Florian Wetschoreck – Data Scientists das Leben leichter machen

Season 2· 15. Juli 2020· 1250

Episode cover: Florian Wetschoreck – Data Scientists das Leben leichter machen
0:001250
  • Host (The Erium Podcast)Host
  • Florian WetschoreckCo-Creator of Bamboolib / Founder of aty labs

Overview

In this episode, the host speaks with Florian Wetschoreck, the Co-Creator of Bamboolib, a GUI for the Python library Pandas. Florian explains how Bamboolib is designed to make data scientists' everyday work easier by bridging the gap between semantic thinking and syntactic programming. He also shares his personal journey from the University of Karlsruhe through various start-ups to building his own product.

About the guest

Florian Wetschoreck holds a Master of Science in Business and Engineering (Wirtschaftsingenieurwesen) from the Karlsruhe Institute of Technology, with a focus on machine learning and data science. During his studies, he already served as Head of Machine Learning and Data Science at the start-ups Smartpricer and Mankido, and subsequently worked as a Data Science Consultant at Statworks. Today he is Co-Creator of Bamboolib, a GUI for Pandas, which is being developed as a spin-off from Statworks under the umbrella of his company aty labs.

Summary

What is Bamboolib and what does it stand for?

Bamboolib is a graphical user interface (GUI) that can be embedded directly in Python notebooks, giving users - regardless of their programming skills - access to the full power of Python and Pandas. Florian humorously describes it as 'Excel on steroids': you can process larger datasets, have better visualization options, and still work in a reproducible way. Users can perform operations in natural language and then export the generated Python code.

The core problem: semantics vs. syntax

Florian identifies the central problem that Bamboolib solves: the gap between what you want to do (semantics) and how you have to express it in code (syntax). If you know you want to select four columns, you still need to know a specific, non-trivial syntax in Pandas - and that syntax differs depending on the tool (Python, R, SPSS, etc.). Bamboolib removes this syntactic hurdle, reduces cognitive overhead, and enables faster work. Even experienced data scientists benefit, since for many everyday transformations - such as binning a column - they regularly have to look up the correct Pandas syntax.

Data exploration: repetitive, time-consuming, and often neglected

One concrete origin of Bamboolib lies in Florian's observation at Smartpricer: with every new dataset, the first and most important step was data exploration - yet this step is repetitive and therefore tends to be done reluctantly and superficially. Bamboolib aims to address exactly this by delivering best-practice visualizations at the click of a button. Instead of manually writing code for an interactive histogram or a clickable correlation matrix, the user gets these views in seconds. This allows data scientists to use the time they would otherwise spend on boilerplate code more productively.

Smart abstraction: automatic visualization selection

Another feature Florian highlights is the automatic selection of the right visualization type based on the data types of the selected columns. Whether two columns are numerical, categorical, or mixed - Bamboolib internally chooses the appropriate representation. The user simply specifies which columns they want to compare and gets the right chart without any further deliberation. This eliminates many manual intermediate steps that normally lie between the thought 'I want to compare these two columns' and the actual plot.

Team, background, and the story behind the product

Bamboolib is a spin-off from the data science consultancy Statworks and is developed full-time by Florian and his co-founder Tobias under the umbrella of aty labs. Both describe themselves as full-stack developers with a data science background - a combination that Florian considers essential for building a product like this. The idea originally emerged from Florian's master's thesis, in which he developed an assistant for interactive data exploration. Customer feedback then led to the addition of data transformation features, as exploration and transformation are closely intertwined in practice.

Personal journey and the importance of mentoring

Florian highlights his time at the start-ups Smartpricer and Mankido as pivotal to his development. There he worked closely with the respective CTOs and received an intensive, informal private education in programming and data science - comparable to mentoring that lasted months and years. This experience made him a firm advocate of personal mentoring. He references research by education scientist Bloom, who showed that individual mentoring can raise students and learners to significantly higher levels of performance.

Key takeaways

  • Bamboolib bridges the gap between what data scientists want to do (semantics) and the concrete programming syntax (e.g. in Pandas) - saving considerable cognitive effort in the process.
  • Data exploration is one of the most time-consuming and least popular parts of data science work - Bamboolib makes this step significantly faster and more enjoyable through interactive best-practice visualizations.
  • Bamboolib automatically selects the right visualization type based on the data types of the chosen columns, relieving the user of many manual decision steps.
  • The tool is aimed at both Python beginners and those migrating from other tools (R, SPSS) as well as experienced data scientists who want to explore data more quickly.
  • According to Florian, personal mentoring in start-up environments was the decisive factor in his own technical skill development - he explicitly recommends this form of learning.

Conclusion

Bamboolib addresses a real and widespread pain point in the daily work of data scientists: the syntactic friction involved in data exploration and transformation. Florian Wetschoreck demonstrates how a deep understanding of one's target audience - combined with full-stack development expertise and consistent customer feedback - can lead to a product that creates genuine value. At the same time, the episode offers valuable personal insights into the importance of mentoring and the transition from being a pure user to becoming a tool builder.

For data science beginners

Bamboolib can significantly ease the entry into Python and Pandas by lowering the syntactic barrier and providing immediately usable best-practice visualizations.

For experienced data scientists

Even those who are proficient in Python benefit from Bamboolib through faster exploration, automatic visualization selection, and reduced boilerplate code - especially during the repetitive EDA phase.

For founders and product developers

Florian's path from a master's thesis through consistent customer feedback to a market-ready product is a vivid example of how to develop and iteratively refine a niche product for a technical target audience.

Show full transcript

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

Speaker1: Heute spreche ich mit dem Developer und Founder von Bambulib, Florian Vetzurek. Er erzählt uns, wie er die Arbeitsweise von Data Scientist verändern möchte, welche Pains er damit bekämpfen will und warum Vambulib einfach nur Excel auf Steroide ist. Seid gespannt. Master of Science in Business and Engineering vom Karlsruher Institut für Technologie, wobei er seinen Fokus auf Machine Learning und Data Science gelegt hat, währenddessen bereits Head of Machine Learning and Data Science bei Smartpricer und Mankido, anschließend Data Science Consultant bei Statworks und jetzt Co Creator von Bambulipp, einem GUI für Pandas. Ich freu mich sehr, dass heute da ist und bin gespannt, was er uns zu erzählen hat. Florian Vetscheek. Hi Florian, wie geht's dir?

Speaker2: Hi, vielen Dank für die Einladung.

Speaker1: Toll, dass Du da bist. Ich bin sehr gespannt. Wobei stör ich dich gerade? Wobei hab ich dich raufgerissen? Was hast Du denn bis heute schon so gemacht? Ja, der ganz normale

Speaker2: Arbeitsalltag morgens entwickelt und nachmittags verschiedene Meetings und und Konzepte

Speaker1: entwickelt, ja. Mhm. Das heißt, Du bist bist Du mit beim BULLIP beschäftigt? Ist es quasi dein dein einziger Job momentan, da dran zu entwickeln?

Speaker2: Richtig. Bambuleb ist ja ein Teil von aty labs. Und aty labs ist meine mein meine mein Job. Und allerdings haben wir auch noch andere Produkte und andere Light least, die wir entwickeln, aber die meiste Zeit entwickle ich ja jetzt tatsächlich an, ja.

Speaker1: Dann lass uns da doch direkt reinspringen. Kannst Du unseren Hörern vielleicht kurz einen Einblick geben, was

Speaker2: genau ist und was man sich drunter vorstellen kann? Bamboolib ist ein GUI, mit dem jeder Data Scientist oder auch Zugriff auf die Power von Python hat. Und zwar egal, ob er bisher nur mit Excel gearbeitet hat oder von R, SBSS oder Rapid Miner zu Python migriert. Man könnte auch salopp sagen, es ist Excel auf Steroide, weil man eine stärkere Outlookskraft hat. Man kann größere Datensätze mit verarbeiten, man hat bessere Visualisierungsmöglichkeiten. Und natürlich ist es alles reproduzierbar, wie man's heutzutage aus Python Skripten oder Notebooks kennt. Und bietet er bei dem, weil er sich größtenteils in natürlicher Sprache ausdrücken kann. Und anschließend kann der dann den Python Code exportieren, wie gesagt die Analyse reproduzieren zu können. Und zusätzlich ermöglicht beim Boot überhaupt Personen, die jetzt den Python schon programmieren können, also schneller ihre Daten zu explorieren, da sie viele Best Practice Visualisierungen per Knopfdruck bekommen.

Speaker1: Und was war da genau die Motivation dahinter für für dieses GUI? Ich spiel jetzt mal son bisschen den Deppen und sag, ich ich will meine und fashion Panders Coding Skills ausleben und und will nicht so einen GUI haben. Und das sollte auch jeder so machen, weil nur so lernt man's richtig. Was sagst Du denn dazu? Was ist genau die Motivation dahinter gewesen, beim Bullib zu kreieren?

Speaker2: Mhm. Das eine ist der Werdegang, das andere ist die Motivation. Ich trenn es vielleicht mal auf. Also zur Motivation beim löst das Problem, Du weißt, was Du machen möchtest, aber nicht 100 Prozent wieder genau wie der Code lautet. Das heißt, die meisten fallen an und müssen ab und zu mal was aufs suchen oder müssen noch mal nachdenken, was die kognitive Belastung von vor allem in Python stark erhöht. Und es ist viel einfacher, das auf 1 sogenannten semantischen Ebene zu tun. Das heißt, da gibt's 'n schönes Paper aus dem, die zwischen semantisch und syntaktisch unterscheidet. Semantisch heißt, ich möchte zum Beispiel 4 Spalten selektieren. Und syntaktisch heißt, ich muss jetzt in Pandas eingeben, d f, eckige Klammer auf, eckige Klammer auf, Anführungszeichen et cetera. Und das sind Implementierungsdetails, das sind Syntaxdetails, die in anders sind als in Python bei x, die anders sind in r, anders sind in sp s s. Aber unter der Haube möcht man immer das gleiche Semantische tun und sagen, man möchte einfach nur da die Spalten selektieren. Und dieses semantische Konzept ist immer das Gleiche. Das kann man auch als bezeichnen. Nur die und die Implementierung ist immer was anderes. Und vor allem heutzutage haben wir auch mit einigen Editor gesprochen, die verschiedenste Tools verwenden und auch zwischen den Tools migrieren. Wir haben aktuell viele Kunden, die nach Python auch migrieren. Und die wissen, was sie tun wollen, aber nicht ganz genau, wie die Syntax lautet. Und genau diese Hürde wird Ihnen da mitgenommen. Und dazu kommt auch, dass Sie's schneller erledigen können, als den Code zu schreiben und eben mit weniger kognitiven Overhead.

Speaker1: Das wär jetzt mal eine nächste Frage gewesen. Und zwar, wie Ihr quasi aufmerksam geworden seid auf diesen, ne. Also ich mein, Du hast dich ja auch fokussiert auf Machine Learning und Data Science. Das heißt, ich ich würd jetzt mal behaupten, dass Du vielleicht nicht das Problem hattest, zunächst zwischen verschiedenen Programmiersprachen hin- und herwechseln zu müssen. Aber wie genau bist Du denn auf diesen auf diesen von Data Scientist, den ihr da mit den ihr da mit Beheben wollt? Wie genau seid ihr da aufmerksam geworden darauf?

Speaker2: Also ja und nein, ich hatte den auch, weil mein ganz am Anfang habe ich meine ersten Machine Learning Algorithmen noch in umgesetzt und das danach auf Python migriert. Mhm. Und auch wenn wir hoch heute, wenn wir noch an an MambouLab arbeiten, verschiedenste Transformationen Pandas, die sind einfach nicht trivial. Da muss man einfach googeln dafür, zum Beispiel so was Einfaches wie, man möchte eine Spalte binnen mit von von 0 bis 80 mit 1 Binnenweite von 10. Diese Syntax ist in Panders nicht trivial. Und dafür muss man googeln, beziehungsweise ist es auch sehr viel Schreibaufwand. Und das wurd einem dann erst richtig bewusst. Ganz persönlich kam ich jedoch über meine Masterarbeit zu. Und zwar, was mir damals in Berlin, weil's mal Pricer aufgefallen ist, ist, wir haben immer wieder neue Daten bekommen. Und eine der wichtigsten Schritte ist die Datenexploration. Die Datenexploration ist jetzt nun mal sehr repetitiv und wird deshalb auch sehr ungerne gemacht. Und deshalb war das Ziel meiner Masterarbeit, einen einen Assistenten für interaktive Datenexploration zu entwickeln. Und aus diesen Assistenten ist dann erst entstanden. Wurde dann gemeinsam mit, können wir direkt nachher noch mal drauf eingehen, der Beratungs entwickelt. Und das hat sich dann langsam Richtung entwickelt, weil dort dann die ersten Kunden von auch gesagt haben, was jetzt noch toll wäre, wäre, wenn ich auf meine Transformation, die ich in der Daten Datenexploration, die ich dafür noch brauche, wenn ich die auch noch ausführen könnte, weil die beiden Themen Datenexploration, Datenvisualisierung und Transformation sehr stark miteinander verwoben sind. Was man zum Beispiel auch sehr schön sieht an Tools wie der Bibliothek, Altair, die sie, die sowohl eine ermöglicht, als auch quasi die kompletten, also alle möglichen Datentransformationen, die man sich vorstellen kann, kann man dort auch noch im Rahmen der Visualisierungslibrary machen, einfach deshalb, wenn man für Visualisierung oft auch Transformation benötigt. Und da sieht man schon, wie stark diese beiden Themen miteinander verbogen sind. Wie viel Data Science machst dann Du eigentlich noch in deinem in deiner jetzigen Position?

Speaker1: Ist es jetzt ist es jetzt eher, sag ich mal, entwickelnder Natur bei dir, was Du was Du machst bei Bam Bullib? Oder wie wie kam das genau? Also ich ich stell mir jetzt grade momentan eher so die den Switch vor von, Du hattest dich fokussiert auf Data Science und machine learning und jetzt hast Du mehr sone, ich nenn's mal Metaperspektive eingenommen zu, wie macht man überhaupt Data Science und was kann man da verbessern? Wie ist ist das so? Da machst Du tatsächlich noch, sagst Du noch, hey, keine Ahnung, ich, keine Ahnung, dienstags nehm ich mir jetzt noch 'n Dataset und und schau, was ich da alles machen kann.

Speaker2: Wie genau sieht das aus? Es ist son Mix aus beidem. Tatsächlich ist es aktuell deutlich mehr entwickeln als aktiv Data Science anzuwenden. Wobei wir tatsächlich auch, wir versuchen das meistens freitags noch mal uns irgend 'n Datensatz zu nehmen, bei 'nem Hackathon mitzumachen und dann auch sowohl zu sehen, was wie wir mit dem Problem umgehen würden, als auch zu sehen, wie gut beim Urlaub auch diesem Problem jetzt performt. Aber natürlich ist die die Zeit, die wir mit reinem Data Science verbringen in 'nem in soner Projektnatur, die ist gesunken. Was allerdings gestiegen ist, und das ist auch das, was ich an dem Job sehr liebe, ist die für den ganzen verschiedenen Problemen, weil wir natürlich die verschiedensten Probleme dadurch jetzt erleben, die verschiedensten Visualisierungstypen, auf die man sonst seinen Job eventuell gar nicht stößt. Das heißt, wir haben 'n sehr guten Überblick, was es eigentlich alles so gibt und was man noch so machen könnte. Und zudem haben wir natürlich auch die Zeit, die einzelnen Analysen dann sehr gut und sehr ausführlich zu machen. Ich mach mal 'n Beispiel. Und zwar Data Scientisten sind sind sehr stark an das gebunden, was die für sie können bisher. Das heißt, wenn die ein Histogramm kann und das Histogramm dann nicht interaktiv ist, dann kann ich damit nichts tun. Dann kann ich ja nicht keine Interaktivität rein programmieren, weil ich brauch das jetzt Histogramm. Das brauch ich in maximal 5 Minuten, hoffentlich nur in 5 Sekunden brauch ich mir das zu erzeugen. Und ich habe nicht die Zeit, dann noch große Erweiterung und Optimierungen vorzunehmen. Die Zeit hab ich einfach nicht. Und wir können uns die Zeit aber nehmen. Das heißt, wenn wir zum Beispiel sagen, okay, Du möchtest 'n interaktives Histogramm, wo man mit der mit dem Maus reinzoomen kann. Ich mach mal 'n Beispiel. Man hat jetzt son Histogramm und es, die Verteilung ist extrem schief. Das liegt zum Beispiel daran, dass man irgendwelche Outleihe hat oder einfach generell, dass wir eben eine starke Exponentialverteilung haben. Dann möchte man jetzt zum Beispiel in den Bereich reinzoomen, wo denn die die meisten Werte liegen und möchte man optimalfall, dass dort dann auch noch direkt. Wenn man das jetzt aber bei macht, was ja eine interaktive Visualisierung erlaubt, dann wird das nicht anpassen, weil sone statische interaktive Analyse ist. Was man aber haben möchte, ist eigentlich, man möchte da reinzoomen und da sich danach die Bike, wo man reingesoomt hat, direkt wieder neu. Das ist aber etwas, das kann einen Leader Scientisten deiner persönlichen Arbeit nicht leisten, das diese Interaktivität zu programmieren. Das heißt, er wird irgendwie versuchen, den Code mehrfach auszuführen, 'n bisschen zu filtern und irgendwie in dieses Ergebnis ranzukommen. Aber sone richtige Interaktivität wird er sich nicht leisten können, die zu die zu programmieren. 'N weiteres Beispiel wäre zum Beispiel eine Korrelationsmatrix, wo man auf einzelne Felder draufklicken möchte, danach die b-Variante Verteilung zu sehen. Mhm. So was haben wir bisher auch noch nicht gesehen. Aber das heißt, wir konnten oder mussten so was auch für uns selber entwickeln. Ein Data Scientist würde es aber nicht selber entwickeln, der will dann immer wieder den Code ausfüllen müssen oder die Spaltennamen einen Ja, Trial and Error. Genau, war Error immer wieder sehr alternativ. Und das ist auch genau das, was dieses Gefühl von Data Exploration ist irgendwie sehr, das macht keinen Spaß, das ist sehr repetitiv. Genau diese diese Punkte sind's dann, wie es auch dieses Gefühl entstehen lassen. Wenn man eigentlich nur mal kurz draufklicken möchte und mal schnell was sehen möchte. Aber dann geht's schon weiter, als hat man 2 verschiedene Spalten möchte, die die Variante Verteilung sehen. Aber das überhaupt tun zu können, muss man erst mal muss man erst mal checken, was sind denn die Datentüten der beiden Spalten? Und je nachdem, ob sie kategorisch, numeroisch, beide numerisch et cetera sind, muss man eine andere Visualisierung wählen. Das heißt, man muss auch immer sich Gedanken machen, was für eine Visualisierung brauche ich jetzt? Und dann die auch noch implementieren können. Alles Schritte, die man ausfüllen muss, obwohl man eigentlich nur auf eine Spalte drauf klicken möchte. Und was wir da eben zum Beispiel entwickelt haben, ist eine 1 API, eine die die Datentypen weg abstrahiert. Das heißt, man kann einfach nur sagen, bitte den b-Varianten-Blot von diesen beiden Spalten unter der Haube wird dann automatisch gewählt, was für eine Visualisierungstyp jetzt sinnvoll ist. Und das sind eben einfache APIs, die dann auch verwendet werden können in in zum Beispiel der Korrelationsanalyse, wo man dann draufklicken kann. Und dann wird das einem alles abgenommen. Und es sind eben sehr viele Schritte aus dem Prozess raus, sodass aus, ich möchte mal kurz klicken, es dauert 5 Sekunden.

Speaker1: Das kann man irgendwie 5 Sekunden machen, anstatt in ein Minuten, 3 Minuten et cetera. Das klingt auf jeden Fall weitaus angenehmer, auch für Leute zum Beispiel wie mich, die eben, ich hatt es dir kurz im Vorgespräch gesagt, ich hab letztes Jahr son bisschen den Einstieg versucht zu finden in Machine Learning und Data Science. Und für jemanden, der quasi nicht wirklich Coding Skills mitbringt, klingt so was auf jeden Fall spannend und auf jeden Fall angenehmer für den für den Einstieg auch. Und auch unter dem Aspekt, wir hatten's in der ersten Staffel ganz oft angesprochen, welche, wie viel Zeit tatsächlich und einnimmt einnimmt im Vergleich zu zu anderen Aspekten in der Arbeit 1 Data Scientists. Und was auch oft bestätigt wurde von den Gästen, die hier jetzt dann da waren, ist es natürlich noch mal besonders wichtig, speziell diesen Teil der Arbeit angenehmer zu gestalten und vielleicht auch einfach effizienter zu gestalten. Also das klingt auf jeden Fall spannend. Kannst Du uns vielleicht noch 'n kleinen Einblick geben, wie's denn bei Bambulib genau ausschaut? Also Du beschreibst quasi, Du sagst die ganze Zeit wir, wir, wir, aber wer wer ist denn wir? Wie viele Leute arbeiten denn jetzt zum Beispiel an beim BULIP und aus welchen Bereichen kommen denn die Mitarbeiter dort? Sind das alles Software Engineers oder wie genau schaut das aus?

Speaker2: Aktuell sind wir vor allem 2 Personen. Das sind Tobias und ich. Wir arbeiten hauptberuflich an beim Bullib und auch Vollzeit. Allerdings sind wir eine Ausgründung aus Deadworks, aus der Beratung und haben dort auch verschiedene Freunde, Kollegen, die uns regelmäßig dabei helfen, unsere Feature zu reviewen, auch mal anderen Input geben und uns auf verschiedenen an verschiedenen Ecken und Enden unterstützen. Und unser Background von Tobias und mir ist tatsächlich sehr Software Engineering getrieben. Also wir bezeichnen uns auch beide als Full Stack Entwickler. Wir sind nicht nur Data Scientisten, sondern wir können auch, haben eben auch Software Engineering Kenntnisse, was sehr wichtig ist für die tägliche Arbeit, weil sonst kann man so ein Produkt wie beim BullLab nicht bauen, weil man dann ja, da die Komplexität irgendwann nicht mehr

Speaker1: nicht mehr beherrschen kann. Klar. Also kurz für die, bei denen grad was klingelt, wenn sie Stadworks hören. In 1 vorherigen Folge hatten wir Fabian Müller, den Head of von Stadwork zu Gast, Stadworks zu Gast. Da könnt ihr natürlich auch noch mal gerne reinhören. Kurz zu deiner Ausbildung oder zu deinem Werdegang besser gesagt, wie genau kamst Du denn dann zu und machine learning? Ich hatte jetzt schon mehrfach erwähnt, dass Du da deinen Fokus drauf gelegt hast, aber in deinem Studiengang steht ja erst mal Business and Engineering. Wie genau kam's denn dann zu Machine Learning und Data Science? Kannst Du uns da was dazu erzählen? Gerne. Business and Engineering

Speaker2: steht im Deutschen für Wirtschaftsingenieurwesen. Und da hab ich mich auch bewusst für Karlsruhe entschieden, weil man in Karlsruhe automatisch damit auch Informatik wählt, ja. Karlsruhe ist beim Wirtschaftsingenieurwesen eine der wenigen Universitäten, die eben Fokus auf Informatik und Operations Research legt im Gegenzug zu Maschinenbau oder Elektrotechnik. Und das heißt, Informatik war für mich schon seit jeher interessant. Ich hab's mir auch als Kind, als ich 12, 13 war, auch zum gewissen Grad beigebracht und dann auch im Studium vertieft. Und in der Bachelorarbeit hab ich dann entschieden, eine Simulationsanalyse mit Java geschrieben für die Steuerung von Produktion, von Produktionssystemen. Wenn Du das was sagst, und und Trump, Buffalo, Rope. Und hab anschließend die Simulation ausgewertet, dieses Auswerten hat mir sehr viel Spaß gemacht, generell auch dieses quantitative Arbeiten. Und das Ganze ist dann zusammengefallen mit dem steigenden medialen, na, mit der der steigenden Medienpräsenz von Data Science. Und dann hab ich mich entschieden, dass ich mir dieses Thema im Master noch genauer anschauen möchte. Und hab mich dann für das Praktikum beworben und danach ging alles sein kann.

Speaker1: Und wenn Du jetzt so zurückblickst auf deine Ausbildung und auch deinen beruflichen Werdegang, gibt's da ein spezielles Ereignis, irgendein außergewöhnliches Ereignis, was dich sehr geprägt hat? Beziehungsweise gibt's vielleicht sogar irgendwas, was Du anders machen würdest oder was dich genau, was dich besonders bewegt hat?

Speaker2: Was für meinen aktuellen also was für meinen Werdegang entscheidend war und mir auch sehr viele Möglichkeiten eröffnet hat, war zweifelsohne die Zeit in den beiden Start ups bei Smartpricer und bei mein Kilo. Und zwar vor allem deshalb, weil ich in beiden Start ups extrem eng und extrem eng mit dem CTO zusammengearbeitet habe und dort de facto von 2 Superpersönlichkeiten und auch Supertechnikern eine Privatausbildung in Programmieren, Data Science et cetera genossen habe. Und das war wie Mentoring. Und zwar über mehrere Monate und Jahre hinweg. Und das hat mir einen sehr starken Push gegeben und mich überhaupt erst mal auf das technische Level gebracht, auf dem ich jetzt bin. Und seitdem bin ich auch ein riesiger Verfechter von Mentoring. Und da gibt's ja auch die Forschung zu dem 98 Prozent Quantie von, ich glaube, Bloom heißt der der Bildungsforscher, der dort gesagt hat, wenn nur alle Leute persönliches Mattering bekommen würden, dann würden wir die Performance von all unseren Schülern auf das Level heben. Und das kann ich definitiv nur bestätigen. Florian, ich sag vielen Dank.

Speaker1: Das war superspannend, toll, dass Du da warst und ich wünsch dir noch alles Gute und viel Erfolg mit Bam BULIP.

Speaker2: Super, vielen Dank für die Einladung.

Speaker1: Das war mein Gespräch mit Florian Wetscheek. Bam BULIP klingt wirklich sehr vielversprechend und ich bin mir sicher, dass es mir damals den Einstieg in Data Science sehr erleichtert hätte. Wie war das bei euch? Seid ihr auch weitestgehend ohne Codingskills in Machine Learning eingestiegen? Und wie habt ihr die große Lernhürde genommen? Lasst es mich auf unseren Social Media Kanälen wissen. Wenn ihr wissen wollt, wie man noch die gängigsten Pains von Data Scientists handeln kann, dann hört in unsere Folge zu basion methodits aus unserer ersten Staffel rein. Der Link ist in den Shownotes. Master the Complexity.

Speaker0: 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 IRIUM Podcast.

More episodes from season 2 →