WIE KOMMUNIZIERT MAN RICHTIG MIT DATENVISUALISIERUNGEN? – mit Dr. Johannes Kehrer

- Moderator (Host)Podcast-Host, The Erium Podcast
- Dr. Johannes KehrerSenior Key Expert für Visual Analytics bei Siemens, Dozent an der TU München für Visual Data Analytics
- Dr. Theo SteiningerCo-Founder & CEO von Erium
Überblick
In dieser Folge des Erium Podcasts dreht sich alles um das Präsentieren und Visualisieren von Daten in Data-Science-Projekten. Anhand der fiktiven Figur Erika, einer jungen Data Scientistin, diskutieren Host, Gast Dr. Johannes Kehrer und Dr. Theo Steininger, wie man heterogene Zielgruppen abholt, Visualisierungen wirkungsvoll einsetzt und mit Rückschlägen souverän umgeht.
Über den Gast
Dr. Johannes Kehrer ist Senior Key Expert für Visual Analytics bei Siemens und Dozent an der Technischen Universität München für Visual Data Analytics. Er verbindet akademische Tiefe – unter anderem aus seiner Promotion im Bereich Visualisierung, in der er eng mit Klimaforschern zusammenarbeitete – mit langjähriger Industrieerfahrung. Bei Siemens leitet er Forschungsprojekte zu Predictive Maintenance und Visual Analytics und bietet interne Trainings zur Datenvisualisierung an.
Zusammenfassung
Gemischtes Publikum: Der größte Unterschied zwischen Uni und Industrie
Im Unternehmenskontext sitzen in Präsentationen selten nur Fachkollegen: Betriebswirtinnen, Ingenieure, IT-Leute und Maschinenbediener hören gleichzeitig zu. Das unterscheidet sich grundlegend vom Uni-Vortrag, wo alle Beteiligten denselben Wissenshintergrund teilen. Theo Steininger betont, dass Berufseinsteiger diesen Unterschied häufig unterschätzen und zu Beginn eine verständliche Einleitung vergessen. Johannes Kehrer ergänzt, dass die Zeit der Zuhörenden in der Industrie einen realen monetären Wert hat und deshalb respektiert werden muss.
Die Pointe zuerst: Mehrwert auf Folie 1 kommunizieren
Ein zentraler Ratschlag der Runde: Nicht wie ein Kriminalautor vorgehen und die Auflösung ans Ende stellen, sondern den Mehrwert sofort auf der ersten Folie nennen. Wer das Publikum nicht von Anfang an abholt, verliert es – die Menschen schalten ab oder greifen zum Smartphone. Als praxistaugliches Werkzeug schlägt Theo Steininger ein einfaches fünfschrittiges Pitch-Format vor: Für wen, mit welchem Problem, macht man was, was unterscheidet die Lösung von Alternativen, und was ist das eigentliche Alleinstellungsmerkmal. Dieses Format kondensiert selbst komplexe Projektinhalte in zwei Minuten.
Transparenz über Annahmen und Domänenwissen als Brücke
Wenn das Publikum die Maschinen oder den Fachbereich besser kennt als man selbst, hilft ehrliche Rollenklärung: Der Data Scientist bringt Analyse-Expertise, der Domänenexperte bringt Kontext-Wissen. Beide Seiten kommunizieren offen ihre Annahmen und Wissensgrenzen. Theo Steininger beschreibt aus seiner Promotionszeit, wie er stets explizit auf einer Folie seine Annahmen auflistete und das Publikum bat, Fehler sofort zu melden. So entsteht eine produktive Kooperation statt eines Kompetenzwettbewerbs. Johannes Kehrer ergänzt die Erfahrung aus der Zusammenarbeit mit Klimaforschern: Erst das gegenseitige Wertschätzen der jeweiligen Expertise brachte die Projekte wirklich voran.
Visualisierungen richtig einsetzen: Einfachheit schlägt Komplexität
Gute Visualisierungen brauchen wenig Erklärung – das ist das Kernprinzip, das Johannes Kehrer hervorhebt. Er verweist auf den Visualisierungsguru Edward Tufte und dessen Begriff 'Chart Junk': visuelle Elemente, die nichts zum Verständnis beitragen und nur ablenken. Stattdessen empfiehlt er bekannte, intuitive Diagrammtypen wie Histogramme, Scatter Plots und Funktionsgraphen. Komplexe Sachverhalte werden nicht durch eine einzige überladene Grafik, sondern durch das Konzept der 'Coordinated Multiple Views' aufgelöst: mehrere einfache, miteinander verknüpfte Ansichten in einem interaktiven Dashboard, zwischen denen man schnell wechseln kann.
Fehler während der Präsentation: Offenheit als einzig sinnvolle Strategie
Die Folge behandelt den realistischen Fall, dass mitten im Vortrag ein Fehler im Modell auffällt – etwa ein falsch interpretierter Missing-Value-Code oder eine übersehene Datensegmentierung. Beide Experten plädieren klar für offene Kommunikation: Fehler zu vertuschen birgt das Risiko, dauerhaft das Vertrauen des Publikums zu verlieren. Johannes Kehrer betont, dass ein Irrtum nicht das Scheitern als Data Scientist bedeutet, sondern lediglich zeigt, dass eine Grundannahme nicht stimmte. Theo Steininger fügt hinzu, wie wichtig dabei die emotionale Trennung zwischen der eigenen Person und dem Arbeitsergebnis ist.
Präsentation als gemeinsames Review gestalten
Ein wirkungsvoller Rahmen ist, die Präsentation von Anfang an als kollaboratives Review zu kommunizieren und nicht als einseitige Ergebnislieferung. Das senkt die Hemmschwelle, Fehler einzugestehen, und lädt das Publikum zur aktiven Mitarbeit ein. Interaktive Visualisierungstools können dabei helfen, spontan auf Fragen einzugehen. Theo Steininger weist jedoch darauf hin, dass regelmäßige Rückfragen gut vorbereitet und gebündelt sein sollten, um die Zeit der Kollegen nicht durch zu häufige Einzel-Meetings zu belasten.
Tools und Technologien für Datenvisualisierung
Johannes Kehrer unterscheidet je nach Einsatzzweck: Für die Erkundung von Datensätzen genügen Standard-Libraries wie Matplotlib oder Plotly. Für individuell entwickelte, interaktive Visualisierungen im Browser setzt sein Team bei Siemens auf D3.js (eine JavaScript-Bibliothek) und Three.js (WebGL-Wrapper für performante 3D-Darstellungen). Für schnelle Prototypen und interne Trainings wird Tableau eingesetzt, das auch ohne Programmierkenntnisse nutzbar ist. Theo Steininger ergänzt, dass Erium für Manager-Präsentationen Visualisierungen manuell vom Designer nachzeichnen lässt, weil das schneller ist als das Anpassen von Bibliotheken an Corporate-Identity-Vorgaben. Für die eigentliche Applikationsentwicklung ist auch Erium bei D3.js gelandet.
Kernaussagen
- Das Publikum in Industrie-Präsentationen ist fast immer heterogen – von Domänenexperten bis zu Betriebswirten – und muss ganz anders angesprochen werden als ein Uni-Fachpublikum.
- Den Mehrwert der Präsentation auf Folie 1 nennen: Wer die Pointe ans Ende stellt, verliert das Publikum schon in der Einleitung.
- Eigene Annahmen und Wissensgrenzen transparent machen schafft Vertrauen und lädt Domänenexperten ein, ihr Wissen einzubringen.
- Einfache, bekannte Diagrammtypen überzeugen mehr als überladene Grafiken – 'Chart Junk' (Edward Tufte) schadet dem Verständnis.
- Coordinated Multiple Views – mehrere verknüpfte, einfache Visualisierungen in einem interaktiven Dashboard – ist der beste Ansatz für komplexe Datensituationen.
- Fehler im Modell offen anzusprechen ist langfristig die einzig sinnvolle Strategie; Vertuschen zerstört Vertrauen nachhaltig.
- Präsentationen als gemeinsames Review zu framen statt als Ergebnislieferung fördert produktive Zusammenarbeit und erleichtert das Eingestehen von Fehlern.
- Proben und Testvorträge vor Personen aus der Zielgruppe helfen, Lücken im roten Faden frühzeitig zu erkennen.
- Bei Predictive Maintenance ist oft nicht genug Fehlerdaten vorhanden, um rein ML-basierte Modelle zu trainieren – visuelle Unterstützung für den Menschen bleibt daher oft unverzichtbar.
Fazit
Die Folge zeigt, dass erfolgreiche Datenkommunikation weit mehr ist als das Erstellen von Grafiken: Sie erfordert ein klares Verständnis des Publikums, eine zielgruppengerechte Sprache, den Mut zur Transparenz über eigene Grenzen und Fehler sowie die Fähigkeit, Visualisierungen so einzusetzen, dass sie echten Mehrwert stiften – schlicht, interaktiv und auf die wesentliche Botschaft fokussiert. Die Geschichte von Erika illustriert plastisch, was passiert, wenn diese Grundsätze missachtet werden, und gibt gleichzeitig einen klaren Fahrplan, wie es beim nächsten Mal besser gelingt.
Für Data-Science-Einsteiger und Young Professionals
Bereitet Präsentationen bewusst für ein gemischtes Publikum vor, nennt den Mehrwert zuerst und übt den Vortrag vorab mit Personen aus der Zielgruppe. Fehler offen ansprechen ist kein Schwächezeichen, sondern baut Vertrauen auf.
Für Projektmanager und Führungskräfte
Schafft frühzeitig kurze Kommunikationswege zwischen Data Scientists und Domänenexperten, damit kritische Kontextinformationen nicht erst in der Abschlusspräsentation auftauchen. Eine Kultur, in der Rückschläge offen kommuniziert werden dürfen, beschleunigt den Lernfortschritt aller Beteiligten.
Für alle, die Daten visualisieren
Setzt auf bewährte, intuitive Diagrammtypen und vermeidet unnötige visuelle Komplexität. Interaktive Dashboards mit mehreren verknüpften Ansichten sind statischen Einzelgrafiken in fast allen Analysekontexten überlegen.
Volltranskript anzeigen
Speaker0: Kurze Anmerkung vorweg, auch zu dieser Folge gibt es wieder ein und zwar am zweiten Februar 16 Uhr. Weitere Informationen 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 Ihrem Podcast, in der wir weiter die Geschichte von Erika, der jungen Data Scientistin bei ihrem allerersten Data Science Projekt verfolgen. Und diesmal schauen wir uns einen der wichtigsten Schritte in so einem Projekt an, nämlich soll es heute das, ja, Präsentieren und Visualisieren von Daten oder auch einfach Ergebnissen aus dem Projekt gehen. Und dazu ist heute zu Gast Doktor Johannes Kehrer. Johannes ist Senior Key Expert für Guard Visual Analytics bei Siemens. First try, sehr gut. Und Dozent an der TU in München für Visual Data Analytics. Herzlich willkommen Johannes. Toll, dass Du da bist. Ja, danke für die Einladung. Ich glaub, an den Jobbezeichnungen sieht man schon, dass Du der perfekte Gast bist für die heutige Folge und wir sind nicht alleine. Der Theo ist heute auch dabei als weiterer Gesprächspartner. Theo, Du bist CEO bei Eriom und auch schon ja bekannt ausm Podcast. Schön, dass Du da bist. Guten Morgen. Theo, kannst Du zum Einstieg vielleicht unseren Hörern erklären, wie wir überhaupt zum Johannes gekommen sind? Ist der Johannes vom Himmel gefallen und zu uns in den Podcast rein oder wie kam das zustande?
Speaker3: Im Gegenteil, gar nicht vom Himmel gefallen. Ist eine 1 sehr persönliche Geschichte auch. Und zwar bevor ich mich dazu entschlossen hatte, am Max Planck Institut zu promovieren, hab ich 'n paar Wochen mit dem Gedanken gespielt, mich auf den Bereich Visualisierung und ja verständlich machen von Wissenszusammenhängen zu konzentrieren und war ja von jeher schon den Mathelehrstühlen an der TU recht nahe und ja, über den Kanal waren mir die Lehrstühle vom zum Beispiel vom Professor Westermann dann immer schon sehr nahe und witzigerweise dann, nachdem es dann doch ans MPA ging, gab's eine Projektidee gemeinsam mit dem Professor Westermann. Da wurd dann inhaltlich nichts draus, aber ich hab seit jeher immer, ja, 'n guten Bezug zu dem Lehrstuhl. Und als es dann drum ging, ey, wir brauchen einen hochqualifizierten Gast für diese Podcastfolge, war ja die Überlegung, na ja, nehmen wir jemanden, der vielleicht auch beides in sich vereint, sowohl akademischen Background als auch die Erfahrung, Außenprojekt, aus der Industrie und haben dann uns die Lehrstühle angeguckt, dann wieder zurück zum Lehrstufe von Professor Westermann, dort in die Alumniliste rein und dann war da der Johannes. Und das war einfach wie, ja, die Faust aufs Auge hat das gepasst.
Speaker0: Super. Kannst Du das bestätigen, Johannes?
Speaker2: Ja, was Matthäus so sagt, dann darf ich jetzt 'n System. Na gut.
Speaker0: Dann würde ich sagen, wir fackeln gar nicht lange und legen direkt los mit dem ersten Storyabschnitt von der Erika.
Speaker4: Erika fällt das Erstellen der Präsentation schwer. Sie ist nervös, was auch der Tatsache geschuldet ist, dass sie nicht Maschinenbau studiert hat, sondern Physik. Sie fühlt sich dementsprechend unsicher. Wie soll ich denn einen Vortrag halten über etwas, von dem ich nicht wirklich Plan habe, aber das Publikum schon? Sie entschließt sich daher, die Präsentation so zu gestalten, wie sie sich am wohlsten fühlt. Das heißt, sie bleibt auf 1 theoretischen Ebene und hält sich eher an die Idee 1 Vortrags an der Uni. Das konnte sie immer ganz gut. Sie erlangt dadurch etwas mehr Zuversicht für die Präsentation. Auf die Nachfrage von Abteilungsleiter Achim, wie es denn die Präsentation steht, sagt sie daher nur, dass alles im Lot sei. Bei der Präsentation selbst tauchen dann mehr Leute auf, als Erika gedacht hätte. Neben den von ihr erwarteten Zuschauern Achim, Prozessingenieur Peter und dem Verantwortlichen für die Datenerhebung und Speicherung der Montagelinie Ingo sind auch Martina und alle Mitarbeiter da, die die Maschine bedienen. Außerdem sind auch diverse Interessierte aus der IT Abteilung da. Erika wird dadurch nervöser. Verstehen die überhaupt alle, was ich zu sagen habe, denkt sie sich und atmet tief durch.
Speaker0: So. Zum Einstieg mal vielleicht son paar Impressionen auf diesen Storyabschnitt mit speziellem Blick auf das Publikum. Was sagt ihr denn dazu? Vielleicht Du Theo am am Anfang. Ist das denn typisch, son Publikum von von, sag ich mal, hauptsächlich nicht Data Scientists? Oder wer kommt? Wer wer sitzt denn da in sonem Publikum drin normalerweise bei soner Präsentation?
Speaker3: Mhm. Ja, aus meiner Sicht sehr, sehr typisch. Vor allem, wenn sich's Firmen handelt, bei denen noch keine Data Science Abteilung mit 30 30, 40 Mitarbeitern vorhanden ist, sondern was wir ja ganz oft auch gesehen haben bei unseren Gästen, da hab ich vielleicht einen oder maximal 2 Kollegen und sone Präsentation ist zumindest unter Beteiligung von den Fachfremden. Und genau dieser Fakt ist dann für viele Berufseinsteiger überraschend, weil die gesagt gewöhnt sind, na ja, ich mache irgendwie einen Institutsvortrag oder in meiner Arbeitsgruppe am Lehrstuhl und da wissen alle ganz genau, weil sie vielleicht sogar Co Kreaturen dessen sind, was ich da präsentiere, worum's geht und was die Fachterminologie bedeutet. Ich könnt sogar auf die Achsenbeschriftungen verzichten, weil die ja sowieso die Platz mit erstellt haben. Und in der in der Praxis, in der Industrie ist es dann genau anders. Da muss ich ganz anders ansetzen und auch eine ordentliche Einleitung zum Beispiel geben, weil ich die verschiedensten Couleur in dem Publikum drinsitzen hab. Und dann sitzt dann Betriebswirt genauso drin wie vielleicht 'n Data Science Kollege. Und darauf gilt's, Rücksicht zu nehmen. Und das macht's, find ich, aber auch sehr spannend, weil's 'n Gradmesse ist für die eigene Vortragsqualität und ob ich 'n Thema auch wirklich gut verstanden hab, ja. Weil nur wenn ich in der Lage bin, gibt's ja immer den Großmuttertest, kann ich's meiner Oma erklären, dass nur das die versteht. Wenn ich das nicht hinkrieg, dann hab ich, wenn ich mal, wenn ich ehrlich bin, das Thema selbst nicht wirklich gut verstanden. Mhm.
Speaker0: Johannes, Du hast da beide, sag ich sag mal, Du kommst da von beiden Welten sozusagen, ne. Du hast bei Siemens einmal eher so die die die Welt der der Arbeit und dann hast Du noch die Welt in der die Welt der Akademie. Kannst Du da vielleicht gleichziehen oder vielleicht auflisten, was sind denn dafür, was es da für Unterschiede gibt, Präsentationen an der Uni versus zum Beispiel 2 Siemens Windel als Beispiel. Genau, also im Endeffekt wie Theo schon gesagt hat, an der Uni hat man halt sehr oft
Speaker2: Leute, die jetzt 'n ähnlichen Background wie man selber hat. Vielleicht sind da Leute von 'nem anderen Institut mal dabei, aber ja, im Endeffekt doch alle man hat irgendwie auch so einen so ähnlichen Präsentationsstil, wie wie Präsentationen ablaufen. Also zum Beispiel auch, es wird sehr oft auf der Unitee toleriert, wenn jetzt langweilige Vorträge dahin laufen. Da sagt auch keiner was und jeder erträgt das geduldig. Ich will nicht sagen, dass es jetzt in der Industrie so ist, dass die Leute aufspringen und weggehen, aber man sollte sich halt auch bewusst sein, dass das halt durchaus auch die Zeit von den Kollegen ist und dass diese Zeit halt auch einen gewissen Wert hat, auch einen monetären Wert für das Unternehmen und deshalb sollten wir jetzt die Zeit da auch nicht verschwenden und man sollt wirklich schauen, dass man das Beste draus macht, grad wenn mehrere Leute zuhören. Und grad bei Vorträgen, wenn man jetzt zum Beispiel irgendeine Lösung für für für 'n gewisses Domänenproblem, also für tatsächlich irgendeine praktische Anwendung macht, dann hat man halt oft auch die Leute, die Domänenexperten drinnen, die eben dieses Problem schon seit Jahren kennen, die Jahre an Erfahrung in dem Bereich haben, die sich mit ihren Maschinen oder Geräten total gut auskennen. Die haben jetzt aber vielleicht weniger Wissen von Machine Learning oder Data Science, aber trotzdem, die haben 'n sehr wertvolles, spezifisches Wissen, wo man auch selber als Data Scientist enorm viel davon lernen kann und und wo man eben auch dieses Wissen irgendwie schöpfen sollte, auch für die Analyse, weil das einen einfach weiterbringt. Und man muss da echt oft, wenn man sone Vortrag hält, grob anfangen und mal generell 'n Kontext, also denen muss ich ja nicht ihre eigenen Geräte erklären, aber ich muss denen halt vielleicht auch erklären, was sind denn überhaupt meine Annahmen, die ich gemacht hab, bevor ich die Analyse gemacht hab? Was was sind ist das eine gängige Standardmethode, die ich verwende oder ist das jetzt das neueste Paper, was grad irgendwo rausgekommen ist? Also einfach, dass die auch so ein bisschen Ahnung haben, was sie von dem Ganzen halten sollen. Und es ist tatsächlich auch ganz unterschiedlich, zum Beispiel auch bei Siemens. Ich mache auch bei Siemens also Trainings für Mitarbeiter und man sieht doch, dass sehr viel viele Leute auch gemerkt haben, dass zum Beispiel Visualisierung sehr wichtig ist und auch das, dass man Daten visualisieren kann und und gut präsentieren kann. Deshalb machen die auch diese Trainings und und wollen da auch besser werden. Aber jetzt nicht nur zum Präsentieren, sondern teilweise auch eben zum Analysieren oder zum zum direkt für die Analyse der Daten verwenden die die Tools teilweise. Mhm. Genau.
Speaker0: Könnte man dann vielleicht oder könnt ihr für mich vielleicht mal kurz das das Mindset skizzieren, mit dem man dann an sone Präsentation oder an das Erstellen von soner Präsentation rangehen sollte, ne? Also, schön und gut, ja? Das ist das ist schon, versteh ich, aber was ist da genau? Es hat, muss ja auch irgend 'n gewisses Ziel geben. Theo, Du hast dich da grad schon ganz brav gemeldet.
Speaker3: Genau. Und zwar, ich hab mir da irgendwann mal dabei gedacht, ich muss da nämlich so in mich in mich hineinlachen, Johannes, wo Du gesagt hast, es wird ertragen, wenn ein Vortrag langweilig ist. Und ich hatte son paar Kontakte mit sehr extrovertierten, ja, das waren Manager, die die die halt eiskalt ins Wort fallen und dich den ersten Satz nicht beenden lassen, wenn die auch nur den Verdacht haben, dass es irgendwie für sie irrelevant wird. Und ich hab mir da eben, wie gesagt, irgendwo mal aufm Weg dann gedacht, Leute, verwechselt euch nicht mit Kriminalautoren. Also das sehe ich ganz häufig, vor allem bei Studenten, wenn die einen Vortrag aufbauen, dann glauben die, dass die die Pointe, so die Auflösung, was es denn alles bringt, ganz am Ende platzieren und das ist das ist fatal. Ja. Denn wenn Du nicht ganz am Anfang klarstellst, was ist denn der Schluss, sprich, wofür brauche ich und was hat mein Zuhörer davon? Mhm. Dann schalten die Leute ab und dann dann packen die das Smartphone aus und dann passen die nämlich auch die Einführungsfolien, die die Grundlagenbeschreibung enthalten und dann sind die raus. Also dann hast Du's richtig verloren. Und deswegen, ich denk mir da wirklich immer ganz explizit, wir verraten die Pointe am Anfang. Es ist Folie 1 und dann rollen wir das Ding noch mal auf, aber dann ist für alle Beteiligten klar, was ist der Mehrwert? Mhm.
Speaker0: Also wirklich den Mehrwert ins Zentrum der Präsentation setzen ist wichtig. Mir fällt da auch noch eine Anekdote ein zu aus einem meiner Seminare tatsächlich, wo ich das auch auf die harte Tour gelernt hab, zumindest nicht am eigenen Leib, Gott sei Dank, aber da gab's einen 1 unserer Mitstudenten, der eher einen semigutten Vortrag gehalten hat, aber wie es eben, wie es gerade auch schon beschrieben hat, man hält es dann aus und ist dann da drin. Aber der Professor zu dem Zeitpunkt, der war da eher, ja, sag ich mal strengerer oder härterer Natur und hat sich am Ende des Vortrags eiskalt neben den Ständen gestellt und gesagt, auf ihn gezeigt und gesagt und er hat den Raum verlassen. Und das war wirklich knallhart. Also also das ist vielleicht nur mal die das ganz andere Extrem, aber ja.
Speaker2: Das ist auch oft so, was ich oft erlebe ist, dass Leute ihre Vorträge halten und das halt vorher nicht gescheit geübt haben und dann merkst Du so, die brauchen mal 5 Minuten für die Einleitung. Das sie überhaupt mal erklären, was er sich Über was will ich denn in dem Vortrag sprechen? Die haben aber nur 20 Minuten Zeit und dann merkst Du schon so, was er sich, die sind bei Folie 3 nach 15 Minuten und dann, wenn man langsam so auf die Zeit schaut und die sagt, hä, wann kommt's denn jetzt zum Ende? Dann kommen sie erst so, ah, jetzt kommt ja eigentlich erst das, was ich erzählen wollt. Und und dann ist es aber echt schon zu spät. Also grad, also nicht mehr in der Industrie, ich glaub, wir sind heute einfach generell gewohnt, wenn man nicht schnell erfahren, was mir das bringt, warum mich das auch persönlich betrifft und dann ist man einfach weg und man hat ja eben, eben, weil's abgelenkt vom Handy oder was auch immer, man muss ja nicht zuhören die ganze Zeit und drum, man verspielt da als derjenige, der präsentiert eine Chance, wenn ich mein Publikum am Anfang verliere, weil was ich's nachher wieder gewinn, die Chance ist ist echt gering, wenn ich's am Anfang verspiel, die zu zu fesseln irgendwie und die irgendwie einzufangen. Mhm. Genau.
Speaker0: Gut, aber dann vielleicht zu zu dem Punkt direkt, wenn man jetzt in der Situation 1 Data Scientists steckt. Du hast es vorhin selbst erwähnt, Johannes, die Maschinen oder die das Publikum kennt die Maschinen einfach oft besser, weil sie jahrelang damit arbeiten. Wie kann man denn dann son Publikum überhaupt fesseln? Also was ist da genau, also wie geht man damit wenn das Publikum erst mal per Definition einfach 'n bisschen mehr weiß über das ganze Ding als selbst? Weil ich persönlich, wenn ich das zu hören, dann würde ich mich wieder fühlen wie in 'nem Seminarvortrag an der Uni. Da sitzt halt der Professor, der weiß es einfach besser als ich und ich muss es ihm jetzt irgendwie zeigen, dass ich's auch weiß. Aber darum geht's ja nicht. Es geht ja darum, Mehrwert zu bieten. Wie kann das wie kann das gelingen?
Speaker2: Also sehr oft hat man ja das Glück, dass die dass die Leute dir auf einen selber zugekommen sind. Die haben einen ja meist für unser Projekt eben beauftragt. Das heißt, die haben sehr oft ja eine konkrete Problemstellung gehabt. Das heißt, die haben zwar ihre Maschinen, aber trotz ihres Expertenwissens und in vielen Jahren an Erfahrung haben die halt manche Dinge, die sie nett wissen, die sie besser verstehen wollen, die sie genauer verstehen wollen und deshalb beauftragen die uns. Und ich glaub, genau mit dem kann man auch halt am Anfang das Interesse noch mal wecken und sagen, hey, ihr habt uns ja den Auftrag gegeben, ihr wollt's ja von uns was wissen und in dem Vortrag möchten wir euch halt erzählen, was wir rausgefunden haben. Das muss nicht alles richtig sein. Wir sind nicht die Experten, was die Maschinen angeht oder die die Geräte angeht, aber wir haben halt die Expertise in der Datenanalyse und und wir können euch halt nur das zeigen, was die die Datenanalyse jetzt allgemein in den Daten findet, aber die Interpretation, da müsst ihr uns auch wieder helfen. Also wir interpretieren die Daten jetzt nicht. Wir können nur sagen, hier ist 'n Ausreißer, hier ist was Seltsames, hier ist eine Anomalie. Was das dann bedeutet, das braucht man euch euren Input wieder und und und dann sind sie vielleicht auch gespannt drauf, wenn man auch merkt, wir brauchen deren Input und und
Speaker3: hoffentlich ist unser Input für die auch interessant und wertvoll. Da würde ich gern noch ganz kurz einsteigen. Und zwar hatte ich diese Situation während meiner Promotion andauernd. In dem Kontext, nämlich ich bin ja 'n Astrophysik Quereinsteiger, hatte mich während meines Studiums und der Masterarbeit mit heterotischen Strings beschäftigt und bin dann eher über die mathematische statistische Seite in die Astrophysik rein und hatte bei meiner Arbeit, die immer sehr softwareentwicklungslastig war und auch 'n großen Teil darin bestand, die Algorithmen von Maxime zum Beispiel aufm Supermuck zu portieren. Immer die Situation, dass unter, also ohne Ausnahme alle in der Audienz sich bezüglich der Physik besser auskannten als ich. Und Du hast ja vorhin was erwähnt, Johannes, nämlich die die transparente Kommunikation der getroffenen Annahmen. Und das war für mich sozusagen die Lösung des Ganzen. Nämlich ich hab von Anfang an gesagt, Leute, das ist mein Kenntnisstand. Also ich hab da nichts irgendwie vorgespielt, dass ich mich irgendwo auskenne, wo ich mich nicht eben auskenne. Und ich hab ganz genau auf 1 Folie auch aufgeschlüsselt, Leute, das waren meine Annahmen und wenn da irgendwas nicht stimmt, dann sagt sie's gleich. Ja, oder wenn da irgendwas nichts für euch zutrifft. Und damit war auch die Rollenverteilung klar. Ich bin der Software Guru und der Superscaling Guru für die Performance und ihr seid die Astrophysik Gurus und jetzt werfen wir unsere Kompetenz zusammen.
Speaker2: Ich glaub, das ist auch gerade in der Data Science. Data Science ist 'n so multidisziplinäres Feld. Es ist einfach ganz natürlich, dass halt mal Leute aus verschiedensten Bereichen zusammenkommen, wo jeder seine Expertise hat und jetzt da verlangen zu wollen, dass sich jeder überall gleich gut auskennt, ist einfach nicht realistisch und ich glaub, je ehrlicher man da miteinander auch umgeht und je mehr man auch den die die Fähigkeiten oder die Kenntnisse des anderen schätzt, umso weiter kommt man da. Also ich kann mich erinnern in meiner Promotion, ich hab am Anfang auch mit Klimaforschern zusammengearbeitet, weil also für für Visualisierung braucht man auch immer irgendwelche Daten und ich hab mich halt sehr viel mit Klimadaten auseinandergesetzt. Und wie ich halt da die ersten Treffen mit den Klimaforschern hatte, es war komplett eine andere Welt, was die für Fragestellungen hatten und bei jedem jeder Aussage, die ich gefunden hab, ah, hier hab ich was gefunden, haben die sofort gesagt, nee nee nee, das das kann man jetzt nicht sagen, dass das irgendwas mit dem Klimawandel zu tun haben. Da müssen wir erst mal eine Analyse machen, das das kann man so nicht sagen. Das also die die waren da total vorsichtig sofort und keine Ahnung, selber waren wir halt sofort, ah, hier hab ich was Spannendes gefunden. Schaut's mal, in der Region da hab ich irgend 'n interessantes Wetterphänomen. Ja, die die haben da eine ganz andere Herangehensweise und das habe ich erst nachher in meinem ersten und zweiten Jahr gelernt, auch das zu schätzen, dass nämlich deren Sicht genauso wertvoll ist und und halt genauso viel bringt wie wie jetzt wie jetzt andere Sichtweisen und also diese gegensätzliche Wertschätzung ist glaube ich für eine Kooperation generell auch einfach sehr gut. Wenn man jetzt nicht glaubt, hey ich bin jetzt da der große Machine Learning Guru, der daherkommt und euch die Welt neu erklärt, Also ich glaub, dann kann man oft auch schnell wieder heimklicken.
Speaker3: Ja, aber da haben wir ja doch schon eine echt coole take home Message auch für die Complexity Masters. Ich stell mir da grad so was vor wie wie eine kleine Challenge. Sagt am Tag 5 Mal, dass ihr etwas nicht wisst, was er im ersten Moment vielleicht ein Eingeständnis von Imperfektion oder oder ja ja von der Schwäche wäre, aber genau das Gegenteil ist der Fall.
Speaker2: Und ich weiß das nicht, ich bin aber bereit da was zu lernen, weil nur zu sagen, ich weiß das nicht, also man sollte auch ganz klar sein, hey, ich kenn mich da nicht aus, aber bitte helft's mir. Ich ich bin da sehr dankbar für euren Endpunkt.
Speaker3: Und wie geil ist es, wenn dich jemand danach fragt oder dich bittet, ihm was zu erklären? Also das ist ja, geht ja drum wie Öl.
Speaker2: Das größte
Speaker0: Kompliment überhaupt, ja. Sehr gut. Dann würd ich sagen, hören wir uns mal den nächsten Storyabschnitt von der Erika an.
Speaker4: Erika beginnt mit ihrer Präsentation, in der sie zunächst ihr Verständnis des Prozesses und darauf aufbauend ihr Vorgehen erklärt. Sie vergisst dabei leider, zu erklären, wofür ihre Arbeit eigentlich gut sein soll. Bereits jetzt ist Stirnrunzeln bei einigen Zuschauern zu sehen, die sich einerseits wundern, ob sie die relevanten Parameter des Prozesses denn wirklich herausgefiltert hat und andererseits fragen, von was Erika genau spricht, da sie zunehmend in größerem Detail über ihren Algorithmus spricht. Sie hat auch ein paar Visualisierungen der Daten vorbereitet. Zu 1 sagt sie, und hier sehen wir, dass vor allem ein Wert sehr prominent ist. Daraufhin muss Ingo laut auflachen. Dem würde ich nicht so viel Bedeutung beimessen. Das hab ich als Wert für die Missing Values programmiert. Da hatte die Anlage also vermutlich einen kleinen Aussetzer. Das passiert manchmal. In dem Moment wird Erika klar, dass das vermutlich ihr gesamtes Modell verzehrt. Sie macht dennoch weiter und verliert sich mit wachsender Unsicherheit in mehr technischem Gerede über Machine Learning. Vor allem Achim fällt das auf. Der Rest hat schon auf Durchzug geschalten und wartet nur noch auf das Ende.
Speaker0: So, zum Einstieg oder als erstes als 1. Reaktion würd ich gerne fragen nach dem Realismus von von diesem Abschnitt. Wir hatten's schon mal in 1 früheren Podcastfolge erwähnt, die Geschichte mit den mit den Missing Values. Theo, könntest Du da vielleicht noch mal erzählen, woher diese kleine Story da kam.
Speaker3: Ja, also das ist uns mal in 'nem echten Projekt so passiert, also nicht in der Präsentation, aber dass eben ein konkreter Wert für einen Missling Value geflagt wurde. Das war halt binär irgendein Pattern 0 1 0 1 0 1 oder irgendwie so. Und das ist uns halt aufgefallen, weil wir uns 'n stinknormales Histogramm angeguckt hatten und da auffällig war, da sticht der Wert raus.
Speaker0: Genau und dieses Gefühl dafür, dass das Also wenn wenn dieser Wert raussticht, das damit kann man ja auf 2 verschiedene Arten und Weisen umgehen, ne. So wie wir's grade eben diskutiert haben, hey, ich frag nach, was ist denn so besonders an dem Wert? Oder ich denk mir, hey, das ist 'n besonderer Wert, der ist der muss richtig wichtig sein für meine Modelle, also betrachte ich den und oder oder frag mich frag mich großartig nach. Wie sieht es denn, mit welcher, also der, dass der dass der 1. Ansatz irgendwie bissel besser ist, einfach direkt nachzufragen, ist, schätze ich mal klar, aber da gibt's ja auch Grauzonen. Also wenn ich mir alle möglichen Visualisierungen anschaue zur zur Analyse, wie gehe ich denn damit am besten
Speaker2: Also ein Problem, was man sehr oft hat meiner Meinung oder was mir oft unterkommt, ist, dass mir jetzt zum Beispiel es oft gar nicht so klar ist, wen man jetzt da fragen könnte. Also oft kriegt man halt so, man müsse in einem Projekt, man hat da eine Kooperation, die läuft über einen Manager und der besorgt eben die Daten und selber man fällt einem dann was auf und dann muss man aber erst wieder über diesen komplizierten Weg über den Manager, der fragt dann den anderen Manager, der muss dann runterschauen, ja, wer hat die Daten überhaupt erstellt? Bis man dann endlich an der Person dran ist, die den Datensatz kennt, das braucht oft viel Zeit und ist oft sehr mühsam. Drum, in 'nem Projekt, wo ich jetzt zum Beispiel drinnen ist, da hat das der Projektmanager sehr gut gemacht, dass der gleich am Anfang vom Projekt versucht hat, alle Leute mal zusammenzukriegen, dass man sich mal gegenseitig mal gesehen hat in 'nem Meeting, man weiß, wer jetzt die Ansprechpartner sind, einfach diesen langen Kommunikationsweg zu zu abzukürzen. Weil also ich hatte jetzt zum Beispiel auch mit den Klimadaten oft, da kriegt man irgendein Klimamodell, das ist irgendwo am Max Planck Institut gerechnet worden, hat man keine Chance, denjenigen zu fragen, was da jetzt genau drinnen ist oder was da gemeint war. Genau, aber wenn man da halt irgendwie 'n kürzeren Weg hat, eine fachkundige Person zu kommen, das ist oft sehr, sehr wertvoll auch. Genau, jetzt hatte ich, glaube ich, jetzt bin ich auf eine andere Frage eigentlich eingegangen, als Du gestellt hattest,
Speaker0: aber Das ist okay. Ich würd tatsächlich gern noch etwas mehr über Visualisierungen an sich sprechen. Da möcht ich mich, ich bin nämlich drüber von. Und zwar, Theo, Du hattest mal auch in der vergangenen Folge erwähnt, dass 1 der ersten Sachen, die Du machst, ist, dass Du die verschiedenen Features einfach mal gegeneinander plottest, zu schauen, okay, gut, was was passiert denn da, Johannes? Stimmst Du dazu oder was würdest Du denn sagen, wenn's an das Verständnis von 'nem Datensatz geht, auch eine 1 Aufgabe von Visualisierungen sein kann? Hast Du da irgendeinen, ja, irgend sone, ja, kurze To do Liste, die Du auf jeden Fall abklapperst, wenn Du da jetzt 'n Datensatz bekommst? Also das 1. Ist tatsächlich, dass ich ihn mal in 'ner Tool lad, was möglichst
Speaker2: intuitiv und interaktiv ist. Also da gibt's eben verschiedene kommerzielle Tools, leider nicht so viele Open Source Tools, aber eben man versucht mal zuerst mal einen Datensatz reinzukriegen. Das ist oft mal die Schwierigkeiten, dass man die Daten mal reinkriegt. Oft ist das Datenformat gar nicht klar und man muss dann manchmal hat man auch gar nicht den richtigen Dataloader, also die Daten lassen sich oft auch gar nicht nativ laden. Tatsächlich ist oft 'n Großteil der Zeit, den man am Anfang verbringt, ist, dass man mal die Daten überhaupt ladbar oder oder einlesbar macht. Das ist leider immer wieder so, obwohl die Daten eigentlich immer irgendwelchen Formaten folgen, aber oft sind halt auch die Formate dann unterschiedlich definiert oder ausgelegt und und jeder codiert dann die Daten doch ein bisschen anders. Wenn man's dann mal geschafft hat, die Daten drinnen zu haben, ist das auch so. Man schaut sich mal Histogramm an, 'n paar Sketherplots, Sehr schön ist auch eine Skelots, wo man halt dann die mehrere Attribute gegeneinander plottet und dann sieht man schon, gibt's da irgendwelche komischen Häufigkeiten? Gibt's da irgendwelche Patterns? Wenn Zeit jetzt auch eine Rolle spielt, schaue ich mir das Ganze in einem normalen Funktionsgraph einfach an und dann sieht man oft schon mal irgendwelche Auffälligkeiten oder man kann zumindest bestimmte Dinge ausschließen. Weil eben oft, wenn man eine Analyse macht, die auf falschen Annahmen basiert, ist das auch viel blöder, wie wenn man halt vorher einfach sich mal einen Datensatz angeschaut hat, ungefähr zu wissen, wie die Daten jetzt verteilt sind. Genau und wenn man's dann halt sieht, dann kommt's immer drauf an, was man halt da sieht. Also oft ist oft kann man auch, es ist tatsächlich so, man erst wenn ich die Daten gesehen hab, kann ich entscheiden, was jetzt die nächsten Schritte sind. Dann sehe ich, ob da irgendwelche offensichtlichen Cluster sich bilden oder ob da irgendwelche Outleihe sind, wo man dann drauf schließen könnte, ob die vielleicht auch in mehreren Dimensionen sein könnten. Genau, dann könnte ich halt auch eine spezielle Analyse dafür machen.
Speaker3: Wie gehst Du damit wenn der Parameterraum sehr, sehr hochdimensional
Speaker2: ist? Mhm. Das ist das ist schwierig. Also da da gibt's ja verschiedene Sachen, was weiß ich, dass man sich irgendwelche Quality Measures jetzt für die einzelnen Parametern oder eine Korrelation sich vielleicht ausrechnen kann. Aber tatsächlich, viele Visualisierungen eignen sich nur für eine Handvoll an Parametern. Also ich kann da jetzt vielleicht den Variablen gegeneinander plotten oder also das ist eigentlich schon sehr viel. Zum Glück in der Praxis haben wir tatsächlich sehr oft auch Datensätze, die jetzt vielleicht nur 4, 5 Variablen beinhalten, aber dafür halt, was weiß ich, in sekündlicher Auflösung über 5 Jahre, Das ist eine ganz eine andere Herausforderung, weil weil dann ist halt die die Frage, wo wo schaue ich jetzt hin und auch welchen Zeitrahmen sind jetzt überhaupt meine Muster? Sind die im, Passieren die über Monate hinweg oder passieren die im Minutenintervall? Das ist auch eine große Herausforderung. Son wirklichen Königsweg hab ich da leider auch noch nicht so richtig gefunden. Oft ist es halt Intuition oder dass man halt die Experten fragt, ja, was ist denn eurer Meinung nach interessant da drinnen oder was schaut ihr euch denn normal an, wenn ihr son Datensatz aufmacht? Das hilft oft schon sehr viel, dass die einen halt ihre Vermutungen mal sagen. Da sind wir fast schon im Bereich,
Speaker0: was mache ich, wenn der Datensatz sehr, sehr komplex ist? Und da können wir vielleicht wieder zurückkommen zu der Situation in der Präsentation, die ich ja auch irgendwie spicken möchte, im besten Fall mit hübschen Visualisierungen, die irgendwie anschauen, Dinge erklären, ne. Wie man denn jetzt den Sweet Spot zwischen, die Daten sind viel zu vereinfacht dargestellt, aber sie werden sofort verstanden, aber es ist ist ist irgendwie, man, der Mehrwert lässt sich jetzt nicht direkt erkennen, versus die Visualisierung ist so komplex und so hochdimensional, dass dass sie eigentlich nur verständlich ist, wenn ich dazu das Paper gelesen hab, sogar mal mal krass probiert. Wie findet man denn da den den Sweet Spot, der dazwischen liegt?
Speaker2: Also generell ist es, glaube ich, so, dass einfach jetzt nicht unbedingt schlecht ist. Also grad bei 'ner Visualisierung, je besser meine Visualisierung ist, umso weniger Erklärung brauch ich eigentlich. Das heißt, wenn ich's irgendwie schaff, die Daten auf eine intuitive Art und Weise darzustellen, indem ich irgendwelche gebräuchlichen Plots verwende, die Leute kennen, was also sich so was wie 'n Balkendiagramm oder 'n Funktionsgraph oder 'n Skatterplot, dann da habe ich glaube ich schon viel gewonnen. Ich muss da jetzt die Leute nicht damit irgendwie beeindrucken, wie viele Farben ich da jetzt in eine Grafik reinkrieg. Oft wird's dadurch nämlich eher schlecht. Also je mehr Edward Tafty, das ist son Visualisierungsguru und Informationswissenschaftler, der spricht zum Beispiel vom Chartjunk, also Bartmüll. Es sind all die visuellen Elemente, die eigentlich gar nicht benötigt werden zum Verständnis der Grafik, die eigentlich nur den Betrachter oder die Betrachterin ablenken. Und oft ist es tatsächlich so, je einfacher je je oft ist es auch eine Ästhetik, also auch eine sehr einfache, schlichte Grafik kann kann kann eine gewisse Ästhetik haben. Und ja, ich glaub, man sollt eher durch die Findings, die wir halt gefunden haben, überzeugen und jetzt nicht über die Komplexität der Visualisierungen.
Speaker0: Aber wenn es sich es sich denn jetzt nur einen eher komplexeren Sachverhalt handelt oder auch ein komplexeres Finding, wie kommuniziert man das dann eher über viele, sage ich mal, simple Visualisierungen anstatt 1 einem Oschi, der halt irgendwie alles miteinander reinigt?
Speaker2: Ist das eher Approach? Genau, also gerade in der Visualisierung ist das Konzept der koordinated Multiple Views sehr sehr verbreitet. Das heißt im Endeffekt, dass man ein Dashboard hat, wo man jetzt verschiedenste einfache Visualisierungen anordnet. Die sind aber miteinander alle verknüpft, verlinkt. Das heißt, da ist auch die Interaktion jetzt sehr wichtig, wenn ich jetzt zum Beispiel in einem Plot irgendwas selektier, was markiert, das kann ich oft direkt aufm Bildschirm machen mit der Maus, indem ich einfach draufklicke oder 'n Rechteck drum ziehe, dann sehe ich denselben Datenpunkt halt in den anderen Views auch hervorgehoben. Also sich dann sehe ich für den einen Ort zum Beispiel, wie schaut uns die zeitliche Komponente dort aus? Also das heißt, dass man mehrere Grafiken halt nebeneinander verwendet und jeder Grafik ist für irgendwas wieder spezialisiert. N Histogramm ist gut dafür, dass Du dir die Verteilung der Werte anschaust. 'N Funktionsgrav ist gut dazu, dass Du dir den zeitlichen Verlauf und zeitliche Trends anschaust. 'N Skaterplot ist gut, dass Du dir die Korrelation zwischen 2 Variablen anschaust. Also jede Visualisierung für sich hat ja eine Berechtigung und ist für sich gesehen sehr gut und indem man sie halt kombiniert, intelligent und auch schnell wechseln kann zwischen verschiedenen Ansichten, Das ist eigentlich die eigentliche Power in 'ner interaktiven Visualisierung. Drum, es ist auch oft das Problem bei 'ner Präsentation, dass man da ja dann statische Ergebnisse am Schluss präsentiert. Aber wenn ich jetzt 'n Tool hab, was interaktiv mir die Daten anschauen kann, wo ich interaktiv die Variablen tauschen kann, die ich grad betrachte, wo ich interaktiv reinzoomen kann, was markieren kann, mir mit einem Tooltipp vielleicht irgendwelche Zusatzinformationen holen kann. Das ist viel viel nützlicher und gibt einem als Analysten viel mehr Macht als jetzt eine statische Grafik, die einfach nur als Ergebnis am Schluss halt rausgeschmissen wird.
Speaker3: Wie war der Name koordinated
Speaker2: multiple Views oder? Genau koordinated multiple Views oder multiple LinkedIn Views. Da gibt's auch eine eigene Konferenz dazu, die 'n paar Jahre lang stattgefunden hat. Lass uns lass uns das in die Shownotes packen. Zu den
Speaker3: und auch zu dem, wie war das, Chart Garbitch?
Speaker2: Chart Junk vom Edward Tafty. Chart Junk. Genau.
Speaker0: Absolut. Findet ihr auf jeden Fall in den Shownotes. Lass uns noch mal zurückkommen zu Erikas oder Theodor, möchtest Du noch was dazu sagen? Ja, genau. Ich hätt nämlich da noch eine Anmerkung.
Speaker3: Ich erkenne mich da ein 1 wiederkehrendes Prinzip. Und zwar gibt's es ganz generell bei den Vortragsfolien Gestaltungsguidelines das Prinzip des. Und das korrespondiert da sehr gut, ja. Jetzt hast Du natürlich grad ein 1 interaktives Zusammenspiel beschrieben, Johannes, aber das ist auch eine Visualisierung erfüllt genau einen Zweck. Und genauso dann mein Vortrag, eine Folie erfüllt den Zweck der Kommunikation 1 Sachverhalts. Und da kommen, finde ich, die Welten sehr schön wieder zusammen, vor allem, weil halt eine Präsentation auch durch das visuelle Medium Präsentationslights auch sehr, sehr geprägt wird. Und eine Erfahrungsgröße noch von mir eben zu reiner Frage von vorher, Herr Jaguar, wie wie kriege ich denn die richtige Balance hin? Das war in meiner Vergangenheit immer das Thema Proben und üben. Das heißt, nicht die die Slides irgendwie abstrakt am Laptop zu machen und dann das 1. Mal die erst beim Vortrag zu sprechen, sondern ich sprech die mindestens alleine für mich einmal durch und erkenn dann, ob 'n Bruch im roten Faden drin ist oder ob was irgendwie total unplausibel oder vom Himmel fällt. Und noch besser ist es, mit so den Coaches aus der Ziel Audience das durchzugehen. Denn wenn ich das Glück hab, vielleicht einen Ingenieur oder einen Sachverständigen irgendwie so als Body zu haben, mit dem ich das mal durchgehen kann, der kann mir Feedback geben, wo ich vielleicht zu vieles Guten erzähle oder
Speaker2: noch zu wenig kommuniziere. Also wir haben das zum Beispiel während meiner Promotion ganz exzessiv gemacht, wenn wir halt mal 'n Paper tatsächlich auf 'ner Konferenz angenommen gekriegt haben. Das ist dann wirklich deine Chance als junger Forscher da vor Hunderten von Leuten deine Arbeit zu präsentieren und die willst Du nicht vergeuden, weil Du bist 1 von 5, die in so 'ner Session sprechen und jeder wartet oft auf die Pause, wo es dann wieder Kaffee gibt und wir waren da echt, wir haben da immer Testvorträge in der eigenen Gruppe noch mal gehalten, wo man könnte sagen, man wurde daher richtig zerlegt dann nachher, aber halt auf eine konstruktive Art und Weise. Also der Vortrag wurde total auseinandergenommen und mir ist es auch oft so gegangen, dass ich nachher noch mal den Vortrag komplett umwerfen musste, weil halt einfach das Feedback auch von den Leuten war, ja, was er sich. Das ist auch oft son Problem, das man halt als Data Scientist hat. Man hat jetzt sich monatelang die ganzen Details gekümmert und man kennt jede Einzelheiten, jeden Parameter von seinem Algorithmus und will darüber jetzt berichten, das, was weiß ich. Wenn ich jetzt da dran drehe, dann ändert das irgendwas Tolles und man vergisst aber, dass für Leute, die das nicht kennen, die sich damit nicht intensiv auseinandersetzen, die sind so schnell damit auch überfordert und man hängt sie dann einfach ab. Man verspielt da halt auch die Chance, dass man denen was, dass man da halt was kommunizieren kann. Drum ist es total auch wichtig, also grad die ersten Minuten von einem Vortrag sind oft die wichtigsten, wo man sich selber eigentlich denkt, das ist ja nur allgemeines bla bla, was ich da red. Das hat ja gar nichts mit der Arbeit, die ich selber gemacht hab zu tun, Aber eben, dass man am Anfang das mal in einen Kontext setzt und den Leuten erklärt, worum geht's überhaupt? Was sind denn die Methoden? Welche alternativen Methoden gibt's denn schon? Und warum hab ich jetzt genau das gemacht, was ich hier mach? Welche Annahmen hatte ich? Das schafft auch Vertrauen irgendwie und und auch halt, dass wieder Theo ganz am Anfang gesagt hat, ganz am Anfang ganz klar sagen, was habt ihr jetzt davon, dass ihr mir zuhört? Mhm.
Speaker3: Und dann auch, das muss ganz, ganz klar sein. Dann noch 'n 'n kleiner Einblick auch zu meinem, ja, zu meiner Lernkurve einfach. Also ich hatte noch nie Probleme mit 'nem Referat in der Schule oder dann spätestens so eine 30 oder auch von mir aus 45, 60 Minuten Vortrag dann an der Uni oder am Institut. Das war alles okay, ja. Aber nichtsdestotrotz war's für mich noch mal eine krasse Lernkurve im Start up Kontext zu pitchen. Denn da hast Du 'n ganz anderes Adrenalinlevel und vor allem eine Uhr, gegen die Du sprichst. Also Du hast da 'n Timer. Das Krasseste war bei mir mal was in Shenzhen in China 2 Minuten vor 'nem ausländischen und nicht englischsprachigen Publikum. Also das war wirklich das krasseste Szenario überhaupt. Und was Du dort einfach lernst, ist das Thema innerhalb von kürzester Zeit, sprich 2 Minuten und das ist die Zeit, die die meisten dafür verwenden zu sagen, hallo, ich bin und ich komme aus. Das da wirklich runter zu kondensieren und dieses Format des Pitches bietet sich meines Erachtens an, eben genau für die Öffnung. Und dann kommt der eigentliche Vortrag. Und wie sieht son Pitch aus? Es gibt leider sehr, sehr viele verschiedene Pitch Varianten, die im Internet rumgeistern und dann sieht man Investoren Pitch Deck und aber nee, es gibt, etwas zu erklären, ganz einfaches Muster und das können wir auch noch mal in die Shownotes packen, aber ganz kurz beschrieben. Das sind 5 Schritte, nämlich für wen mit welchen Problem macht man was? Das ist die Nummer 3. Was unterscheidet die vorgeschlagene Lösung von der Konkurrenz oder zum State of the Art und was ist das Geheimnis dahinter? Ja, was ist die geheime Soße, die Secret Source? Und mit diesen 5 Schritten umreißt Du die komplette Landschaft dessen, worüber Du sprichst.
Speaker2: Das ist auch tatsächlich, also mein Professor hat, glaube ich, ähnliche Guidelines, wie Du sie gerade gesagt hast für jedes Paper und immer wieder vorgebredigt. Wenn ihr ein Paper schreibt am Anfang in der Introduction oder im Abstract, ihr müsst die Leser einfach da schon überzeugen. Ihr habt ihr habt's nicht viel Zeit und die Leute sind alle total beschäftigt und und ihr müsst mit der Zeit von den Leuten wertvoll, also ihr müsst das wertschätzen, dass die euch da Zeit schenken und euch zuhören und und das nicht irgendwie leichtfertig verspielen.
Speaker4: Mhm.
Speaker2: Und das ist, glaube ich, auch was, was man halt auf der Uni einem oft nicht genug gesagt wird, dass nämlich der Wert der Zuhörer schafft. Also weil man, ja, man denkt sich oft, ja, das sind ja nur Mitstudenten, das würden Sie schon machen, wenn Sie nicht in meinem Vortrag sind. Und mein Gott, mein Professor sagt, ich soll eine halbe Stunde reden, aber wenn ich jetzt wirklich 45 Minuten rede, ich hab ja was Tolles gemacht.
Speaker0: Ja. Und vielleicht auch das Bewusstsein, dass die irgendwie da sein müssen, die Studenten teilweise so. Also
Speaker3: Ja, aber Du nimmst die Zuhörer damit in Geiselhaft. Absolut. Das ist das ist
Speaker0: das ist so. Genau, dann setzen wir uns doch mal in die in die Lage von der von der Erika rein, die jetzt dann doch eher inmitten vom Vortrag, ne, was was sie eben auch als Vortrag gestalten hat, das da können wir auch gleich noch mal drüber reden, ob das denn so sinnvoll ist, Dass sie dass ihr da direkt ein in ihrem Modell auffällt, wie sollte sie denn jetzt damit umgehen? Flucht nach vorne und offen gestehen oder einfach jetzt durchziehen und dann im Nachhinein vielleicht noch mal korrigieren, Wie wie sollte man damit umgehen als als Data Scientist oder Data Scientistin?
Speaker2: Also ich find, dass grad Offenheit und Ehrlichkeit da einfach langfristig gewinnt, weil es ist immer schwieriger das Vertrauen mal zurückzugewinnen, wenn man's mal verloren hat und da jetzt zu versuchen, die Leute dahin rüber hinwegzutauschen täuschen, dass man eigentlich 'n Fehler gemacht hat, zu hoffen, dass es keinem auffällt, wenn's dann doch jemand auffallt, ganz halt böse nach hinten gehen. Warum so schwer es vielleicht ist, aber das ist halt auch meiner Meinung nach 'n Teil von Größe auch einzugestehen, wenn man sich mal geirrt hat. Das heißt ja nicht, dass man jetzt als Data Scientist versagt hat. Man hat halt einfach für ein Modell gewählt, was für diese Daten nicht passt, weil man halt irgend eine Grundannahme sich nicht bewusst war und das macht jetzt die Methode nicht schlecht und dann selber als Data Scientist nicht schlecht, aber man muss es halt irgendwann sagen. In einem Vortrag ist es jetzt natürlich schwierig, ob man jetzt sagt, so Leute, jetzt brechen wir ab, wo geht's wieder heim und ich ich schäm mich jetzt mal eine Stunde. Keine Ahnung, wie man das dann irgendwie gut rettet, aber auf jeden Fall halt den Leuten sagen, hey Leute, ich hab mich da geirrt. Ich es kann sein, dass das, was ich euch jetzt erzähl, gar nicht mehr so stimmt, weil weil diese Grundannahme falsch war. Dann sind vielleicht die Leute auch toleranter, wenn man wenn man dann noch was erzählt, statt dass man jetzt auf Beinbruch, also Beinbruch da weiterredet und und so tut, als sei nix.
Speaker0: Ich kann mir auch gut vorstellen, dass etwas, was einen daran hindert oder daran hindern könnte, so was dann einzugestehen, ist einfach, wie man an Sinn und Präsentationen rangeht oder wie die im Vorhinein kommuniziert wurde, ne. Also wenn man dann sagt, hey, das sitzt der Vortrag, wo euch der krasse Mehrwert präsentiert wird, das ist vielleicht wünschenswert, ne. Man will ja auch einfach der Teil sein, der dann bietet. Aber wenn man aber von im Vorhinein kommuniziert, hey Leute, es ist irgendwie ein gemeinsames Review, dann lässt sich so was auch leichter machen oder insbesondere vielleicht sogar ein interaktives Review, so wie Du's vorhin beschrieben hast, Johannes, je nach Visualisierung, wenn man damit interaktiv umgehen kann, dann ist es ja sind Visualisierungen ja sogar noch mehr ein Medium, den Mehrwert zu, ja, zu kommunizieren. Die Idee hatte ich hattest, so was hattest Du, glaube ich, auch mal erwähnt, Theo, das als gemeinsames Review zu gestalten. Gibt's denn da, also ich seh hauptsächlich nur Vorteile bei dieser Herangehensweise. Gibt's denn da irgendwelche Nachteile auch, das als so ein Review zu gestalten?
Speaker3: Also höchstens, wenn die Firmenkultur beim Kunden, also aus meiner Sicht, wenn wenn wir jetzt 'n Kundenlieferantenverhältnis hätten und da die Firmenkultur irgendwie sehr schräg ist und die das gar nicht gewöhnt sind, dass man auch offen Schwächen kommuniziert. Mhm. Und die dich damit in eine Schublade stecken von jemandem, der keine Ahnung hat. Wobei ich mir da natürlich die Frage stelle, ob ich mit so jemandem überhaupt zusammenarbeiten möchte. Ja. Aber ansonsten sehe ich's sehe ich's auch so, wenn ich merke oder jemand die Anmerkung macht, eine meiner Grundannahmen ist einfach falsch, ist es so, dann kann ich höchstens noch darüber sprechen, was unabhängig davon vielleicht noch zu sagen ist. Wenn man fachkundiges Publikum hat, kann man ja vielleicht gleich 'n Ausweg diskutieren. Wichtig dabei ist eine emotionale Trennung zwischen sich selbst als der Person und dem Erzeugnis, weil wenn ich dann anfange, das emotional zu verteidigen, nur weil ich mich selbst angegriffen fühle, dann hat keiner was davon. Und wenn's wirklich hart auf Fahrt kommt, ich denke und ja, ich bin mir sicher, wenn man gute Testschleifen einbaut, kann man das Risiko dafür sehr minimieren, aber wenn sich wirklich rausstellt, es ist jetzt alles obsolet, dann habe ich wieder Respekt vor meinen Zuhörern und sag, okay, wir brechen jetzt ab, wir gehen wieder ins ins Büro oder nach Hause oder was auch immer. Ich schenk euch euch jetzt die 60 Minuten, die eigentlich dafür geblockt waren und wir treffen uns in der Woche noch mal.
Speaker0: So, dann schauen wir uns den für heute letzten Storyabschnitt von der Erika an oder hören ihn uns an, besser gesagt.
Speaker4: Erika schließt ihre Präsentation mit dem Satz, vor allem an dieser Grafik hier für den Monat April 2019 erkennt man, dass, obwohl die Anlage im Vergleich zu anderen Monaten mit 1 sehr hohen Geschwindigkeit lief, lange danach keine ungeplante Wartung aufgetreten ist. Damit lässt sich schlussfolgern, dass, 1 von Peters Mitarbeitern fällt hier Erika ins Wort. Ach so, an dem Monat kann ich mich noch erinnern. Der war stressig. Da haben wir spontan eine Massenbestellung von unserem Modell XL 350 b bekommen. In solchen Situationen drehen wir die Maschine gerne hoch. Aber bei den meisten unserer anderen Spülmaschinen könnten wir das gar nicht machen. Da schmiert uns die Maschine irgendwann ab. Welche anderen Spülmaschinen denn, fragt Erika. Sie erfährt während der Präsentation zum ersten Mal, dass die Mitarbeiter, die die Maschine bedienen, in 3 Gruppen unterteilt sind und die jeweils eine eigene Spülmaschine produzieren. Es gibt also 3 verschiedene Typen, also auch 3 verschiedene Einstellparameter. Damit ist ihr Modell nun hinüber. An dieser Stelle hat Erika das Publikum komplett verloren. Sie stammelt vor sich hin. Gut, na ja, also das wurde jetzt hier noch nicht in Betracht gezogen. Zum Ende hin nimmt Achim das Ruder in die Hand. Das war wirklich ein netter Vortrag. Zwar haben hier, glaube ich, ein paar Leute nichts verstanden, aber es war dennoch spannend. Gibt es dennoch Fragen, die jemand beantwortet haben möchte? Niemand meldet sich. Im Einzelgespräch mit Achim bekommt sie im Nachhinein Feedback. Die Kritik fällt sehr üppig aus. Vor allem solle sie mehr Fragen auf Verdacht an die Experten stellen und sei es wegen der kleinsten Kleinigkeit. Aber er informiert sie auch, dass er sich noch mal mit Peter besprochen hat. Und da die Grundzüge gestimmt hatten und das Ganze immer noch als vielversprechend angesehen wird, geht das Projekt weiter. Und Erika bekommt somit eine 2. Chance. Der Druck ist jedoch jetzt sehr hoch und Erikas Selbstwertgefühl bezogen auf ihren Job sehr gering. Wird sie es dennoch schaffen, diese 2. Chance zu nutzen?
Speaker0: Hier vielleicht, Theo, an dich die Frage wieder der Vergleich. Wie geht man da in den 2 verschiedenen Situationen eine externe Data Science Firma, die auf einen Kunden zugeht und der dann so was passiert versus, ich hab eine interne Data Science Abteilung? Also ich kann mir gut vorstellen, dass der Erika das jetzt etwas leichter fällt, noch mal auf die Betreiber der der Montagelinie zuzugehen als jemand, der eher von extern kommt. Wie wie geht man mit soner, ja, wie geht man nach soner Pleite mit soner Situation Situation
Speaker3: Mit Offenheit. Wenn alle Beteiligten nachvollziehen können, vielleicht, die Erika ist ja komplett frisch von der Uni, dass das einfach ihr Erfahrungshorizont war und dass entsprechende Maßnahmen unternommen wurden, um's halt dann beim nächsten Mal besser zu machen. Ich bin auf die Unterstützung meiner Kollegen angewiesen. Und wenn ich denen nichts vormachen möchte und und und da ganz offen kommuniziere, okay, das war halt einfach jetzt das Setting unter dessen Umständen sind die Erkenntnisse zustande gekommen und es ist so. Und jetzt muss ja auch nicht unbedingt der Fehler, wenn man Fingerpointing betreibt, jetzt hier von Edeka sein. Denn am Ende, wenn man sich die übergeordnete Instanz anguckt des Projektmanagers oder man kann ja sogar bis hoch zur technischen Geschäftsführung gehen, dann ist es ja eigentlich deren Aufgabe, auch die Kommunikationsstrukturen zu schaffen. Und man könnte ja auch andersrum argumentieren, warum hat es sich denn niemand berufen gefühlt, proaktiv auf die Erika zuzugehen, deren Ergebnisse vorher auf Plausibilität zu checken? Oder warum wurden ihr nicht diese Informationen zur Verfügung gestellt, wann außerplanmäßiger Produktionsbetrieb stattgefunden hat. Also ganz, ganz schwierig, wenn man da anfängt mit Fingerpointing, aus diesem Grund eliminiere ich solche Gedanken komplett aus meinem Geist und bin nur sozusagen daran interessiert, was müssen wir tun, damit's zumindest beim nächsten Mal dann flutscht? Weil am Ende, es können alle schuld sein, ja? So wie bei Breaking Bad, da hätte jede Person das große Unglück verhindern können. Wer ist jetzt schuld? Ja, keine Ahnung, die Frage ist irgendwie,
Speaker0: ja, lohnt sich nicht geschehen. Sehr gut, jetzt muss ich im Nachhinein noch eine Spoilerwarnung ein einbaut spielen.
Speaker3: Ja. Und und und die einzige Sache hinsichtlich Realismusbezug oder oder quasi Übertragbarkeit auf die Praxis, Bei einem wäre ich vorsichtig und zwar die Zeit aller Beteiligten ist kostbar. Hatten wir jetzt schon ganz ganz oft nicht nur in der Präsentation, sondern auch im Tagesgeschäft. Und wenn die Erika jetzt anfängt wegen jedem kleinsten Detail auf ihre Kollegen zuzugehen, dann werden die irgendwann genervt und frustriert und haben keinen Bock mehr. Das heißt, was was trotzdem nötig ist bei allem miteinander sprechen, ist ein vorheriges wirklich noch mal reflektieren und auch aggregieren von Fragen, damit ich nicht ja immer diesen diesen initialoverhead hab. Ich setze 'n Meeting auf, das kostet irgendwie eine halbe Stunde Overhead dafür, dass dann ein kleines Detail besprochen wird. Ja, das erzeugt eine Frust.
Speaker2: Ich glaube, es gibt auch einen Aspekt, der also ich stimme dir total zu Theo. Ich glaube, es gibt noch einen Aspekt, nämlich wie geht die Erika selber damit also mit diesem Rückschlag. Ich hab das sehr oft in meiner Promotion selber erlebt und auch bei vielen anderen Leuten, die die die mit mir promoviert haben, dass man sehr oft diese Rückschläge hat. Man hat da Arbeit, an der man monatelang arbeitet, man schickt die irgendwo hin, man reicht die irgendwo bei einem Verlag ein und dann wird das begutachtet und man wird abgelehnt. Man kriegt irgendwelche Kritiken zurück. Das Paper wird halt ja auseinandergenommen und oft die Reviewer versuchen ja oft das Ganze objektiv und sachlich zu machen. Aber es ist, ich kenn das, man ist total frustriert und in meiner Wiener Gruppe zum Beispiel hatten wir nach so Paper Konferenz Deadlines, nach der Notification, nachher rejection Partys. Also wir haben alle Leute haben gefeiert, deren Papers abgelehnt wurden. Da durften die, deren Papers angenommen werden, auch ausnahmsweise dabei sein, aber die mussten sich still verhalten. Und im Mittelpunkt standen wirklich die, die halt monatelang da gearbeitet haben und das wurde nicht angenommen. Einfach diesen diesen diesen Fehler, Ich ich glaub, das ist zum Beispiel gerade bei 'ner Promotion total wichtig, wenn man nicht weiß, wie man mit Rückschlägen umgeht. Irgendwann, also man muss das in der Promotion, man lernt's automatisch, weil wenn man's nicht lernt, dann schafft man's glaube ich auch nicht bis zum Schluss. Ich finde es schade, dass in vielen Unternehmen nicht auch dieses Verständnis, dass Rückschläge auch okay sind, gerade wenn man versucht, was international bahnbrechendes zu machen. In der Forschung versucht man ja wirklich was, sich international da gegen Leute durchzusetzen und neue Sachen zu machen, die vor einem noch nie mehr jemand gemacht hat. Und ich glaub, gerade für Innovation und für innovatives Handeln ist auch diese Bereitschaft, dass man halt mal 'n Fehler macht und das Ganze nach hinten losgeht, total wichtig. Das ist nur so sone Sache. Wenn man dann die Kritik hat, die Erika, dass man sich vielleicht mit einem Vertrauten auch noch mal hinsetzt, die Kritik ernst nimmt, schaut, was für Wahrheiten da drinnen steht, schaut, dass man daraus lernt und oft wird die Arbeit dadurch echt besser. Oft lernt man dadurch, man lernt immer mehr aus den Fehlern, die man macht, als durch aus den Erfolgen und im Endeffekt langfristig lernt man eigentlich als Person da mehr, als wenn alles jetzt superdurchflutscht und alles super, so wie es der Gefeierte hält. Mehr lernen tut man anders und langfristig, glaube ich, bringt's einem auch mehr, wenn man sich da auch ernsthaft selber persönlich damit auseinandersetzt. Und klar, also eben auch diese Sachen, dass man halt früher Feedback einholt, zum Beispiel jetzt regelmäßige Meetings mit den Kunden macht. Das wäre jetzt was, was was sie jetzt in der Zukunft vielleicht machen könnte oder auch darum bieten könnte, was das halt in Zukunft so passiert.
Speaker0: Gut. Zum Ende hin noch 2 Fragen. Theodor, warst Du tatsächlich noch nicht im im Meeting dabei, aber da hatte ich mitm mit Johannes Kurz gesprochen und zwar über Predictive Maintenance an sich tatsächlich. Da hing da gab's ja bis jetzt im Podcast schon, ja, wurde eher kritisch beleuchtet, sage ich mal. Und Johannes, mich würd tatsächlich deine Meinung dazu interessieren, weil Du gemeint hattest, dass ihr da auch in dem Feld aktiv seid bei Siemens. Genau, also in meiner Arbeitsgruppe gibt's eben 2
Speaker2: wichtige Richtungen und 1 davon ist eben auch tatsächlich Predictive Mantasainance. Und das ist halt tatsächlich so, wenn man jetzt irgendwelche Geräte oder Maschinen hat, die sich jetzt nicht von heute auf morgen ersetzen lassen oder wo man jetzt nur so einen kleinen Schaltkreis vielleicht bestellen muss, wo man tatsächlich das ganze Teil austauschen muss und dann eine neue Maschine ranschaffen muss. Und das kann echt zum einen halt der Anschaffungswert, aber halt auch dieser Stillstandzeit. Wenn ich da irgend eine Produktionsanlage hab und plötzlich steht das 3 Wochen still, weil halt die Maschine ausgefallen ist und da kann nichts produziert werden, dann ist das ein enormer Verlust fürs Unternehmen. Bei den Projekten, wo wir sind, da ist es tatsächlich so, dass manche Leute sagen, ihr müsst uns das mindestens 2, 3, 4 Wochen vielleicht vorher schon sagen können, dass da was ansteht, einfach auch, weil diese Lieferketten oder die Bestellprozesse so langwierig sind. Aber insgesamt ist Predictive Mainsains 'n total wichtiges Thema. Zum Beispiel eben auch bei Zügen oder so, da macht Siemens ja auch was zum Beispiel für die Deutsche Bahn, dass da halt einfach Ersatzteile rechtzeitig bestellt werden, damit eben möglichst diese Downtime minimiert wird. Genau. Also drum ist 'n total wichtiges Thema eigentlich für uns. Gleichzeitig aber auch sehr, sehr schwierig, weil oft hat man sehr, sehr wenige Fehlerfälle und Machine Learning Modelle brauchen ja oft diese Menge an Daten, diese Menge an Fehlern, wo man halt dann Muster lernen kann und das ist halt, ja, bei so teuren Geräten, zum Glück fallen die nicht so oft aus, also, aber das macht's halt auch total schwer, da 'n Algorithmus dann drauf zu trainieren auf son Ausfall.
Speaker3: Und kannst Du da noch mehr dazu sagen, denn Du sprichst damit was an, das eben genau auch zu meiner Kritik dieser Use Cases führt, wenn Leute an mich herantreten und die voll Autopilot Lösung erwarten, obwohl sie sich noch kein einziges Mal die Daten visuell angeguckt haben. Und gerade in dem Case, wenn ich nicht ausreichend Trainingsdaten für ein Machine Learning Modell zur Verfügung habe, dann zu sagen, okay, dann machen wir's halt rein visuell und der Mensch kriegt halt 'n gutes Dashboard, anhand dessen er dann mit dem Auge Anomalien erkennen kann. Stellt für mich jetzt die Frage auf, wie ist aus deiner Sicht eben diese Balance bei ebenso Use Cases wie bei Siemens im Güterverkehr, wie sehr ist man da in der okay, ich beschränke mich, ist jetzt ein bisschen ein relativierendes Wort, aber ich beschränke mich auf die Visualisierung versus wir bauen hier die Vollautopilot Lösung.
Speaker2: Also nur zur Klarstellung, ich selber arbeite jetzt zum Beispiel mit Güterverkehr. Das war nur ein Beispiel, weil Siemens da prominent ist. Oftmals hat Meg AK andere Chance. Also oftmals muss man den Leuten einfach diese Visualisierungen zur Verfügung stellen, weil weil es halt oft fair ist, mathematisch zu beschreiben, wie sich jetzt so ein Fehlverhalten charakterisiert. Also was er sich einmal steigt irgendwas über einen gewissen Schwellwert, da weiß man aber auch nicht, was der Schwellwert sein soll, dann steigt vielleicht was schnell oder langsam, das kann aber oft auch nur der Domainexperte beurteilen, ob das jetzt ein schneller Anstieg ist oder ob das normal ist für den für den, wie die Maschine gerade geblieben wird für die Einstellungen. Oft geht's tatsächlich nicht anders, als dass das manuell gemacht wird. Die Schwierigkeit oder das Problem ist halt, dass halt man kann oder der Mensch schafft es jetzt nicht da 12 Stunden am Tag irgend son System permanent zu monitoren und da ständig also sich vielleicht auch noch mehrere Geräte parallel zu überwachen. Das heißt, wo was 'n guter Ansatz ist oder was wir manchmal versuchen, ist halt 'n Algorithmus, der halt Anomalien seltsames Verhalten erkennt, den Menschen dann drauf aufmerksam macht, hey, schau mal da drauf, da ist irgendwas komisch und dann kann jeder Mensch sagen. Wenn er dann weiß, hey, jetzt muss ich aufpassen, jetzt schaue ich mir das an und hey, passt schon, was weiß ich. Ich hab da nur irgend 'n Regler gedreht oder das das passt schon, das ist alles im Toleranzbereich. Oder auch, dass das System sich halt merkt, okay, jetzt ist so ein paar Mal so was aufgetreten, das beobachte ich jetzt eine Zeit lang und bin jetzt einfach besonders vorsichtig. Also dass man halt da wirklich 'n System schafft, was den Menschen nicht ersetzt, sondern unterstützt, also die Fähigkeiten des Menschen erweitert, indem man ihm einfach zusätzliche Möglichkeiten gibt, indem er seine Aufmerksamkeit gezielt dann aktiviert, wenn wenn grad was los ist, nach Meinung des Algorithmus und hofft ist es auch 'n Fehlerladen und und alles ist okay. Aber das System kann halt schon helfen. Es ist halt auch da wieder dann eine Balance, weil wenn das System nur Fehlalarm liefert, dann sagt irgendwann der der Experte auch, ich dreh's ab, weil das hält mich ja nur auf, das behindert mich eigentlich nur. Also man muss da selber auch eine gute Balance schaffen. Ein Kollege von mir, der hat immer gesagt, Du hast so fünfmal ihren Gut, also mal Rhythmus oder weiß nicht, ob das jetzt überspitzt ist, bis dann da der Experte irgendwann mal sagt, brauch ich das jetzt wirklich?
Speaker0: Zuletzt noch oder zu guter Letzt besser gesagt noch eine ganz wichtige Frage und zwar, welche Tools benutzt ihr denn zur Visualisierung?
Speaker2: Genau, also bei mir selber, ich bin ja jetzt bei Siemens auch in 'ner Forschungsabteilung, die eben interne Forschung innerhalb des Siemens Konzerns macht. Das heißt, wir verwenden eigentlich gar nicht so viel jetzt Tools selber zur Datenanalyse, sondern wir programmieren teilweise tatsächlich neuartige Visualisierungen vom Scratch und da verwenden wir sehr oft webbasierte Technologien, also Dinge, die dann auch im Browser laufen sollen. Was ich sehr oft verwende, ist zum Beispiel d-drei, das ist sone Java Script Library, die halt dann für das Erstellen von Grafiken im Web ganz nützlich ist, wo man halt viel viele Grundfunktionalität schon kriegt und wo es auch eine sehr aktive Community gibt. Das ist auch aus der Visualisierungs Community rausgeboren von Mike Bostock, der halt selber auch da lange in der Visualisierungs Community drinnen war. Also das ist 'n ganz 'n cooles Tool. Dann 3JS, das ist so 'n Rapper für Webgl, also wenn man tatsächlich jetzt zum Beispiel, wenn's wirklich schnell sein muss, dann macht man halt Sachen, die direkt auf der Grafikkarte laufen, wo halt dann Open Gell, also halt wirklich wie bei dem Computerspiel halt Dinge direkt auf der Grafikkarte ausgeführt werden können. Und da gibt's eben auch fürs Web dann dieses Web Gell und Free. Js ist halt dann auch noch mal so eine library, die dann noch mal drum rumkommt und die das Ganze dann noch mal einfacher nutzbar macht. Dann sehr oft so Javascript, Frameworks wie Angola GS zum Beispiel, das Ganze dann zu integrieren, aber da gibt's auch andere, also das ist jetzt nur 'n Beispiel. Was auch sehr oft passiert, ist eben, dass Berechnungen selber dann in der Cloud stattfinden, einfach weil sie teilweise vielleicht auch vom einzelnen Rechner gar nicht, der hat gar nicht genug Kapazität, das durchzurechnen und wenn man halt das in der Cloud rechnet, dann dann kann halt mal das viel schneller machen und dann ist das Ergebnis auch schon in der Cloud und im Web, dann bietet sich's eigentlich an, dass man das dann halt dann auch im Browser dann direkt anzeigt. Also das ist das, was wir selber halt einsetzen. Was wir aber trotzdem auch einsetzen, sind natürlich auch so Tools wie jetzt Tableau. Das ist auch 'n Tool, was aus der Visualisierungscommunity kommt. Das ist eben, glaube ich, mit 'nem Pat Henran und Stolty, die damals, der hat der seine Promotion, glaube ich, zudem macht und und das ist halt dann nachher Tableau daraus entstanden. Eine sehr, sehr erfolgreiche Firma, die auch weltweit addiert und Tableau verwenden wir jetzt zum Beispiel auch in der Gruppe mal, eine Visualisierung am Anfang zu skizzieren. Also so mal grob die Ideen, was könnten da für eine für eine visuelle Darstellung grob tasten und wenn man dann mal sone Idee hat, feintunern, kann man's halt dann, indem man's halt dann wirklich in in d 3 umsetzt. Aber da gibt's auch andere Tools, Spotfire zum Beispiel, also Tableau ist jetzt auch nur ein Beispiel. Bei den Trainings, die ich bei Siemens anbiete, da lernen die Leute tatsächlich bei uns auch eben teilweise Tableau, weil das halt im Gegensatz zu Excel zum Beispiel sehr viele Vorteile bietet, dass man sehr schnell Visualisierungen kriegt, dass man sehr schnell die Visualisierung anpassen kann. Genau und das ist halt für viele Bereiche Es gibt ja nicht nur die Data Scienties, es gibt ja auch genug Leute, die halt nicht programmieren oder wenig Hang zum Programmieren haben und und für die ist das halt auch ganz gut geeignet dann. Genau, also das sind so die Tools, die so generell eingesetzt werden. Genau, Klickview und KlickSense gibt's dann auch noch, da habe ich aber keine Erfahrung damit. Genau. Ist ähnlich glaube ich auch zum Tableau von der Funktionalität her.
Speaker3: Von unserer Seite kann ich das spiegeln. Also bei uns ist es so, dass wir in den verschiedenen Phasen unterschiedliche Tools dann, wie Du es auch schon geschrieben hast, Johannes, einsetzen, nämlich wenn's das Thema Datenexploration geht, ist uns das egal, ob die Ästhetik jetzt sehr gut ist oder nicht. Das heißt, da sind wir einfach auf dem, was gut handelbar ist, mattplotLib, plotly, ja, das liefern uns dann die Ergebnisse. Wenn's dann in den nächsten Schritt reingeht, in sich also hin in die Richtung Managerpräsentation, sind wir aktuell dann dahin gegangen, dass wir die Visualisierung mit machen und die unser Designer per Hand nachzeichnet, weil er damit schneller ist, als wenn wir dann sozusagen die Packages so verbiegen, dass es unserer CI entspricht. Und da auch in der Präsentation, da ist es egal, ob das dann, ob die Linie in dem Pixel zu weit unten oder zu weit oben ist. Es geht ums Grundprinzip. Und für den dritten Schritt, nämlich dann dem Bauen von der Applikation, sind wir aktuell in der Technologie Exploration und tatsächlich auch bei D3 rausgekommen.
Speaker2: Ja, da gibt's übrigens auch noch andere Charge GS zum Beispiel, habe ich jetzt auch nicht genannt vorhin. Also es gibt tatsächlich sehr viele Libraries teilweise, die es auch im Web gibt und wo auch eine 1 große Community teilweise dahintersteckt.
Speaker0: Alles klar. Dann sage ich vielen Dank an euch, Barte. Vielen Dank Johannes. Vielen Dank Theo für die tollen Eindrücke und genau.
Speaker2: Jo, danke dir.
Speaker0: Tschau, bis zum nächsten Mal.
Speaker2: Tschau, perfekt. Tschüs.
Speaker0: Tschau. Hier noch einmal die 3 wichtigsten Learnings aus der heutigen Folge. Nummer 1, Versucht euch vor eurem Vortrag wirklich ganz klar zu informieren, wer kommt denn da überhaupt und wie sieht denn ein potenzieller Mehrwert für dieses Publikum überhaupt aus? Wenn man sich das einmal bewusst gemacht hat, wird meistens auch klar, dass man sich nicht in theoretischem Gerede über den eigenen Algorithmus verlieren sollte, sondern mehr den Mehrwert für das Publikum ins Zentrum rückt. Nummer 2, sollte mal etwas schiefgehen, am besten offen damit umgehen. Je offener man kommuniziert, desto besser kann einem auch geholfen werden, wovon am Ende natürlich auch das Projekt profitiert. Und Nummer 3, man sollte den Vortrag oder die Präsentation mehr als ein gemeinsames Review gestalten von Ergebnissen, die, ja, die man bis zu diesem Zeitpunkt erreicht hat. So übergeht man dieses klassische Kundelieferant Verhältnis und sorgt für eine flüssigere Kommunikation bezüglich des Prozesses. Für weitere Infos zu Johannes und einem Link zu unserem E-Mail-up mit ihm schaut einfach in unsere Beschreibung. Bis zur nächsten Woche, 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 wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The Eriom Podcast. IRIUM
Speaker3: Podcast.