WIE FUNKTIONIERT SKALIERUNG VON DATA SCIENCE-USE CASES? – mit Walter Denk

Staffel 3· 16. Februar 2021· 3318

Episoden-Cover: WIE FUNKTIONIERT SKALIERUNG VON DATA SCIENCE-USE CASES? – mit Walter Denk
0:003318
  • Jaguar (Moderator)Host/Moderator des Erium Podcasts
  • Walter DenkSenior Data Scientist bei Bayer
  • Dr. Theo SteiningerCo-Founder & CEO von Erium

Überblick

In dieser Folge des Erium Podcasts dreht sich alles um die Skalierung von Data Science Use Cases. Anhand der fiktiven Figur Erika, die ihr erstes Data Science Projekt abgeschlossen hat, diskutieren Moderator Jaguar, Gastexperte Walter Denk (Senior Data Scientist bei Bayer) und Theo Steininger (CEO von Erium), welche Herausforderungen beim Skalieren entstehen, wie man Stakeholder überzeugt und in welchen Dimensionen eine Skalierung sinnvoll ist.

Über den Gast

Walter Denk ist Senior Data Scientist bei Bayer, einem führenden Pharma- und Agrochemieunternehmen. Er war maßgeblich am Aufbau und Wachstum der Machine Learning Plattform bei Bayer beteiligt und begleitete das Data Science Team von anfänglich 5 Personen auf über 20 Mitarbeitende. Zuvor arbeitete er als externer Data Scientist in der Beratung und kennt daher sowohl die Perspektive externer als auch interner Data Science Teams aus eigener Erfahrung.

Zusammenfassung

Data Scientist als Verkäufer: Sales Skills sind unverzichtbar

Walter Denk betont, dass der Grad, in dem ein Data Scientist auch Sales-Fähigkeiten benötigt, stark davon abhängt, wie weit Data Science im Unternehmen bereits etabliert ist. In frühen Phasen oder kleinen Teams muss man quasi alles können: coden, statistisch denken und gleichzeitig intern für die eigenen Lösungen werben. Theo Steininger ergänzt, dass es dabei weniger um aggressives Verkaufen geht, sondern um Empathiefähigkeit – also das echte Verständnis dafür, was Stakeholder und Führungskräfte brauchen, auch jenseits rein technischer Anforderungen. Walter bestätigt: Ein gutes Modell allein reicht nicht, wenn man es nicht verständlich kommunizieren kann – etwa indem man technische Metriken wie AUC in für Finanzvorstände oder Ingenieure verständliche Geschäftszahlen übersetzt.

Unrealistische Erwartungen und das Risiko endloser Projektlaufzeiten

Ein zentrales Problem, das Walter aus eigener Praxis schildert, sind festgefahrene Performanceerwartungen: Stakeholder fordern oft 80 oder 90 Prozent Modellgenauigkeit, ohne zu verstehen, was mit den vorhandenen Daten realistisch erreichbar ist. In einem Fraud-Detection-Projekt konnte sein Modell zwar deutlich besser abschneiden als das bisherige manuelle Verfahren, blieb aber weit hinter der geforderten Benchmark zurück – was das Projekt jahrelang in einer Warteschleife hielt. Hinzu kamen Probleme wie fehlende IT-Infrastruktur, mangelhafte Datenqualität und die Aufteilung von Data Scientists auf zu viele parallele Projekte. Als Reaktion darauf hat Bayer sein Team-Setup angepasst: maximal zwei gleichzeitige Projekte, eine eigene Data Science Plattform für schnelles Deployment.

Lighthouse Cases: Den Weg ebnen für künftige Projekte

Ein bewährter Ansatz bei Bayer sind sogenannte 'Lighthouse Cases' – Pionierprojekte, die vom Management bewusst mit erhöhtem Budget und hoher Priorität ausgestattet werden, um Infrastruktur und Know-how für alle nachfolgenden Projekte zu schaffen. Der Erfolgsbegriff bei solchen Projekten ist breiter: Ein Lighthouse Case kann auch dann als Erfolg gelten, wenn er primär eine skalierbare Plattform aufgebaut hat, nicht unbedingt ein performantes Modell liefert. Wichtig ist dabei, diese Projekte rechtzeitig zu beenden und nicht künstlich am Leben zu erhalten, sobald ihr Zweck – den Weg zu ebnen – erfüllt ist. Das konkrete Narrativ 'Lighthouse Case' hilft außerdem, intern Erwartungen realistisch zu setzen.

Projektsteuerung: Wer entscheidet, ob ein Projekt weitergeführt wird?

Die Frage, wann ein Projekt eingestellt werden sollte, ist laut Walter primär eine Managementaufgabe. Die Rolle des Data Scientists besteht darin, Vor- und Nachteile klar, kompetent und neutral darzustellen, damit das Management eine fundierte Entscheidungsgrundlage hat. Theo ergänzt aus seiner Erfahrung als externer Dienstleister: Besonders wirksam ist es, zu verstehen, was die direkten Ansprechpartner auf Kundenseite gegenüber ihrer eigenen Chefebene kommunizieren müssen – und genau dabei zu helfen. Diese Perspektive, also nicht nur die unmittelbaren, sondern auch die mittelbaren Stakeholder im Blick zu behalten, hat bei Erium regelmäßig dazu geführt, dass Projekte weitergeführt wurden.

Internes vs. externes Data Science Team beim Skalieren

Bei Bayer hat sich ein hybrides Modell bewährt: Das interne Team übernimmt Ideation, erste Hackathons und den Kontakt zum Business. Sobald ein Prototyp den 'Proof of Value' erbracht hat, werden externe Partner für die Industrialisierungs- und Run-Phase hinzugezogen. Das interne Team behält die Verantwortung für Modell-Updates, während externe Partner die Plattform betreiben und technische Änderungen verwalten. Ein intern begleitender 'Decision Scientist' – eine neue Rolle bei Bayer, vergleichbar mit einem Product Owner – begleitet das Projekt durchgehend von der Ideation bis zum laufenden Betrieb.

Teamstruktur und Spezialisierung als Skalierungshebel

Mit dem Wachstum von 5 auf über 20 Data Scientists hat Bayer sein Team Anfang des besprochenen Jahres in vier spezialisierte Einheiten aufgeteilt, ausgerichtet an den Geschäftsbereichen Pharma, Agrochemie, Consumer Health und interne Enabling Functions. Innerhalb dieser Teams gibt es drei Spezialisierungen: Decision Scientists (business-nah, empathisch, projektleitend), klassische Data Scientists (Groundwork, Frameworks, State-of-the-Art-Evaluation) und ein 'Augmented Analytics'-Team, das Modelle in bestehende Prozesse und Infrastrukturen integriert. Auch Software Engineering Skills wie CICD-Pipelines, Unit Tests, Cloud-Technologien (AWS, Azure) werden aktiv intern geschult.

In welcher Dimension skalieren? Das Steckbrief-Modell

Beim Thema horizontale Skalierung von Use Cases empfiehlt Walter, sich zunächst klar zu machen, auf welcher Ebene ein Use Case ein Problem löst – etwa auf Produkt-, Länder- oder Geschäftsbereichsebene. Am Beispiel des Demand Forecastings bei Bayer erläutert er: Funktioniert ein Modell für Produkt A in Deutschland, kann man es schrittweise auf weitere Produkte und dann auf weitere Länder ausdehnen. Entscheidend ist zu fragen: In welchen Dimensionen ist eine Skalierung sinnvoll? Jaguar fasst diesen Ansatz anschaulich zusammen: Man erstellt quasi einen 'Steckbrief' des Use Cases mit all seinen Eigenschaften (Branche, Land, Produkttyp, Prozess) und variiert systematisch einzelne Dimensionen, um Skalierungspotenziale zu identifizieren.

Kernaussagen

  • Data Scientists müssen je nach Reifegrad des Unternehmens auch Sales-Fähigkeiten mitbringen – insbesondere Empathie und die Fähigkeit, technische Ergebnisse in Geschäftssprache zu übersetzen.
  • Unrealistische Performanceerwartungen (z.B. '90 Prozent Genauigkeit') können Projekte jahrelang in Warteschleifen halten, obwohl das Modell bereits echten Mehrwert liefert.
  • Sogenannte 'Lighthouse Cases' helfen dabei, intern Grundlagen zu schaffen – ihr Erfolg wird bewusst breiter definiert als nur ein gutes Modell.
  • Data Scientists sollten dem Management klare Entscheidungsgrundlagen liefern, anstatt selbst über das Fortführen oder Einstellen von Projekten zu entscheiden.
  • Ein hybrides Modell aus internen und externen Ressourcen entlang klar definierter Projektphasen (Ideation, Proof of Value, Industrialisierung, Run) hat sich bei Bayer bewährt.
  • Skalierung gelingt besser, wenn man die relevanten Dimensionen eines Use Cases identifiziert (Produkt, Land, Geschäftsbereich) und diese gezielt variiert.
  • Software Engineering Skills wie CICD, Cloud-Technologien und testgetriebene Entwicklung sind auch für Data Scientists unverzichtbar – besonders in der Skalierungsphase.

Fazit

Die Folge macht deutlich, dass Skalierung von Data Science Projekten weit mehr erfordert als technische Exzellenz. Neben einer stabilen IT-Infrastruktur braucht es klares Erwartungsmanagement, strategisches Denken in Skalierungsdimensionen und ausgeprägte Kommunikationsfähigkeiten gegenüber verschiedenen Stakeholdern. Walters Erfahrungen bei Bayer zeigen: Wer früh in Grundlagen investiert, wer Lighthouse Cases bewusst als Wegbereiter einsetzt und wer interne Teamstrukturen an Reife und Bedarf anpasst, kann Data Science nachhaltig und profitabel skalieren.

Für Data Scientists in frühen Karrierephasen

Wer gerade in einem jungen Data Science Team startet, sollte sich bewusst sein, dass technisches Können allein nicht ausreicht. Sales- und Kommunikationsfähigkeiten sowie ein Verständnis für unternehmenspolitische Zusammenhänge sind ebenso wichtig wie Modellkompetenz.

Für Führungskräfte und Projektverantwortliche

Manager sollten Data Science Projekte – insbesondere erste Pionierprojekte – mit realistischen Erwartungen und klaren Erfolgsdefinitionen ausstatten. Die bewusste Entscheidung, ein Projekt als 'Lighthouse Case' zu führen, kann helfen, Ressourcen gezielt einzusetzen und die Organisation langfristig aufzubauen.

Für Unternehmen, die Data Science skalieren wollen

Statt beliebig viele Projekte parallel zu starten, lohnt es sich, Fokus zu setzen, eine gemeinsame Plattform aufzubauen und Skalierung entlang klar definierter Dimensionen (Produkt, Region, Geschäftsbereich) systematisch anzugehen.

Volltranskript anzeigen

Speaker0: Kurzer Reminder vorweg, auch zu dieser Folge gibt es wieder ein E-Mail-up und zwar am dreiundzwanzigsten Zweiten 16 Uhr. Weitere Infos findet ihr in der Beschreibung. Und jetzt viel Spaß mit der Folge.

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

Speaker0: Herzlich willkommen zu 1 neuen Ausgabe von The Eriam Podcast, in der wir weiter die Abenteuer von Erika bei ihrem allerersten Data Science Projekt verfolgen und schauen, was ihr so widerfährt. Und heute soll es dabei rund das Thema Skalierung gehen. Und genau, eben Skalierung solcher Data Science Projekte, was da eine Skalierung besonders macht oder was es da für Unterschiede gibt. Und dazu sind heute zu Gast einmal Walter Denk, Senior Data Scientist bei Bayer, einem Unternehmen der Chemie- und Pharmaindustrie. Und genau, Walter hat schon für enormes Wachstum gesorgt von Machine Learning Plattformen bei Bayern und ist daher der perfekte Gast für die heutige Folge. Ich freu mich sehr. Toll, dass Du da bist, Walter. Danke, dass ihr mir hier eingeladen habt. Sehr cool. Und als weiteren Gast haben wir da den Theo, ja, bekannte Stimme aus unserem Podcast und CEO von Erium. Toll, dass Du am Start bist. Hallo, Jaguar. Hallo, Walter. Bevor wir mit der Story starten, mal son bisschen einordnen zu können, woher Du denn kommst, Walter, weil ich glaub nicht, dass Du bei Bayer geboren bist. Wie wie haben wir dich denn entdeckt, Theo? Kannst Du da vielleicht was dazu sagen? Wie sind wir auf den Beitrag gestoßen? Genau.

Speaker3: Ja, sehr gerne. Wir haben bei Erium die letzten Monate damit begonnen, unseren Kontakt zu Data Scientists zu intensivieren und 1 unserer Kollegen, der Diego, der hat auf LinkedIn im Wesentlichen einfach eine Kaltrecherche betrieben mit den üblichen Stichpunkten und versucht rauszufinden, wer wäre ein geeigneter Diskussionspartner, noch mal genauer an der Praxis orientiert rauszufinden, wie sehen denn die Bedürfnisse aus und in welcher Situation befinden sich denn Data Scientists und wir haben da die verschiedensten Charaktere und auch, ja, Settings dann identifiziert und ein sehr, sehr wertvoller retrospektiv sehr, sehr wertvoller Gesprächspartner war der Walter, weshalb ich mich dann auch dafür eingesetzt habe, dass wir ihn versuchen, irgendwie in den Podcast zu kriegen, weil doch einfach der Weg sehr weiter ist von eine Firma geht so die ersten Schritte bis hin zu einem echten Skalieren und einem großgeiligen Roll out verschiedenster Machine Learning Lösungen. Genau und insofern freut es mich doppelt, dass wir heute da ins Gespräch kommen. Danke dir, Walter.

Speaker2: Kein Problem, ich freu mich auch.

Speaker0: Sehr gut. Okay, cool. Dann würd ich sagen, starten wir mit dem ersten Abschnitt von Erikas Story heute.

Speaker4: Nachdem das Deployment gelungen ist, beginnt die Firma damit, das Modell zur Kostenersparnis zu verwenden. Erikas Modell gibt in regelmäßigen Abständen einen Wartungswert zu den einzelnen Stationen aus, der angibt, wie dringend eine Wartung nötig ist. Diese Informationen bekommen dann die, die die Maschine bedienen und passen den Prozess an. Soweit läuft also alles mit ihr Modell. Jedoch kommt Achim mit Feedback auf sie zu. Das Projekt hat sich schlussendlich nicht gerechnet, insbesondere auch, weil das Projekt erst spät Fahrt aufgenommen hat und die Profitabilität erst gegeben ist, wenn ihr Modell 2 Jahre lang gut läuft. Wie geht Erika mit diesem Feedback

Speaker0: So, und zwar sehen wir hier viele Challenges, die Data Scientists dazu zwingen, auch einfach andere Dinge zu können außer Data Science, ne. Also direkt die Frage an dich, Walter, wie viel Salesman oder Sales Woman steckt in einem Data Scientist?

Speaker2: Ja, das ist eine gute Frage und ich denk die Frage hängt davon ab, wie weit Data Science im Unternehmen schon etabliert ist. Ich kenn's aus meiner Zeit früher in in der Beratung, also da hab ich angefangen als Data Scientist und da ist man automatisch Salesman und ich sehe das auch in den in den Firmen, die gerade anfangen Data Science Teams aufzubauen. Wenn man in so einem Bereich ist, wenn man wirklich der 1. Data Scientist oder der 2., 3., 4. In dem Unternehmen ist, dann muss man irgendwie alles können. Also verkaufen, Coden, Statistik, Mathematik, Programmieren. Man ist dann im Grunde die eierlegende Wollmilchsau. Das kann sich später ändern, wenn das Team größer wird und das Team intern sich auch anfängt zu spezialisieren, dass man dann verschiedene Ausprägungen hat. Aber wenn man 'n kleines jeder Science Team hat, dann kommt man nicht drum herum, dass man da auch gewisse Sales Skills sich aneignet.

Speaker0: Vielleicht direkt an dich weitergeleitet Theo, Theo, auf der Website irium Punkt d e wird auch nach einem Senior Data Scientist gesucht. Würdest Du sagen, das ist auch eine Qualität, die so einen Data Scientist haben müsste, wenn er sich bei dir bewirbt oder bei der Firma eben bewirbt? Mhm. Sales Fähigkeiten?

Speaker3: Mhm. Ich 8. Auf eine Fähigkeit, die sowohl den Sales Mitarbeitern als auch eben den guten Data Scientisten einfach mitgegeben ist, nämlich Empathiefähigkeit. Und zwar, wenn ich einen Sales Mitarbeiter hier nehme, da gibt's ja verschiedene Ausprägungen. Die einen, die bringen mit, wie heißt es, anhauen, umhauen, abhauen, Du hast schon sehr aggressiv einfach Produkte an den Markt. Das ist nicht diese Art von Sales, die ich meine, sondern die Art von Sales, die ich meine, das ist eben dieses Win win getriebene Verkaufen, wobei ich natürlich sehr gut verstehen muss, was braucht mein Kunde. Und genau diese Fähigkeit 1 guten Verkäufers, das sehe ich auch als Voraussetzung für einen guten Data Scientisten, weil, wie der Walter gerade gesagt hat, ja, vor allem am Anfang gehört halt dazu, dass man eine Lösung auch gut verkaufen kann über interdisziplinäre Grenzen hinweg, und dann brauche ich eben dieses Einfühlungsvermögen, genau zu kapieren, welche Bedürfnisse hat mein Gegenüber, und diese Bedürfnisse sind nur zu einem Teil von 'ner konkreten Technik getrieben, denn gerade, wenn es sich 'n neues Thema in der Firma handelt, das sehen wir ja auch, da schwebt dann oder da schwingt immer eine gehörige Portion auch Politik mit und wenn ich eine neue Abteilung etabliere, dann ist es auch immer zum Nachteil von von verschiedenen Parteien. Das muss ich alles berücksichtigen und dementsprechend, also Bottom Line, Empathiefähigkeit, das sehe ich als ganz, ganz wichtig an.

Speaker2: Ja, kommt gut hin. Also es reicht halt nicht in seinem stimm stillen Kämmerlein 'n Modell zu bauen, das gut ist, wenn das nicht akzeptiert wird, wenn es nicht, wenn man's nicht schafft, das an den Mann zu bringen. Also da da muss es ja gar nicht darum gehen, irgendwas zu verkaufen, was hier Overselling zu betreiben. Es es geht einfach nur darum, man hat 'n gutes Modell, es funktioniert, aber wie erkläre ich jetzt dem Ingenieur, dass meine AEUC Performance heißt, dass er mehr Zeit hat für irgendwas anderes oder wie erkläre ich dem Finanzvorstand, dass meine meine Metrik, die ich mir da so ausgedacht hab, wie wie übersetze ich die in Metriken, die die dieser Finanzvorstand versteht?

Speaker3: Hattest Du da auch mal den Fall, Walter, dass Du Erwartungen sozusagen bewusst enttäuschen musstest, ums mal so zu formulieren in 'nem frühen Stadium, weil die Erwartungshaltung 1 Externe neben 1 Nicht Data Scientisten schlichtweg unrealistisch oder nicht technisch abbildbar war?

Speaker2: Ja, ja, ja. Tatsächlich gab's da 1 1 1 Projekt, in dem tatsächlich, also was mir oft begegnet in Projekten ist ist die Erwartungshaltung, wir wollen jetzt hier eine Performance von 90 Prozent. Irgendwie haben haben sich so so Zahlen irgendwie fest gebrannt in den in den Köpfen 90 Prozent oder es ist schlecht. Mindestens 80 Prozent muss der Prototyp haben, damit wir dann in der Produktion auf 90 Prozent kommen und dann gucke ich mir aber die Daten an und sehe halt okay mehr als 25 Prozent ist hier nicht machbar Und das ist schon richtig schlecht für 'n Modell. Also 25 Prozent würde ich sagen, was was soll ich denn damit machen? Andererseits gucke ich mir dann die Daten an von von dem, also es war in dem Sinne in in dem konkreten Projekt 'n Schrott, Schrott Detection Projekt und wenn man sich dann anguckt, okay, was was machen denn die die die Kollegen, die da selbst die Investition führen. 5 Prozent von dem, was sie was sie untersuchen, stellt sich dann tatsächlich also Gott sei Dank als als als irgendwie Fraud heraus. So und mein mein Modell erkennt 20 Prozent oder 25 Prozent. Da bin ich ja viermal besser, aber aber aber ich bin nicht bei den 80 Prozent und das ist halt so, das war 'n Projekt vielleicht auch ähnlich wie bei Erika, das über Jahre ging und nie so richtig abgehoben ist, weil weil es immer hieß, okay, wir müssen weiter optimieren, wir müssen weiter optimieren, wir können nicht produktiv gehen, weil wir noch nicht bei den 80 Prozent sind. Das war 'n schwieriges Projekt und das läuft noch, aber da da gab's ganz andere Erwartungen an an an das, was was was wir liefern konnten.

Speaker0: Vielleicht daran direkt anschließend passt ganz gut. Ist es denn, wie es jetzt der Erika geht oder wie Du's auch gerade beschrieben hast, 'n typischer Status für son Projekt? Also dass es wirklich lange Phasen gibt, die man, ich will jetzt nicht sagen, abwarten muss, ne, bis man irgendwie mal abschätzen kann, dass sich das Projekt gerechnet hat. Also muss ich quasi sagen, hey, wir machen jetzt 'n Data Science Projekt und ich weiß in 3 Jahren, ob sich das Ganze gelohnt hat, was wir da jetzt angefangen haben. Ist das ist das typisch oder kann man gibt's viele Projekte, wo man auch sagt, hey, nach 4 Monaten, geil, das hat richtig gut geklappt, das setzen wir jetzt noch mal öfter Also so Und was ist da der klügere Ansatz für eine Firma, die die erst mal noch nix mit Data Science am Hut hat?

Speaker2: Gut, also das Beispiel, das ich gebracht hab, ist jetzt auch schon 2, 3 Jahre her und ich würde sagen, da in zu dem Zeitpunkt, da waren wir noch relativ früh in 'ner frühen Phase bei Bayer, was was Data Science angeht und da waren schon viele Projekte in dem Stil. 1 der Hauptprobleme, warum warum diese Projekte so lange vor sich hindümpeln ist einerseits, man hat halt noch nicht diese IT Infrastruktur, schnell mal ein Deployment zu machen. Also wir mussten da viel auch Wir haben auch 'n halbes Jahr das Projekt auf Eis gesetzt, Data Quality erst mal in den Griff zu bekommen. Dann das 2. Problem ist, da wird dann ein Data Scientist wie ich zu 20 Prozent auf son Projekt quasi gebucht. Das heißt, ich mach halt einmal die Woche einen Tag, arbeite ich an dem Modell, da kommt man nicht schnell voran. Und das war auch 'n Problem von von kleinen Data Science Teams im in der Anfangsphase. Wir hatten dann 5 Projekte. Du arbeitest dann an 5 Projekten gleichzeitig, dass keins von denen kommt schnell voran. Das das haben wir geändert. Das haben wir jetzt auch in in dem neuen Teamset-up geändert und dann sieht das Ganze schon anders aus. Wir haben jetzt eine Data Science Plattform, auf der wir deployen können. Wir gucken, dass wir nicht mehr als 2 Projekte gleichzeitig an 2 Projekten gleichzeitig arbeiten, das ist das Maximum. Und dann kommen wir da da da kommen wir viel schneller voran in den einzelnen Projekten. Nichtsdestotrotz wird's immer Projekte geben, die bei denen es nicht absehbar ist, ob die überhaupt Gewinn abwerfen oder nicht. Das ist muss dann den auch den Projektleitern und den Budgetverantwortlichen klar sein, dass das hier 'n Risiko ist und das ist halt 'n Innovationsinvestment, in denen wer das klappt oder das klappt nicht. Das hatten wir früher auch weniger. Da war dieses Investment, okay, hier jetzt 'n halbes Jahr 40000 Euro dann noch, wenn's immer noch nicht klappt, dann schieben wir noch mal 40000 Euro hinterher und noch mal 40000. Und dann wird das so am Leben gehalten, obwohl's vielleicht auch gar nicht viel bringt. Ich glaub immer noch, dass es dass es viel viel bringt. Man muss da auch das Business überzeugen, dass es was bringt und ja schwierig. Es ist es ist es ist schwierig, die Anfänge sind schwierig, aber ich glaube, dass das Unternehmen mit der Zeit auch daran wächst an solchen Projekten.

Speaker3: Ja, also ich höre da einige ganz, ganz wichtige Punkte raus, die Du sozusagen auch als ja gegeben grad genannt hast, damit man überhaupt in diesem Modus des, okay, erstens, ich kriege 'n neues Projekt schneller auf die Straße, aber auch ich kann 'n bestehendes Projekt vielleicht mal größer machen, hinkommt. Oder also 'n ganz, ganz wichtiges Thema eben die IT Struktur zu haben, dass ich als Data Scientist nicht immer bei Adam und Eva beginnen muss, wenn's jetzt drum geht, mal einen neuen Stand zu deployen. Auf der anderen Seite aber auch wieder das Thema der Erwartungshaltung der Kollegen, also über den verschiedenen, über den über die verschiedenen Hieragierstufen und auch auf Fachbereichsgrenzen hinweg. Und wie ist das? Hat sich da was dann bei euch getan? Also im Sinne dessen, dass auch mehr die Lebensrealität verstanden wird von 'nem Manager, der jetzt mal sehr zahlen fokussiert ist vielleicht und in diesen 40000 Euro Dimensionen denkt, aber im Leben des Data Scientists ist vielleicht das Problem immer ganz woanders, ja, weil vielleicht 'n spezifischer Zugriff auf die Daten fehlt. Mhm.

Speaker2: Mhm. Ja. Gibt's immer noch die Probleme natürlich. Datenzugriff ist aber etwas, wo die Kollegen inzwischen wissen, okay, wenn jetzt jemand ausm Data Science Team eine Anfrage stellt, auf Daten zuzugreifen. Ich merke, dass dass dass wir jetzt eine ganz andere Priorität haben. Da sind plötzlich ganz andere Leute, die sich bei mir melden und fragen, okay, hast Du schon, hat das hat das geklappt mit dem Datenzugriff? Kann ich dich unterstützen? Cool. Also das hat sich komplett geändert im Vergleich zu von vor 4 Jahren, wo es hieß, ja gut, wer bist Du eigentlich und da wird dein Ticket 5 Tage lang nicht bearbeitet, weil die dich nicht kennen und dann muss man da eskalieren und dann heißt es ja, aber auf die Daten darf ja nicht jeder zugreifen. Ja das ist uns auch klar, aber Du hast mir immer noch nicht gesagt, wo ich unterschreiben muss, dass ich dass ich drauf zugreifen. Also das ist echt das Problem. Also klar ich ich versteh es natürlich, das gibt viele Compliance relevante Daten, HR Daten, Finanzdaten, auf die darf nicht jeder zugreifen, aber ich bin 'n Data Scientist, ich soll das analysieren, zeigt mir das Dokument, wo ich zeigt mir die Schulung, zeigt mir das Dokument, wo ich unterschreiben muss, das ist gar kein Problem. Mhm. Das ist keine Ausrede, mir nicht Zugriff auf die Daten zu gehen. Mhm. Das heißt, es wird auch mehr Empathie

Speaker0: gegenüber Data Scientists entgegengemacht. Sehr gut. Ja. Ja. Kommen wir mal 'n bisschen mehr zum Thema Skalierung noch und konkreten Skalierungsansätzen. Versetzen wir uns noch mal in die Lage von der Erika. Die hat jetzt eher, sag ich mal, sag ich mal, eher kritisches Feedback bekommen bezüglich dieses dieses Projekts. Und wie sollte denn die Erika jetzt hier oder was was wäre denn eine gängige Argument Argumentation für die für die Erika, wenn sie wüsste, okay gut, wegen dem Projekt musste auch viel Grundlage erst mal geschaffen werden. Wie spricht sie da am besten? Also und und oder ist es komplett Quatsch zu sagen, okay, gut, das war einfach so von von vornherein eine Milchmädchenrechnung und wenn ich die einfach öfter mach, dann verliere ich nur mehr Geld. Also wie sollte denn die Erika da da reagieren? Insbesondere jetzt speziell im Gespräch mit jemandem, der vielleicht jetzt nicht unbedingt Data Scientist Mhm. Ist? Wie kann man jemandem, der nicht Data Scientist ist, klarmachen, hey, lass es uns noch mal probieren. Wir haben hier viel auf Grundlage geschaffen.

Speaker2: Ja, Grundlage geschaffen ist, glaub ich, das wichtigste Argument hier. Also wenn man wirklich das 1. Projekt ist, wie der TH ja auch schon gesagt hat, dann fängt man halt bei Adam und Eva an, muss sich da seine eigenen Server aufbauen, muss die ganze IT Infrastruktur aufbauen, Data Pipelines bauen und da muss man halt gucken, wie man das verkauft und sagt, okay, wir haben jetzt hier von 0 auf 100 ganze Infrastrukturen aufgebaut, nur dieses eine Modell laufen zu lassen, dann muss man sagen, okay, lass uns das noch mal machen mit 'ner anderen Produktlinie. Kostet dich aber jetzt nur noch 20 Prozent, weil wir haben ja jetzt schon unsere Server laufend. Das heißt, wir wir kümmern uns jetzt nur das Modell. Vielleicht ist es dann auch zeitlich viel effektiver, aber das heißt, wir sind wir sind auch schneller. Zweites Modell für eine 2. Montagelinie zu bauen und das wär halt die Argumentation, mit der ich vorgehen würde. Was wir bei Bayer zum Beispiel viel gemacht haben in den letzten Jahren, sind sogenannte Lighthouse Cases, wo wir wo aber auch das Management direkt gesagt hat, okay, das ist ein Lighthouse Case, das darf auch mehr kosten und diese Lighthouse Cases sind wegbereiter. Das heißt, die bauen den Weg vor. Die haben auch Priorität innerhalb der der der Firma werden die so kommuniziert, dass die mit Priorität zu zu helfen sind. Also da da da ist dann auch der der der Servicedesk oder halt auch andere Abteilungen sind dazu angehalten, die Leiterhauskäses zu unterstützen,

Speaker0: eben diesen Weg zu ebnen für die für die Cases, die danach kommen. Ist ja eigentlich ganz geschickt gemacht, dem Kind einen Namen zu geben sozusagen und zu sagen, hey, das ist jetzt 'n Projekt von der Sorte, wir müssen erst noch Grundlage schaffen und dann quasi son Use Case drauf Batzen. Ist irgendwie jedem klar, was da passieren soll, anstatt das einfach Data Science Projekt zu nennen, wo jeder seine eigene Vorstellung davon hat und insbesondere vielleicht auch eine unrealistische Vorstellung, vor allem wenn das 1. Der Firma ist. Ist eigentlich ganz geschickt, dann dem so einen Namen zu geben.

Speaker2: Ja, ja. Genau, man muss halt dann gucken, also nicht jeder Slighthouse Case Man muss halt sich fragen, was dann der Erfolg, die der Erfolgsdefinition von 'nem Lighthouse Case, ist dann nicht unbedingt 'n gutes Modell zu produzieren. Mhm. Da kann auch der Erfolg einfach sein, dass man da eine Plattform aufgebaut hat, auf der man dann Modelle entwickeln kann. Man muss natürlich auch gucken, dass diese Lighthouse Cases dann auch, sag ich mal, rechtzeitig abgesägt werden und nicht Tröpfchen also da am am Leben erhalten werden, nur wegen den den Modellen, wegen, da ist schon der Fokus drauf, die Infrastruktur und den Weg zu ebnen.

Speaker3: Und wie siehst Du das, Walter, aus deiner Erfahrung raus? Wer ist da ein bisschen qualifiziert, dieses Absägen vorzunehmen? Denn ich hab persönlich für mich das Problem, dass ich weiß, dass ich nur eine bestimmte Perspektive auf die Geschichte hab, nämlich ja eher die des Data Scientisten und okay, jetzt in meiner persönlichen Rolle dann vielleicht noch mehr Projektmanagement Management, ja, aber ich kann natürlich nicht so in eine Firma reinsehen dann, jetzt vor allem bei unserer Zusammenarbeit mit Kunden, es ist ja externes Lieferantenverhältnis und da stelle ich mir dann schon immer die Frage, kann ich jetzt wirklich besser beurteilen, als wie bei einem Mittelständler der Geschäftsführer, ob das Projekt sozusagen noch weiter getrieben werden sollte oder eben nicht. Wie gehst Du damit mit der Frage Also auch dahingehend gefragt, so wie selbstbewusst kannst du deine Empfehlungen dann aussprechen?

Speaker2: Das ist immer eine schwierige Entscheidung, ob man ein Projekt absägt oder nicht, würde ich sagen. Am Ende ist es vielleicht auch nicht unbedingt die, also eigentlich nicht die Entscheidung des Data Scientist, sondern da muss das Management eigentlich schon versiert genug sein, zu verstehen, was was was das Projekt bringt. Also da sehe ich die Aufgabe des Designtest darin, also wirklich kompetent und neutral darzulegen, was sind die Pro und Cons des des Projekts, dem Management dann auch eine Entscheidungsgrundlage zu geben. Ich ich würd sagen, was man auch sieht, also wenn wenn wenn ein Manager nicht weiß, ob 'n Projekt sich lohnt oder nicht, wird es tendenziell weitergeführt. Es ist, man merkt, man merkt daran, wenn wenn die Entscheidung, wenn 'n Manager genug Informationen hat, eine Entscheidung zu treffen, dann dann fällt die auch und da ist auch dann eine Aufgabe des Data Scientists oder des Data Science Teams, des Projektteams, es am Manager so leicht wie möglich zu machen, entweder pro oder kontra zu entscheiden. Ja. Eine der Hauptaufgaben des Managers ist halt Informationen zu sammeln, bis man über die 90, 70 Prozent ist, die man braucht, eine Entscheidung zu treffen.

Speaker3: Mhm. Mhm. Ah, das ist spannend. Also denn ich erleb das auch sehr häufig, dass 'n Projekt quasi nicht standardmäßig, also dass der Standard nicht ist, es wird fortgeführt, sondern dass der Standard ist, es infrage zu stellen. Was natürlich dann umgekehrt auch wieder sehr stressig sein kann, einfach weil man permanent Argumente liefern muss, warum es jetzt doch noch mal Sinn macht, weiterzumachen und nicht zu diskutieren, okay, gehen wir jetzt noch mal ein halbes Jahr länger in die Runde rein oder nicht? Wobei das vielleicht auch damit zusammenhängen kann, eben wieder mit diesem Unterschied, extern zu internes Team. Also das ist jetzt dieses konkrete Beispiel, von dem ich spreche, da sind wir halt ganz klar extern, ja. Ja. Und da überlegen sich die Beteiligten schon immer, okay, gehen wir jetzt noch mal in die nächste Runde oder nicht? Ja, das ist

Speaker2: das ist spannend, ja. Hat hab ich so als Externe auch auch empfunden, also da da ist der Druck tatsächlich höher zu sagen, okay, wir haben jetzt Phase 1, dann gibt's eine No No Go No Go Decision und Phase 2 Phase 3 und man muss natürlich immer, man ist immer in Zugzwang dieses diese No Go Phase zu überleben. Könnte auch an den Lighthouse Cases liegen, dass die tendenziell eher versucht wurden, weiter voranzutreiben als als zu stoppen. Ja, wird wird sich aber auch bei uns, denk ich, intern deutlich ändern. Wenn wir da den Weg geebnet haben, dann dann ist halt die Frage, okay, es gibt x Budget, es gibt 20 Leute, die Projekte machen wollen. Wer darf, wer darf nicht? Also

Speaker3: Das ist 'n spannender Punkt. Ja, wo wir versuchen ja immer auch konkrete Call to Actions abzuleiten und vielleicht ist es auch etwas, das man tatsächlich schon mal schon mal hier mitnehmen kann, nämlich na ja, wie sind wir mit der Situation umgegangen? Wir haben ganz aktiv uns bemüht zu verstehen, was unsere unmittelbaren Ansprechpartner abliefern müssen. Also, wie helfen wir unseren Kunden, die Chefebene glücklich zu machen und damit haben wir es dann immer gepackt, dass dann sozusagen am Ende dieser Bewertung rauskam, ja selbstverständlich machen wir mit dem Projekt weiter, aber ich denke, wenn wir das nicht gemacht hätten, dann wären wir Gefahr gelaufen, dass wir unsere Ansprechpartner happy machen, die allerdings die Erwartungen wiederum nicht zu 100 Prozent erfüllen. Also insofern kann ich nur dazu raten, also wirklich komplett noch mal durch zu existieren, wer hat nicht nur unmittelbar, sondern auch mittelbar was bei meiner Lösung? Das hat bei uns immer sehr gute Früchte getragen. Und eine Frage, Walter, die mir gerade auch noch aufgekommen ist, nämlich genau zu diesem Punkt, Verhältnis externer Data Scientist zur Firma versus interner Data Scientist zu 1 Firma. Wenn wir an die Skalierung denken, ich kriege es immer bloß von der einen Perspektive mit, Du hast jetzt schon schon mehr Erfahrung einfach über deine verschiedenen Stationen gesammelt. Wo siehst du, dass eher Projekte weitergeführt werden und dann auch multipliziert werden? Sind das Thema Themen, die ich intern bearbeitet habe, einfach weil dann das interne Team das auch weitertragen kann oder hast Du das auch schon bei Themen erledigt, die von 'nem externen realisiert wurden?

Speaker2: Weil das, also das tatsächlich das Beispiel, das ich gebracht hab mit dem Ford Detection Projekt, da war ich noch externer bei Bayern. Da hab ich als Externer gearbeitet. Ich denke, das hängt vielleicht auch 'n bisschen von der Company ab. Also wir bei Bayer zum Beispiel, wir haben auch auch in dem alten Data Science Team und auch im neuen Data Science Team ist es normalerweise so, die internen Data Scienttests legen den Start legen den Start hin, machen die die ersten Schritte, sind im Kontakt mit dem Business und dann werden wir relativ schnell gehen wir relativ schnell dazu über Externe anzubauten. Sprich wie wir üblicherweise Projekte machen ist wir machen Ideation Sessions mit den mit dem Business. Wir machen Hackathon oder ein Hackathon, wenn es 'n bisschen länger ist als nur 'n paar Tage. So 'n Hackathon ist dann mehr so ein bis 2 Wochen. Aha. Ist alles 'n bisschen bisschen länger gezogen und wenn sich daraus dann wirklich, wenn sich daraus was ergibt, wo man sagt, okay, da können wir jetzt mehr investieren, dann holen wir externe on Board und wir wir können auch nicht die Anzahl der Projekte und Hackathons mit den internen Ressourcen wuppen. Das geht geht gar nicht. Also im Pharmabereich, wir sind jetzt auch keine Softwarefirma, die deren Hauptprodukt Software ist. Wir wir produzieren Medikamente am Ende des Tages. Sprich, wir haben, sag mal, ich weiß nicht, ob das 'n kleines Team ist, schon 15 Leute in unserem Team, die solche Projekte quasi anschieben und sobald's dann in die in die richtige Implementierung und Skalierung geht, holen wir unsere Partner an Bord, die dann auf unseren Plattformen uns helfen, das dann zum Fliegen zu bringen.

Speaker3: Okay und wie macht's dir dann den Zyklus wieder zu? Also, Ideation intern getrieben, dann den den Hand off zu den externen Partnern, die das in der aber hausinternen Plattform weiter treiben und kannst dir noch mal genauer erklären, genauso wie wie kommt dann das dies dieser Handover wieder zurück?

Speaker2: Also es ist es ist nicht unbedingt ein Handover. Wir integrieren die extern schon in unser Team, also 1 1 1 Data Scientist aus unserem Team oder ein Decision Scientists. Das ist auch son neuen neuen Titel, den wir aktuell eingeführt haben. Der begleitet das End to End das Projekt auf jeden Fall. Das der das Cycle selbst oder die Phasen selbst, die die wir definiert haben, ist Ideation. Da kann der Hackathon ist dann schon Teil der Ideation. Wir haben dann bauen dann meistens 'n Prototypen, machen eine Validierung des Values, also nicht nicht nur Proof of Concept, sondern Proof of Value nennen wir das. Wenn sich das alles als positiv erweist, gehen wir über eine Industrialisierungsphase. Da in dieser Industrialisierungsphase würde ich sagen, da das ist größtenteils von externen Getrieben, die dann die Skalierung und Implementierung in unsere bestehende Systeme vornehmen und dann gibt's einen Run, eine Runphase, wo dann das Projekt fast komplett übergeben wird an die Externen zum Betrieb. Wir als Data Science Team behalten uns vor, die Modelle upzudaten und auch neue Versionen zu erstellen. Wir kümmern uns da dann aber nicht mehr die Interfaces drumherum. Also wenn jetzt zum Beispiel 'n Update in unserer Data Pipeline ansteht, dann ist das jetzt nicht mehr nicht mehr unser unser Ding, das das ist dann normalerweise alles übergeben, wenn's irgendwelche Software Updates in der Plattform gibt. Das ist das übernehmen dann die externen, die die unsere Plattform betreiben. Genau, ich hab, glaube ich, ein Wort oder eine neue Rolle hier erwähnt, Cicition Scientists, was wir jetzt bei uns eingeführt haben. Also wir haben auch begonnen, unsere Data Science Teams intern stärker zu spezialisieren. Wir hatten Bayer hat vor 4 Jahren angefangen Data Science Teams aufzubauen. Als ich angefangen hab, waren wir 5. Wir haben dann über die letzten bis vor bis vor 2 Jahren dieses Team aufgebaut auf über 20 Leute und haben das Anfang dieses Jahr gesplittet, das Team in 4 Teams, die sich auf verschiedene Businessbereiche spezialisieren, also wirklich aufgesplittet in die Businessbereiche, die die Bayer bedient. Bayer ist ja tatsächlich kein Chemieunternehmen mehr, nicht nicht mehr so wie Du es in der Einführung erwähnt hattest. Bayer ist ein Pharma- und Agrochemieunternehmen. Die die Chemiesparte wurde schon vor Jahren ausgegliedert, das ist ganz witzig, wenn man sich die Historie von Bayer anguckt. Wir haben am Anfang keine Medikamente hergestellt, sondern tatsächlich Farben und Chemie und inzwischen stellen wir gar keine Chemie mehr her und Farben, nur noch das, was wir für unsere Medikamentenproduktion brauchen beziehungsweise jetzt dann auch für die Agrochemiesparte. Genau, dementsprechend haben wir jetzt 4 Data Science Teams. Ich kümmer mich vor allem interne Prozesse, Enabling Functions, HR Finance et cetera und in unserem Team haben wir im Grunde 3 Skillsets. Einmal der Decision Scientists, was, wenn man jetzt Richtung Software Engineering guckt, eher in die Richtung Product Owner geht. Das heißt, das sind die, die unsere Data Scientists, die direkt in Kontakt mit dem Business sind, die Empathiefähigkeit bewiesen haben, Projektmanagementfähigkeiten aber auch bewiesen haben und trotzdem verstehen, wie kann man wie kann ich die statistischen Metriken übersetzen in Businessmetriken? Und die begleiten die Projekte end to end von Ideation bis bis Run in 1 Art Product Owner Rolle für Data Science Projekte. Mhm. Und gleichzeitig haben wir noch 2 Unterspezialisierungen. Einmal die Data Scientists, die so Groundwork machen, Frameworks definieren, Blueprints definieren, die neuesten Packages evaluieren, Papers lesen, gucken, wo ist wo steht grad irgendwie Data Science, was ist Data of the Art und wie können wir das umsetzen? Und das Team, was dann tatsächlich so, wir nennen's Augmented Analytics, das dann hingeht und sagt, okay, wie können wir dieses Tool Data Science, dieses Tool, dieses Modell, wie können wir unsere bestehenden Prozesse argumentieren mit mit wie wie implementieren wir unsere Modelle? Integrieren unsere Modelle in bestehende Prozesse, in bestehende Infrastruktur? Das habe ich ziemlich weit ausgeholt, ich weiß gar nicht mehr, wo ich angefangen hab.

Speaker3: Aber zu dem letzten Punkt, da gehört dann wahrscheinlich auch viel Software Engineering dazu, oder? Echt, ja. Was würdest Du das bestimmt was? Echt? Mhm. Okay. Ja. Okay. Ja. Also wir wir haben auch teamintern angefangen,

Speaker2: sehr viel auch von den Software Engineering Schulungen zu übernehmen. CICD Schulungen machen wir mit unseren Data Scientists. Wir machen Python R R wie gesagt, Schulung ganz klassisch, aber wir gucken uns auch AWS an. AWS Schulungen sind bei uns im Angebot, Azure Schulungen. Das heißt, wir wir wir machen mehr als nur, wie nutzt man Modelle, wie trainiert man Modelle, sondern auch wie baue ich wie mache ich Unit Tests, was ist Testdriven Development, wie funktionieren CICD Pipelines, wie nutze ich die Cloud, bessere Modelle zu bauen.

Speaker3: Ja, damit schließt sich ja schon fast der Kreis oder Jaguar, erinnerst du dich an die Folge mit Jan Terhaak? Da hat man nämlich genau das Thema, wieso wichtig Software Engineering in den ersten Babysteps ist und jetzt zeichnet sich ja ganz deutlich das Bild ab, wie wichtig Software Engineering dann insbesondere für die großgalige, ja großgalige Anwendung in einem größeren Team ist, wo ich dann nicht mehr nur zu zweit oder zu dritt oder so bin, sondern echt in 'nem, also aus meiner Sicht schon schon größeren Team, wo ich ja dann auch diese verschiedenen Spezialisierungen drin hab. Finde ich find ich extrem spannend.

Speaker2: Ist es auch. Ist es auch.

Speaker0: Also ich find nicht nur, dass sich der der Kreis schließt, sondern in den Folgen, die wir bisher aufgenommen haben, war's immer 'n zu 'nem gewissen Teil da, Software Engineering. Also es ist einfach was, was sich durchzieht und ja, unersättlich ist. Mhm. Aber ich würd tatsächlich sagen, dass wir mal weitergehen zum nächsten Storyabschnitt von der Erika und ich bin gespannt, was ihr da so dazu so zu sagen habt.

Speaker4: Erika versteht diese Kritik voll und ganz, jedoch entgegnet sie Achim damit, dass das nun mal auch ein erstes Data Science Projekt von dieser Sorte war. Einerseits hat sie dazugelernt, aber die Firma genauso. Teil des Projektes war es auch, den Grundstein für Data Science in der Firma zu legen, sowohl in den Köpfen der Verantwortlichen als auch infrastrukturell bei der Anlage selbst. Das sind Dinge, die bei kommenden Data Science Projekten effizienter angegangen werden können durch die gewonnene Erfahrung. Und in der Firma gibt es noch weitere Montagelinien, die von den gewonnenen Erkenntnissen Gebrauch machen können, Sowohl auf fachlicher als auch auf Soft Skill Ebene traut sich Erika das zu.

Speaker3: Gut.

Speaker0: Das ist ja jetzt ein Ansatz, der hier erwähnt wird, ne. Also wir machen noch mal mehr Use Cases von ähnlicher Sorte, die wir jetzt effizienter umsetzen können, ne. Also quasi, vorher eine Milch Milchmädchenrechnung war, wird quasi durch die gewonnene Erfahrung zu 'nem profitablen Use Case. Mhm. Das ist ja jetzt ein Ansatz und wenn ich das richtig rausgehört hab, ist das auch der Ansatz, den den ihr bei Bayer oft verfolgt, ne. So kann ich das jetzt quasi öfter noch mal umsetzen. Das steht ja jetzt schon son bisschen im Kontrast, korrigier mich, wenn ich da falschliegt, zu dem, was Erium mit Halerium machen möchte, The oder nicht? Also wir wir suchen ja eher nach 1 Softwarelösung, die man quasi umsetzen kann. Und dazu die Frage, wie sinnvoll ist denn eine firmenweite Use Case Strategie? Sollte man lieber einfach mal Use, also beziehungsweise Situationen gegen spontan entscheiden, hey, hier bietet sich eine Softwarelösung an und hier nicht, deswegen nutzen wir hier lieber einfach verschiedene Stationen, wie wir das immer wieder deploynen können? Oder ist es wirklich sinnvoll, das sozusagen global umzusetzen, zu sagen, hey, wir machen wir suchen immer nach 'ner Lösung oder wir machen immer Variante b, ne? Also ganz genau. Was würdet ihr dazu sagen? Wie sinnvoll wär denn so eine wirkliche Use Case Strategie?

Speaker2: Mhm. Was meinst Du mit Softwarelösung in dem Sinne? Also sone, man baut eine Software für einen speziellen Use Case und verwendet den für andere oder was genau meint ihr mit mit Softwarelösungen?

Speaker0: Also ganz konkret, was ich da im im Kopf hab, Theo korrigier mich, ist quasi mehr eine Software, die das Umsetzen von Data Science Projekten im Allgemeinen einfach erleichtert und effizienter macht. Mhm. Und die dann

Speaker2: Ah, okay. Genau. Ja. Ja, ja, ja, okay, sone Data Science Plattform as a Service Geschichte, die es ja auch schon zuhauf aufm Markt gibt und von denen wir auch einige benutzen. Ja, also wir haben gute Erfahrungen damit gemacht, eine Plattform aufzubauen, auf der, ich sag mal, use Case unabhängig, arbeiten können. Nichtsdestotrotz braucht man, glaub ich, für spezifische Implementierung. Also das, was wir mit Augmented Analytics meinen. Also was ich auch auch getrieben hab in den letzten Jahren ist der Aufbau dieser der Data Science Plattform bei bei Bayer, die im Grunde das Ideation und Experimentation stark beschleunigt. Das heißt, wir haben da eine Plattform aufgebaut, die gängige Data Science Tools anbietet, die man wirklich als Data Science Data Scientist innerhalb von 5 Minuten sich deploylen kann. Da gibt's auch verschiedene Software aufm Markt. Also einige, also tatsächlich unzählige. Da gibt's Domino Data Labs, da gibt's Data Robot, da gibt's Sage Maker, Amazon Sage Maker, Data Bricks, Convert, Papercut, you name it. Also ich denke, man muss sich Man sollte sich für eine so von diesen Lösungen entscheiden. Die sind meiner Meinung nach alle alle relativ gut. Und der Mehrwert, den man da bekommt, ist tatsächlich, also was wir halt sehen, wir haben halt 500 Leute sich, die sich da registriert haben. Wir haben da irgendwie einhundert R Server, einhundert Jupiter Server am Laufen, wo Leute halt einfach schnell mal kurz ihr Modell bauen kann und das kann auch einfach nur 2, 3 Tage sein, da machen sie irgendwas oder es kann halt auch 'n 3 Monate Projekt sein und wenn man das einmal am Laufen hat, sone Plattform, was auch schon schwierig genug ist, würde ich sagen, dann rechnet sich das auf jeden Fall. Also wenn ich jetzt sehe, ich fahr mir da 'n Air Server hoch, der kostet 20 Euro pro Tag und ich muss da nicht irgendwie eine Bestellung aufgeben. Ich muss brauch keine Approvals. Ich muss dann nicht irgendwie meinen Chef fragen, ob ich denn diese 20 Euro pro Tag ausgeben darf. Das erleichtert schon einiges und führt auch zu mehr Innovation. Das nächste Thema, das Deployment und skalieren mit 'ner Softwarelösung zu lösen, weiß ich nicht. Also hab ich noch nicht gesehen. Klar, diese die Plattformen, die ich auch grad erwähnt hab von den verschiedenen Vendoren bieten da auch Möglichkeiten. Das Deployment auch einfach zu machen, One Click Deployment ist alles dabei, aber damit mit einem One Click Deployment von 'nem Modell hat man das, ist man nicht fertig. Also da hat man immer noch nicht überlegt, wie kommen die Daten dahin, wie kommen die Daten wieder weg, wo werden die reingeschrieben und auch wenn man das gelöst hat, ist ja schön und gut, wenn die Daten da rumliegen, aber wer nutzt die? Und wie und welcher Prozess und das ist, glaub ich, das Wichtigste, welcher Prozess nutzt die? Und gerade in großen Firmen, da sind die Prozesse strikt definiert. Da da gibt's Workflows, Abläufe und wenn man Da kann man noch das schönste Modell haben, wenn da in dem Workflow drinsteht, dass jemand im 4 Augen Prinzip sich das Teil angucken muss, dann guckt sich jemand im 4 Augen Prinzip das Teil an und dann ist es egal, ob mein tolles Vision Object Detection Modell besser ist als dieses 4 Augen Prinzip. Solange niemand diesen Prozess ändert, bleibt der so, weil das ist, weil das so auf dem Papier steht.

Speaker3: Das heißt, dieses Deployment, das angeboten wird, ist de facto ein technisches Deployment, aber kein prozessseitiges Deployment.

Speaker2: Exakt, ja. Wir wir diese Plattform hilft einem nur, dass man technisch da schneller ist, dass man nicht diesen Upfront, vielleicht auch da Erikas Problem mit den Kosten auch 'n bisschen in Griff kommt, weil man sagen kann, okay, wir können das, es kostet wirklich nur die Zeit des Data Scientists und nicht noch zusätzliche Infrastrukturaufbauzeiten, die die man da im Projektkosten in den Projektkosten berücksichtigen muss. Das hilft aber nicht dabei, Prozesse und die Kultur im Unternehmen zu ändern.

Speaker3: Und kannst Du noch ein bisschen mehr zu dem dazwischenliegend sagen? Was meine ich damit? Auf der einen Seite gibt's die Infrastruktur, ja, dass die über die verschiedenen Use Cases hinweg zum Einsatz kommt und damit skaliert, okay, ja, sonst wäre es eine schlechte Infrastruktur. Auf der anderen Seite hast Du gerade beschrieben, wie das Deployment sowohl fachlich als auch vom Prozess her aussehen muss, ja schon fast und wie geht ihr mit dem in der Mitte Und vielleicht dazu, so habe ich dich vorhin verstanden, Jago, was wir mit Halerium machen, denn wir haben gesehen, okay, wir haben eine fachliche Methode, konkret basische Netze, die wir nicht nur in einem Use Case, ja man könnte es als vertikal bezeichnen, in einem Use Case vertikal skalieren möchten, sondern diese fachliche Methode auch horizontal skalieren möchten, da würde ich das Potenzial dafür sehen über verschiedene Use Cases hinweg. Und da fände ich super, wenn Du uns da noch genauer einen Einblick geben könntest, auf welcher Ebene findet diese Wiederverwertung statt? Also ist es so, dass ich mir da vorstellen kann, es gibt ein konkretes Template, wirklich, Threat Detection, konkreter Use Case und ich setze jetzt im Endeffekt nur noch die Konnektoren da dran oder geht's weiter runter, dass man sagt, okay, wir haben für uns einen guten Ansatz gefunden, wie wir random Forests einsetzen. Also wirklich jetzt auf 'ner algorithmischen Ebene und dann ziehe ich mir sozusagen als Mitarbeiter aus meiner Library diesen Random Forest raus, aber nicht den Use Case. Also wo, auf welcher Ebene bewegt sie euch da? Denn wir, also kurz zur Motivation auf die Frage, wir wir wir arbeiten genau daran auch rauszufinden, wo können wir beim Skalieren ansetzen, sprich, wir haben jetzt 'n erfolgreiches Projekt für BMW im Karosseriebar abgewickelt oder abgeschlossen. Wie können wir das jetzt bei einem Daimler, bei einem Porsche platzieren? Also auf welcher Höhe steigen wir rein? Pitchen wir den in den fix und fertigen Use Case oder gehen wir komplett low Level rein? Und diese Frage haben wir für uns noch nicht abschließend beantworten können. Mhm.

Speaker2: Ja, da da gibt's vielleicht Da kann ich hab Kann ich sogar ein Beispiel aus unserem eigenen Team bringen, wo wir auch son Framework gebaut haben. Also in dem Team, in dem ich aktuell arbeite, in den Enabling Functions, das machen wir auch viel Finance Controlling HR und gerade im Finance Bereich ist da 1 der Hauptprobleme Forecasting. Mhm. Also und Forecasting nicht in in dem Sinne, okay, wir haben jetzt hier eine Zeitreihe und die müssen wir vorcasten. Wir haben Tausende von Zeitreihen, Zehntausende und dann Also wir haben ja son Framework gebaut, die Modelfactory, die so klassische forecasting Algorithmen bündelt und da auch automatisiert Ensembles baut zum Beispiel aus den Forecasts. Und wie wir da skalieren ist, es gibt diese Zeitreihen auf verschiedenen Ebenen. Also es gibt die auf Ebene Division. Also gucken wir uns jetzt die Profite von Pharma an oder die von von Consumer Health oder von CropScience. Dann gibt's die auf der Ebene Produkt. Also wir haben verschiedene Produkte. Jedes Produkt hat Zeit rein. Dann gibt's und selbst wenn man sich auf Produktebene bewegt, was genau will man denn forecasten? Sales, demand, Supplier, Supplierversorgung. Ist 'n bisschen schwierig immer die deutschen Wörter zu finden. Und da muss man sich dann überlegen, ich hab jetzt einen Use Case, der löst 'n Problem. Auf auf welcher Ebene löst er das Problem? Erlös er das Problem? Auf Produktebene Demand Forecast. Also ich hab jetzt das Demand Forecasting für unseren für unser Produkt, für die Krebsvorsorge habe ich gelöst, funktioniert super. Wenn ich jetzt versuch, das zu skalieren horizontal, würde ich sagen, okay, was haben wir denn noch für Produkte aus dieser Kategorie und wie sehen da die demand Time Service an? Und dann kann ich anfangen in in in der Richtung zu skalieren und sagen, okay, ich ich kann auch den Demand für für Herzkrankheiten vorhersagen, ich kann den Demand für unsere Augen, Produkte vorhersagen et cetera pp. Dann gibt's eine andere. Die nächste Frage Demand Forecasting, das kann man noch tiefer reingehen. Demand Forecasting für welches Land? Ich hab jetzt den Demand Forecasting für Deutschland für unser Augen Produkt vorhergesagt. Funktioniert super. Dann gehe ich nach Italien, dann gehe ich nach USA et cetera. Das heißt, ich passe, ich skalier dann in den Ländern. Und da muss man sich dann fragen, in in welchen Dimensionen möchte ich skalieren? Skaliere ich das von Produkt zu Produkt, skalier ich von einem Land zum anderen. Genau, also ich hoffe das hilft so geht so in die Richtung. Wenn man so an die Autoindustrie denkt, skaliere ich, wenn man da sind die Produkte natürlich die Autos, also kann ich jetzt den Audi TT gut gut vorhersagen die Produktion, dann gucke ich mir an, okay schaffe ich das auch für den Tuareg, keine Ahnung. Ich bin relativ schlecht was Auto automatisch

Speaker0: Ja, manchmal die beiden Autos, die Du gerade gesagt hast, also ich finde auch.

Speaker2: Also in die Richtung muss man dann gucken. Also was für eine Art von Problem löst man und kann man dann das Problem auf, ja, verschiedene Geschäftsbereiche und man muss sich glaube ich angucken, wie ist die Organisation aufgebaut. Die Organisation ist normalerweise nach Ländern aufgebaut, nach Produkten aufgebaut, nach Produktkategorien und da in diese Dimension muss man sich dann

Speaker0: muss man sich bewegen. Ich versuch's doch mal so ein bisschen verkindlicht zu formulieren. So ist es, also so hab ich's zumindest grade verstanden. Also ich ich seh quasi ein Data Science Projekt oder ein Use Case und ich kann mir da irgendwie 'n Steckbrief dazu vorstellen. Das das das Projekt passiert in dem Land, in der Stadt, bei der Firma, da wird das gemacht. Und bei all diesen Eigenschaften kann ich mir vorstellen, hey, welche dieser Eigenschaften variier ich jetzt einfach mal und schau, wie ich da in in dieser Dimension, wie Du's genannt hast, sozusagen skalieren könnte? Mach ich das irgendwie in der Firma selbst oder mach ich's wie, wie Du gesagt hast, international oder eben national, wie auch immer? Genau, so so kann man sich das vielleicht ganz gut vorstellen.

Speaker2: Genau, ja.

Speaker0: Dann würde ich sagen, schließen wir damit auch ab. Ich sag noch mal herzlichen Dank an dich, Walter, dass Du da warst. Sehr schön.

Speaker2: Danke, Jaguar. Danke fürs Moderieren. Danke Theo für die spannende Diskussion.

Speaker3: Hat Spaß gemacht. Ja, gerne, gerne.

Speaker0: Ich moderier ja supergern. Also Also ich vielen Dank. Toll, dass ihr da wart und genau, tschau.

Speaker2: Danke euch. Bis dann. Tschau, tschau. Tschüs.

Speaker0: Hier noch einmal die 3 wichtigsten Learnings aus der heutigen Folge. Nummer 1, je nachdem, wie weit Data Science in 1 Firma schon vorangebracht wurde, braucht man als Data Scientist auch Sales Skills. Das sollte man sich bei der entsprechenden Firma und bei jedem Projekt bewusst machen. Erneut wird klar, viele Dinge lernt man für diesen Job nicht an der Uni. Nummer 2, 1 guter Approach, dafür zu sorgen, dass Projekte nicht abgesägt werden, ist darauf zu achten, was die Personen beim Kunden, mit denen man im Kontakt steht, auf der Chefebene kommunizieren wollen. Die Kernfrage ist, was müssen meine Ansprechpartner woanders abliefern? Und Nummer 3, wenn es ums Skalieren geht, sollte man sich immer klarmachen, in welcher Dimension des Use Cases man skalieren möchte. Dabei kann ein Steckbrief des Use Cases helfen, der einem klar macht, in welchen Dimensionen sich eine Skalierung anbietet. Das war's für heute. Bis zum nächsten Mal. Master the Complexity.

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 gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The Erium Podcast.

Mehr Folgen aus Staffel 3 →