Tom Alby – Chief Digital Transformation Officer bei Allianz Trade

Staffel 5· 19. Juli 2022· 3320

Episoden-Cover: Tom Alby – Chief Digital Transformation Officer bei Allianz Trade
0:003320
  • Dr. Theo SteiningerCo-Founder & CEO von Erium
  • Tom AlbyChief Digital Transformation Officer bei Allianz Trade (DACH)

Überblick

In dieser Folge spricht Host Dr. Theo Steininger mit Tom Alby, Chief Digital Transformation Officer bei Allianz Trade in der DACH-Region. Das Gespräch beleuchtet, wie Data Science und Machine Learning in der Versicherungswirtschaft konkret eingesetzt werden, welche Rolle interdisziplinäre Zusammenarbeit und Change Management dabei spielen und welche Karrierelektionen Tom Alby aus mehr als 25 Jahren in der digitalen Wirtschaft mitgenommen hat.

Über den Gast

Tom Alby ist seit November 2018 Chief Digital Transformation Officer bei Allianz Trade in der DACH-Region, einer Allianz-Tochter spezialisiert auf Kreditversicherungen und Bürgschaften. Unter seiner Leitung wurde das Unternehmen 2020 von Google und dem Süddeutschen Verlag als 'digitaler Leuchtturm Versicherungen' ausgezeichnet. Alby begann seine digitale Karriere Mitte der Neunzigerjahre nach einer kurzen Profimusiker-Laufbahn, war an der technischen Entwicklung früher Suchmaschinen (Lycos, Ask.com) beteiligt und arbeitete anschließend bei Google, Bertelsmann und BBDO. Er lehrt Data Science und Digital Analytics an der HAW Hamburg, ist Lehrbeauftragter an einer Schule, zertifizierter Projektmanager (PMI) und Autor mehrerer Bücher, darunter zuletzt 'Data Science in der Praxis'.

Zusammenfassung

Allianz Trade und die Rolle des CDTO

Tom Alby erklärt, dass Allianz Trade Unternehmen gegen Zahlungsausfälle absichert – also Warenkreditversicherungen und Bürgschaften anbietet. Als Chief Digital Transformation Officer verantwortet er nicht nur Data-Science-Projekte, sondern auch Innovationsmanagement, neue Geschäftsmodelle und das digitale Enablement der Mitarbeiterinnen und Mitarbeiter. Sein Team ist bewusst heterogen aufgestellt: von einer reinen Data Scientistin mit Astrophysik-Hintergrund über datenaffine Business-Analysten bis hin zu klassischen Business-Profilen, die zumindest Grundkenntnisse in Datenanalyse mitbringen. Externe Partner werden kaum eingesetzt, da sensible Versicherungsdaten das Haus nicht verlassen sollen.

Fokuszeit vs. Meeting-Chaos: Tagesstruktur im Data-Team

Das Team nutzt ein tägliches Slack-Update nach dem Stand-up-Prinzip ('Das habe ich gestern geschafft, das will ich heute schaffen, das hält mich ab') und schützt den Vormittag konsequent als individuelle Fokusphase für Programmierung und Analysen. Meetings werden soweit möglich auf den Nachmittag verlegt. Alby beschreibt, wie stark der fragmentierte Kalender – besonders in Remote- und Hybrid-Szenarien – die Qualität analytischer Arbeit beeinträchtigt, und sieht in dieser Tagesstruktur ein wertvolles Mittel, kreativen Freiraum zu erhalten.

Praxisbeispiel: ML-System zur Inkasso-Prognose

Als zentrales Praxisbeispiel schildert Alby ein Machine-Learning-System, das prognostiziert, ob ein Inkassofall erfolgreich abgeschlossen werden kann und welche Maßnahmen dafür sinnvoll sind – persönlicher Besuch, Anruf oder Brief. Das System wurde mit tausenden historischer Fälle trainiert und schlägt den Kollegen einen optimierten Prozess vor, kann aber stets vom Menschen überstimmt werden. Dieser 'Human-in-the-Loop'-Ansatz war laut Alby entscheidend für die Akzeptanz, da langjährige Inkasso-Experten verständlicherweise skeptisch waren, ob eine Maschine ihre Erfahrung übertreffen kann.

Interdisziplinäre Kollaboration und Change Management als Erfolgsfaktoren

Alby betont, dass der Fachbereich nicht als externer Auftraggeber, sondern als integraler Teil des Projektteams verstanden werden muss. Regelmäßige Weeklys – idealerweise mit Beteiligung der Geschäftsführung – sowie transparente Erwartungskommunikation sind dabei essenziell. Stakeholder müssen verstehen, dass Data-Science-Projekte Zeit und aktive Mitarbeit erfordern: Dokumente bereitstellen, Hypothesen validieren, Modellausgaben interpretieren. Eine Personifizierung des Systems – etwa durch einen freundlichen Roboter-Avatar – hat in seinem Team die Akzeptanz messbar erhöht, weil Nutzer dadurch einen emotionalen Bezugspunkt erhielten.

ROI-Denken statt Vanity-KPIs: Profitabilität als Pflicht

Ein wiederkehrendes Thema im Gespräch ist die Notwendigkeit, von Beginn an den Return on Investment eines Data-Science-Projekts im Blick zu behalten. Alby kritisiert, dass viele Unternehmen 'Vanity KPIs' messen, die zwar gut aussehen, aber nicht auf Geschäftsziele einzahlen. Beim Inkasso-Projekt war die zentrale Frage schlicht: Kommt das Geld schneller rein – ja oder nein, und um wie viel? Dieses Denken fehle häufig bei Berufseinsteigern aus dem akademischen Umfeld, die an mehrjährige Forschungsprojekte ohne kurzfristigen Ergebnisdruck gewöhnt sind.

Karriereweg, Lehren und Zukunftsausblick

Alby zieht eine rote Linie durch seinen Werdegang: Vom Computerlinguistik-Studium über frühe Suchmaschinen, Google, Bertelsmann und BBDO bis zur Allianz war Datenanalyse stets der verbindende Faden – auch wenn der Kontext wechselte. Sein Lieblingsalgorithmus ist Naive Bayes wegen seiner intellektuellen Eleganz und Erklärbarkeit, während XGBoost in der Praxis meist die besten Ergebnisse liefert. Den größten künftigen Wirkungsbereich für Data Science sieht er in der Medizin: Erkenntnisse aus der Forschung dauern 5 bis 10 Jahre, bis sie in der Arztpraxis ankommen – maschinelles Lernen könnte diesen Transfer dramatisch beschleunigen.

Kernaussagen

  • Data-Science-Projekte in Unternehmen müssen von Anfang an auf einen klar messbaren Return on Investment ausgerichtet sein – Vanity-KPIs reichen nicht.
  • Der Fachbereich muss als aktiver Teampartner eingebunden werden, nicht als passiver Auftraggeber; enge Kollaboration und regelmäßige Reviews mit Führungsbeteiligung sind entscheidend.
  • Ein 'Human-in-the-Loop'-Design – der Mensch kann das Modell stets überstimmen – erhöht die Akzeptanz von ML-Systemen erheblich, vor allem bei erfahrenen Fachkräften.
  • Explorative Datenanalyse und schnelle Prototypen (auch halbtägige Shiny-Apps) helfen, Hypothesen kostengünstig zu testen, bevor teure Infrastruktur aufgebaut wird.
  • Datentests entkräften oft langjährig geglaubte Annahmen – Experten-Intuition und datengetriebene Erkenntnisse ergänzen sich, ersetzen sich aber nicht gegenseitig.
  • Transparenz und Erklärbarkeit eines Modells sind oft wichtiger als maximale Modellperformanz, weil Anwender verstehen wollen, wie eine Entscheidung zustande kommt.
  • Neugier, kontinuierliches Lernen und das Verlassen der eigenen 'Bubble' sind langfristig wichtigere Karrieretreiber als kurzfristige Spezialisierung.

Fazit

Das Gespräch mit Tom Alby zeigt eindrucksvoll, dass erfolgreiche digitale Transformation in Unternehmen weit über technische Modellgüte hinausgeht: ROI-Denken, Change Management, interdisziplinäre Kollaboration und Erklärbarkeit sind die eigentlichen Erfolgshebel. Albys pragmatischer Ansatz – früh testen, iterieren, Menschen mitnehmen – bietet einen praxisnahen Leitfaden für Data-Science-Projekte in regulierten, datenreichen Industrien wie der Versicherungswirtschaft.

Für Berufseinsteiger und Studierende

Profitabilität und Business-Verständnis sind von Tag 1 an relevanter als akademische Perfektion. Früh aufstehen, Mathematik ernst nehmen und raus aus der eigenen Bubble – diese Ratschläge klingen einfach, sind aber nachweislich karriereentscheidend.

Für Data Scientists und Analytiker in Unternehmen

Investiert Zeit ins 'Praktikum' beim Fachbereich, bevor ihr modelliert – das Domänenwissen ist unersetzlich, und Erklärbarkeit des Modells schlägt Modellperformanz, wenn es um Akzeptanz geht. Baut früh Prototypen, um Hypothesen zu validieren, statt direkt in skalierbare Infrastruktur zu investieren.

Für Führungskräfte und Entscheider

Management-Aufmerksamkeit und aktive Beteiligung der Geschäftsführung an Data-Science-Projekten sind keine Nice-to-haves, sondern messbare Erfolgsfaktoren. Wer Daten als reines IT-Thema behandelt und 'Daten über den Zaun wirft', riskiert Projekte ohne Business-Impact.

Volltranskript anzeigen

Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.

Speaker1: Heute zu Gast bei The Eriom Podcast ist Tom Albi. Seit November 2018 ist er Chief Digital Transformation Officer bei Allianz Trade in der DACH Region. 2020 verliehen Google und Süddeutscher Verlag Veranstaltungen der Allianz Tochter unter ihm das 1. Mal den Award digitaler Leuchtturmversicherungen, eine Auszeichnung für wegweisende Innovationen in der Versicherungswirtschaft. Seit neunzehnhundertvierundneunzig, als seine kurze Karriere als Profimusiker endete, widmet sich Tom Albi dem damals gerade entstandenen Web. Sein Studium finanzierte er sich mit der Erstellung von Webseiten und der technischen Entwicklung 1 der ersten Suchmaschinen. Seitdem treibt Tom Albi von der Brent 1 als Datenfreak bezeichnete Digitalexperte bei Unternehmen wie Google, Bertelsmann und BBDO voran. In seiner Freizeit schreibt er Bücher und ist dazu noch Lehrbeauftragter für Data Science und Digital Analytics an der HAW Hamburg und seit 2004 zertifizierter Projektmanager des Projektmanagementsinstitutes.

Speaker2: Herzlich willkommen zu 1 neuen Folge von The Erian Podcast. Mein Name ist Theo Steining und heute zu Gast Tom Alvi. Hi Tom, schön, dass Du da bist.

Speaker3: Hi, Theo.

Speaker2: Wir haben in der Vita schon einiges zu deinem Background gehört. Das wird 'n sehr, sehr spannendes Gespräch. Bevor wir da in die Tiefe einsteigen, magst Du uns noch mal ganz kurz abholen. Was macht Allianz Trade genau?

Speaker3: Allianz Trade kümmert sich Kreditversicherungen, Warenkreditversicherungen vor allem, aber auch Bürgschaften. Also stell dir Folgendes vor, Du verkaufst etwas an mich, bist dir aber nicht sicher, ob ich auch wirklich zahle. Dann kannst Du dich gegen den Ausfall der Zahlung versichern. Andersherum könnte ich jetzt zum Beispiel sagen, ich engagiere dich für etwas, möchte aber auch, dass Du das richtig machst und deswegen wünsch ich mir, dass Du eine Menge Gewährleistungsversicherung abschließt oder Bürgschaft abschließt. Und es geht darum, Trade beziehungsweise Handel sicher zu machen und ist ein sehr bewährtes und begehrtes Instrument in der Wirtschaft. Mhm. Alright.

Speaker2: Und in deiner Rolle als Chief Digital Transformation Officer, was kann man sich da genau drunter vorstellen? Also jetzt mal ganz praktisch, wie sieht dann dein Arbeitsalltag aus?

Speaker3: Ja, ist eine gute Frage. Also ich beschäftige mich nicht nur mit Data Science, sondern auch mit Themen wie neue Geschäftsmodelle, Innovationsmanagement, aber auch Enablement. Also was müssen wir tun, damit die Mitarbeiter den Weg der digitalen Transformation mitgehen, dass sie sozusagen die richtigen Qualifikationen erwerben dafür? Manchmal bin ich aber auch der Unruhestifter, also derjenige, der neue Gedanken einwirft Aha. Und schaut, was dann passiert, ne. Es gibt ja sehr viel, was grad passiert im FilmTech Markt und es sind natürlich Themen, die wir uns dann sehr genau anschauen. Mein Arbeitstag ist ja eigentlich relativ klar strukturiert. Morgens treffen wir uns alle zum Daily. Mhm. Das haben wir natürlich früher physisch getan. Das geht ging lange Zeit nicht und ich glaube, es bleibt auch dabei, dass wir jetzt einfach 'n Slack machen. Jeden Morgen schreibt jeder, das hab ich gestern geschafft. Mhm. Das will ich heute schaffen. Das hält mich ab. Und dann versuchen wir immer eine 1 Fokusphase hinzubekommen. Also jeder versucht vormittags sich aufs Programmieren oder Präsentationen erstellen, was auch immer zu fokussieren und ab mittags gehen dann die Meetings los. Und wir haben uns extra deswegen gemacht, weil wir haben uns in der Tag so zerfasert testen, grade wenn man programmiert oder eine Datenanalyse durchführt, dann ja, das einem alles und darum haben wir angefangen zu versuchen, den Tag so zu studieren. Das klappt nicht immer, weil ab und zu natürlich jemand sagt, wir brauchen das Meeting, aber unbedingt von halb 9 bis halb 10. Da kann man sich nicht immer wehren, aber häufig versuchen wir das wirklich auf den Nachmittag zu legen, damit wir halt die Fokusphase haben. Und der Nachmittag ist dann ja, vor allem Meetings, da Besprechungen und welche Berichte schreiben und ja, das ist so der typische Arbeitstag, den ich habe.

Speaker2: Wenn Du sagst, wir haben es für uns so strukturiert, woraus besteht das wir? Also vielleicht noch mal ganz kurz in die Rollen deines Teams hinein, weil Du hast's grad schon erwähnt, da werden Präsentationen gemacht, da wird, ja?

Speaker3: Ja, also das ist sehr heterogen aufgestellt. Ich hab eine ganz pure Data Scientistin, das ist die Melton, die phänomenal ist, Hintergrund Astrophysikerin, also mathematisch wirklich phänomenal und die macht den ganzen Tag nichts anderes als eigentlich sich mit Data Science Projekte kümmern. Und dann hab ich Kollegen, die so dazwischen sind, also die extrem gut in der Datenanalyse sind und auch selber Code schreiben, aber trotzdem auf der anderen Seite auch son ja, mehr sonen Hang zum Business haben. Also zum Beispiel, die sich neue Services und Produkte kümmern, dann versuchen herauszufinden, lohnt es sich, ein solches Projekt anzufangen? Wie groß sind die Erfolgswahrscheinlichkeiten? Was müssen wir tun, zu testen, Hypothesen zu testen? Und da kommen auch viele Daten rein. Also wir erwarten schon, dass die Kollegen dann nicht weglaufen, wenn sie Daten sehen und viele können auch dann tatsächlich eigene Analysen, explorativen Datenanalysen durchführen. Und dann hab ich noch reine Businessmenschen, die so gut wie gar keine Datenanalyse machen, aber selbst derjenige, die ich jetzt grad im Kopf habe, war schon mal meine Vorlesung. Also auch selbst der hat dann schon mal sone Grunderfahrung und weiß, wie sone Datenanalyse auszusehen hat und mit welchen Themen auf gar keinen Fall kommen sollte.

Speaker2: Alright, verstanden. Und noch mal kurze Rückfrage im Detail zu eurem Arbeitsablauf. Ich find's extrem spannend, weil ich's auch sehr gut nachvollziehen kann, das zerfasern 1 Arbeitstages, vor allem mit remote Meetings am besten halbe Stunde, bam, bam, ja. Absolut. Bedeutet das, dass ihr den Vormittag versucht, freizuhalten von gänzlich jeder Art von Meeting? Also das ist eine individuelle Fokuszeit? Oder fallen Arbeitsmeetings noch mal drunter im Sinne von, okay, wir arbeiten jetzt im quasi zusammen? Wär das schon wieder was für 'n Nachmittag? Das wär so 'n Nachmittag tatsächlich. Cool. Aber das ist das ist wirklich cool und ich denke 'n wertvolles Learning jetzt auch schon ganz am Anfang, wie man Arbeitsalltag strukturieren kann, weil wie gesagt, ich das bei uns in der Firma sehe, ich seh's im Austausch mit vielen aus meinem Netzwerk. Wenn ich mich austausche, wie strukturiert ihr euren Tag, vor allem in hybriden Szenarien. Ich denke, das könnt ihr wirklich sehr gut helfen, noch mal wirklich diesen Fokus und auch den kreativen Freiraum noch mal zu schaffen, gerade weil eben die Takt und Schlagzahl mit Remote Meetings nach oben gegangen ist, ja. Sehr, sehr cool. Und wenn Du auf eure eure eure Expertise im Bereich Analytics draufguckst, Du hast jetzt grad schon die Kollegin erwähnt mit dem Astrophysik Background. Das spricht natürlich für eine internalisierte Kompetenz von Data Science. Reicht euch das oder arbeitet ihr auch mit Partnern zusammen?

Speaker3: Also wir haben noch in Frankreich unser Data Lab. Mhm. Das gilt auch also auch intern. Und da haben wir unsere Data Engineers und Data Architect. Also das ist alles dort, was wir eigentlich benötigen. Und ich kann mich nicht daran erinnern, dass wir jetzt schon mal in den letzten Jahren, also nicht während ich zumindest da bin, dass wir uns externe Hilfe geholt hatten. Weil wir eigentlich alles intern haben, sich auch daran, dass wir natürlich Daten haben, die die gibt man nicht nach draußen, ne. Also Versicherungsdaten, Versicherungsnehmer und was da passiert ist, das sollte eigentlich dann innerhalb unserer, ja, in unserer Mauern bleiben.

Speaker2: Und da hab ich noch nicht erlebt, dass wir irgendwas da draußen geben. Verstanden, ja. Ja, ist halt 'n wichtiges Instrument für Firmen, die jetzt vielleicht da nicht so umfassende Teams haben, wie wie das bei euch der Fall ist, ja, sich noch mal Inspiration reinzuholen, welche Technologien gibt's, sondern macht mit Sherry Picking und internalisiert die Kompetenz. Aber das läuft dann bei euch, wenn dann direkt übers Recruiting. Das heißt, dass ihr sofort dann quasi eher noch mal eine Stelle mit 'ner bestimmten Expertise besetzt.

Speaker3: Mhm. Alliance. Cool, verstanden.

Speaker2: Wie sehen dann typische Use Case bei euch aus? Magst Du uns da mal durch 'n konkretes Beispiel durchführen?

Speaker3: Also das Beispiel, an dem ich am zuletzt am stärksten gearbeitet habe, war ein 1 System, das prognostiziert, ob ein Inkassofall erfolgreich ablaufen wird oder nicht. Also man muss sich so vorstellen, wenn sozusagen ein 1 Schuldner nicht bezahlt und der Versicherungsfall eintritt, dann müsste man irgendwann ja mal versuchen, das Geld wiederzukriegen vom Schuldner. Genau. Und das macht bei uns halt das Inkasso, Allianz Trade Inkasso. Das hab ich mir früher immer so vorgestellt, wie man sie sonem schlechten Kuh vorstellt, so muskelbepackte Typen und witzigerweise Geschäftsführer ist auch muskelbepackt, aber ganz anders, was man sich vorstellt, halt ein sehr smarter, netter, charmanter Mensch und so wie auch alle Kollegen dort kennengelernt, weil das, was diese Kollegen am meisten benötigen, ist Verhandlungsgeschcheck. Weil oftmals ist ja vielleicht auch Geld vorhanden oder ist vielleicht grad nicht so viel Geld vorhanden. Und da muss man halt verhandeln, wie kriegt man sozusagen von dem, was vorhanden ist, relativ schnell irgendwas? Was könnte 'n Zahlungsplan aussehen? Und manchmal ist es aber so, dass es total hoffnungslos ist, da Geld zu bekommen. Und die Frage ist, was tut man eigentlich? Also in Kasselfall kommt rein, dann sieht man die Höhe und sieht die Industrie. Man hat vielleicht 'n paar Vorerfahrung mit den Schulden, na, vielleicht war der schon mal in Kassel drin. Und was macht man jetzt? Fährt man sofort raus und versucht da eine Verhandlung zu beginnen? Reicht es, wenn ich eine E-Mail schreibe oder da anrufe oder müsste vielleicht 'n Brief kriegen? Und das System macht Folgendes, es nimmt halt mehrere Parameter auf, also sei es irgendwelche Erfahrungen aus der Vergangenheit. Und dann erstellt's eine Prognose, die dann bestimmt, was tun eigentlich die Kollegen von Inkasso? Also was ist der Prozess dahinter? Und das funktioniert eigentlich, es sind sehr gut. Muss dazu sagen, dass wir das so gebaut haben, dass die Menschen immer noch die Maschine überschritten können. Mhm. Das war eigentlich ganz wichtig, weil natürlich ist es so, wenn man son System einführt, das allererste System, was sozusagen mit Machine Learning funktioniert, dass die Kollegen so denken, okay, wie funktioniert das eigentlich? Und warum glaubt ihr, dass die Maschine es besser kann als ich, der schon seit zig Jahren im Inkasso arbeitet? Und muss man sagen, wir haben extrem kompetente Kollegen dort und die sicherlich sehr viel Erfahrung mitbringen, aber das System hat zigtausende von Fällen. Und keiner von den Kollegen hat zigtausende Fälle im Kopf. Das geht gar nicht. Und deswegen haben wir versucht, das halt einzuführen als 'n System, das die Kollegen unterstützt. Mhm. Und wo wir auch offenlegen eigentlich oder sehr viel auch erklärt haben, wie es funktioniert und wie es zu 'ner Entscheidung kommt. Der Mensch kann immer noch überstimmen. Und das war eigentlich so mein mein schönstes Projekt

Speaker2: in den letzten Jahren. Ich hab auch viele Projekte gehabt, die vielleicht nicht so super funktioniert haben. Aber in diesem Projekt, seit Sie dann bis dahin gekommen, dass es, wenn ich's richtig verstanden hab, eine Liveanwendung ist, die jetzt im täglichen Doing zum Einsatz kommt, richtig?

Speaker3: Genau, genau. Und

Speaker2: wie habt ihr folgende folgende Sache mit mit abgedeckt? Dieses Thema, wenn Du mir das so schilderst, ja, also da steckt Verhandlungsstrategie irgendwo auch mit drin. Wie tret ich auf? Ich nehme mal an, das macht auch 'n Unterschied, ob ich einen Klienten hab, 18 Jahre, studentischer Background, vielleicht jetzt ganz frisch oder 'n Klienten hab 65 Jahre, vielleicht anderes Geschlecht und und und, ne. Also das sind ja ganz, ganz, ganz viele menschliche Faktoren damit im Spiel. Und habt ihr diese Erfahrungskomponente auch mit in das System eingebaut oder ist es sozusagen das rein datengetriebene Kompliment zur Erfahrung des des des Mitarbeiters?

Speaker3: Also zum einen, wie gesagt, haben wir den Menschen die Möglichkeit gegeben, den Algorithmus zu bestimmen. Zum anderen ist es so, dass bestimmte Variablen, ich nicht alle Variablen hier veröffentlichen, manche sind wahrscheinlich Proxyvariablen. Mhm. Ne, also wir machen ja nur B2B, es ist kein B2C, also wir würden niemals zu dir als Privatperson kommen, zu dir als Geschäftsführer, aber schon, weil nun Und dann kommen dann schon Variablen rein, die vielleicht als Proxyvariabel für die Erfahrung 1 Geschäftsführers dienen könnten.

Speaker2: Sind wir keine personenbezogenen Daten, weil das Okay, aber diese diese Proxyvariablen, kamen die aus dem Training letztlich raus, weil sich rausgestellt hat, okay, die Informationsstiefel ist bei den Variablen hoch oder waren das Variablen, die auf Basis der Erfahrung der Kollegen definiert wurden?

Speaker3: Das ist eine sehr gute Frage, weil also was ich gelernt habe, ist, dass ich komplett das Business verstehen muss. Mhm. Also ich muss mir eigentlich neben die Inkassoleute setzen und mir genau erklären lassen, was sie da tun. Weil wenn ich das nicht tue, dann hab ich auch keine Chance, die Variablen zu verstehen. Das heißt, zuallererst steht am Anfang, dass ich sozusagen ein Praktikum mache bei den Kasse Kollegen und dann auch verstehe, wonach schauen die? Und manche Variablen Sache kann ich hier nicht nutzen, also wie zum Beispiel diese personenbezogenen Daten. Also ich kann mir das nicht anschauen, der Theo ist, als ich, noch relativ jung und der Theo kommt gar nicht drin vor, ne. Der als also Person kommen nicht drin vor, aber natürlich Daten, die wir über das Unternehmen haben, die kommen schon dadrin vor. Und man schaut dann sozusagen nach, gibt es tatsächlich eine Korrelation bei diesen einzelnen Variablen? Witzigerweise hat man viele Variablen bekommen, wo man nachher gesehen hat, okay, da war gar nichts drin, obwohl die Kollegen glaubten, dass da was drin ist. Und dafür haben wir in anderen Variablen was gefunden, wo man nicht glaubt, dass was drin sein könnte. Also als Beispiel, ist es so, dass wenn jemand versichert ist, dass er sich dann weniger Mühe gibt, das Geld einzutreiben? Wär ja logisch, ne. Ist aber nicht der Fall. Also da gibt's auch keine, ich kann auch keinen Zusammenhang. Tatsächlich ist es egal, wie man versichert ist oder nicht. Die besuchen alle ihr Geld reinzuholen, bevor sie's zur Versicherung übergeben. Das war natürlich son Vorurteil, was in manchen Köpfen nicht in allen drin war und wo wir uns überlegt haben, okay, schauen wir mal nach, vielleicht finden wir ja was. Aber da war nix zu finden. Interessant.

Speaker2: Interessant. Mhm. Ja. Find ich extrem spannend, weil's eine starke Parallele zu dem ist, wie bei uns in der Industrie, in den Projekten bisher auch Hypothesentests durchgeführt wurden. Also genau wie Du's beschreibst, ja, mit dem man glaubt, ein System, sei es jetzt menschlich, wirtschaftlich oder mechanisch verhält sich nach 'ner bestimmten Art und Weise. Und genauso gab's bei unseren Projekte immer wieder Überraschungen, die wirklich für viele Jahre in Form 1 Annahme in den Köpfen, der bei uns Ingenieure drin gesteckt waren, wo wir dann datengetrieben zeigen konnten, okay, das ist gar nicht so. Was dazu aber nötig war, war 'n sehr interdisziplinärer Workflow und der geprägt ist zwischen, na ja, ich skizzier's mal sozusagen mit 'ner Antithese nicht in dem Sinne verläuft, man wirft Daten übern Zaun, verabschiedet sich für 24 Monate, macht im Stillen Kämmerlein eine Analyse und kommt dann zurück mit 'ner fertigen Abschlusspräsentation, ja, sondern letztlich ja 'n an einem einzigen Schreibtisch sitzend virtuell oder in echt, sei jetzt mal dahingestellt, aber ein gemeinsames Arbeiten an den Daten. Und da würd mich interessieren, wenn Du mal bisschen erklären kannst, wie funktioniert bei euch die Kollaboration? Habt ihr da systematisiert, diese Brücke zu schlagen zwischen der, na ja, rein daten- und Statistikgetriebenen und dann aber der Erfahrung der Mitarbeiter, die es halt einfach gegeben wird.

Speaker3: Ja, das ist eine 1 sehr gute Frage, weil ganz so einfach ist es nicht. Das klingt immer Ja, genau. Schenkend zu erzählt. Es hängt auch 'n bisschen vom Kollegen ab oder von der Kollegin, ne. Ich weiß noch, dass bei diesem Thema Inkasso, da hab ich eine extrem smarte und nette Kollegin auf der anderen Seite, die zwar nicht alles wusste, aber die Informationen Daten reinholen konnte. Und natürlich haben wir jetzt sehr agil gestaltet. Wir hatten jede Woche unser Weekly, da war auch dann die Geschäftsführung mit dabei. Was uns super ist, weil natürlich, wenn man den Support hat der Geschäftsführung, dann ist es natürlich 'n anderes, 'n anderer Antreiber, als wenn jetzt irgendwie die Schätzung gesagt, ja, mach mal irgendwie und komm einfach mal 'n halben Jahr wieder. Da war 'n extrem großes Interesse dabei. Und es gibt natürlich auch Fälle, wo man sagen muss, hey, da haben die Kollegen so viel andere Themen aufn Tisch und dann wird das sozusagen erst mal vielleicht eher son irgendein IT Projekt deklariert, wo man denkt, ja, ich werd was über den Zaun und dann kommst Du irgendwann wieder. Und da ist dann Aufklärungsarbeit notwendig. Aber das ist nicht nur bei Data Science der Fall, das ist eigentlich bei allem, was wir tun, notwendig. Wo wir sehr schnell in die Diskussionen kommen, wo sagen, hey, ihr seid Teil des Projekts. Ihr seid nicht irgendwie unser Kunde, ihr seid ihr seid zwar unser Kunde, aber ihr seid viel mehr als das. Ihr seid tatsächlich Teil des Teams und ihr müsst mitarbeiten. Ihr müsst Dinge testen. Ihr müsst uns erklären, ob diese Daten so Sinn ergeben oder keinen Sinn ergeben. Und das funktioniert meistens sehr gut, müsst den Leuten erklären, weil sie halt nicht gewohnt sind.

Speaker2: Und dann dieses Erklären, wie läuft es ab? Sind das dedizierte Workshops oder macht's ihr Learning by Doing?

Speaker3: Ja, und versucht den Klick auch da schon mal zu erklären. Eigentlich schon vorher. Man versucht ihm vor allem den Vorgesetzten dann immer zu erklären, wie funktioniert das eigentlich? Und wenn ihr das wirklich wollt, seid euch im Klaren darüber, dass die Kollegen noch was anderes tun werden, nicht, mit uns arbeiten. Na, die werden Zeiten uns verbringen. Die werden uns Dinge erklären müssen wie einem Auszubildenden, ne. Also jetzt momentan sind wir 'n anderen Projekt drin und das ist das Tolle, was an der Versicherung. Ich kann mir zwar früher nie vorstellen, zur Versicherung zu gehen, aber es ist voll spannend, das geht nicht. Ganz viel verschiedene Abteilungen, wo man extrem viel lernen kann und jedes Mal hätte ich was Neues. Also da ist grade sone sone Schadensbearbeitung, ne. Das klingt erst mal total unspannend. Das ist superspannend, ne. Also wie wird eigentlich son son ja Schaden durchgeguckt? Wie vermeidet man, verhindert man oder versucht zu verhindern, dass da irgendein Frau hinter ist? Also und all diese Erklärungen, dieses als Praktikant sozusagen mitzulaufen, das erfordert ja, ist 'n Aufwand für die Kollegen auf der anderen Seite. Und dieses Erwartungsmanagement muss man betreiben. Und auch da hätt ich sagen, das gehört dazu, es geht nicht ohne und wir brauchen halt soundsoviel Dokumente zum Beispiel. Weil wir werden's nicht ohne hinkriegen. Habt ihr so viel Dokumente? Und viele denken so, Mensch, ich kauf mir jetzt irgendwie eine DVD mit KI und die werfe ich ein und dann muss Tom das nur noch irgendwie anpassen und schon ist es fertig. Aber es ist eben nicht so. Und das ist sehr viel Stakeholdermanagement.

Speaker2: Du hast jetzt grad schon angesprochen. Du findest es extrem spannend, konntest dir das früher gar nicht vorstellen, in eine Versicherungsrichtung zu gehen. Du hast ja auch 'n Hintergrund bei Google, da hab ich gleich noch für die frisch im Studium befindlichen Zuhörer eine 'n paar Rückfragen. Aber erst mal noch mal ganz konkret auf auf deine Persönlichkeit und deinen Werdegang. Nach welchen Kriterien hast Du bisher deine nächsten Schritte ausgewählt, ne? Es waren ja 'n paar paar Übungen mit drin, ja. Und ist es dieses Thema neue Dinge verstehen?

Speaker3: Also spannend. Also allein schon, weil ich ja angefangen hatte, Musik zu machen und dachte irgendwie, Mensch, bist Du erfolgreich. Ja, dann hätte es gut funktioniert, leider. Aber ich hab's wenigstens versucht, ne. Ich sitz jetzt nicht hiermit irgendwann und denke mir, hätte ich's doch mal probiert? Was wäre gewesen, wenn? Die Frage stelle ich mir nicht. Ich hab's getan. Ich hab sehr viel gute und auch 'n paar so gute Erinnerungen daran. Mhm. Aber hey und ja, ich seh das gleich mal so als Biegung an, wie Du's bezeichnen hast. Ich hab halt bei Suchmaschinen angefangen, also früher Ja, ja. Bei Lycos, da gab ja auch Firewall dazu, Hotboard und bin dann mit der gesamten Mannschaft zur nächsten Suchmaschine gegangen. Das war sone B2B Suchmaschine. Dann wieder mit der gesamten Mannschaft weiter zur nächsten, das war 'n Ask dot com. Und von da habe ich sozusagen meine, welche kleine Abbiegung mal genommen und wollte mal schauen, wie das aussieht bei Finanzen, weil ich hatte mir damals überlegt, mal irgendwas anderes zu machen als Suchmaschinen. Da war ich schon seit mal 10 Jahren bei Suchmaschinen und wollte mal irgendwas anderes sehen. Und hab dann aber nach 'nem halben Jahr gemerkt, so, während des halben Jahres, das ist, glaube ich, nicht ganz so meins, was ich da gemacht hab. War supernette Kollegen und war superspannend durch C-Roll noch 'n bisschen davon, vor allem heute, aber es war nicht das, was ich sozusagen immer machen wollte. Und dann bin ich hier zurück in sozusagen die Suche, aber diesmal mehr Richtung Marketing und dann halt so Google wie das Thema Suche, aber auch hier mehr im Bereich ja Agenturbetreuung, erst mal später Datenprodukte. Und da haben wir's wieder mit Daten und Datenanalyse, was während der meiner Suchmaschinenzeit 'n ganz großes Thema gewesen ist. Also ich hab ja 'n Computerlinuistik Background und da arbeitet man sehr viel mit Daten, also irgendwelche Häufigkeiten, die man sich anschaut. Und das, ja, hab ich seit den Neunzigerjahren getan und war immer 'n Teil des Ganzen, nur halt in verschiedenen Ausprägungen. Und da würde ich sagen, ich hab gar nicht so viel Abbiegung genommen oder Biegung genommen, sondern hab einfach das, was ich damals gelernt habe, immer wieder anders angewendet. Und genau das tue ich eigentlich heute. Also vieles von dem, was ich mache, ist natürlich währenddessen akquiriert und das ist garantiert sozusagen die die Lust am Lernen, die Lust, was Neues zu verstehen. Aber ich zehre natürlich davon auf, was ich damals im Studium gelernt habe.

Speaker2: Und wie ordnet sich dann in dem Kontext dein Engagement an der Ambur University of applied Science ein? Und Du hast ja nicht nur ein Buch veröffentlicht, einen sitzt auch ganz vor Kurzem erst, der des science in der Praxis. Das machst Du aus intrinsischer Motivation raus oder siehst Du das in noch in dem zusätzlichen Kontext?

Speaker3: Also ich glaube, jetzt ist 'n guter Moment, wo ich das Buch mal in die Kamera halte, nicht wahr? Also so sieht das aus. Warum hab ich das Buch geschrieben? Also warum hab ich auch Bücher geschrieben? Die letzten Bücher hab ich geschrieben, weil mir 'n Lehrbuch fehlte. Weil mir einfach das Buch fehlte, was ich gerne gehabt hätte im Unterricht, weil grade son Bereich Data Science und ich hab jetzt halt nicht die Informatiker, ich hab hier Medieninformationen, das sind halt Und Kommunikation, das sind halt nicht unbedingt Menschen, die sagen, ich wache nach Schweißgebahrt auf vor Freude über Ja, okay. Manchmal. Im Gegenteil, sie wachen mit Schweißgebahrt auf, weil sie denken, das muss eben nicht sein. Und ich wollte halt 'n Buch schreiben jetzt zuletzt, das eine Einführung bietet, wenn man halt nicht unbedingt Mathematik Mathematikleistungskurs hatte. Und auch weil ich 'n, ich hatte kein Buch gefunden, was son Mittelweg war zwischen komplett seicht und son Ganz kurz mal reinblicken und das war's und ganz fett Mathematik. Und das ist, glaub ich, der Mittelweg, dieses Buch. Und das Feedback von Studierenden ist auf jeden Fall sehr gut. Und warum lehre ich? Das ist auch eine gute Frage. Also hatte ich nie geplant gehabt und kam zustande durch ihn in eine Konstellation, wo ich mal als Referent eingestiegen war. Und da hieß es, hast Du auch ganz gut gemacht. Warum machst Du's nicht öfter? Und was ich spannend finde, ist erst mal zu gucken, wie kann ich so vermitteln, dass die Studierenden und auch Schüler, ich bin auch an 1 Schule, dass die es wirklich mitnehmen, das Gefühl haben, ich hab's verstanden. Weil grade das, was wir machen, ist ja etwas, was nicht sich jedem sofort ergibt. Und ich wollte einfach 'n besserer Lehrer sein als ich welche gehabt habe. Und die Früchte kriegt man leider erst sehr spät. Also ich hab jetzt Studierende von vor 10 Jahren, die sagen, hey, Tonus war damals hart, aber ich hab echt was gelernt. Und das merken die vielleicht nicht jetzt, aber alles, was wir da tun, bleibt irgendwo hängen. Alles, was wir da tun, wird irgendwie ihnen weiterhelfen. Und wenn's nur die Art ist zu lernen, die man lernt, ne. Und ja, das macht mir schon, das bereiten mir schon Freude, aber es ist auch sehr frustriert manchmal, muss man das klar sagen. Was was genau ist frustrierend?

Speaker2: Die die eigene Fähigkeit, das Wissen zu vermitteln oder schlichtweg die Lernenden?

Speaker3: Also Okay. Es kann beides sein. Also ich muss sagen, die meisten Studierenden, die ich habe und Schüler, das sind einfach ganz tolle Menschen. Es macht wirklich Spaß. Ich hab auch schon mal 'n Fall gehabt, dass da jemand irgendwie morgens aus 'nem ausm Klub kam, relativ angetrunken und dann eingeschlafen ist aufm Tisch. Und das sind so Momente, wo ich denke, so, okay, ich bereite mich super vor, ich bin immer pünktlich und muss das wirklich sein, ne? Ja, ja. Das versteh ich dann halt nicht, ne. Und weil ich, glaub ich, wär damals froh gewesen, wenn ich jemanden gehabt hätte, der sagt, okay, ich will auf jeden Fall, dass ihr's versteht, aber wenn ihr's nicht versteht, ist es meine Schuld und nicht eure Schuld, ne. Und das hab ich halt relativ selten gehabt. Ich hab einen Professor gehabt, den ich immer noch verehre, der sich immer extra Zeit genommen hat. Ja, was sie verstanden hatten, haben uns nie getroffen. Er hat das erklärt und es waren tolle Diskussionsrunden. Das werd ich nicht vergessen. Also der hat immer so die, ist die Male, die Extrameile gegangen. Und das wär ich auch gerne. Genau derjenige, der im Extrameil geht, dem zu helfen, das zu verstehen.

Speaker2: Dann bevor wir noch mal in 'nem anderen Thema tiefer eintauchen, noch mal die Rolle rückwärts zu Google. Ich frag deswegen, ganz viele Hörer unseres Podcasts sind noch im Studium oder jetzt quasi ganz frisch ausm Studium raus. Und ich hab's damals während meiner Zeit am Max Planck Institut bei den bei meinen Werkstudenten gesehen, aber merk's auch heute so in der Bewerberszene. Dieses dieses nebulöse Konstrukt Google ist etwas, das eine wahnsinnige Attraktivität ausstrahlt. Und deswegen würd ich die Gelegenheit mal kurz nutzen, mit dir als Insider bisschen Licht in diese Blackbox Google zu bringen, weil ich sowohl Positives als auch, na ja, nicht so Positives gehört hab im Sinne von, Google bietet zwar eine Riesenmöglichkeit, Innovation zu schaffen, ist auf der anderen Seite scheinbar in weiten Teilen auch eine Matrixorganisation, die wahnsinnig schwierig zu handeln ist und bei der es schwierig ist, wenn man nicht die richtigen Leute kommt, neue Ideen weiterzutreiben. Vielleicht magst Du es mal einordnen, wenn Du zurückdenkst an die Zeit, es war ja, wenn ich's richtig in meinen Notizen hab, so Zeitraum 2011 bis 2016. Wie hast Du die Zeit damals empfunden? Also ist Google diese crazy Innovationsschmiede, wie man sich's vorstellt? Wo ist Google dann vielleicht doch eine ganz normale Firma, 'n ganz normaler Konzern? Gern mal eine Einordnung.

Speaker3: Also ich glaube, ich bin nicht mehr der Richtige, darüber zu sprechen, weil es ja auch schon 'n paar Jahre her, dass ich da raus bin, ne. Als ich angefangen habe, war ich irgendwie Mitarbeiter Nummer 30000 und als ich rausging, gab's schon über, glaub ich, 66000 Mitarbeiter. Also die Klima ist total gewachsen und wenn man mit den Leuten gesprochen hatte, die schon länger dabei waren, sagten die auch schon, wie stark sich Google verändert hatte. Also von daher glaub ich nicht, dass der Richtige bin, gestern auch was zu sagen. Mein Eindruck war, es hing da wissen davon ab, in welchem Büro man gearbeitet hat. Also in Morgenview hat natürlich mehr Chancen, irgendwie seine Ideen zu erzählen, als wenn man in sonem Vertriebsbüro wie Hamburg ist, weil er hauptsächlich Vertrieb setzt. Und wenn man München ist, da ist auch Engineering, dann ist es wieder eine andere Geschichte. Und dann kann man wahrscheinlich auch dann irgendwelche Ideen einbringen. Allerdings damals wurde dort am Chrome Browser gearbeitet. Dann wird das halt vor allem da irgendwie wahrscheinlich spannend. Also muss schon tatsächlich die richtigen Leute kennen, aber das ist ja überall so, ne. Also ich hab die Zeit in sehr guter Erinnerung. Also wenn jemand Lust hat, da zu arbeiten, ist auf jeden Fall eine tolle Geschichte. Damals oft zumindest war's eine super Geschichte. Ich hoffe, dass es heute immer eine super Geschichte ist. Ich kann aber keine Tipps geben, wie man reinkommt. Also weil ich bin einfach damals von Headunter angerufen worden, hey, willst Du nicht dahin? Und dann gab's halt irgendwie 17 Gespräche, wie es damals so üblich war. Damals gab's noch diese Brain Teaser, ich glaub, das machen Sie heute nicht mehr, wo man irgendwelche krassen Fragen gestellt kriegt. Bei mir war es, wie viele Menschen sind grade online auf der Welt? Und dann muss man halt 'n Modell kommen und das erklären. Und ja, also wahrscheinlich immer noch 'n toller Laden und er ist definitiv ab. Und mit Büro meinst Du insbesondere Standort, wenn ich dich richtig verstanden hab, oder? Mhm. Mhm. Ja, genau, genau. Horright. Wenn Du zurückblickst,

Speaker2: dann würd mich interessieren, ob sich aus deiner Sicht etwas verändert hat, nämlich die Metrik, mit der Erfolg in ganz breit gefasst jetzt mal Projekten verändert hat. Oder ist es nach wie vor die gleiche Metrik sind's die gleichen Metriken, weil das Thema ja auch in den letzten Jahren einen wahnsinnigen Wandel durchgemacht hat? Wie ist da reine Sicht drauf?

Speaker3: Ist eine schwierige Frage. Also ich hab ja auch 'n Buch über Webanalyse geschrieben und das ist sozusagen 1 1 1 Bruchteil von Analytics. Aber ich glaube, dass Analytics generell ein komplexes Thema ist. Jeder denkt sich, man muss was mit Daten machen. Also sobald man 'nem Geschäftsführer spricht und man sagt, hey, machst Du genug mit deinen Daten? Willst Du mir aus deinen Daten noch rausholen? Dann sagen alle, ja, natürlich. Die gehen auch alle Angst davor, dass ihre Konkurrenz irgendwas mit Daten macht und man dann irgendwann hinterherhinkt. Ich glaube, es ist wichtig, von vornherein den Return Investment zu sehen. Also nicht nur funktioniert 'n Modell gut, sondern wirklich von Anfang an zu gucken, was muss eigentlich erreicht werden, damit dieses Modell auch tatsächlich einen einen monetären Vorteil bringt. Und das ist bei der Data Science Projekten extrem wichtig. Es ist aber auch bei einem ganz kleinen Webanalyseprojekt wichtig. Und ich mach immer so Workshops zwischendurch auch in dem Bereich und ich wunder mich immer, was dann in Firmen für KPIs vorhanden sind. Weil das sind nicht immer unbedingt die KPIs, von denen man denkt, ja super, die zahlen auf die Geschäftsziele ein, sondern das hab ich in den Jahren der Beratung immer wieder erlebt, dass dann irgendwelche VANity KPIs sind. Also irgendwelche, die eitelkeit dienen, aber nicht unbedingt fließt mehr Geld in die Kasse. Und am Ende des Tages werden wir uns hier nur beweisen können, wir dafür sorgen, dass die Geschäftsziele erreicht werden und es hat mir das mit Gewinn zu tun. Und das ist entweder etwas, was sofort direkt reinkommt, also in meinem Fall mit Inkasso, kommt das Geld, was geschult wird, schneller rein, ja oder nein? Dass die einzige Frage interessiert und wie viel schneller kommt's rein? Weil klar, son son son Typ wie ich, der kostet Geld, dann das Ding in die Produktion zu stellen, kostet Geld. Da werden eventuell irgendwelche Schnittstellen geschaffen, alles kostet Geld. Und sich das dessen bewusst zu sein, dass es hier alles nicht kostenlos zu haben ist, sondern dass der Return Investment das Ziel sein muss, das ist, glaub ich, die Denke, die nicht jeder sofort hat. Wo ich aber sagen kann, nach mittlerweile über 20 Jahren in in den ganzen Bereichen, da müssen wir uns wirklich interessieren. Und das Spannende ist ja, dass gerade vor allem so Data Scientist oder Menschen in die Richtung gehen wollen, die finden einen Algorithmus und finden auf jeden Fall auch irgendein Problem, was sie mit lösen können. Aber ist das 'n Problem, was auch tatsächlich Geld bringt? Ich weiß es nicht. Also wir haben sehr viel mit diesen ganzen Grafdatenbanken gearbeitet. Also superspannend aus Informatiker Sicht, würde sagen, wow, super, Aber man darf nicht nachträglich darüber nachdenken, was es bringen könnte. Das bringt jetzt In unserem Fall haben wir was gefunden, was auf jeden Fall dem Thema Auftrieb gibt, aber oft beschäftigt man sich ja auch nur mit Themen, weil man sie spannend findet und nicht, weil sie Geld spielen. Stichwort

Speaker2: Blockchain. Da hab ich das Gefühl, dass die Unterscheidung zwischen den Cases, wo es wirklich was bringt, die's gibt, also wird dir nicht falsch verstehen, und denen, wo man Blockchain einsetzt, nur damit man Blockchain einsetzt, dass die Unterscheidung dann wirklich scharf betroffen wird. Ja. Weil Du's grad vorhin erwähnt hattest, mich würd total interessieren, hast Du 'n Beispiel für eine?

Speaker3: Also eine Webanalyse ist, ne. So, das ist ganz einfach. Und ja. Ich glaub, ich muss jetzt vorsichtig sagen. Es gibt schon 'n ersten Eindruck. Also ist ganz klar. Ich hab

Speaker2: kann wieder extra polieren im Sinne von wow, ich hab so und so viele Milliarden meinetwegen pro Zeitraum x. Aber wenn am Ende keine stattfinden, dann ja. Ja. Viel Spaß. Mhm. Verstanden, verstanden. Genau. Ja, ich find das interessant. Also vor allem gerade dieser Punkt, wie Du sagst, dass die Profitabilität 1 Use Cases gegeben sein muss, weil sonst ist nur 'n kurzfristiger Spaß der Gaudi zwecks, ja. Das ist 'n ganz, ganz wichtiger Punkt, weil ich häufig schon auch beobachte, grad bei den jungen Kollegen, die aus vielleicht auch 'nem 'nem 'nem 'nem forschungs- und universitären Umfeld rauskommen, quasi vielleicht Doktorarbeit, Postdoc gemacht, dass die noch das so gewöhnt sind. Forschungsprojekt, Antrag 36 Monate. Ich hab jetzt hier erst eine Narrenfreiheit und kann hier 36 Monate irgendwas machen und niemanden interessiert's. Nee, Leute, die Realität draußen in der echten Welt sieht halt anders aus und man muss sich halt dann irgendwo rechtfertigen, weil wie Du sagst, ja, man kostet wirklich eine echte Stange Geld und Rechenzeit gibt's auch nicht umsonst und und und, ja. Also von daher, das bitte nicht vergessen an alle, die vielleicht jetzt grad fresh im Arbeitsleben sind, Profitabilität ist wichtig, ja. Das das ist einfach nicht zu vernachlässigen. An an der Stelle auch meine direkte Rückfrage. Es gibt ja grade diesbezüglich auch so verschiedene Philosophien, die draußen im Markt unterwegs sind. Die einen sagen, na ja, damit ich eben Profitabilität erreiche, ist eine wichtige Sache, dass ich möglichst schnelle abbreche, wenn ich merk, funktioniert nicht, ja. Also dass ich jetzt nicht irgendwie riesig Infrastruktur aufbaue, obwohl ich noch gar nicht weiß, dass die Informationstiefe in meinen Daten gar nicht gegeben ist. Sondern dann checkt doch erst mal, also erst mal identifiziert das, dass Informationstiefe hier 'n entscheidendes Thema sein könnte. Das ist ja schon mal die 1. Erkenntnis. Und dann macht doch mal diesen Test, ob die Informationstiefe gegeben ist. Und wenn ja, dann geht's weiter vielleicht, ja. Also aber iteratives Vorgehen vortasten. Und dann gibt's natürlich die andere Schule, die sagt, nein, nein, Moment, hier nix irgendwie kurz mal ausprobieren, sondern ordentlicher Prozess gleich an die Skalierbarkeit denken. Was ist denn, wenn hier was aufgesetzt wird und am Ende ist es nicht skalierbar im Sinne der Userzahlen, im Sinne der Datenperformanz und und und. Also das ist so die andere Keule, die sagen, okay, nee, nee, nee, wenn dann macht's das doch ganz gleich von vornherein groß. Wo bewegt man sich aus deiner Sicht da am am schlausten? Was ist vielleicht der beste Trade off zwischen diesen beiden Welten?

Speaker3: Also ich bin ganz klar Team 1, definitiv. Bin großer Freund der exportiven Datenanalyse, die einfach sehr viele Fragen schon klärt. Und solange man nicht hier anfängt, irgendwas zu bauen, was nach Herrn Stein gemeißelt ist, sollte eigentlich alles gut sein, nicht wahr? Also Genau. Ganz Frage, wo man schneidet, ne? Son ich ich bin 'n großer Freund davon, so lange wie möglich meine Annahmen zu testen. Ich weiß nur, bei dem Projekt hab ich so gemacht, ich hab sonen kleinen Prototypen gebaut. Mhm. Das war sone shiny App in RRRR Studio und da konnte man halt irgendwelche Daten eingeben. Man hat eine Prognose bekommen, das ist nichts, was in Produktion gehen kann. Definitiv nicht. Aber zumindest haben die Kollegen ein Gefühl gekriegt, was da passiert. Mhm. Das Ganze hat mich ungefähr 'n halben Tag gekostet, son Ding zu bauen. Und das war natürlich nicht integriert in bestehende Systeme, aber so weit zu gehen, zu sagen, schaut mal, das so könnte sone Prognose aussehen. Das würde ich rauskommen. Hilft euch das? Hilft jetzt schon zu gucken, könnte so ein System angenommen werden? Oder werden die Kollegen sagen, also nee, da brauch ich mehr Kontext. Ich will gern mehr verstehen, warum die Entscheidung getroffen hat und solche Geschichten. Also man kann sehr viel abchecken, aber natürlich muss man auch hier Stakeholder Manager betreiben. Insofern, dass manche Kollegen das gar nicht verstehen, was soll das denn? Ich will's auch mal im System drin haben, warum ist es da drin, ne? Also ich bin nur 'n großer Freund davon, so viel wie möglich vorher zu testen, die anderen zu testen. Natürlich sobald's darum geht, zu gucken, wie verhält sich das System in Produktion und brauchen eine Produktion. Und da kommen wir nicht da drum rum, das richtig zu bauen. Aber sobald wenn man sich lange alles richtig aufgelassen und sagt, okay, das sind die Leitplanken, da ist mit dem Framework und Du machst die EDA mit dem Framework, dann ist eigentlich alles klar, ne. Also ich darf jetzt nicht anfangen plötzlich hier in, keine Ahnung, mit Skala oder Trude was zu bauen, ich glaube, in den Kollegen ausrasten, ne. Alles klar.

Speaker2: Innerhalb dieser Leitplanken, aber sehr explorativ, früh Hypothesen testen, auch wenn es dann bedeutet, dass am Ende vielleicht 'n Prototyp noch mal komplett recycelt wird, nenn ich's jetzt mal. Also wegwerfen ist ja eine negative, eine sehr negative ja, Einstufung an der Stelle, sondern man man nutzt die Erkenntnisse, die Insights und baut dann quasi noch mal die Applikation für die produktiv für 'n Produktiveinsatz dann einfach noch mal in im im Scaliband Framework.

Speaker3: Genau, genau.

Speaker2: Okay. Genau. Kleines kleines Intermezzung. 2 schnelle, kurze Fragen. Frage Nummer 1. Hast Du einen Lieblingsalgorithmus und wenn ja, warum?

Speaker3: Ich hab 2. Also ich bin großer Fan von Nave Base, weil er einfach so unglaublich smart ist, superelegant. Also sich einmal da reinzudenken, was der der Basslamás gemacht hat, das finde ich einfach intellektuell sehr, ja, sehr herausfordernd, einfach sehr schön. Weil wenn man's verstanden hat, dann hat man wirklich so, wow, ist das cool. Leider ist es nicht nur der beste Algorithmus und klar, von der Performance her, momentan ist x-g-boost, ne. Also egal, was ich mache, eigentlich ist das Algorithmus, wo die besten Resultate rauskommen. Aber auch da, die Anwender wollen nachher auch irgendwas haben, was sie verstehen. Das ist 'n ganz großes Thema auch bei uns, weil Kollegen immer sagen, na ja, ich würd ganz gerne verstehen, warum das so die der Arrippussi ihren Schaden getroffen hat. Das geht beim NAV Base einfach besser als bei einem XG Boost. Und jetzt Aus dem, wenn ich mal kurz mal Werbung, was ich machen darf. Genau ausnahmsweise, genau das hab ich auch im Buch trennen, ne, zu erklären, was sind die Vor- und Nachteile der Algorithmen. Und Nave Base, genauso wie meinen Decision Tree, ist halt 'n Algorithmus, den wahrscheinlich keiner von uns mehr verwenden würde. Aha. Aber die Anwender fänden den super. Ich hab das vor 3, 4 Wochen in der Vorlesung gemacht und die Studierenden finden das toll, weil die verstehen sofort, was da abgeht. Sobald wir dann was anderes nehmen, so Support Vectum Machines, das wär ja so abstrakt, dass die Kollegen sagen, boah, boah, Du musst doch schon nachdenken, ne. Aber das ist gehört mir dazu und darum finden Sie auch wichtig zu schauen, was ist nachher der, was der Anwender braucht, ne. Nimmt der diesen Trade off in Kauf, zu sagen, okay, ich nehm eine schlechtere Performance in Kauf, wollen die meisten übrigens nicht. Dafür hab ich mir Transparenz oder sage ich, ich hab traurige Maschine und hab einmal erklärt bekommen, wie's funktioniert.

Speaker2: Braucht man nicht bei jeder einzelnen Entscheidung oder jeden Fall Und magst Du für mich noch mal kurz eine Einordnung vornehmen? Dieses Thema Transparenz kann ja aus vielerlei Hinsicht wichtig sein. Also einmal, Algorithmus ist quasi für Produktiveinsatz und damit, das ist jetzt das, was ich als fertig bezeichnen würde. Und dann geht's darum, dass der Algorithmus einem Reviewprozess standhält, beispielsweise versicherbar zu sein oder dass man sagen kann, okay, nach allen Regeln der Kunst können wir jetzt davon ausgehen, dass hier die Regelungstechnik, die Weichen, nicht so stellt, dass 2 Züge kollidieren werden, so, ne, schaden. Und im anderen Fall ist Transparenz sehr wichtig. Wir hatten vorher diskutiert iteratives Hin und Her zwischen Analytik, Domain Expertise, wo ich ja auch eine Transparenz brauche. Das hilft mir nix, wenn ich einen Prototypen bau, den trainier und dann am Ende aber keine Schlüsse daraus ziehen kann, wie ich's vielleicht besser machen kann, weil das System für mich total intransparent ist. Wo siehst Du da den Schwerpunkt dessen, was die Nutzer dazu bringt zu sagen, okay, ich will Transparenz? Ist das Angst oder Vissbegierde?

Speaker3: Ich glaube, dass die meisten Anwender halt tatsächlich verstehen wollen, weil das für sie einfach son sone Blackbox ist. Also wenn Du die letzten 20 Jahre deine Inkassophelle halt nach aus Erfahrung gemacht hast und plötzlich gesagt dann, der Tom, hier ist eine Maschine, die jetzt Vorschläge macht, dann denkst Du, Mensch, der Tom hat auch keine Ahnung, Versicherung oder Inkasso. Wie könnt der jetzt eine Maschine bauen? Damit er verstehen, was er da gebaut hat. Und das ist auch zum Teil, glaube ich, eine falsche Vorstellung davon, was Machine Learning tut. Also die Kollegen haben in der Regel erst mal, woher auch, überhaupt kein keine Erfahrung damit. Und das denen zu erklären, so funktioniert das. Man hat das trainiert mit den Fällen der Vergangenheit und alle Fragen sehr geduldig beantwortet, auch auf Ängste eingeht. Das ist, glaub ich, das ist richtig son, je mehr man das tut und den Menschen auch den die die Möglichkeit gibt, sich dann auseinanderzusetzen, desto einfacher wird das nachher. Wir haben uns damals zugelöst, dass wir diesem Tool ja sone kleine Personifizierung gegeben haben. Son kleiner süßer Roboter, der hat 1 angelächelt. Und dadurch haben nachher die Kollegen einen Bezugspunkt gehabt, der witzigerweise auch genutzt wurde, das System zu verteidigen. Ja, das konnte er nicht wissen, da fehlte ihm die Information. Konnte er nicht wissen, ne. Also total süß. Zeigt aber auch, dass das was bringt, ne. Dass das sone kalte Maschine ist, die total die Blackbox ist und dass wir den Menschen einen Bezugspunkt geben. Und wenn's halt einfach nur 1

Speaker2: 1 1 1 Roboter ist, der relativ süß reinschaut. Da haben wir hinterher dann festgestellt, dass Halerium eine starke namentliche Parallele zu Hall 9000 hat, wo wir nicht den süßen Roboter, sondern eher die kaltblütige Killermaschine haben. Aber aber da sind wir Gott sei Dank weiter voll entfernt. Find ich find ich megaspannend. 2. Frage, wo glaubst Du, wird in Zukunft bezüglich Data Science Machine Learning am meisten abgehen? Sind das so klassische Themen, die alle am Schirm haben, wie autonomes Fahren? Oder siehst Du noch mal ganz, ganz andere Bereiche?

Speaker3: Also ich glaube und hoffe, dass es in der Medizin auch stärker kommt. Also da gibt's ja schon einiges, ne, also Hautkrebs automatisch erkennen, aber das sieht man in Deutschland noch relativ wenig. Ich glaube, dass es notwendig ist, schneller das Wissen aus der Forschung in Algorithmen reinzubekommen. Also es dauert 5 bis 10 Jahre, bis eine Erkenntnis aus der Wissenschaft in der Arztpraxis vorhanden ist. Wie kriegt man's hin, dieses Wissen früher anzukriegen? Ich mein, die Ärzte müssen sich weiterbilden. Wir müssen Punkte sammeln, aber gehen Sie auch genau, weil wir kennen das von Konferenzen. Gehen wir zu jedem Thema, was es da gibt, das geht gar nicht. Man geht dann meistens zu Ihnen am Strang, was einen interessiert, Aber vielleicht ist es sinnvoll, was anderes zu sehen. Und ich glaube, da könnte eine Maschine unterstützen, dass sie mehr von dem wissen, was da produziert wird, Erkenntnisse, die Patienten helfen können, dass das da stärker reinkommt. Und das find ich 'n extrem spannendes Thema. Und ich glaube, da da muss und da sollte oder wird auch mehr passieren.

Speaker2: Das waren die schnellen Fragen. Wenn wir jetzt noch mal zurückblicken auf die die Projekte und auf die Projektideen, die Du bisher erlebt hast, die vielleicht auch grad bei dir am für die Zukunft liegen. Du hast vorhin auch das Thema Stakeholder Management erwähnt. Und ganz wichtig ist aus meiner Sicht die richtige Auswahl, welche Themen man als Nächstes anpackt, weil eben so vielfältige Möglichkeiten da sind. Und jetzt gibt's natürlich den Ansatz der Positivauswahl. Mich würd an der Stelle interessieren, hast Du auch, nach denen Du bewusst oder meinetwegen auch unterbewusst sagst, okay, wow, der Use Case, da lass ich die Finger davon, weil?

Speaker3: Nee, also bei uns, ich sag ja, keine Beziehungen da an. Das ist schon mal immer sehr hilfreich, weil man hat dann auf jeden Fall nicht irgendwas, wo man nachher schlecht schlafen müsste. Bei uns sind wir das so, dass wir zum einen Gruppen, weite Themen haben, wo wir sagen, okay, das könnte wirklich jedem jedem Land helfen oder jeder Region helfen. Und dann kann jedes Land mit seinen eigenen Ideen kommen. Das ist eigentlich 'n sehr cooler Prozess, also find ich alles vorgegeben. Das, was man kriegt, ist meistens schon so gut durchdacht, dass es in der Regel immer sehr viel Sinn ergibt, das auch dann zu machen in der Region. Und eventuell muss man was anpassen. Natürlich braucht man dann lokale Daten noch mal, aber das ergibt auf jeden Fall viel Sinn und macht auch sehr viel Spaß. Und wir haben trotzdem immer wieder Themen, eigene Themen, die wir reinbringen können, also allein schon bei uns verschiedene Themen interessieren, auch wieder als Akademische, ne. Also sozusagen, okay, mit dem Algorithmus möchte ich mich mal beschäftigen, das tue ich, aber mit diesem Thema möchte ich beschäftigen, meinetwegen NLP. Und dann ist natürlich kein Thema, was man jetzt irgendwie 8 Stunden am Tag während der Arbeitszeit macht, sondern es ist dann son Trailer vielleicht eine halbe Stunde, nur eine halbe Stunde nachher in der Freizeit. Und zumindest Tage müssen wir gucken, dass wir alle aufm Laufenden bleiben, wir uns so weiterbilden. Und ja, also es ist, glaube ich, sehr ausgewogen und wir wählen danach aus, wo wir denken, Big Bang for the Bug, ne. Also wo kriegen wir sehr schnell wahrscheinlich ein Problem gelöst? Also wenn ich jetzt morgen ein Problem lösen möchte, was am meisten wahrscheinlich bringt, sehr viel Geld bringt, dann wär's irgendwie eine Lösung, ne. Also Versicherungsbetrug aufdecken, Immer 'n spannendes Thema, hat aber natürlich auch 'n Class Imbalance Problem. Nicht wahr, weil zum Glück hat man nicht ganz so viel Frau hat man in der Regel. Und ja, das das ist 'n großes Thema. Dann gibt's andere Themen, die ich zwar akademisch spannend finde, aber die ich einfach jetzt sozusagen nicht dir verfolgen könnte. Und das ist dann ganz gut. Okay, ich hab zwar selbst nicht die Zeit für das Thema, weil dann vergibt man's. Das ist schon schön. Das ist nice, ja. Ja. Ja, genau.

Speaker2: Tom, zum Abschluss, welchen Rat würdest Du deinem zwanzigjährigen Ich geben?

Speaker3: Ja, 20 schon so spät. Ich hätte gesagt, eher so 15 passt besser in Mathe oft, da musst Du später nicht so viel nachholen. Also ich war in Mathe jetzt nicht schlecht, aber manchmal hätt ich, ich hätt auch Mathe Leistung nehmen sollen damals. Und da war ich zu faul. Und das will ich dem fünfzehnjährigen Tom noch mal sagen wollen. Und

Speaker2: 'n Zwanzigjährigen Kann kann ganz schnell gemein sein. Generell, eine Zwanzigjährigen. Wir hatten auch schon mal, mach weniger Party.

Speaker3: Ernsthaft. Macht so viel Party wie geht. Ich glaube, dass man sich, also ich kann ganz klar sagen, ich hab mir immer mehr Sorgen gemacht als notwendig. Also nicht so viel Sorgen machen. Heißt nicht, dass man jetzt irgendwie komplett risiko unbedarft irgendwie durchs Leben geht. Man sollte sich schon überlegen, was könnten Risiken sein? Und auch gucken, wie man die mitigieren kann oder abfedern kann. Aber viele Dinge, die man sich Sorgen macht, die die werden nicht passieren, ne. Und man sollte nur die Wahrscheinlichkeit im Auge behalten und für den schlimmsten Fall vorgesorgt haben, ja klar. Aber das wär ein Rat, dann hab ich auch meine Tochter gegeben, als ich volljährig wurde. Und der andere Rat ist halt, immer neugierig zu bleiben. Und ich weiß Zeitung lesen total out, ne. Ich lese auch nicht mehr so viel Zeitungen wie früher, aber ich kauf mir jede Woche oder fast jede Woche die Zeit, also die Zeitungen und die Zeit und les auch die Artikel, die ich eigentlich aufn ersten Blick nicht so spannend finde. Weil es ist ganz wichtig ist, wenn man seinen Horizont 'n bisschen aufwartet und nicht nur in seinem Thema drin ist. Und da auch sich selber 'n bisschen quält würd ich nicht sagen, aber muss aus 1 Bubble rauskommen, ganz wichtig. Man muss irgendwie immer die Augen aufhalten, weil da kriegt man auch Inspiration, ne. Das ist ja cool, reinzuschauen. Einen Punkt möcht ich noch mal spezifisch unterstreichen, nämlich denen des nicht so viel Sorgen machens. Ich werde mich häufig gefragt,

Speaker2: ist das nicht irgendwie 'n krasses Risiko auch zu gründen, ja? Bei mir war's ja auch unmittelbare Gründung noch während der Doktorarbeit. Und meine Frau und ich, wir haben uns sehr früh dazu entschieden, auch Kinder zu kriegen. Das Setting hat gepasst, aber nichtsdestotrotz, ja. Viele sagen, okay, krass, ich hab hier irgendwie jetzt vielleicht eine Tochter und 'n Sohn oder oder vielleicht sogar 2. Und ich trau mich, das nicht zu gründen, meine Idee umzusetzen. Und dann bleib ich lieber in 'nem Hamsterrad Job drin, der mir so halbwegs die Miete bezahlt. Aber letztlich, in allen Fällen bisher, in denen ich angesprochen wurde, war's dann nie so der Fall, dass wenn man rational draufblickt, tatsächlich eine existenzielle Gefahr da gewesen wär und irgendwo anders vielleicht noch mal liegt und die Angst gar nicht so rational begründet ist, wo ich mir da denk, ich seh eher den anderen Case, dass Leute in die Selbstständigkeit gehen, wo ich mir denke so, okay, hoppla, ja, die hätten vielleicht noch 'n doppelten Boden gebraucht. Also irgendwo seh ich da diese Diskrepanz zwischen dem, wer wer tatsächlich gründet, was die für 'n Background haben und die, die eben nicht gründen und was die für 'n Background haben. Das find ich spannend. Und da von meiner Seite echt der Appell, dass man sich da reinrat zu Herzen, nämlich so viele Sorgen zu machen, sondern auch mal in der Idee umzusetzen. Eben genauso, Du hattest es vorhin erwähnt, ja. Dann hast Du's wenigstens probiert, ja und blickst da nicht zurück und denkst dir, okay, was wäre, wenn Konjunktiv hätte, würde, ja, genau, genau.

Speaker3: Genau, also später denkt man sich nur, hätt ich's doch mal probiert, was wir gewesen wären, ne, und egal, was man macht. Und das ist etwas, was man nicht möchte. Die sozusagen die

Speaker2: ein Theater der verpassten Chance. Das Theater der verpasste Chance. Ich ich hab gegründet während der Doktorarbeit mit Kindern zu Hause und ich weiß, die Woche 168 Stunden, da kriegt man einiges unter. Das heißt, wer sich sagt, ich hab zu wenig Zeit, dann vielleicht mal überlegen, ob man heut Abend statt Netflix nicht noch mal eine Idee vorantreibt, die man schon immer mal anpacken wollte.

Speaker3: 5 Uhr aufstehen, ne? Ich bin großer Fan von 5 Uhr aufstehen tatsächlich. Also diese die 1. Stunde des Tages tatsächlich für solche Themen. Also ich bin ja jetzt in meinem Alter noch dabei, so meine Doktorarbeit nachzuholen und das mache ich morgens. Ganz einfach deswegen, weil dann bist Du auch frisch und dann hast Du noch Energie, hast dann eine Ruhe, die Kinder schlafen noch in der Regel, nicht immer und abends bin ich fertig. Dann krieg ich nichts mehr hin, ne. Also Netflix schaue ich sowieso nicht so viel, aber das ist ja mein Tipp. The 5AM Club ist 'n ganz cooles Buch, mal durchschauen und 5 Uhr aufstehen, vielleicht müssen wir meditieren, bisschen was für sich selbst tun und dann mal eine Stunde konzentriert arbeiten. Das Also kann ich auch nur unterschreiben, ja. 5AM

Speaker2: Club. Bei mir ist es dann eher 4, wobei das momentan nicht klappt, weil wir haben jetzt noch mal eine ganz Kleine im Haus und die steht dann einfach gnadenlos mit mir auf, dann ist sozusagen auch wieder beim Teufel. Das heißt, bei mir verlagert sich's dann eher wieder in die Nacht hinten raus, aber aber trotzdem kann ich nur unterschreiben. Und dann morgens, wenn alle so raustrüppeln, ist man schon am Start, ist 'n ganz anderer Start in den Tag. Und wenn dann bei uns ist es 9 das daily los, geht alle noch total zerstört, zerknittert im Gesicht und man selbst ist schon total in dem in 'nem ordentlichen Flow. Also kann ich kann ich nur unterschreiben, ja. Man trickst son bisschen das System aus damit, ja. Voll gut. Tom, vielen, vielen Dank für das Gespräch. Da war wahnsinnig viel dabei. Ich hoffe, wir treffen uns mal in echt. Das war jetzt eine Remoteaufnahme, aber das soll uns nicht daran hindern, dass wir vielleicht mal gemeinsam Kaffee trinken. Ich wünsch dir alles Gute. Hau rein bei den vielen Dingen, die Du machst. Ich freue mich auf weitere Bücher von dir und wünsch dir alles Gute für die Zukunft. Vielen Dank und dir auch alles Gute. An alle Zuhörer zieht's euch das Buch rein. Wir verlinken's in den Shownotes Mastery Complexity.

Speaker0: 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 →