiundzwanzigsten Zwölften 16 Uhr. Weitere Infos findet ihr in der Beschreibung. Und jetzt viel Spaß mit der Folge.

Speaker1: Ihr hört, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker0: Herzlich willkommen zu 1 neuen Ausgabe von The Ihrem Podcast, in der wir weiter die Geschichte von Erika in ihrem ersten Data Science Projekt verfolgen. Und diesmal schauen wir uns den dritten Schritt an in so einem Projekt, nämlich soll es heute rund das Preprocessing und die Datenbeschaffung gehen. Und ich freue mich ganz besonders, denn das ist heute zu Gast Doktor Sandra Romeis, Head of Data Lab bei Rehau, einem Unternehmen für Polymerverarbeitung.

Speaker2: Herzlich willkommen, Sandra. Toll, dass Du da bist. Hallo, freut mich, als ihr mich eingeladen habt.

Speaker0: Sehr cool. Und sie hat es schon oft und hat auch regelmäßig mit allerhand Daten ja, zu kämpfen, sag ich jetzt mal. Und wie gesagt, das freut mich besonders. Du bist perfekt für die heutige Folge geeignet als Gast und kannst uns sicherlich viel erzählen. Und als weiteren Diskussionspartner, die Sandra ist nicht alleine bei mir, haben wir noch den Theo CEO von Eriom und bereits natürlich bekannt aus unserem Podcast und häufiger Gast. Toll, dass Du da bist. Moin moin.

Speaker3: So,

Speaker0: ich würde sagen, also erst mal toll, dass ihr beide da seid und ich würde sagen, wir fackeln gar nicht lange und legen direkt los mit der Erika und schauen uns an, was der denn heute so widerfährt.

Speaker4: Nachdem Prozessingenieur Peter nun auch davon überzeugt ist, dass sich das Projekt lohnen könnte, leitet er alles in die Wege, damit Erika die Daten erhält. Er schließt sich kurz mit dem Verantwortlichen für die Datenerhebung und Speicherung der Montagelinie Ingo Tackenberg. Ingo ist von der Idee dieses Data Science Projektes als jemand, der sich nebenbei auch für Machine Learning interessiert, ganz angetan. Er lässt Erika die Daten zukommen, die er für die Anlage gerade extrahieren kann. Beim ersten Blick auf die Daten fällt ihr die Kinnlade herunter. Das, was sie von Ingo bekommen hat, ist keinesfalls eine CSV Datei oder etwas anderes, was Erika gewohnt ist, sondern ein Gestrüpp aus ZIP Ordnern, gefüllt mit ZIP Ordnern, die wiederum ZIP Ordner enthalten, bis diese irgendwann in 1 Sammlung von XML Dateien enden. Fleißig, wie Erika ist, macht sie sich jedoch direkt ans Werk mit dem Ziel, diesen Datenbestand erst mal aufzuräumen und in eine CSV Datei zu bringen. Das Ganze kostet sie 3 volle Arbeitstage. Erst an Tag 4 fängt sie dann an, alles genauer unter die Lupe zu nehmen. Ihr Datensatz enthält an die 200 Spalten, deren Benennungen so kryptisch sind, dass sie gerade mal bei einem Zehntel davon die Bedeutung mutmaßen könnte. So wird das nichts, denkt sich Erika und kontaktiert Ingo, zu erfragen, welche der Spalten denn nun für den Prozess wichtig sind. Anhand dessen erstellt sie einen neuen Data Frame. Hier ereilt sie jedoch direkt der nächste Schockmoment, Missing Values und vermutliche Outlyers, soweit das Auge reicht. Die 10 Gigabyte, von denen am Anfang die Rede war, haben sich mittlerweile schon beachtlich reduziert und auch die Anzahl der potenziell nützlichen Spalten haben sich auf 50 verkleinert. Wie bekomme ich das in den Griff, überlegt sich Erika.

Speaker0: Die 1. Frage, die ich bei so was gerne stelle, ist die der des der Realitätstreue, ne. Wie nah kann denn so was an der Realität überhaupt dran sein, ne? Also die Daten, die die Erika bekommt und beziehungsweise die Form, die die Erika da bekommt von den Daten, ist das so real? Kann das so passieren oder ist das völlig fernab? Vielleicht als Einstiegsfrage an dich, Sandra.

Speaker2: Ja, also das entspricht schon oft der Realität. Ich hab sehr häufig gezippte Daten zugeschickt bekommen in den unterschiedlichsten Formaten. Teilweise muss ich auch erst mal googeln, was ich da eigentlich fürn Formate jetzt vor mir liegen habe, weil es kann wirklich alles kommen, ne. Es können auch Daten in Fotoform kommen, die man dann irgendwie erst mal zusehen muss, wie krieg ich die Informationen daraus extrahiert. Also 'n Excel Voodo herrscht bei vielen Unternehmen und wenn man die ganzen Daten dann zugeschickt bekommt, schlägt einem oft die Hände überm Kopf zusammen, ne. Ja,

Speaker0: also schon alles erlebt. Theo, vielleicht weitergeleitet an dich. Tatsächlich, gleich 'n kleinen Insider zu geben, die Geschichte mit den ZIP Ordnern, die hab ich vom Maxime geklaut, weil das dem wohl tatsächlich genauso wie der Fahnen ist. Kannst Du das bestätigen?

Speaker3: Ja, ja, klar, klar, klar. Uns ist es in der in der Realität passiert, also im im echten Projekt. Und ich ich kann schon verstehen, warum die das so gemacht haben. Und zwar waren das Tabellen mit sehr vielen Nullen. Und die Roadtabellen waren damit sehr groß, aber gleichzeitig auch sehr gut komprimierbar. Und das war dann neben dieser krass hierarchischen Struktur vor allem deshalb auch sone Arbeit, weil wenn Du alles entpackt hättest, dann hättest Du irgendwie viereinhalb Bitabyte an Festplattenspeicher benötigt, der de facto nur aus Tabellen mit Nullen besteht und am Ende das Ganze wieder runter kondensiert zu haben, war dann wieder gar nicht so dramatisch, weil na ja, das war ungefähr der Informationsgehalt oder die Größe, die auch dieses finale Zipfel File hatte. Nur sozusagen dieser Intermediate State war war echt krass schwer zu handeln, einfach, dass Du durch die Hierarchie durchgehst, immer die Zwischenergebnisse wegspeicherst und das war das, was dann einfach in der Praxis so viel Zeit gekostet hat. Und Du kannst dir vorstellen, wie krass frustrierend das war, einfach 3 Tage, ich glaub, das wars dann auch in echt, was wir da benötigt hatten, einfach so krass rein arbeiten zu müssen für nichts, ja? Also die Ausgangssituation haste und die ist völlig klar, wo Du hin möchtest, aber es ist einfach son Gefickelt, da hinzukommen dafür, dass dann erst eigentlich die richtige Arbeit dann losgehen konnte.

Speaker0: Mhm. Und dazu vielleicht, wie wie kann denn dann so was passieren oder mit welcher Motivation wurden denn Daten gesammelt oder werden noch Daten gesammelt vor dem Aufkommen von Data Science, nenn ich's jetzt mal, ja? Weil ich glaube, die Art und Weise würde sich ja sicher auch verändern, wie man Daten sich beschafft oder oder wie man Dinge misst und abspeichert, wenn man weiß, hey, ich will damit in Zukunft mal

Speaker2: Data Science betreiben. Könnt ihr dazu vielleicht was sagen? Ja, also wenn ich das halt bei uns auch in der Firma sehe oder auch in der Firma, in der ich davor war, es ist halt oft so, dass Daten früher einfach gesammelt worden sind aus Dokumentationsgründen. Das heißt, wir hatten einzelne Datenbanken, die aber nicht miteinander verbunden werden sollte, weil nur die Dokumentation von gewissen Produktionsparametern wichtig war, auch teilweise aus Dokumentationspflicht heraus. Und die Idee, diese ganzen Datensilos, die Also man kann sich das gar nicht vorstellen, aber die ganzen Datenbanken passen halt teilweise auch überhaupt nicht über eine über eine ID Nummer zusammen Kann man nicht zusammen mergen und so weiter. Und diese ganzen Datensilos aufzulösen, ist halt jetzt erst mal die eine Herausforderung. Wie gesagt, es wurden halt Daten einfach nur gespeichert aus Dokumentationsgründen und nicht im Sinn zu haben, hey, ich will da irgendwann mal 'n cooles Data Science Projekt drauf machen. Ich will das nutzen, Vorhersagen zu machen, eventuell auch optimieren in son Prozess einzugreifen. Also der Hintergrund fürs Datensammeln war früher halt einfach 'n ganz anderer an der Stelle. Dann vielleicht noch Frage dazu,

Speaker0: was könnte denn noch Schlimmes passieren, außer son Geflecht an ZIP Dateien? Was sind denn so die, sag ich mal, die schlimmsten die schlimmsten Erlebnisse, die die ihr da hattet bezüglich Daten, wo ich quasi mich erst mal eine Woche irgendwie einarbeiten musste, bis ich check, was überhaupt abgeht?

Speaker3: Also ein K.-o.-Kriterium, das wir Gott sei Dank so noch nie in der ultimativen Form hatten, aber dass der halt echt schnell 'n Strich durch die Rechnung machen kann. Das ist eben verwandt mit dem, was die Sandra grade erwähnt hatte, nämlich, Du hast voneinander zunächst separierte Datensilos und musst sozusagen Look up Table dir generieren, die Einträge der einen Tabelle oder des einen Datensatzes mit den Einträgen des anderen Datensatzes zu identifizieren. Und die besten historischen Daten helfen dir nichts, wenn Du diese Connection nicht hinkriegst. Und da hatten wir schon teilweise eine, eigentlich mehr mehr Arbeit als alles andere, diese Look up Table zu generieren.

Speaker0: Und Sandra, was ist, würdest Du sagen, ist das Schlimmste, was dir da passiert ist mal im oder was ist oder das Schlimmste, was Du mal gesehen hast? Welchen was für Datenbestände?

Speaker2: Ja, was ich halt auch schon vorher gesagt hab, ist, dass Informationen zum Beispiel von unterschiedlichen Lieferanten, die uns Materialien und so weiter liefern. Und jeder Lieferant hat seinen eigenen Standard, wie er es liefert. Das heißt, Informationen sind in PDFs hinterlegt, Fotos hinterlegt oder teilweise werden sie halt auch bei uns dann eingescannt einfach nur 'n Schriftstück und dann liegt das so halt vor. Also das heißt, dann ist teilweise auch schwierig, erst mal überhaupt auf die Daten zugreifen zu können. Jetzt kann man sagen, ja gut, okay, für 1, 2 PDFs kann ich das noch machen. Nur wenn man halt viele, viele Zulieferer hat, die alle ihr eigenes Format haben, kann es halt schon eine sehr

Speaker0: aufwendige Arbeit sein, da die ganzen Informationen rauszu extrahieren, die man braucht. Ja, ich dachte grad, ich hör nicht recht. Hast Du Fotos gesagt? Also aber macht man das dann händisch oder wie genau läuft das dann ab? Ich mein, ich kann mir jetzt nicht vor Also oder lass dir da 'n Computervision Programm drüber laufen, was es denn was das dann ausliest? Oder

Speaker2: wie genau hab ich mir das vorgestellt? Nee, es ist halt teilweise, dass dass zu Lieferungen die Informationen noch in 1 nicht digitalen Form halt vorliegen und damit sie halt abgespeichert werden, dann halt einfach eingescannt werden, ne. Und damit hast Du dann halt die Information digitalisiert. Also damit hast Du dann halt die Information

Speaker1: digitalisiert. Also

Speaker2: unglaublich nutzbar, ne. Ja.

Speaker0: Dann vielleicht noch, wie wie viel Prozent reduziert sich denn dann bereits zu diesem Zeitpunkt ein Datenbestand, ne? Also vielleicht, noch mal auf die Story zurückzugreifen, zu dem Zeitpunkt, wo die Erika das alles in eine CSV Datei gebracht hat, da war das nächste Problem direkt erst mal zu checken, hey, ich ich versteh nicht mal, was das bedeutet, ne? Also da hat man auch gar nicht über die Bedeutung der einzelnen Daten nachgedacht. Wie kann sich, also in so so im Schnitt eurer Erfahrung nach, wie viel Prozent reduziert sich denn schon die der Datenbestand

Speaker2: bei bei diesem Schritt? Ja, der kann sich halt echt schon unvorbereitet eigentlich 100 Prozent reduzieren, ne. Also Auch genug. Das ist sehr schön. Also ich würd jetzt mal sagen, der Datenbestand geht deutlich über die 50 Prozent runter. Also sehr selten, dass dass wir auf diesem Niveau einfach bleiben, weil wie gesagt, die Daten früher aus ganz anderen ganz anderen Zweck gespeichert worden sind. Und wenn ich halt eine Modellierung gehe, brauch ich mir, hab ich 'n gewissen Anspruch an Datenqualität und wenn der nicht da ist, kann ich die Daten halt auch teilweise nicht verwenden, ne. Oder ich hab halt auch Deckboxen drin, das heißt, ich hab kein Quality Gate nach 'nem gewissen Produktionsschritt. Wie will ich dann die Maschine an der Stelle bewerten? Das heißt, das sind halt auch dann, werden einfach Daten erfasst, die ich praktisch gar nicht auswerten kann, weil ich ihre Qualität schwierig bewerten kann, weil dahinter halt einfach der Prozess weiterläuft, ohne dass ich weiß, wie gut oder wie schlecht die Produktion da gegebenenfalls auch war.

Speaker0: Dann eine Frage direkt noch anschließen. Und zwar, was hat denn einen Einfluss auf diese Reduktion von dem Datenbestand? Beziehungsweise welche Einflussfaktoren könnte es denn geben, wo man sagt, okay, gut, bei dem Datenbestand musste ich jetzt plötzlich war jetzt plötzlich im Endeffekt mehr zu haben als bei anderen. Was können da genau Entscheidungskriterien sein, dass dass so was passiert?

Speaker2: Na ja, was halt auf jeden Fall 'n großen Einfluss damit auch hat, ist die Reife des Unternehmens. Also wie weit sind die auch schon in Ihrer eigenen Digitalisierung fortgeschritten? Wenn man jetzt in die ganze Richtung denkt mit Data Ownership, Prozess Ownership und so weiter. Also wenn's da wirklich welche gibt, die sich verantwortlich fühlen für die Datenbanken und auch wirklich sagen, ich lege da die Daten so weit ab und hab vielleicht auch schon mal einen Data Scientist mit über die Daten geschaut, auch zu sagen, welche Qualität muss dahinter liegen? Und dann kann es halt auch sein, dass 'n Unternehmen schon relativ frühzeitig auch anfängt, gute Daten zu sammeln. Wobei ich war auch letztes Jahr auf 'nem Vortrag gewesen, da war jemand vom Fraunhofer da gewesen und der hat dann auch gesagt, er hat in die Unternehmen reingefragt und gefragt, wie gut die Datenqualität ist. Und da haben 60 Prozent wohl gesagt, oh, wir haben eine sehr gute Datenqualität bei uns. Und da hat er dann halt auch geantwortet und das genau das sind die Leute, die keine Ahnung haben davon, was für Daten sie eigentlich im Unternehmen haben, ne. Also es ist meistens sehr schwierig noch, was was Daten angeht.

Speaker3: Ich hätt dazu eine Frage, Sandra. Und zwar, was wir häufig sehen, ist, dass zwar viele Datenpunkte erfasst werden, aber vor allem in der Produktion die Parameter nicht variiert werden. Also sprich, dann wird eine Trillionmal der gleiche Wert für den Prozessparameter gemessen, weil er wurde so eingestellt und dann wird er so gelassen und die Regelungstechnik hält er auf den Wert. Und damit haben wir zwar viele Datenpunkte, aber die sind alle am gleichen Ort im Parameterraum. Und damit wird der Parameterraum nicht exploriert und dann tun wir uns wieder schwer beim Training des Machine Learning Models. Und da wär einfach von meiner Seite auch cool zu erfahren, wie wie wie dir's damit geht. Nämlich also erstens, hast Du diese Situation bei dir auch? Und zweitens, wenn ja, hast Du die Bereitschaft der Anlagensteuerer, hast Du die, also hast Du da die Anlagen die Bereitschaft der Anlagenbetreiber dann auch was an den Parametern zu ändern, ja? Oder oder sagen die, nee, der Parameter ist eingestellt,

Speaker2: Sorry, ist so, ja? Die Frage ist jetzt, wenn ich dich richtig verstehe, geht's ja halt dahin gehend, dass 'n Parameter überhaupt keine Varianz hat und damit ja eigentlich Richtig, ja. Keine Information hat. Da würde sich jetzt für mich als Allererstes die Frage stellen, warum wird der Parameter gemessen, wenn er mit 0.0 Varianz in im Produktionsprozess liegt, weil dann ist es ja eigentlich 'n feststehender Wert. Und die nächste Frage, bei mir gehen da sofort alle Alarmglocken an, ist da eventuell der Sensor kaputt? Also weil kommt jetzt natürlich auf den Parameter drauf an, aber eine Temperatur wird immer variieren, Drücke in Prozessen werden immer variieren. Also ich wüsste jetzt nicht, wo 'n Prozess so stabil ist, dass ein Parameter wirklich keinerlei Ausprägungen hat. Oder die Frage ist auch nicht, ist er kaputt, sondern hängt er vielleicht auch irgendwo auf halb 8 und ist gar nicht mehr wirklich in den Produktionsprozess eingebunden,

Speaker3: ne. Ja stimmt, richtig. Jetzt wo Du sagst, auch die Verwechslung, die wir schon mal erlebt hatten zwischen Soll und Istwert, da wurde anstelle des Istwerts der Sollwert abgespeichert. Ja, vielen Dank.

Speaker2: Ja. Nicht selten. Sowas hab ich auch vor kurzem wieder gehört, dass ein Parameterfeld, das offensichtlich 'ner Temperatur zugeordnet worden ist, für einen anderen Parameter genutzt worden ist. Und das macht halt natürlich dann Daten auch total undurchsichtig, ne, und schwierig zu verstehen.

Speaker3: Und jetzt Du als Data Scientistin jetzt genau eben diese Thematik, ja? Datenfeld hat eine gewisse Zuordnung. Das heißt, Du musst ja immer diese Brücke schlagen zwischen Rohdaten, die eventuell unverständlich oder also zumindest kryptische oder vielleicht sogar gar keine Header hat und der semantischen Bedeutung. Und da würd mich auch interessieren, wie wie war da deine Lernkurve, dich sozusagen in erst mal eine völlig fachfremde Domäne einzuarbeiten? Weil als Statistikerin in Unternehmen das mit Kunststoffverarbeitung was zu tun hat, na ja, also ist ja erst mal eine komplett fremde Domäne gewesen, oder? Oder bist Du schon immer so eine

Speaker2: Nee. Nee, gar nicht. Also wie gesagt, ich komme ursprünglich aus der Marktforschung, hab dort auch in der Marketing and Data Science gearbeitet und da hatte ich natürlich mit ganz anderen Daten zu tun, ne? Das war Marketingmodellierungen, Forecasts von irgendwelchen Abverkaufszahlen und sonst irgendwas. Natürlich eine ganz ganz andere Richtung. Und da fängt halt auch aber der große Punkt an, wenn ich anfangen möchte, so einen, sag ich mal, Prozess, Industrieprozess zu modellieren, muss ich ganz ganz eng mit den Prozesxperten zusammenarbeiten. Also was für mich halt auch wichtig ist, ist zu denen klar zu sagen, ich hab ja teilweise gar keine Ahnung und ich kann jetzt auch da mein Gesicht nicht vor euch verlieren, weil wenn wir dann anfangen und irgendwie, ich trau mich dann Dinge nicht anzusprechen, weil ich sie einfach nicht verstehe, kommen zu diesem interdisziplinären Team, was erst schon Kommunikationsschwierigkeiten hat, natürlich noch so eine Hürde dazu und deswegen versuche ich halt auch immer zu fordern, wirklich, dass wir einfach komplett offen und ehrlich sind und uns allen klar ist, jeder ist hier sein Experte für seinen eigenen Bereich und es gibt kein Gesichtsverlust, indem man einfach auch vielleicht mal die ein oder andere für den anderen komplett banale Frage stellt. Aber da war's natürlich für mich sehr wichtig, eng mit den Ingenieuren zusammenarbeiten. Also auch mein Vorgesetzter kennt sich sehr, sehr gut in den Prozessen aus und das hilft natürlich, wenn Du einfach fragen kannst, ne. Ne? Und was wir halt auch sehr viel machen, ist, in die Werke zu reisen. Jetzt natürlich mit Corona nicht, aber ich war das letzte Jahr unwahrscheinlich viel auf Dienstreise, einfach nur, weil ich's halt direkt auch vor Ort lernen kann. Und es hilft denen auch, sich wirklich mit denen gemeinsam in den Raum zu setzen und und da in die Modellierungen reinzuschauen. Denen auch zu zeigen, ey, guckt mal, ich hab hier die und die Zusammenhänge. Kann das eigentlich sein? Ich kann das halt selber kaum beurteilen. Also Data Scientist hört sich erst mal sehr danach an. Ich sitz irgendwie hinter meinem Rechner und programmiere. Es ist aber eigentlich zumindest jetzt an der Stelle auch einen unwahrscheinlich hoher Kommunikationsaufwand. Und wie gesagt, halt auch Reiseaufwand, weil auch die Zusammenarbeit natürlich eine ganz andere ist, wenn man face to face arbeitet, ne.

Speaker0: Nur das hat's eigentlich da an vielen Stellen auch ganz gut vorangebracht. Mhm. Mhm. Sprich die Kommunikation mit den Leuten, die für den Datenbestand verantwortlich sind oder sich damit gut auskennen, ist auskennen ist ein essenzieller Part 1 oder ein essenzieller Skill, den ein Data Scientist haben muss.

Speaker2: Ja, auf jeden Fall. Also wie gesagt, das sind ja dann nicht nur die Leute, die die die die Daten in die Datenbank eintragen, sondern es sind ja dann auch noch mal die Vertriebstechniker. Also das sind halt wirklich interdisziplinäre Teams aus unterschiedlichsten Experten, die da gut zusammenarbeiten müssen, die Daten zu verstehen, den Prozess dahinter zu verstehen. Weil nur weil ich jetzt die Daten verstanden hab, kann ich jetzt eventuell auch nicht mit Preprocessing anfangen und Missing Values ersetzen, sondern dazu muss ich wirklich den Prozess verstanden haben, auch zu wissen, wie sind denn die die Prozess die Prozessdaten entstanden und

Speaker0: ist das sinnvoll, was ich da eigentlich mache? Dann hören wir doch mal rein, was die Erika denn noch so in ihrem Datenbestand erwartet, den sie jetzt bekommen hat.

Speaker4: Erika weiß noch aus der Uni, wie mit solchen Problemen im Datenbestand umzugehen ist. Sie nimmt die Outleihe raus und füllt die Missing Values mit den Mittelwerten der jeweiligen Spalte. Was ihr jedoch noch Sorge bereitet, ist ein bestimmter Wert, der auffällig oft in den Daten auftaucht. Sie ist aber überzeugt davon, dass sie sich da keine Gedanken machen muss und ihre Unsicherheit über diesen Wert nur ein Resultat ihres Unverständnisses gegenüber dem Prozess ist. Was ihr jedoch immer noch fehlt, sind Informationen über die Maschine an sich. Sie macht daraufhin einen Termin mit dem Prozessingenieur aus, in der Hoffnung, dass er ihr weiterhelfen kann.

Speaker0: So, direkt als Frage an dich, Sandra, weil Du da auch schon im Prinzip eine ähnliche Antwort gegeben hast, glaub ich, an den Theo vorhin, wo quasi was direkt bei dir geklingelt hat, wenn wenig Varianz ist innerhalb von Daten, von 'nem von 'nem Datenbestand, Was würde das denn bei dir triggern, wenn Du so was wenn Du so was hörst wie das, was ich dir, was was wir grade gehört haben?

Speaker2: Ja, also bei Micha Trigger's halt als erstes Mal, okay, ist ja die Missing Values mit Mittelwerten ersetzt und das einfach so per se angenommen. Das finde ich sehr schwierig, weil was wir jetzt ja gerade schon hatten, wir brauchen Varianz in den Daten, Varianz enthält Information und in dem Moment, wo ich die Missing Struktur komplett mit Mittelwerten ersetzt, nehme ich natürlich auch Varianz raus, ne. Das heißt, ich hab mir eigentlich die Daten gar nicht wirklich angeguckt. Wichtig wär's zum Beispiel, wenn ich schon Missing Values ersetzen muss, dass ich eventuell die Grundverteilung auch halte, ne. Und oder halt auch wirklich schaue, ist es, was ist der richtige Weg, hier die die Missings zu ersetzen, ne? Die Zeitreihensprünge zu berücksichtigen und so weiter. Also bei mir hat an der Stelle wirklich zuerst geklingelt, einfach mit Mittelwerden drüber zu gehen, ist für mich 'n bisschen zu einfach gemacht an der Stelle, auf jeden Fall.

Speaker3: Und bringt auch nichts. Na ja, oder wenn Du 2 Populationen mischt, also Population Mixing, Mittelwert des einen dort, vom anderen dort, dann der globale Mittelwert liegt einfach im Nirwana.

Speaker2: Ja, genau. Auch müsste man erst mal gucken, ja. Was sind die für das Ausreiser für Strukturen? Mittelwert ist ja unwahrscheinlich davon abhängig und so weiter. Also da sollte man schon wirklich eigentlich anfangen, tief in die Daten sich reinzuwühlen und zu verstehen, was ist hier eigentlich los, ne? Und auch dieser auffällig häufige Wert, der da drin ist, auch sich darüber wirklich zu informieren. Woher kommt der? Was ist da passiert? Ist es eine Sensorschwierigkeiten? Sind's vielleicht irgendwelche Werte, die durcheinander dividiert werden und deswegen dazu kommen? Also da muss man halt wirklich dann einfach auch auf die Suche gehen, ne? Und Schicht da eigentlich wirklich schon 'n sehr tiefes Datenverständnis und Prozessverständnis aufbauen.

Speaker0: Dann würde mich noch interessieren, wann man denn einfach einen Strich zieht und sagt, so bis hierhin und nicht weiter. Beziehungsweise wann man sagt, okay gut, das das wird nichts, ne. Also wenn man wenn die Erika bereits sieht, hey, der Großteil des Datenbestands ist jetzt erst mal nicht zu gebrauchen und der, der potenziell zu gebrauchen ist, der hat dann auch noch so viele Missing Values und Outlyer. Wann würde man denn sagen, damit wird's nichts oder zumindest, wo man sagen würde, okay gut, hier an dem Punkt muss das Data Science Projekt einfach noch mal überdacht werden, noch mal in den Schritt zurückgegangen werden, noch mal sagen, hey, gibt's noch irgendwo andere Daten oder wie wie geht man damit Und was ist da wirklich einfach 'n Entscheidungskriterium zu sagen, nee, das wird mit damit wird's nichts?

Speaker3: Also ich denke, der entscheidende Punkt bei dieser Geschichte, Jaguar, ist, was Du grade schon angeschnitten hast, nämlich das Überdenken. Nämlich Daten sind ja nicht per se gut oder schlecht, sondern sie sind gut oder sagen wir mal, geeignet für einen bestimmten Einsatz, Zweck oder eben nicht, aber immer bezogen eben auf einen konkreten, auf einen konkreten Use Case. Und da spielt das Thema Erfahrung sehr stark mit rein, wenn Du, sagen wir mal, den Predictive Maintenance Use Case schon mal 'n paarmal durchgespielt und dann auch irgendwo eine Art Bauchgefühl dazu entwickelt hast, dann kannst Du von der Ecke her schon mal abschätzen, okay, für ein neuronales Netz, für 'n basisches Netz, was auch immer, ja, was grad für die konkrete Situation am geeignetsten ist, da komm ich einfach den Faktor, eine Größenordnung, den Faktor einhundert nicht hin. Dann sollte man sich von der Seite her dann sehr früh auch die Frage stellen, können wir vielleicht den Use Case noch mal umbiegen in dem Sinne, dass man vielleicht jetzt was andere oder ja im Kontext des des Breakcement Maintenance Use Cases vielleicht auf die verzichtet und eher mal Richtung reine Anomalidirektion geht. Dass sozusagen jetzt nicht der Anspruch ans Modell ist, genau rauszufinden, wo es hakt, sondern vielleicht das total okay ist, wenn das Ergebnis ist, hey, da stimmt irgendwo was nicht, aber der der der machine learning Approach, der kann dir halt nur sagen, das und nicht wo. Und etwas, das sich bei uns da als sehr, sehr wertvoll ja, erwiesen hat, ist, dass wir versuchen, den den kompletten Projektzyklus möglichst früh zu schließen, einfach mithilfe 1 kleinen MVPs auch sozusagen simulativ durchgehen zu können und mal quasi sone Was Wäre Wenn Geschichte durchzuspielen. Im Sinne von, okay, jetzt vergessen wir mal, wie viele Daten das wir haben, aber jetzt mal gegeben dieses Modell. Wir simulieren jetzt mal Daten, die ungefähr der noise Verteilung der echten Daten entsprechen. Wie viel müssten wir denn haben, damit wir klarkommen? Dann sozusagen von hier von der Seite noch mal die Abschätzung treffen zu können und das dann tatsächlich auch wieder mehr quantifizierter anzugehen als jetzt rein übers Bauchgefühl. Wobei bei soner frühen Stufe des Projektes definitiv beides Hand in Hand gehen muss, aus meiner Erfahrung nach.

Speaker0: Sandra, was sagst Du dazu? Also hast Du, also jetzt vielleicht unbedingt da was was Konkretes nennen zu müssen, aber hast Du vielleicht 1 1 1 Idee oder wo ab welchem Zeitpunkt Du sagst, Leute, bis hierhin und nicht weiter, so wird es nichts mit diesen Daten? Oder muss man quasi erst mal, weil die Daten sind ja roh zunächst, wenn man sie bekommt oder oftmals zunächst sehr, sehr roh. Und stürzt man sich da wirklich einfach erst mal rein oder hat entwickelt man irgendwann auch einfach 'n Auge dafür zu sagen, das seh ich sofort, da spar ich mir Zeit, das das wird so nichts? Oder ist es das immer, ist es Sehr. Ja.

Speaker2: Ja, es ist ja schon so, dass man im Laufe der Zeit halt auch die Erfahrung sammelt und was ist jetzt zum Beispiel das Wichtigste gerade, wenn ich zum Beispiel in Richtung Predictive Quality gehe, wo ich vielleicht auch wirklich den Output von 'ner Produktion auch bewerten will, dann ist es mir ja auch klar, die wichtigste Variable, die ich dafür eigentlich brauche, ist die Zielvariable. Und ich muss jetzt nicht anfangen, mir alle Produktionsparameter jetzt anzuschauen, wenn ich zum Beispiel halt genau mit 'nem neuronalen Netz oder irgend 'ner anderen Methode vorhersagen will, ob diese Prozessparameterkombination Gutteile oder Schlechtteile produziert, dann guck ich mir natürlich als Allererstes mal an, wie ist denn meine Datenquelle hinten raus, die wirklich meine Qualität des Produktes bewertet? Weil auch da zählt ja wieder, die Qualität des Produktes wird nicht dafür bewertet, dass man 'n 'n fettes Data Science Projekt drauf aufziehen kann, sondern es ist eigentlich nur wichtig, ist das Teil io oder n io? Und für eine Modellierung ist es dann aber halt auch wichtig, warum ist es I o oder NI0 und sind eventuell noch mehr Fehler zu zählen, was halt wirklich da keine Relevanz mehr hat, weil es kann so nicht an den Kunden geliefert werden. Warum soll ich dann noch 5 Leute hinten dran stellen, die mir das Teil noch in alle Richtungen drehen, ne? Und wenn ich aber so was vorhersagen will, dann brauch ich da natürlich eine gute und feine Datenstruktur. Das heißt, ich muss ja da erst mal anfangen, welche Variablen sind für mich die wichtigsten, die die Grundstruktur bilden? Und da eventuell dann halt auch rechtzeitig reinzugehen und nachzuschärfen und zu sagen, hier müssen die Daten besser und anders erhoben werden, ne? Und also man hat ja eine gewisse, man kann ja eine gewisse Wichtigkeit oder Prioritäten der einzelnen Variablen auch auch unterstellen. Ich muss jetzt nicht drauf achten, dass jede Temperatur stimmt, aber gewisse Sachen müssen halt wirklich einfach vorhanden sein und manche Parameter kann ich auch erst mal einfach weglassen.

Speaker3: Und in dem Kontext, Sandra, wie wie geht's dir mit folgendem Punkt und zwar einmal kurz zur Erklärung, wenn wir mit 'ner Firma zusammenarbeiten, dann sind wir ja extern. Das heißt, wenn wir an dem Punkt ankommen, dass wir sagen, okay, der Datenbestand ist so noch nicht brauchbar, aber das Projektergebnis ist eine Liste an Handlungsempfehlungen, dann zu 'nem Status zu kommen, mit dem man arbeiten kann, ja, dann ist aus unserer Erfahrung der Weg doch 'n sehr langer. Und wenn wir dann ausm Projekt raus sind, dann haben wir auch nicht mehr jemanden, der das Ganze treibt. Also so, ich würd mal sagen, in 99 Prozent der Fälle bleibt's dann bei dieser List und das Thema schläft wieder irgendwo ein. Und da würd mich einfach mal sehr interessieren, Du bist ja 'n Insider, der auch Druck aufrechterhalten kann. Und wie geht's dir damit? Also hast Du da Erfolg als Insider auch noch mal den Finger in der Wunde zu lassen und zu sagen, hey Leute, jetzt ändern wir hier was an der Datensituation, weil der Use Case ist an sich cool, aber uns trennen halt vielleicht nur noch so 5 oder 10 Prozent Arbeit davon.

Speaker2: Ja, es ist relativ unterschiedlich. Also da ist es halt auch immer die Frage, wie groß ist das Projekt, was dahinter gesponnen wird, ne? Und wie geht man's halt auch oft an? Was ich halt auch schon oft hatte ist, dass im Vorfeld Mammutsprojekte geschnitten worden sind, wo man erst mal sagt, hey, lasst uns mal klein vorwärts gehen, wirklich zu gucken, ist überhaupt was in den Daten drin? Weil dann macht's ja den Leuten auch Spaß, damit zu arbeiten, ne? Wenn ich jetzt da anfange, ich will diesen riesen Use Case irgendwie bearbeiten und komm nirgendwo vorwärts, weil mich eigentlich die Komplexität des Projektes schon erschlägt, dann hat, ist die Motivation auch sehr gering. Und die Menschen, mit denen wir auch häufig zusammenarbeiten, sind nicht die wie wir, die jeden Tag mit Daten zu tun haben und halt auch einfach wissen, was es für ein Aufwand ist, dahinter hinter zu stehen. Aber wenn man die jetzt so und das ist halt genau die Erfahrung, die ich gemacht hab, wenn man mit den Experten ausm Werk sehr gut Hand in Hand arbeitet und dann auch wirklich sagt, hey, jetzt überlegen wir uns mal einen kleinen spezifischen Use Case und jetzt gucken wir mal, dass wir den irgendwie versuchen durch zu modellieren und wir sehen das, was in den Daten drin ist und wir kriegen eine Outlyer detection hin und so weiter. Das motiviert dann halt auch, ne. Das ist schwierig. Es gibt aber halt auch andere Projekte, die so angegangen sind, dass man irgendwie halt schon mal versucht hat, sag ich mal, alle Daten erst mal zu nehmen und da die Komplexität halt am Anfang so groß war, es wurde keinen Mehrwert geschaffen und dann sinkt natürlich die Motivation. Und dann kann ich auch noch mit so viel Druck von intern kommen, ohne Motivation, dass die Leute wirklich an dann auch mit Begeisterung in sonem Projekt weitergehen, ist es halt einfach wirklich schwierig. Also das ist halt auch immer das, ne, was Du Theo ja wahrscheinlich auch hast, Use Cases immer klein angehen, die Motivationen schaffen, die Leute dazu zu begeistern, dass sie wirklich sehen, es funktioniert was und dann bleiben die auch automatisch mit am Ball.

Speaker3: Mhm. Ja, ja genau, genau. Also dieses Use Cases kleinlassen und runterbrechen, das ist sowas, das wiederhole ich immer gebetsmühlenartig. Ja, und und das ist das ist eine schöne Perspektive, die Du da aufzeigst, weil mir grade klar wird, dass Du noch mal ganz anders das steuern kannst, wenn auf uns zugegangen wird mit 'ner Projektidee. Dann hat sich die schon irgendwo festgesetzt und ich hab eine sehr schwere Zeit dabei, das ist aber schlecht ins Deutsche übersetzt. Aber ich tu mir schwer dabei, den Leuten noch mal klarzumachen, nee, jetzt jetzt machen wir's mal kleiner. Und dann dann muss man sich irgendwo auch auf, ich nenn's mal jetzt Lastenheft einlassen, auch wenn das Lastenheft eigentlich zu fett ist. Dann bietet man's halt doch an, das große Schiff, obwohl son kleines Speedboard besser wär.

Speaker2: Mhm. Das hab ich mir jetzt auch grad gedacht, wo Du gesagt hast mit dieser Recommendation Liste und so weiter. Das das hatten hatten wir ja auch, ich war ja, bevor ich zu zur Rehau gewechselt bin, bei Supergransch bei GFK, also es war son kleines Start up Unternehmen innerhalb der GFK und da haben wir auch versucht halt, die Unternehmen zu beraten, wenn sie datengetrieben oder mehr datengetrieben arbeiten wollten. Und da kamen wir halt dann auch mit solchen Recommendation Liste, ihr müsst da eigentlich erst mal hier an den Daten feilen und das zu machen. Was ich mir halt auch einfach denke und was da auch die Schwierigkeit ist, die Liste bleibt dann im Unternehmen. Die Motivation ist ja kaum hochgehalten, weil die Data Scientisten in dem Moment ja wieder raus sind. Das heißt, die sammeln dann erst mal Daten und sehen lange keinen Output davon, ne. Ne. Und das ist natürlich dann halt auch oft wieder, ja, eventuell demotivierend wirken, da wirklich an dem Datenprojekt dranzubleiben. Und da hab ich als Interner natürlich den Vorteil, ne. Ich ich kann immer mal wieder anrufen, wir können jetzt mal 'n Projekt auch mal so und so lang ruhen lassen und ich kann trotzdem relativ einfach, also ich hab eine kurze Hand dazu, dann auch wirklich zu fragen, wo stehen wir denn jetzt mit den Daten? Ah, ihr habt jetzt eine Datenquelle verbessert, dann gucken wir jetzt mal gemeinsam rein, ne. Auf der anderen Seite wird halt von Externen auch, also lieber geglaubt wie manchmal den internen, ne. Das muss man halt auch ganz klar sagen,

Speaker3: ne? Hat alles einführen wieder. Das hör ich nicht zum ersten Mal, ja. Aber was ich daraus lerne einfach jetzt in deiner deiner Darstellung ist, dass deine engsten auch Mittagessenspartner, Partner, womit man sich oder mit wem man sich einfach immer wieder mal trifft, auch wenn 'n Projekt es grade mal ruht, das sind einfach die Leute aus der Praxis, die eng dran sind, dass man so in 'nem kleinen Nebensatz auch mal sprechen kann, hey, wie geht's 'n eigentlich der der Messstation? Ist die jetzt mittlerweile schon am Netzwerk? Und dann so, ja, fast. In 2 Wochen sind wir so weit. Ah ja, okay, ja, dann dann dann reden wir noch mal. Oder also das ist so eigentlich eine sehr integrative Aufgabe, die damit Du ja auch als Data Scientistin hast, so die verschiedenen Fachbereiche zusammenzubringen. Weil ich glaub, dass dass Du ja mit deiner Expertise beziehungsweise den Rundumblick auch auch auch sozusagen die Vogelperspektive im Unternehmen hast, oder? Oder also jetzt mal unter uns, wer kennt sich besser aus hinsichtlich der verschiedenen Stakeholder in den Machine Learning Projekten als Du, ja?

Speaker2: Ja, also ich hab da natürlich ziemlich gute Möglichkeiten halt auch immer wieder kurzweilige Kommunikationswege zu nutzen und da dann halt auch versuchen entsprechend zu treiben. Und aber ich muss auch sagen, das ist halt auch genau das das Schöne an diesem Job. Also wenn ich sagen muss, ich muss es halt einfach so dran denken, wo Du gesagt hast mit dieser Kommunikationsaufgabe und so weiter, es ist ja auch kein reiner Data Science Job mehr, ganz ehrlich, ne. Also ich sitze ja wirklich nicht mehr hinterm Rechner und programmier die ganze Zeit, sondern ich kommunizier eigentlich viel, viel mehr, ne. Und ich glaub, dadurch, dass ich halt auch 'n relativ kommunikativer Mensch bin, fällt mir das dann halt auch leichter, am am Ball mitzubleiben, ne. Ja. Nee, aber da bin ich schon bei dir. Das ist natürlich, Du kannst immer mal wieder triggern, ohne dass Du da jetzt irgendwie einen Termin ausmachen musst und so weiter, ne.

Speaker0: Stichwort Machine Learning Algorithmus und ich muss meine Daten reinfüttern können. Das ist relativ logisch, schätze ich mal. Aber inwiefern muss ich denn den Machine Learning Algorithmus, den ich den ich verwenden möchte, im Auge behalten, schon während des Free Processings, ne? Also oder oder gibt's da überhaupt keinen Unterschied und ich mach erst mal einfach Preprozesse drauf los? Wie sehr muss ich quasi bereits das Gesamtprojekt Data Science, das gesamte Data Science Projekt, an dem ich grad drin bin, während dem Preprocessing im Blick behalten?

Speaker2: Ja, also man soll ihn natürlich auf jeden Fall mit im Blick behalten, weil ja auch jeder Machine Learning Algorithmus gewisse Voraussetzungen hat, die in den Daten erfüllt sein muss. Keine Ahnung, ob die Daten im Vorfeld noch standardisiert werden müssen, normiert werden müssen. Welches Aggregationslevel kann ich in diesen Machine Learning Algorithmus eigentlich mit rein tun? Man muss ja auch im im Auge behalten, grade wenn wir jetzt in Predictive Quality oder so was gehen innerhalb der der Produktionsschritte. Das heißt, der muss ja auch noch so vorhersagen können, dass er in Echtzeit auch Parameter liefert, die dann auch wirklich die Produktion noch beeinflussen können. Und also das heißt, wir müssen natürlich auch die Performance von sonem Machine Learning Algorithmus mit im Kopf behalten. Also ganz losgelöst davon geht es halt auf jeden Fall definitiv nicht. Das ganze Feature Engineering muss ich schon in Verbindung mit dem Machine Learning Algorithmus sehen. Was ich aber trotzdem auch immer 'n bisschen schwierig finde, ist, wenn man seine ganzen Daten dann irgendwie komplett auf diesen Algorithmus mit auftritt, weil das Ganze, es gibt ja diesen netten Satz traue, keine Statistik, die Du nicht selber gefälscht hast, ne. Wenn ich halt alles genauso aufbaue, dass es dann wirklich damit zu 100 Prozent funktioniert, muss man halt auch wirklich sicher sein und überprüfen, dass ich nicht 'n Overfiting an meinen Daten gegebenenfalls gemacht habe. Also verdickte ich noch auf einen Test- und Trainingsdatensatz wirklich gut. Ja, es ist immer so, es ist ist son bisschen einen einen Trade off. Aber wie gesagt, man kann auf jeden Fall nicht komplett aus den Augen verlieren.

Speaker0: Also lieber beeinflusst, also kann man vermutlich nicht pauschal schwierig so sagen, aber lieber wär's einem, wenn das Preprocessing den Machine Learning Algorithmus beeinflusst und nicht nur komplett weiß werser sozusagen. Genau. Dann Theo, direkt Frage an dich. Ist denn die Datenvorbereitung, Datenaufbereitung Teil der Inference?

Speaker3: Also ich hab da eine starke Prägung einfach aus meiner Vergangenheit. Zum zum Background, ich komme aus der Astrophysik, das wissen nur die wenigsten. Und dort ist es so, das so, da gibt's son Klassiker. Und zwar, wenn Du erdgebundene Beobachtung hast, dann hast Du in deinen Daten immer 'n Haufen Zeug, das offensichtlich da nicht reingehört. Also stell dir mal vor, Du hast 'n Radioteleskop und da fliegt 'n Flugzeug drüber. Dann ist es offensichtlich einfach, ja, rauszuschneiden. Und ausgehend von diesen offensichtlichen Cases, wo sozusagen das Thema, also es liegt auf der Hand, ja, natürlich schneidest Du diesen diesen Teil der Daten raus, gibt's aber dann sonen fließenden Übergang dahingehend, wo man dann immer so klar unterscheiden kann, war das jetzt noch ganz klares Preprocessing und Kalibration oder war das eigentlich schon Teil der, weil man Schätzungen für eigentlich Unbekannte, zum Beispiel dieses dieses Teleskops getroffen hat. Und da ist es super-, superkritisch, wenn man nicht höllisch aufpasst und auch genau Buch führt über die Annahmen, die man bei dabei getroffen hat. Und jetzt wieder der alte Statistiker in mir. Na ja, jede Annahme, die ich treffe, gehört eigentlich in den rein und gehört ins Modell ganz explizit mit rein modelliert. Und so was ähnlich sehe ich einfach bei den Industriedaten auch. Zum Beispiel Entfernen von Outleiern. Man ist versucht, wir sehen das auch bei den Bewerbungen, die die die wir reinkriegen immer wieder. Wir geben da son kleinen Testdatensatz raus und da ist so ein Messpunkt ist so fernab von von den anderen. Und das ist einfach, also unter uns, ja, das ist einfach Zufall. Wir haben da nix manipuliert oder so, sondern das ist halt einfach Zufall. Und ich seh's immer wieder, dass die Leute dann argumentieren, ja, der ist irgendwie weiter weg von den anderen als so der die die große Masse, also entfernen wir den per Hand. Und das Geile ist, dass die dadurch die Informationen in den Datensatz so verschieben, dass sie am Ende 'n falsches Ergebnis rauskriegen, weil in diesem einen Datenpunkt halt doch signifikant Information drinsteckt. Und dementsprechend, ich bin da immer super vorsichtig und im Zweifel sehe ich so lieber das Preprocessing mit in die Inference nehmen, als dass man Annahmen trifft, die man hinterher nicht mehr am Schirm hatte und damit Erkenntnisse erzeugt, die und das sind nämlich super-, supergefährlich, die im Endeffekt nur das dann widerspiegeln, was man im vorgeprägt hat. Ja, also das so ist im Sinne 1 selbsterfüllenden Prophezeiung. Ich krieg nur noch das raus, was ich anfangs reingesteckt hab. In dem Kontext, Sandra, eine Frage auch, nämlich wir kriegen das immer wieder mit. Wir sind ja unterwegs mit 'nem sehr stark modellierenden Ansatz. Das heißt, wir wenn wenn wir auch die Wahl haben zwischen, okay, wir benutzen 'n fettes Blackbox Modell oder wir wir setzen uns jetzt mal hin und modellieren jetzt erst mal noch mal genau den Prozess, wie die Daten zustande kommen. Dann wieder oder dann dann hören wir oft zu die Erwiderung, ja, Moment mal, sollte nicht der Algorithmus die ganze Struktur aus den Daten lernen? Ihr steckt ja da jetzt schon sehr viel Struktur in den Algorithmus mit rein. Und da würd mich einfach deine Erfahrung interessieren, wie wie bei euch das so die Wahrnehmung ist. Also hast Du auch diese Situationen, wo es heißt so, warum muss ich dir jetzt erklären, wie die Daten zustande kommen? Sollte das dein Algorithmus nicht selbst irgendwie aus den Daten lernen?

Speaker2: Ja, witzigerweise habe ich diese Diskussion dann eher mit Leuten, die auch eigentlich mit Daten zusammenarbeiten. Was ich halt dann auch immer wieder versuche zu zu erklären, ist in dem Moment, wo ich anfange, den Prozess zu verstehen. Also keine Ahnung, wenn ich jetzt in die Produktionszeiten gehen möchte, ne, also eine Maschine ist ja auch mal in in der Störzeit und so weiter, dann muss ich auch erst mal verstehen, in welchem Zustand ist mein ganzer Prozess. Dann haben wir aber auch das ganze Problem, dass ja nicht jede jede Sekunde Ausfall berichtet wird, aber es ist halt per se eigentlich auch grade keine Produktionszeit. Also das heißt, ich muss die Strukturen dann eigentlich schon Produktionszeit. Also das heißt, ich muss die Strukturen dann eigentlich schon zu verstehen, auch zu wissen, wie ich mir meine Daten eigentlich mit mit ausschneide und und und zusammenrechne. Und von daher, ja, da da kommen wir ja an den Punkt, wo wir heute immer wieder waren, ist, ich muss halt schon den Prozess verstehen, einfach datengetrieben vorangehen, ja, hört sich immer cool an und aber so einfach funktioniert es halt auch nicht, auch weil ich Artefakte mit mit modellieren kann, ne. Wir haben das alle, ich mein, gehen wir mal in die schöne Geschichte, da wo es viele Störche gibt, gibt's auch viele Kinder, ne. Ja, ist halt meistens eher im ländlichen Bereich und so weiter, ne. Also und dann könnte ich halt wirklich Schlussfolgerungen mit in den Prozess bringen oder in den Algorithmus bringen, die halt so eigentlich nicht da sind, ne? Und von daher muss ich die Strukturen eigentlich schon verstehen. Aber wie gesagt, ich hatte da auch schon enorme Diskussionen, muss ich dann Algorithmus eigentlich alles erkennen? Er muss es dann erkennen, wenn ich halt auch ein Stückchen weit weiß, was es überhaupt erkennen muss, ne? Es ist nicht alles rein explorativer Ansatz, sondern Expertenwissen muss immer wieder mit rein oder wie Du auch gesagt hast, Breyer, die über Experten kommen und so weiter. Man gibt ja schon eine gewisse Richtung auch mit vor.

Speaker0: Noch einen kleinen Erium Podcast Inside dazu geben, tatsächlich am selben Tag wie der heutige war noch eine Aufnahme, und zwar der Folge aus und zwar der Folge aus letzter Woche mit Martins Zuwert. Und da haben wir eine ähnliche Sache auch schon diskutiert, und zwar würd ich euch gerne ein Statement vor die Füße werfen und eure Reaktionen da dann noch son bisschen abwarten. Und zwar, baut am besten Datalakes auf Verdacht auf. Das ist nur zukunftsorientiert. Macht das so Sinn? Und ich sage jetzt nicht, was der Herr Zugert dazu gesagt hat in der Folge. Ich bin gespannt auf eure Reaktion. Was würdet ihr sagen?

Speaker2: Ja, die Frage ist halt erst mal ganz klassisch, ich hatt's vorhin mit meinem mit meinem Team son bisschen kurz diskutiert, ne? Und

Speaker1: da hab ich dann halt auch gesagt, ne, bevor wir jetzt riesige Serverlandschaften in die Werke stellen und da unseren Data Lake aufbauen und die ganze

Speaker2: Landschaften in die Werke stellen und da unseren Data Lake aufbauen und die ganzen Daten abziehen, sollten wir erst mal eigentlich wissen, lohnt sich das? Also steckt wirklich in den Daten auch was drin? Können wir dadurch irgendwo einen Business Case beantworten? Geht das alle alles vorwärts. Also deswegen, man muss soll ja erstmal den Prototypen auch mit aufbauen. Auf der anderen Seite kam dann halt das Statement von 'nem Kollegen, wo ich gesagt hab, na ja, da haben wir jetzt so schnelle, hochperforme Daten. Wir ziehen das jetzt erst mal nur auf eine Festplatte, bevor wir da jetzt irgendwie einen ETF Prozess oder sowas aufsetzen. Und dann hat er gemeint, na ja, aber auch eine kleine Datenbank, eine kleine Festplatte kann ja schon ein gewisser Data Lake sein. Also da muss man dann halt immer überlegen, wie definiere ich das Ganze? Aber für mich ist jetzt erst mal in Data Lake schon irgendwas, wo ich auch Server mit ins Werk stelle, wo ich viel Speicherplatz hab. Es ist sicherlich gut, viele Daten auch zu sammeln, auch jetzt schon zu sammeln, weil ich ja auch nicht weiß, was in der Zukunft kommt. Aber eigentlich macht's erst dann wirklich Sinn, wirklich in die Kosten zu gehen und in die Implementierung, wenn ich auch wirklich weiß, 'n Prototyp lässt sich im Use Case eigentlich umsetzen, zumindest meiner Meinung nach. Wie gesagt, da hatten wir auch fröhliche Diskussionen.

Speaker3: Ja, ich war da früher, muss ich sagen, ein bisschen naiv auch unterwegs und war da ganz stark der Meinung, es rechnet sich erst oder es macht erst Sinn, einen aufzubauen, wenn man tatsächlich konkret den Use Case vor Augen hat. Ja, weil weil ansonsten ist man immer am Ziel vorbei. Ich hab aber 1 gelernt, und zwar muss man das Problem auf verschiedenen Ebenen auch sehen. Und die diese Ebenen, die die hab ich auch grad bei dem wieder rausgehört, was Du gesagt hast, Sandra. Nämlich vergegenwärtigen wir uns einfach mal nur, wie lange das dauert, bis eine große Firma einen Server irgendwo hinstellt und den in Betrieb nimmt und sozusagen Infrastruktur schafft. Und heute bin ich der Meinung, dass es sehr sinnvoll ist, dass sich eine Firma schon frühzeitig das Zurverfügung stellen von Infrastruktur kümmert, damit, wenn's dann so weit ist, ich nicht erst wieder 2 Jahre warten muss, bis ich auf entsprechende Infrastruktur zugreifen kann, den Use Case zu realisieren. Ja, also das heißt, ich plädiere dafür, da sehr differenziert hinzugucken, was kann ich heute schon als für die Zukunft notwendig einordnen? Das machen wir dann am besten sofort und verlieren da keine Zeit. Und wo erzeugen wir viel Aufwand für etwas, wo noch mal 'n Fragezeichen dahinterzusetzen ist, ob's wirklich was bringt? Und was ich total cool finde, ist auch dieser Ansatz mit, hey, da machen wir halt 'n Export auf auf eine kleine Festplatte. 'N anderes Beispiel war die Aussage, so Data Scientist sagt IT Abteilung, ich hätt gern eine virtuelle Maschine. Sagt die IT Abteilung, jo, kein Problem, kostet so viel, muss müssen wir auf die Kostenstelle x y buchen, sagt der Data Scient. Sie sagt, ja, gibt's doch nicht viel zu teuer. Ja, doch, ist fünffach redundant und und hoch verfügbar. Und dann war das Ergebnis dieses dieses Diskurs, was ich sehr cool finde, dass die gesagt haben, okay, die IT baut eine nicht hoch verfügbare Infrastruktur auf, für die andere Regeln gelten, weil die nicht produktionskritisch ist und ist damit deutlich kosteneffizienter Schrägstrich für die gleichen Kosten viel performanter unterwegs, als es die Produktions IT ist. Und das finde ich so cool, ja, weil es einfach abgestimmt ist auf die individuellen Bedürfnisse, die halt auch wirklich individuell sind. Die Produktions IT ist einfach ganz anders als eine Experimentier IT.

Speaker0: Genau. Dann zum Abschluss, vielleicht, der Erika, noch ein paar Tipps an die Hand zu geben sozusagen. Wie sollte denn die Erika nun das Preprocessing Preprocessing betreiben im Kontext des gesamten Data Science Projektes und auch im Hinblick auf weitere Preprocessing oder Datenaufbereitungsiterationen, ne. Also wir hätten auch schon kurz drüber gesprochen, wie sehr muss ich den Machine Learning Algorithmus im Kopf haben? Aber vielleicht auch im Hinblick, vielleicht son bisschen in die Zukunft zu schauen, auf auf die Deployment oder generell dem Hin- und Herwechseln zwischen Machine Learning Algorithmus und selber. Was gilt es da zu beachten? Habt ihr da Tipps für die Erika?

Speaker2: Ja, also was ich halt auf jeden Fall, das A und O ist die Doku, weil was sie herausgefunden hat, bis sie die Daten verstanden hat und auch wirklich gut aufbereiten konnte, ist ein enormes Wissen, dass sie bestmöglich zugänglich machen sollte, sodass auch andere Data Scientisten, die vielleicht später mal mit den Datenquellen arbeiten können, nicht noch mal die gleiche Arbeit machen müssen. Da steckt ja ganz viel drin. Und natürlich auch eine gute Dokumentation bezüglich der einzelnen Preprocessing Schritte. Also, dass man wirklich auch nachvollziehen kann, was es ist. Es es wird immer wieder unterschätzt, aber gerade wie gesagt, wenn ich dann meinen meinen Code irgendwie an jemand anderen weitergebe oder mal 2 Wochen im Urlaub bin und der dann wirklich da aufgrund von fehlender Dokumentation noch mal von vorne einbühlen muss, ist halt, könnt ihr euch vorstellen, ne, sehr schwierig. Und ja, grade auch mit den einzelnen Iterationsschritten ist es halt eigentlich zu empfehlen, wie gesagt Speicherplatz kostet ja auch nicht mehr so viel, wirklich die einzelnen Preprocessing Schritte schon mit abzuspeichern, dann auch möglichst schnell später durchzukommen. Also das heißt, eigentlich halt jede Schicht aus dem Preprocessing Prozess zu speichern, macht dann halt Sinn, weil ich kann dann, wenn ich jetzt an der Stelle geht die Use Case Verarbeitung an der Stelle auseinander von dem ersten, was ich gemacht hab, kann ich genau an dieser Stelle mit mit drauf losgehen und muss halt nicht noch mal alles von von vorne herein machen. Und das gibt dir dann halt natürlich auch eine gewisse Geschwindigkeit in den in den Projekten, weil ist ja schon auch mit der aufwendigste Part in dieser ganzen Geschichte. Und von daher Dokumentation und ja, gute Speicherung von verschiedenen Iterationsrichtlinien, je nachdem wie lang halt der Code läuft, ne. Wenn ich irgendwie 'n schnelles Preprocessing an der Stelle dann habe, kann ich auch auf die Rohdaten wieder zugreifen, ne. Das ist klar.

Speaker3: In dem Kontext fällt mir gerade was ein. Ich weiß nicht, ob Du das kennst, nämlich m l flow und d wie c, also DVc. 2 Lösungen, Experimente beziehungsweise auch Pipelines zu versionieren. Coole Geschichte, also das ist vielleicht auch für den ein oder anderen der Hörer interessant, genau diese Nachvollziehbarkeit zu gewährleisten. Und was ich da aber eine Schwachstelle auch gleichzeitig, also gleich der Disclaimer, vor allem weg, was ich da für eine Schwachstelle bei den Lösungen sehe, ist so diese diese semantische Dokumentation. Und da würd mich interessieren, kannst Du da, Sandra, einen Best Practice mit uns teilen? Arbeitet ihr mit Word zur Dokumentation, einfach weil's jeder kann oder hast Du da eine ganz andere Lösung? Wie wie machst Du das?

Speaker2: Ja, die Semantik, da sind wir auch noch nach der besten Möglichkeit auf der Suche, wie wir uns da wirklich aufstellen wollen. Im Moment ist es schon häufig so, dass wir manchmal in Confluencern halt auch mit arbeiten und gewisse Sachen halt dokumentieren dokumentieren, dass eine gewisse Semantik aber auch natürlich mit in den Code gelegt wird. Wir versuchen an sich schon relativ sprechend auch unterwegs zu sein, aber wie gesagt, da gibt's ja noch, ja, Semantik kann man ja auch beliebig weit treiben, ne. Das ist auch halt immer die Frage, wie weit will ich's eigentlich treiben, aber idealerweise gibt's einen Dictionary, wo alle Parameter mit ihrer Semantik hinterlegt sind, ne. Aber ja, da gibt's halt auch noch gewisse Schritte zu gehen,

Speaker3: ne. Ja, ja, genau, genau, genau. Du hast ja da eine Dokumentation Erster Ordnung, ne, und spätestens mit entfachen Wechselwirkungen verschiedener Parameter untereinander. Also das ist son Punkt, der der beschäftigt uns grad wahnsinnig. Finde ich extrem spannend.

Speaker2: Ja, da sind wir auch immer wieder am Diskutieren und auch zu schauen, was es da noch am Markt für Möglichkeiten gibt und so weiter, ne. Aber die Ideallösungen suchen wir auch noch.

Speaker0: Dann nehme ich das direkt mal als Wort zum Schluss. Ich sag herzlichen Dank an dich, Sandra und herzlichen Dank an dich, Theo. Toll, dass Sie dabei waren. Es hat wirklich sehr Spaß gemacht.

Speaker2: Auf jeden Fall. War schön zu diskutieren. Okay, gut.

Speaker0: In den Shownotes findet ihr einen Link zu Sandras LinkedIn Profil und auch einen Link zur Rehau Webseite. Dort könnt ihr noch mal weiterhin noch weitere Informationen sammeln über die Sandra selbst natürlich, aber auch über Rehau und und was dort alles so was dort alles so abgeht. Ich sag noch mal vielen Dank. Toll, dass ihr dabei wart und bis nächste Woche, wo wir weiterhin erfahren werden, was denn der Erika so widerfährt und was sie so anstellt. Tschau.

Speaker2: Tschüs.

Speaker3: Mach's gut, Jaguar. Tschau, Sandra. Tschau.

Speaker2: Tschau.

Speaker0: Hier noch einmal die 3 wichtigsten Learnings aus der heutigen Folge. Nummer 1, nach dem verkleinern sich Datenbestände meistens deutlich mehr als 50 Prozent, potenziell sogar 100 Prozent und kein einziger Datenpunkt ist nützlich. Also seid vorsichtig, wenn ihr gesagt bekommt, es gibt einen Haufen an Daten, das heißt erst mal noch gar nichts. Nummer 2, überlegt euch ganz genau, wie ihr mit und umgeht. Von Use Case zu Use Case haben diese nämlich eine verschiedene Bedeutung. Beispiel aus dem Podcast heute, manchmal wird der Sollwert statt dem Istwert abgespeichert. Und damit ist dieses gesamte Feature schon komplett nutzlos. Und zum Beispiel mit Mittelwerten zu füllen, nimmt Varianz raus. Und in der Varianz steckt aber die Information, die man braucht fürs Modellieren. Also seid ganz vorsichtig mit und Outleiern. Was uns auch schon direkt zu Punkt Nummer 3 bringt, reden, reden, reden. Als Data Scientist ist man nicht nur vor dem Computer, Man ist auch ständig im Austausch mit Externen, die sich mit zum Beispiel der Anlage gut auskennen, die wissen, wie die Daten zustande gekommen sind und demnach euch auch sagen können, wie die Daten zu interpretieren sind, zum Beispiel wie zu interpretieren sind. Also macht euch die Hände schmutzig, nehmt den Hörer in die Hand und redet mit den Leuten. Das war's für heute. Wir hören uns nächste Woche. Bis dahin, Master the Komplexity.

Speaker1: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. 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 Ireom Podcast.

Mehr Folgen aus Staffel 3 →