FÜR WELCHE FIRMEN MACHT DATA SCIENCE ÜBERHAUPT SINN? – mit Martin Szugat

Season 3· 8. Dezember 2020· 3368

Episode cover: FÜR WELCHE FIRMEN MACHT DATA SCIENCE ÜBERHAUPT SINN? – mit Martin Szugat
0:003368
  • Dr. Theo SteiningerCo-Founder & CEO at Erium
  • Martin SzugatGuest, Managing Director at Datentreiber
  • Dr. Maksim GreinerCo-Founder & CTO at Erium

Overview

In this episode of the Erium Podcast, host Theo Steininger, co-host Maksim Greiner, and guest Martin Szugat use the fictional data science newcomer 'Erika' to explore how to properly set up a data science project. The central question is when and under what conditions data science actually makes sense for a company - from selecting the right use case and assessing the data situation to anchoring the initiative strategically within the organization.

About the guest

Martin Szugat is Managing Director of Datentreiber, a consulting firm that helps companies build meaningful and future-proof data strategies. He brings experience in software engineering as well as a background in bioinformatics and data science, and has guided numerous companies through the development of data strategies, use case prioritization, and the introduction of data-driven ways of working.

Summary

Use Case Selection: Don't Think Too Narrowly, Don't Commit Too Early

The story character Erika starts with a concrete idea for predictive maintenance - a classic beginner's mistake, as the group explains. Going into a project with a single, predefined use case risks developing tunnel vision that blinds you to potentially more valuable alternatives such as root cause analysis or visual inspection. Instead, the recommendation is to prepare a 'bouquet' of use cases: come well prepared, but remain flexible enough to identify the most relevant use case through dialogue with the specialist department. Proactively approaching business units is explicitly encouraged - but better done with open questions about goals and problems than with ready-made solution proposals.

Domain Knowledge and a Shared Language as Keys to Project Success

A central learning area for data scientists in industrial environments is the specialist jargon of the respective domain. Terms like OEE (Overall Equipment Efficiency) or NIO must be understood before meaningful questions can be asked. Martin Szugat advocates creating a shared 'business dictionary' as part of a data strategy - one that brings data scientists, IT, and production onto common ground. Without this shared understanding, projects frequently end up going 'back to square one': midway through a project, teams realize they were not yet ready for the intended use case and must first solve more fundamental problems.

Data Strategy Before Data Projects: Invest First, Benefit Later

A recurring theme is the gap between the desire for quick results and the actual maturity of the data foundation. HP serves as an illustrative example: the company equipped all machines in its factories worldwide with sensors five years ago, guided by a clear principle - you have to invest before you can benefit. Sensor data that is never stored in the factory, failure rates that are far too low for a predictive model, or data sources that cannot be meaningfully linked are typical stumbling blocks. The core message: those who know today what they want to do with data in five years can start collecting the right data now - rather than only realizing what they need once a project is already failing.

Exploration Is Part of the Project - Agile Approaches Instead of Waterfall

Data science projects work fundamentally differently from classic IT projects. While the latter start with clear specifications and work through them, in data science the process of defining the goal is itself part of the project. The group distinguishes two phases: exploration (mapping the problem space and solution space, learning, running experiments) and exploitation (scaling value from validated approaches). Many companies fail because they want to move into exploitation too early, before exploration is complete. The 'lean' principle - taking small steps to reduce risk early - is recommended as the antidote.

Workshops as a Launchpad: Bringing Together Business, User, and Data Understanding

As a practical tool, Martin Szugat recommends multi-day 'data thinking workshops' in which all relevant stakeholders - production managers, IT, and data scientists - collaboratively develop business understanding, user understanding, and data understanding. Half a day is not enough: the first day is often dominated by group dynamics and getting to know one another before things become truly productive. Only on the second day can a concrete use case be examined in depth - including the question of whether data sources can actually be linked. The workshop also creates commitment: those who have jointly developed a solution can no longer easily disengage.

ROI and Business Case: A Single Use Case Rarely Pays for Itself

The profitability question is discussed using Erika's project as an example: savings of 50,000 euros in the best case may sound attractive at first, but given realistic project costs and the typical deviation from the best case, this is often too little to justify a project on its own. The recommendation is to calculate a business case not for a single use case but for an 'analytics roadmap' comprising several interconnected use cases - factoring in synergies in infrastructure and data sources. Projects with a payback period of more than one year should initially be moved to the backlog. The first use case often also serves the purpose of validating critical assumptions and better preparing the organization for follow-on projects.

Strategic Anchoring: Data Science Needs Leadership and Patience

As a closing assessment, Martin Szugat warns against treating data science as an isolated experiment - a single junior data scientist cannot drive structural change. Companies need a clear strategic decision from senior management, sufficient budget, experienced leadership (e.g., a Head of Data Science or Chief Data Officer), and the patience to accept that building this capability takes years. Typical pitfalls include the failure of the first project, which is then interpreted as proof of the 'AI hype', or conversely 'death by success', where a successful pilot leads every department to simultaneously demand use cases. The advice: think big, but start small - and plan strategically from the very beginning.

Key takeaways

  • Don't go into a data science project with a single, predefined use case - instead, prepare a bouquet of possible use cases and stay flexible.
  • Business understanding comes before data science: first understand the goals and problems of the specialist department, then propose solutions.
  • Data without analytics is worthless - analytics without data is useless: both sides must be thought through and developed together.
  • The volume of data alone says nothing about its suitability for a project; what matters is whether the relevant information is actually contained in the data.
  • Data science projects are agile: exploring the problem and the data situation is itself part of the project, not a pre-project phase.
  • Multi-day workshops with all stakeholders (business, IT, data science) are a cost-effective method for checking critical assumptions early.
  • A business case should be calculated for a collection of use cases, not for a single one - only then can infrastructure costs and synergies be realistically reflected.
  • Data science is not computer science: companies must understand that data projects work differently from classic IT projects.
  • Without strategic anchoring at the executive level, experienced leadership, and a willingness to invest long-term, data science will fail structurally - regardless of the quality of individual data scientists.

Conclusion

The episode makes clear that data science fails in companies when it is treated as a standalone technical project rather than a strategic organizational task. What is decisive is a shared business and domain understanding among all parties involved, realistic expectations regarding data quality and ROI, and the willingness to explore and learn before scaling. 'Start small, think big' sums up the group's core advice.

For Data Scientists and Career Starters

Domain knowledge and the ability to communicate with diverse stakeholders are at least as important as technical skills. Those who learn early on to understand business goals and assess use cases realistically will be more successful in the long run than those who jump straight into model building.

For Leaders and Decision-Makers in Companies

Data science needs a strategic home at the executive level, experienced leadership, and the patience for a multi-year build-up. Those who expect data science to deliver quick efficiency gains through a single use case will be disappointed - those who treat it as a strategic investment can build a significant competitive advantage.

For Consultants and External Service Providers

Early workshops with all relevant stakeholders are not overhead - they are the foundation for project success. They help correct unrealistic expectations, generate commitment, and uncover critical data gaps before costly missteps occur.

Show full transcript

Speaker0: Hier noch mal der Reminder, auch zu dieser Folge wird es ein geben gemeinsam mit Martins Zugart und zwar am fünfzehnten Zwölften. Alle weiteren Infos und den Link zur Anmeldung findet ihr in den Shownotes.

Speaker1: Ihr hört die. Der Data Science und Machine Learning Podcast für Studienabsolventen und.

Speaker0: Herzlich willkommen zu 1 neuen Ausgabe von The Ihrem Podcast, in der wir weiter die Abenteuer von Erika in ihrem ersten Data Science Projekt verfolgen. Und diesmal schauen wir uns im zweiten Schritt, den zweiten Schritt 1 solchen solchen Projektes an, nämlich wie lerne ich das Problem bei einem solchen Projekt kennen und wie erhalte ich meine Daten? Und ich freu mich jetzt ganz besonders, denn dazu ist heute zu Gast Martins Zugert, Managing Director der Firma Datentreiber, einem Unternehmen, das Firmen dabei hilft, sinnvolle und zukunftsträchtige Datenstrategien aufzubauen aufzubauen. Und alleine das macht ihn schon zum perfekten Gast für dieses Thema und für die heutige Folge. Herzlich willkommen, Martin. Toll, dass Du da bist. Ja, danke für die Einladung. Freut mich sehr, auch dabei zu sein und ich bin auch sehr gespannt. Ich freu mich auch sehr. Und als zweiten Diskussionspartner haben wir eine etwas bekanntere Stimme, zumindest in unserem Podcast Kosmos, nämlich den Maxim dabei, CTO von Erium und wie gesagt, bereits schon öfter im Podcast gewesen. Toll, dass Du da bist.

Speaker1: Sehr gerne.

Speaker0: Ich freu mich sehr und ich würd sagen, wir fackeln gar nicht lange rum und hören direkt rein, was denn der Erika heute so widerfährt und was ihr dazu zu sagen habt.

Speaker3: Erika will herausfinden, wie sinnvoll dieser Use Case für die Firma sein könnte. Sie macht sich direkt an die Recherche. Online möchte sie zunächst herausfinden, wie denn so ein Algorithmus gelöst wird. Bald wird ihr jedoch klar, dass sie davon keinen Plan hat. Noch dazukommt, dass sie nicht weiß, wie eine Anlage funktioniert. Sie tritt damit an Abteilungsleiter Achim heran, der ihr sagt, mach einen Termin mit dem Prozessingenieur Peter aus. Der soll dir seine Anlage erklären. Ihr würde es eigentlich reichen, wenn sie die Daten bekommt und eine kleine Skizze, wie der Prozess funktioniert, und dann könnte sie mit dem Modellbuilding und Training anfangen. Sie macht dennoch die Führung mit. Peter sagt, an dieser Stelle hier können wir die Marsstreue mittlerweile bis auf Fünfhundertstel genau messen. Das war vor 2 Jahren noch nicht der Fall. Außerdem haben wir, seitdem ich der leitende Prozessingenieur bin, eine OEE von 95 Prozent. Liegt halt daran, dass ich mir jeden Tag die NIOs angucke. Für Erika ist das alles Neuland. Ihre Deep Learning Skills bringen hier gar nichts und sie fühlt sich sehr nutzlos. Nach der Führung fragt sie Peter nach der Datenlage aus, einem Thema, wo sie sich besser auskennt.

Speaker0: Ich frag mal direkt einfach nach ersten Eindrücken und vielleicht auch nach dem Realitätsgehalt von dieser Story. Und vielleicht auch direkt an an dich die Frage, Martin. Erstens, wie realistisch ist diese Situation oder dieses Vorgehen auch von Erika zum Beispiel, plus ist denn ihre Herangehensweise da eher falsch? Generell falsch zu sagen, okay, ich nehm einfach die Daten, den Rest mach ich am Computer und ich distanzier mich eher von den Inputs des Prozessingenieurs.

Speaker2: Also realistisch ja. Wir hatten so vor 2, 3 Jahren son Predictive Menterance Hype, wo alle Data Scientess, die in die Industrie gewechselt sind und viele kamen eben vom Marketing und dann kam ja GTPR, also die die SGVO und da sind auch viele dann in die Industrie gewechselt in der Hoffnung, dass sie da einfacher Use Cases umsetzen können. Und dann war so dieses Thema Predictive Mantas, was natürlich offensichtlich sozusagen 'n sehr offensichtliches Thema war, haben viele angegangen. Von daher glaube ich auch, dass sone Situation sehr häufig in dem Unternehmen war. Ich find auch erst mal das begrüßenswert, wenn eine Data Scientst oder eine Data Scientistin proaktiv auf die Business units oder auf die Manager zugeht und eben auch proaktiv mit Vorschlägen kommt. Ich glaube allerdings, dass es geschickter ist, erst mal nicht mit 'nem konkreten Use Case Vorschlag zu kommen, sondern erst mal auch besser eigentlich die Ziele und Probleme der Business, in dem Fall von der eben Produktion, zu verstehen und dann erst mit Lösungsvorschlägen zu kommen.

Speaker1: Maxim, möchtest Du da direkt einhaken? Ja, ich find das natürlich, grundsätzlich stimme ich dir dazu. Das ist am schönsten, wenn man da unvoreingenommen den über die Schulter schaut und dann einfach mitkriegt sozusagen nach der ersten Schüchternheit, die vielleicht wegfällt und dem alles schaut, wie toll es hier ist, Dass man dann mitkriegt, wo wo liegt 'n wo liegt denn der Hund begraben? Wo ist da Potenzial? Allerdings ist es mir jetzt noch nicht so passiert, dass ich ganz ohne Use Case Idee in diese Situation gekommen bin. Also vielleicht ist das so der Blick auf unseres Geschäftsmodells als Berater und so was. Aber es gab eigentlich immer 'n Aufhänger Use Case und vielleicht konnt man den dann nach der Führung noch son bisschen transformieren.

Speaker2: Ich glaub, am geschicktesten ist es tatsächlich voran, sich schon Gedanken zu machen, was sind potenzielle Use Cases, eben nicht nur 1, sondern sozusagen sich immer einen Blumenstrauß von Use Cases, sich dann auch noch mal genau anzuschauen und natürlich auch erklären zu lassen, wo denn die Probleme liegen, was denn die Ziele sind in in 1 Produktion und dann eben auch proaktiv auch im Gespräch dann direkt mit den Use Case Vorschlägen zu kommen. Und dann kann aber eben auch passieren, dass es gar nicht Predictive Mainsains ist, sondern dass es vielleicht auch erst mal so das Thema root cause Analysis ist, erst mal rausfinden, Vielleicht hat der Produktionsleiter genau jetzt 'n Problem, wo irgend eine Anlage nicht richtig funktioniert, wo man sagen kann, okay, hier kann ich direkt helfen mit Data Science, das Problem zu identifizieren oder vielleicht ist das Problem eben auch eher so Visual Inspection, wo er sagt, okay, wir haben ganz viel Aufwand eben die die einzelnen Teile, die reinkommen oder rausgehen, immer zu inspizieren. Und glaube ich, das ist dieses genau Abwägen zwischen gut vorbereitet sein, aber halt nicht auf ein Use Case schon, sondern wirklich einen Überblick zu haben, was sind die relevanten Use Cases. Und dann aber relativ schnell rauszufinden, welcher dieser relevanten Use Cases ist denn wirklich jetzt der kritische. Ich sag dazu mal, was ist eigentlich der nächst best Use Case oder das nächstbeste Projekt?

Speaker0: Also sone Art gesunder Mittelweg von, wir haben eine Idee, was man machen kann, aber wir sind auch noch flexibel dahingehend, was uns denn erwartet beim über die Schulter schauen, wie ihr's genannt habt. Und ich kann mir auch gut vorstellen, dass wenn man jetzt quasi versteift mit Predictive Maintenance da rangehen würde, hat man auch einfach, sag ich mal, ja, Scheuklappen auf für andere Möglichkeit mögliche Dinge, was sone Anlage denn angeht.

Speaker1: Ja, also die Scheuklappen, das stimmt, das ist real. Manchmal leider aber einfach dann de facto, soweit man zum Beispiel beauftragt wurde, zu eruieren und so was. Und dann muss man schauen, wie man unter diesem Deckmantel den eigentlich vielleicht sinnvolleren, zum Beispiel die root cause Analysis, da irgendwie dann umsetzen kann. Also so was passiert auch immer mal wieder, dass sich der eigentliche Projektinhalt ändert. Aber es muss halt das Label, was halt beim Einkauf verhandelt wurde, das muss halt immer noch draufstehen. Was anderes, was mir da noch jetzt so eingefallen ist zu der Erika, ist, man muss das Vokabular dieser Leute überhaupt erst mal lernen. Martin, Du hast es so ausgedrückt, man muss halt bisschen einfach den über die Schulter schauen und da mitgehen. Bei mir waren so am Anfang eine die, einige der größten Baustellen, so frisch von der Promotion und aus der wissenschaftlichen Welt. Okay, wovon reden die jetzt überhaupt? Also diese der ganze Jargon, den jetzt zum Beispiel son Automobilingenieur benutzt, den musst Du dann halt irgendwie aufschnappen. Und das macht dich dann nachher überhaupt erst produktiv in diesem Bereich, wenn Du das son bisschen dann dein internes Wörterbuch befüllt hast?

Speaker2: Ja, 'n guter Punkt. Und ich glaube, das ist auch genau, das ist der Grund, warum es so wichtig ist, auch gemeinsam erst mal eine Datenstrategie zu erarbeiten. Nämlich erstens rauszufinden, was sind denn wirklich die Use Cases? Also nicht gleich auf einen Use Case sozusagen zu fokussieren, weil er gerade hip ist oder weil er sozusagen so offensichtlich darlegt, aber auch, weil er Teil von der Datenstrategie natürlich auch ist, die Data Science und sozusagen die Domäne, also die Businessdomäne zusammenzubringen und sich auch mal sozusagen inhaltlich thematisch sprachlich zu nähren und auch mal 'n gemeinsames Jahr zum Beispiel soner Business Dictionary anzulegen, damit auch jedem klar ist, ja, was ist denn zum Beispiel eine OII, also eine Overall Equipment efficiency? Wie wird die denn eigentlich gemessen? Was ist denn eigentlich das Ziel davon? Was für Einflussfaktoren gibt es? Und da wissen wir aus, ja, unserer Projekterfahrung, dass genau diese Vorarbeit, wenn die nicht geleistet wird, dann kommt man genau in so Projekte rein, wo jemand sagt, ja, wir wollen jetzt Practive Entertainment machen. Und dann macht man im Projekt eigentlich Rolle rückwärts, nenn ich das immer. Also man sagt, ja, eigentlich ist man noch gar nicht da, dass man Practive Entertainment machen kann. Eigentlich, wir können wir nicht mehr unsere ordentlich messen. Ah ja, dann fangen wir jetzt mal an, erst mal mit 'nem Business Intelligence Projekt. Und das ist natürlich auch für auch die Extertendienstleister häufig sehr frustrierend, weil sie ja eigentlich ganz andere sozusagen Know how haben, ganz andere Expertise, vielleicht auch viel komplexere Analytik können und dann am Ende machen sie irgendwelche BI Projekte.

Speaker0: Was Du grad angesprochen hast, Maxim, ist, wollt ich gerne noch mal aufgreifen. Und zwar, dass quasi, ich glaube, dort ist das manchmal ist bei dem Data Science Use Case auch einfach das Label, ein gewisses Label drauf, wo man sagt, hey, das soll geleistet werden. Also korrigier mich, wenn ich da wenn ich mich da falsch erinner. Aber von wo, ich sag das mal ganz frech, von wo kommt denn dann diese Sturheit beziehungsweise Beharrlichkeit auf einen speziellen Use Case, also zum Beispiel auf Predictive Maintenance? Kommt das eher von der Data Science Seite oder von der Nicht Data Science Seite, dann nenn ich's jetzt mal. Also weil so, wie's Beispiel der Erika jetzt ergeht, ist quasi die Idee zur kommt von woanders. Und dann gilt jetzt quasi die Gefahr, okay gut, der Data Scientist muss quasi erkennen, hey, machen wir mal Piano, schauen wir überhaupt erst mal, ob das geht oder ob vielleicht sogar was anderes sinnvoller wär. Oder er sagt, hey, klar, mach ich, so ungefähr, weil das irgendwie so war, ich bin ja Data Scientist.

Speaker1: Ich denke, ist eine Mischung aus verschiedenen Sachen. Also das eine ist natürlich, Du möchtest nicht Also Du musst ja dann irgendwie rechtfertigen, dass es nicht geht. Und dass es nicht deswegen nicht geht, weil Du unfähig bist, sondern weil Umstand XYZ jetzt einfach nicht gegeben ist. Das andere ist, wo Das das hat liegt an so den Historien, diese Projekte entstehen häufig. Also wenn das zum Beispiel über eine Beauftragung entstanden ist, dann ist da ja irgendein Erzeugnis versprochen worden oder zumindest gibt's da eben 'n Label, was gemacht werden soll. Und dann einfach zu sagen, ja, ihr habt uns jetzt beauftragt, ein Auto zu bauen, aber wir bauen jetzt eigentlich 'n Fahrrad und ihr sollt uns trotzdem bezahlen. Ich mein, es wird dann, da kommt man in Rechtfertigungsschwierigkeiten schnell. Vielleicht bei 'ner Inhouse Abteilung wie der Erika, die kann dann eher, die können das vielleicht so strukturierter machen, dass sie erst mal Use Cases vorevaluieren und dann quasi, bevor es eigentlich losgeht, dann nur Projekte spezifizieren, die auch wirklich gehen. Aber wenn Du von außen reinkommst, dann siehst Du häufig erst unter die Haube, nachdem Du beauftragt wurdest. Und na ja, dann ist es halt schwer, noch mal sone ganz offene 180 Grad Wendung hinzulegen. Dann musst Du halt dann schauen, wie Du die verschiedenen Interessen vereinst.

Speaker0: Dann bevor wir jetzt kurz weitergehen, denn der nächste Step in der Story wär tatsächlich, wie denn die Erika nun nach der Datenlage fragt, was müsste denn die Erika dabei beachten? Also welche Voraussetzungen sollte denn die Erika im Kopf haben, wenn sie denn jetzt nun den Prozessingenieur nach der Anlage, ob der die richtige Person dafür ist, das sehen wir dann gleich, wenn sie ihn dann ausfragt nach der Datenlage. Was sind da wichtige Kriterien, Voraussetzungen, die sie einfach erfragen muss,

Speaker2: abzuchecken, hey, kann das hier klappen? Ich fang gerne wieder an. Ich glaube, das Wichtigste ist erst mal rauszufinden, wird denn eigentlich schon das gewünschte Ergebnis ordentlich vermessen? Also gibt es tatsächlich diese berühmten smarten Ziele, die spezifisch messbaren, ja akzeptierten, realistischen, terminierten Ziele, weil daran scheitern häufig grade auch so komplexere Machine Learning oder KI Projekte, dass eigentlich vielleicht die die Model Performance, die kann ja meistens noch sehr gut vermessen werden. Also wie genau ist denn zum Beispiel die Vorhersage 1 Ausfalls bei 'ner Maschine? Aber was dann häufig eben nicht gut vermessen wird, ist sozusagen der Einfluss der Model Performance auf die Busines Performance. Also was bedeutet das denn dann für die overall Equipment efficiency oder für die die oder für welche Kennzahl auch immer sozusagen vermessen werden soll. Das ist aus meiner Beobachtung häufig, dass was vergessen wird zu fragen. Das ist aber eigentlich das 1., was ich fragen würde. Also gibt es überhaupt ordentliche KPIs, Performance Kennzahlen? Das 2. Ist, wenn ich natürlich weiß, was der Use Case ist und auch schon eine relativ gute Vorstellung davon habe, dann weiß ich auch hoffentlich, welche Daten ich dafür brauche, auch in welcher Menge und in welcher Qualität. Das ist dann sicher schon mal, was man in dem ersten Gespräch klären kann, wobei aus meiner Erfahrung heraus wahrscheinlich der Manager, der für die Produktion und für die Maintenance verantwortlich ist, diese Fragen gar nicht beantworten wird können, sondern der muss dann wieder mit der IT sprechen und dann muss man eben auch gemeinsam mal hingehen und ja die Datenquellen priorisieren, auch Anforderungen erst mal an die Datenquellen formulieren und dann kommt also die klassische Datenexploration, wo ich diese Anforderungen mal gegen die Datenquellen teste. Also bei Predictive Maintenance Hauptproblem immer, ich hab meistens gar keine so viele Ausfälle in den Daten und ich brauch ja aber, Ausfälle vorherzusagen, einfach eine gewisse Anzahl an Ausfällen Und wenn dann zum Beispiel noch die Anforderung vom Produktionsmanager ist, ich will auch noch den Typ, also den die Art des Ausfalls und da haben jetzt 100 verschiedene Arten und ich hab aber insgesamt nur 200 protokollierte Ausfälle, weil die Maschine auch nur einmal in der Fabrik steht und also dann merkt man schon, dann bricht dieser ganze Case relativ schnell zusammen. Und das ist, glaube ich, auch was, ja, wo man dann wirklich genauer tiefer reingehen muss, in eine Daten exploration und solche Fragen dann auch klären muss.

Speaker1: Mittlerweile hat Martin dann ja auch ergänzt, ich wollte bei dem Predictive Maintenance Fall dann auch die konkreten Fragen, die ich stellen würde, ist halt, wie viele Ausfälle habt ihr denn im Feld gesehen? Wenn wir zum Beispiel uns ja auch auf eine Maschine oder so was jetzt fokussieren, wie oft fällt die aus? Weil durchaus schon vor, haben wir schon gesehen, ja, okay, es wurden sogar einige Daten erhoben, aber es gab keine ungeplanten Ausfälle, weil halt die geplanten Wartungsintervalle einfach viel kürzer sind. Und oder umgekehrt, ja, die Dinger fallen im Feld aus, aber da gehört die Maschine schon dem Kunden und das kriegen Sie so eigentlich mehr über den Buschfunk mit und nicht in irgendeiner quantitativen. Aber wenn jetzt so gesagt hat, okay, wir haben Ausfälle von beim Kunden und die gehen dann auch irgendwie, werden uns gemeldet, dann würd ich halt fragen, okay, und was macht ihr dann? Also versucht ihr dann, wie versucht ihr rauszufinden, warum sie ausgefallen ist? Dann halt da hinzukriegen, was sind denn von deren Gefühl grad die ursächlichen oder die die Größen, die Parameter, die 'n Ausfall beeinflussen, dann halt zu fragen, ja, und erfasst ihr die auch? Weil das ist auch noch mal was ganz anderes. Irgendwelche Parameter 1 Maschine, dass die auch erfasst werden, das ist ja überhaupt nicht gegeben. Das ist ja erst mal 'n zusätzlicher Sensor oder irgendwas, das an Infrastruktur geschaffen werden müsste. Und das hat ja irgendwann mal Geld gekostet, wenn es denn da ist.

Speaker2: Da fällt noch eine nette Anekdote von der Practy of Analytics world for industrie 4 Punkt 0 Konferenz ein, wo wir mal den Richard Lim hatten, Speaker, der kümmert sich das Thema ja Optimierung der Fabriken von HP weltweit und hat dann 'n Programm vorgestellt 20 Prozent Effizienzsteigerung bis 20 20 und hat dann eben präsentiert, was wir bei HP innerhalb der letzten Jahre gemacht haben. Und da sieht man eigentlich genau das, was wir auch schon besprochen haben. Man hat erzählt ja wir haben das ausprobiert, hat nicht funktioniert, weil die Daten es nicht hergegeben haben, dann haben wir den nächsten Use Case ausprobiert, der hat funktioniert, haben relativ schnell umgesetzt, haben global deployed, haben den nächsten Use Case angegangen, hat wieder nicht funktioniert, übernächste auch nicht, also zum Übernächste, hat dann wieder funktioniert. Und danach hat er dann eben auch, er kamen Fragen ausm Publikum und dann meinte auch 'n Manager von einem deutschen Automobilzulieferer, na ja Richard, Du hast irgendwie erzählt, dass ihr vor 5 Jahren schon in all euren Fabriken, all euren Maschinen mit Sensoren ausgestattet habt. Das hat doch unendlich viel Geld gekostet. Warum habt ihr das jetzt schon vor 5 Jahren gemacht? Und dann meinte der Richard, na ja, Du musst halt erst mal investieren, bevor Du profitieren kannst. Und das zeigt das eben sehr schön, dass die meisten von diesen Use Cases ja genau daran scheitern, dass eigentlich die Daten nicht in der ausreichenden Menge und Tiefe oder Qualität auch vorhanden sind. Und das ist ja genau das, was halt man auch eine Daten Strategie braucht. Also ich muss mir ja heute überlegen, was will ich mit den Daten in 5 Jahren machen? Welche Daten brauche ich dafür? Und dann kommt ja häufig eben nicht raus, dass ich die Daten schon habe, sondern es kommt raus, ich hab die Daten nicht und dann muss ich mir überlegen, nicht, was ist mein nächstes Analytik sondern was ist mein nächstes Datenprojekt? Also wo muss ich Messinstrumente, wo muss ich Tracking, wo muss ich Kameras, was auch immer installieren, an diese Daten ranzukommen. Und das ist eigentlich auch sozusagen 1 der der der Kernwerte oder Kernnutzen von soner Datenstrategie, dass ich eben meine Datenlücken identifiziere und schließe.

Speaker1: Ja, ich seh das immer bisschen wie mit irgendwie Schienen und Zügen. So die Analytics Algorithmen sind Züge, aber wenn ich keine Schienen hab, also keine Daten, dann na ja. Aber die Schienen alleine sind halt auch nur Investition und nichts. Und das ist immer son ihoon Problem, wo halt irgendeiner Mann dann den Mut haben muss oder überzeugt werden, muss, auch Schienen zu verlegen?

Speaker2: Ja. Also ich sag immer, die Daten ohne Analytics sind halt komplett wertlos, weil ich den Wert nicht raus extrahieren kann ohne Analytik. Und die Analytik ohne Daten ist halt komplett nutzlos, weil ich ich kann sie nicht anwenden, die Analytik. Und das ist immer, das muss, also ich sprech deswegen auch immer entweder von Data Analytics oder eben von Data Analytics, einfach klarzumachen, das eine geht nicht ohne das andere.

Speaker1: Noch mal konkreter jetzt zurückzukommen auf die Fragen, die jemand stellt, rauszufinden, wie sieht 'n die Datensituation aus? Also was ich häufig versuche, ist, also Martin, Du hast ja vorhin gesagt, die eigentlichen Daten, da ist häufig dann gar nicht der Prozesxperte unbedingt der perfekte Ansprechpartner, sondern das ist dann ein IT lastigerer Mensch. Bevor ich jetzt diesen Rattenschwanz gehe, versuche ich zumindest mal den zu fragen, was machst Du denn, wenn Du Probleme hast? Schaust Du denn dann in irgendwelche Daten rein? Manchmal haben die dann ja schon irgendein Tool oder sei es, Sie machen es über Excel oder sowas, dann kriege ich zumindest schon mal 'n Gefühl, was ist 'n da und was ist zuordenbar? Also weil wenn Sie's irgendwie hinkriegen, so rauszufinden, ja, diese Maschine hatte mit diesem Messwert zu tun, dann weiß ich, dass da irgendwo zumindest die Möglichkeit ist, das auch zuzuordnen. Wenn sie das nicht machen, dann muss ich fast davon ausgehen, dass das schwierig wird, dass da vielleicht 'n Puzzleteil fehlt. Und auch ganz wichtig ist meiner Erfahrung nach, wenn die Daten noch nie benutzt wurden, dann mach dich auf was gefasst. Also dann werden da ganz schöne Hunde drin begraben sein, dann ist das alles falsch kalibriert und Du wirst 'n großen Overhead haben, die Datenqualität

Speaker2: erst mal irgendwie in den Griff zu kriegen. Ja, Daten sind immer dreckig, genau. Also was wir auch machen, genau diese unterschiedlichen, ja Zielgruppen, Zielpersonen zusammenzubringen, ist, dass wir vor jedem Projekt, sei es Beginn Entwicklung 1 Datenproduktes oder Beginn Entwicklung 1 Datenstrategie zusammen son Data Thinking Workshop machen. Das heißt, wir gehen aus ausgehend vorm Business Understanding, versuchen also erst mal zum Beispiel den Produktionsprozess gemeinsam zu verstehen, sodass der Data Science das versteht, wie ist denn der Prozess? Auch aber auch der ITler zum Beispiel versteht, wie kommen denn eigentlich diese Daten zustande? Und dann eben ausgehend von dem Business Understanding in das User Understanding rein, also auch genau zu verstehen, was ist eigentlich das Ziel von dem Produktionsmanager, ja den und damit auch begriffen wird, okay, dem geht's jetzt gar nicht so sehr darum, Ausfälle vorherzusagen, sondern geht's ja vor allem zum Beispiel darum, die Wartungsintervalle zu optimieren, damit eben die geplante Downtime eigentlich sozusagen reduziert wird und gleichzeitig die sozusagen stabil bleibt. Also das ist ja häufig auch, was bei falsch verstanden wird. Es geht nicht unbedingt darum, diese Totalausfälle zu vermeiden, sondern letztlich geht's darum, eigentlich die zu optimieren. Und das ist eben auch Teil von dem User Understanding und dann geh ich eigentlich erst in 'n gemeinsames Data Understanding rein und guck mal, welche Datenquellen brauche ich denn dafür? Wo befinden sich die Datenquellen? Klassisch, was ich so kenne im Bereich, dann kommt man eben genau drauf, na ja, ich hab zwar irgendwelche Sensordaten, aber das sind halt Gigabyte Daten, die werden gar nicht weggespeichert, weil das die Infrastruktur das in der Fabrik gar nicht zulässt. Auch eine lustige Anekdote, wir hatten dann auch mal einen Mintainents Manager, der uns erzählt hat, dass ein Beratungsunternehmen vorgeschlagen hätte, sie sollten doch einfach die Sensordaten auf Salesforce hochladen. Da war ihm auch klar, dass er irgendwie grade an der falschen Beratung gelandet ist, was natürlich eher einfach unrealistisch ist. Was ja dann häufig passiert ist, dass diese Daten sozusagen nur in sehr stark komprimierter, aggregierter Form gespeichert werden über den längeren Zeitverlauf. So sprich, man muss dann auch mal wirklich ganz konkret zu den einzelnen Datenquellen sprechen und überlegen, wer was kann ich denn damit eigentlich machen? Und dieses gemeinsame Business User und Data Understending, das hilft wirklich, dass auch die Projekte dann Erfolg werden, weil man vorher schon diese ganzen kritischen Annahmen herausarbeitet und die zuerst angeht, bevor man dann irgendwann auf solche kritischen Annahmen 3 Monate nachdem das Projekt gestartet ist, stößt und dann das Projekt sozusagen erst dann fehlschlägt. Ja, also was sag ich auch mal, lieber, also lieber früh rausfinden, warum es nicht funktioniert als am Ende von dem Projekt.

Speaker0: Mhm. Ich würde sagen, wir schauen mal direkt in den nächsten Teil unserer heutigen Story rein, in dem's eben darum geht, indem's die Konversation zwischen Erika und dem Prozessingenieur über eben genau die Datenlage geht. Hören wir mal rein.

Speaker3: Prozessingenieur Peter meint, wir haben jede Menge Daten. Soweit ich weiß, sind das so die 10 Gigabyte. Reicht das? Erika bekommt strahlende Augen bei dem, was sie da hört. Auf jeden Fall, da lässt sich was machen. Am besten direkt her damit. Peter verpasst ihr direkt einen Dämpfer. Moment, Moment. Diese Daten zu besorgen und dir zukommen zu lassen, ist ganz schön aufwendig. Ich weiß nicht, wie hier die Daten erfasst werden und wo diese dann landen beziehungsweise wer dafür zuständig ist. Die Zeit haben wir nicht eben mal so. Zuerst muss ich wissen, ob sich das Ganze am Ende lohnt.

Speaker0: Ich nehm das direkt mal als Stichwort lohnen. Wann lohnt sich ein Data Science Projekt? Wie kann ich das festmachen? Vielleicht auch eben mit dem mit der Keyquestion, einfach mal ausprobieren versus Profitabilität als wichtiger Filter für Relevanz.

Speaker2: Ja, ich glaube, das hängt genau mit diesem Business Understanding zusammen. Also ich muss erst mal im Business Understanding auch rausfinden, auf welche ja Business KPI zahlt denn das Ganze ein und was glaube ich denn, wie viel Prozent ich kann ich die verbessern? Also was ist mein Uplift? Und das muss ich sozusagen erst mal auch definieren, ab wann lohnt sich's denn zum Beispiel auch für den Produktionsverantwortlichen überhaupt da 'n Projekt loszutreten. Also muss jetzt der Uplift in der Overall Equipment Efficiency reicht da 2 Prozent? Was bedeutet das dann? Ja, ist dann auf einmal der die die Produktionssteigerung, also wir hatten das, dass 'n Manager uns gesagt hat, na ja, wenn die Fabrik eine Stunde stillsteht, dann haben wir 100000 Euro Verlust, ja, dann wird schon klar, dass wenn ich das diese eine Stunde irgendwie im Monat vermeiden kann, dann hat sich das Projekt relativ schnell gelohnt und deswegen ist es eben auch so wichtig, von diesem Business Understanding erst mal zu kommen und ich glaube auch, wenn man von Anfang an alle Stakeholder, also alle Beteiligten, eben IT, Produktionsleiter et cetera mit in son Workshop reinholt, dann ist auch diese Diskussion, na ja, wenn dich jetzt die die Arbeit, die die Zeit auf, mal Daten zu besorgen, ist dann nicht mehr, ja, weil man eben gemeinsam in dem Workshop auch die Lösung erarbeitet hat. Jedem ist klar, warum man jetzt auch mal in die Daten reingucken muss und was sozusagen das Potenzial ist, was dabei hinten rauskommt. Und dann ist in der Regel auch die Bereitschaft da zu sagen, okay, ja, ich wend da jetzt mal 'n halben Tag auf und wir gehen gemeinsam mal die Daten durch.

Speaker1: Du sprichst da was Wichtiges an, dieses alle Akteure ins Boot zu holen. Dieses Workshop Format hast Du jetzt ja schon 'n paarmal auch skizziert. Würdest Du an Erikas Stelle jetzt quasi sagen, okay, wir machen jetzt mal mit dir, Peter, und deinem IT Kollegen und deinem Supervisor, jetzt machen wir mal einen halben Tag Workshop,

Speaker2: diese ganzen Dinge zu klären, wann lohnt sich was und wann nicht? Ja, also wir machen tatsächlich nicht nur 'n halben Tag, wir machen sogar 2 Tage, weil aus meiner Erfahrung heraus, 'nem halben Tag kriegst Du's grad mal hin, dass alle sozusagen aufm gleichen Stand sind. Und oder kommen auch noch so psychologische Effekte mit rein. Den ersten halben Tag nutzen die Menschen meistens, sich auszukotzen, was nicht funktioniert oder was jetzt alles blöd finden, ne. Du hast immer so Gruppendynamiken mit drinnen oder dass der Chef sich erst mal 'n bisschen profilieren muss und der redet dann mal 3 Stunden. Und dann wird's erst produktiv und in der Regel, also wir gehen zum Beispiel am ersten Tag hin, dass wir uns erst mal 'n Überblick verschaffen und einen Ausblick, wo wo will man dann eigentlich hin? Also was sind denn eigentlich die Ziele? Was kommt denn da zum Beispiel in der Produktion? Weil's zum Beispiel ja nichts keinen Sinn macht, jetzt mit 'nem Projekt anzufangen, wenn man dann rausfindet, dass in 2 Jahren aber ohnehin die Maschinen ausgetauscht werden. Also das sind so profane Dinge, hab ich aber alles schon erlebt, dass dann irgendjemand kommt und sagt, ja, das ist ja toll, dass er das Projekt gemacht hat, aber in 'nem halben Jahr kommen ja schon die neuen Maschinen. Aha, und die haben schon Predictive Mantasance Modul. Ah, ach so, okay. Ja, das ist eigentlich so der 1. Tag und da geht's mal darum, überhaupt diese Use Cases zu identifizieren, zu priorisieren, auch mal vielleicht in eine Reihenfolge zu bringen. Also wenn man sieht, nee, es gibt noch gar kein ordentliches Reporting, kein automatisiertes über die betriebswirtschaftlichen und Produktionskennzahlen, dass man damit anfängt oder dass man erst mal anfängt, überhaupt zu machen für die vergangenen Ausfälle, überhaupt rauszufinden, was sind denn die Signale, die ich beobachten muss, überhaupt zukünftige potenzielle Ausfälle zu erkennen, bevor ich dann eigentlich mit Practictive Maintenance anfang? Also so dieses klassische Analytik Reifegrad Modell. Und dann kann ich an dem zweiten Tag, dann greife ich mir da mal einen Use Case raus und da gehe ich wirklich, versuch ich son Einblick zu gewinnen, was ist, was will der Nutzer, was sind die Daten und auch sonen Durchblick oder sonen Durchstoß zu sagen, okay, und jetzt lasst uns mal ganz konkret auch über die Datenquellen gucken, profane Dinge, wie kann ich 2 Datenquellen überhaupt miteinander verknüpfen? Hab ich eine eindeutige Maschinen ID? Sind die diese 10 Gigabyte, wird, muss die vorne son bisschen schmunzeln, weil na ja, wir wissen ja nicht mehr, über welchen Zeitraum diese 10 Gigabyte sind. 10 Gigabyte können viel sein, können auch extrem wenig sein.

Speaker1: Das kann ich alles unterschreiben, was Du sagst, aber was Du beschreibst ist ja, eigentlich sind wir schon mitten im Projekt. Das ist auch was, was ich immer beobachte ist, dass so Analytics Projekte sind einfach in ihrem in ihrer Grundstruktur agile Projekte. Du also die Erarbeitung des Ziels ist schon mal Teil des Projekts. Der Peter hier in der in der Story, der denkt halt eher in so klassischer Projektspezifikationen. Ich definiere vorher, was soll rauskommen und dann arbeite ich die Punkte ab, bis ich da hoffentlich auch bin. Und das funktioniert hier schon nicht, ne. Der stellt ja hier schon eine Frage, die sich erst beantworten lässt, wenn man zumindest 'n Workshop gemacht hat. Und das ist ja eigentlich schon mitten im Projekt.

Speaker2: Das ist aber auch genau das Problem, was wir bei vielen Unternehmen sehen, dass sie zu schnell in ein Projekt reingehen. Also ich vergleich das immer, das ist wie wenn Du eine Bergwanderung machst. Da würdest Du auch nicht einfach mit dem Auto irgendwie Richtung Alpen fahren und beim erst ersten Berg parken und rauflatschen, sondern Du würdest dir Forscher mal ganz genau Gedanken machen, was erwartest Du denn eigentlich von der Bergtour? Also willst Du einen schönen Ausblick, willst Du einen leckeren Kaiser schmarrn? Dann vergleichst Du die verschiedenen Touren, guckst dir an, wie fit bin ich eigentlich, wie lang brauche ich da hoch, wann komme ich denn da eigentlich an, weil ich muss ja auch wieder runterlaufen. Das heißt, Du machst ja schon mal eine grobe Auswahl, dann suchst Du dir eine Bergtour raus und dann überlegst Du, ja, wann muss ich denn da unten sein, was muss ich denn da mitnehmen, Muss ich Essen mitnehmen? Gibt oder gibt's oben was zu essen? Hat das auf? Und das ist, glaube ich, was, was viele eben ja noch lernen müssen ist, dass auch Daten und Analytik braucht einfach eine klare Strategie. Ich muss wissen, wo ich hinwill, wo ich bin und wie ich dahin komme. Und dann kann ich mit den Projekten loslegen und ja, die Projekte müssen auch agil sein, weil jede Strategie ist nur eine Sammlung von Annahmen und diese Annahmen werden im Rahmen von sonem Projekt validiert oder eben häufig falsifiziert. Das heißt, ich häufig scheitern eben diese Annahmen und dann muss ich aber auch flexibel, wie ich sag mal, dann zum Beispiel zurückgehen und sagen, okay, dann nehmen wir das next best Use Case. Also, ich hab halt da eine Liste von Use Case und sage, der ist es nicht, da brauchen wir noch mal weitere Sensordaten und dann müssen wir uns erst mal noch mal einen Sensor installieren, aber dann lasst uns doch den zweiten Use Case angehen. Verlangt natürlich gerade angehen. Verlangt natürlich grade bei externen Dienstleistern auch eine ganz andere Form der Zusammenarbeit. Das ist wirklich mehr Co Development als hier ist 'n IT Projekt und jetzt setzt das IT Projekt Das glaube ich, müssen auch die Firmen verstehen. Data Science ist Nordcomputer Science. Es geht nicht darum, IT Projekte umzusetzen in der Data Science.

Speaker0: Mhm. Ich möchte klar noch mal direkt drauf bekommen, und zwar hattest Du ja angesprochen, das müssen viele auch noch verstehen. Wie ist denn generell aus, also deiner Meinung nach so die die Bereitschaft auf auf Seiten von Filmen zu sagen, wir machen jetzt 2 Tage einen Workshop? Also jetzt so von von der Grundidee her zu sagen, ich ich glaube, so es fühlt sich zumindest so an, wenn ein Data Scientist oder eine Data Science Firma auf eine Firma auf eine andere Firma zukommt und sagt, okay, gut, wir haben hier einen Use Case, wir schauen uns das mal an, dann bringt es, dann ist es vielleicht irgendwie ansprechender dafür, die Firma als zu sagen, okay, gut, wir müssen jetzt erst mal 2 Tage Workshop machen und uns das gemeinsam erarbeiten. Hängt es mit dem Verständnis von Data Science zusammen, was einfach falsch ist? Oder ja, genau, was was was sagst Du dazu? Oder was ist da dein Eindruck in speziell jetzt bei bei externen Firmen zu sagen, okay, gut, wissen die überhaupt, was genau Data Science ist?

Speaker2: Also ich glaub, ja, da fehlt bei vielen natürlich diese Datenkompetenz, also die halt eigentlich Data Science Projekte mit IT Projekten vergleichen. Und ich sag immer, na ja, für mich ist das ganze Datenifizierung, ist eigentlich Digitalisierung 2 Punkt 0. Das ist noch mal eine komplett andere Nummer. Ich kann das auch aus persönlicher Erfahrung sagen, ich komm ausm Software Engineering, hab als Softwareentwickler gearbeitet, hab da auch ja Fachartikel geschrieben und war als Berater unterwegs und hab Workshops gemacht. Und dann hab ich Bioinformatik studiert, Data science und dacht mir, ja, das ist halt Informatik. Nee, das ist eine komplett andere Nummer gewesen. Auch die Herangehensweise ist eine ganz andere. Da geht's wirklich ja ja, im Endeffekt wissenschaftliche Herangehensweisen, Prothesen aufstellen, Experimente machen. Ja, man arbeitet ganz anders, weil man eben mit dieser Unsicherheit umgeht. Und ich glaube, da müssen viele Firmen eben genau das, was man so als Data Literacy bezeichnet, also die Datenkompetenz überhaupt noch aufbauen, verstehen, wie funktioniert das denn überhaupt grundlegend? Und auch sone gewisse Datenkultur, also das meint auch zu verstehen, was sind eigentlich datengetriebene Entscheidungen, wie wie sollte ich meine Daten erfassen, messen, dass das eine gewisse auch Disziplin verlangt. Und eben, dass auch so Datenprojekte einfach anders funktionieren als klassische IT Projekte. Und auch, noch mal kurz mit diesem Workshop, der Workshop ist ja auch nur ein Auftakt, in der Regel kommt danach ja auch noch mal, dass man sehr viel Zeit in die Strategie reinsetzt. Und ich sag aber immer, son klassisches Datenproduktprojekt, also wo ich wirklich eine 1 Lösung bau, da bin ich sehr schnell im sechsstelligen Bereich und das dauert Monate. Da ist eigentlich der Workshop mit 2 Tagen, selbst wenn ich da einen externen Berater habe und dann noch die Personalkosten der beteiligten Workshopteilnehmer mit reinrechne, ist das eigentlich die geringere Kosten. Und letztlich muss ich ja überlegen, ich hab am Anfang 'n sehr hohes Risiko, da sollte ich wenig investieren, also mal erst mal nur in den Workshop. Und das sollte ich dazu nutzen, die Risiken, also die Unbekannten zu reduzieren und dann kann ich mehr investieren.

Speaker1: Und das ist auch so, da kommt so klassisches dieses Lean Vorgehen rein. Also erst mal kleine Räder drehen, bevor man das große Rad drehen will. Ja, Du hast das schön vorhin, glaube ich, mit dem Data Science, das Not Computer Science auch auf den Punkt gebracht und jetzt ja grad illustriert, dass man ja eigentlich so dieses häppchenweise mit geringem Aufwand versuchen, das Risiko zu reduzieren, immer seinen seinen Erkenntnisstand zu erweitern, bevor man dann das große Projekt umsetzt. Aber das beobachte ich auch grad so im industriellen Umfeld, ist das halt noch sehr ein anderes Mindset. Da hatten wir neulich erst 'n lustigen Moment mit einem Automatisierer und es war mit der Abteilung so das 1. Zweistündige Telefonat und dann hat man nur so, ich sag mal, überlegt, was man so probieren kann. Also da ging's auch Predictive Maintenance und wie man da einen Demonstrator aufbauen könnte. Und irgendwann kam dann so die Ich weiß nicht mehr genau, wie wir zu dem Satz kamen, aber dann meinte ich halt, ja, und dann müssen wir das und das und das machen und dann sehen wir, wie wie gut es funktioniert. Und dann kam die Rückfrage, wie, Sie wissen nicht, ob's funktioniert? Dann meinte ich, na ja, ich weiß noch nicht, ich hab Ihre Daten noch nicht gesehen. Ich hab jetzt nur die Aussage, was die Anlage macht, was zu grundsätzlich erfasst wird. Aber wenn jetzt nachher in den Daten überall konstant immer nur der Wert 0 drin steht, dann kann das der beste Algorithmus der Welt daraus nichts rausziehen. Ich ich kann den Heuhaufen gern nach allen Nadeln durchsuchen, aber ich kann den nicht vorher sagen, wie viele Nadeln drin sind.

Speaker2: Genau. Und das ist so der immer der klassische Ansatz, ich mach den Heuhaufen immer noch größer, weil ich dann mehr Nadeln finde, nein. Das ist so der klassische Big Data Ansatz, aber ja auch 'n guter Punkt, was Du gerade angesprochen hast, weil was wir zum Beispiel immer unterscheiden ist, es gibt eigentlich sozusagen 2 Modelle und oder 2 mentale Modelle, zwischen denen man immer hin- und herwechselt. Das eine ist Exploration und das andere ist Exploitation. Ja, das im Data Orps Shagor war das eine die Innovation Pipeline und das andere die Value Pipeline genannt. Also bei der Innovation Pipeline geht's eben Exploration, also den Problemraum und den Lösungsraum zu erkunden und es geht eben Learn, also Lernen, ja. Ich will ich weiß Dinge nicht und jetzt mach ich mal Experimente, ja, das ist Data Science, rauszufinden, ja, finde ich denn die Informationen in den Daten? Ja, weil was, glaube ich, die Leute auch immer nicht verstehen, die reden von Analytics, KI, Machine Learning, also Analytik, da braucht man muss man nur in die Chemie gucken oder in die Philosophie, sind die Verfahren und Werkzeuge der Analyse. Und Analyse bedeutet nichts anderes als trennen. Was mach ich? Ich trenn die Daten so auf, dass ich die Informationen rausbekomme. Wenn die Information aber nicht in den Daten ist, dann bringt mir die ganze Analytik nichts. Und das muss ich ja erst mal experimentell lernen, ob das da drinnen ist. Und die 2. Phase ist dann eigentlich die, wo's dann wirklich eher in die Computer seins geht, in das Engineering, in das Data Engineering, ins Software Engineering. Da geht's dann die Exploitation, also diese Value Pipeline aufzubauen und da geht's ja, Earne. Und das ist immer, das, was wir merken, ist dieser Konflikt zwischen Earne versus learne oder Exploration. Und man muss ganz klar kommunizieren, wo befinden wir uns denn jetzt? Befinden wir uns schon in der Phase? Dann würde ich aber sagen, na ja, okay, dann zeig mir mal in den Daten, wo ist denn das Signal? Ach, das kennt ihr noch gar nicht, wisst ihr noch gar nicht? Ja, dann sind wir definitiv nicht bereit für die Exploitation. Dann sind wir in der Exploration. Dann geht's darum, Experimente zu bauen. Dann geht's darum, nicht möglichst viel zu erreichen, sondern möglichst viel oder möglichst schnell auch zu lernen. Gut, dann hören wir uns mal die den nächsten Abschnitt der Erikas Story an.

Speaker3: In Erikas Augen ist das nun ein absolutes Dilemma. Der Abteilungsleiter schickt sie zu dem Experten der Anlage, die Profitabilität zu überprüfen, welche ihr, die ihrer Meinung nach, für diese Abschätzung relevanten Infos aber erst gibt, wenn die Abschätzung, die sie hergeschickt wurde, schon passiert ist. Das kann so gar nicht klappen. Erika bleibt nichts anderes übrig, als sich von Peter die Information geben zu lassen, wann die letzten Erwartungen waren, geplant und ungeplant, was eine Wartung kostet und wie viel Geld verloren geht, wenn die Linie stillsteht. Ein paar Tage später kommt sie damit zurück zu Achim und zu zweit schauen sie, wie viel Geld sich die Firma im Best Case spart. Sie kommen auf 50000 Euro pro Jahr. Für Achim und Peter ist dieser Betrag hoch genug, das Data Science Projekt zu versuchen. Ein erster Reviewtermin, in der Erika den Stand der Dinge präsentieren soll, wird für einen Monat später ausgemacht. Erika ist zuversichtlich, vor allem wegen der Fülle an Daten, die vorhanden sind.

Speaker0: Direkt als Frage an Maxim. Diese Fülle an Daten, ich glaub, der Martin hat's ja auch schon angesprochen, 10 Gigabyte können viel sein, können aber auch superwenig sein. Das handelt sich ja hierbei jetzt auch eher ein Industrieprojekt, womit Du ja auch viel Erfahrung hast, Maxim. Wenn Du 10 Gigabyte fährst von soner Montageanlage, würdest Du dann auch leuchtende Augen bekommen oder gehst bist Du da eher skeptisch? Mit was muss man da rechnen?

Speaker1: Ganz ehrlich, die 10 Gigabyte hätten gar keine Aussagekraft für mich. Okay. Ich hab schon eine gemacht, haben wir 'n paar Kilobytern Daten gehabt, aber das waren halt schon die wirklich auf die richtige Tabelle reduzierten Daten. Und da manchmal hast Du 10 Gigabyte an in Sub Millisekunden abgetasteten Zeitreihen, die aber leider wenig mit dem, was Du vorhast, zu tun haben. Und Du Also wenn ich oder je höher diese Gigabyte zahle, das dann weiß ich eigentlich nur, okay, bis ich weiß, ob der drin die Information ist, die ich brauche, hab ich mehr zu tun. Das heißt, leider ist man noch kein keine Aussage dadurch.

Speaker2: Ja, das ist tatsächlich 'n guter Indikator. Die Menge der Daten sagt ja, dass man nur aus, dass man halt mehr Analytik braucht, die Daten dann zu relevanten Informationen einzudämmen oder herauszutrennen. Also mir fällt zum Beispiel ein Projekt aus meiner Studienzeit als Bioinformatiker ein, da haben wir Genchip Daten bekommen, also die messen sozusagen die Genkonzentration sozusagen von allen Genen, die bekannt sind. Oh, das war eben ein neuer Genchip von IFMatrix und da haben wir 'n Projekt gehabt, da ging's so so Krebsvorhersage, also die Krebs tödlich oder nicht tödlich. Haben dann da Monate oder Wochen, na ja, es waren dann doch insgesamt, glaube ich, 2, 3 Monate an dieser Pipeline, an der Daten- und Analytik Pipeline gearbeitet, diese Gigabyte an Daten ja, aufzubereiten. Und dann hast Du ja wirklich, hast erst mal eine Anomalieerkennung, da musst Du die Daten bereinigen. Also das ist nicht ein Machine Learning Modell, sondern Du hast wirklich mehrere hintereinander geschaltet. Und haben diese ganze Pipeline aufgebaut und am Ende irgendwie festgestellt, na, irgendwie funktioniert das alles nicht. Komisch, komisch, komisch. Und dann kam Wochen später raus, hat Afimetrics uns sozusagen mitgeteilt, dass der Gen Chip leider defekt ist. Yay. Also diese Gigabyte an Daten waren komplett wertlos und mein Praktikum war da mit dem berühmten auch wertlos. Ich musste das Praktikum noch mal machen, weil ja nichts rausgekommen ist. Das war mir persönlich eine Lehre. Also wenn mir jemand sagt, unsere Datenqualität ist zu 99 Prozent gut, dann weiß ich mit 'ner neunundneunzigprozentigen Wahrscheinlichkeit, dass er entweder keine Ahnung hat oder einfach grade mir ins Gesicht lügt. Also, ja, Daten sind immer dreckig.

Speaker0: Und jetzt haben wir ja grade gehört, dass die dass der Peter und Achim, also Prozessingenieur und Abteilungsleiter, ja relativ zuversichtlich sind. Wie zuversichtlich wärt ihr denn, wenn ihr jetzt quasi sone Draufsicht habt auf auf das, was wir quasi grade gehört haben, vielleicht angefangen bei dir Martin, wie zuversichtlich wärst Du denn?

Speaker2: Gar nicht, weil ich glaube, der der Hund ist schon sozusagen am Anfang begraben und ich glaub, das merkt die Erika auch, weil sie jetzt sozusagen zwischen den einzelnen Personen hin- und hergeschickt wird. Da wär's eben genau geschickter gewesen, die mal an einem Tisch in einen Workshop reinzubekommen, an einen Flipchart oder wir nutzen so so Canvas Methoden, also so Canvas Leinwände, wo man die dann auch dazu bringt, gemeinsam an der Sache zu arbeiten. Und das hat natürlich auch sozusagen den Effekt, dass man sich gemeinsam 'n Ziel setzt, dass man gemeinsam auch Verständnis entwickelt und dass man sich auch das Commitment aller Beteiligten abholt, weil dann keiner aus sonem Workshop rausgehen kann und sagen, ja, mach ich jetzt nicht, weil man da im Workshop besprochen hat, dass man's so macht. Also das ist auch einfach son psychologischer Effekt. Leute akzeptieren auch nur die Dinge, wo sie mitreden können, also muss man sie eben auch mit einbeziehen in sone Geschichte. Und ich glaub, dann würde auch das der Fall nicht eintreten, dass ich nun herrennen muss. Jetzt konkret auf den Fall, auch wenn ich dann hör, 50000 pro Jahr, ich im Best Case, ich glaube, das ist sehr optimistisch. Also wenn der Best Case 50000 sind und meistens tritt ja der Best Case nicht ein, sondern der Worst Case, weil dann eben doch in den Real, also in den Realdaten, die dann zum Beispiel kontinuierlich einlaufen, dann halt doch die Datenqualität noch mal schlechter ist, sodass die Model Performance schlechter ist, sodass die Business Performance schlechter ist, ja dann sind's vielleicht doch nur 20000 pro Jahr. Bei 20000 pro Jahr bin ich skeptisch, also wenn man das mal auf irgendwie Tagessätze von 'nem Data Scientist runterrechnet, dann kann der da vielleicht irgendwie maximal 20 Tage arbeiten, was jetzt auch schon sehr optimistisch kalkuliert wär. Damit kommt der nicht weit. Also da ist auch meine Empfehlung immer, wenn man sozusagen einmal so durch son Workshop durchgegangen ist, sone Art ja, Return on Investment oder Time to Amortisation Kalkulation aufzumachen und zu sagen, okay, was glauben wir denn, was die der Uplift ist und wie lang dauert das eigentlich, bis wir das Geld hier da drin haben? Und grade so bei den ersten Projekten, alles, was eine von über einem Jahr hat, würde ich erst mal in einen Backlog schieben und sagen, das Projekt machen wir irgendwann anders. Also da lieber das Projekt raussuchen, das irgendwie, ja, keine Ahnung, im Worst Case 50000 bringt, aber auch halt nur 30000 kostet, weil dann sieht man relativ schnell ja amortisiert sich das und ich kann dann son Projekt eben auch nutzen, meine kritischen Annahmen bezüglich der Datenqualität und der Datentiefe, der Datenmenge eben zu validieren. Also ich komm aus sonem Projekt schlauer raus, als ich reingegangen bin und kann dann besser auch die Risiken für die Folgeprojekte, für die komplexeren Projekte bewerten.

Speaker1: Also grundsätzlich stimm ich dir zu. Das ist jetzt von der Zahl her klingt das, wenn es der Best Case ist und man das eben den vermuteten Aufwand gegenüberstellt, noch nicht so genial. Und wenn's 'n besseres gibt mit 'nem besseren Eroie, klar, dann nimmt man das. Aber das Letzte, was Du gesagt hast mit dem dieses, man lernt durch das Projekt, wie man die Folge oder andere Projekte dann noch realistischer einschätzen kann. Das würde mich jetzt hier an Erikas Stelle und an anstelle ihres Abteilungsleiters, wenn jetzt die Alternative ist, wir machen was, was überhaupt nichts damit zu tun hat, dann würd ich schon bei den 50000 jetzt nicht sagen, das ist abgeschossen. Weil also, aber man müsste es über das Learn mit rechtfertigen.

Speaker2: Genau, guter Punkt. Also deswegen sag ich immer, ein Use Case macht noch kein Business Case. Also einen Business Case für einen einzigen Use Case zu rechnen, wird sich aus vielen Faktoren nicht lohnen, unter anderem, weil ich ja meistens den ersten Use Case brauche, überhaupt gewisse Dinge zu lernen, zum Beispiel zu bewerten können, welche weiteren Use Cases bringen mir was, und weil ja auch meistens die Investitionen in Infrastruktur für den ersten Use Case viel, viel größer ist als für den zweiten. Deswegen, was wir im Rahmen von soner Datenstrategie eben auch machen, ist zu sagen, wie seht sozusagen sonen Analytik Fahrplan aus? Also welche Use Cases sollte ich in welcher Reihenfolge machen? Weil die zum Beispiel aufeinander aufbauen oder gewisse Abhängigkeiten haben. Und dann rechne ich sozusagen für diese Use Case Sammlung den Business Case aus und dann komme ich meistens auf ganz andere Werte, weil dann sozusagen habe ich diese klassischen, ja, Synergieeffekte zum Beispiel bei Infrastruktur. Oder dann sollte ich natürlich auch zum Beispiel die Use Cases danach auswählen, dass eben möglichst alle auf denselben Datenquellen basieren, weil ich dafür vielleicht erst mal einen Data Lake aufbauen muss und erst mal Datenqualitätsmanagement einführ. Dann mache ich das aber nicht pro Datenquelle nur für ein Use Case, sondern ich mach's pro Datenquelle für mehrere Use Cases. Das ist ja auch das Schöne, da sind, also man sagt ja immer Daten sind das neue Öl, ja, ja, das stimmt schon. Ich muss sie erst mal überhaupt verwerten, bevor ich 'n Wert rauskrieg, das ist so die Ölanalogie, wo die halt komplett bricht ist. Ich kann halt die Daten beliebig oft verwerten und dafür sollte ich's aber eben auch möglichst pro Datenquelle mehrere Use Cases haben und nicht einen, weil das dann auch pro Datenquelle mehrere Use Cases haben und nicht einen, weil das dann auch die die Business Case, also die ROI Rechnung natürlich wesentlich mehr ins Positive verschiebt.

Speaker0: Dann vielleicht als abschließende Frage, wer in dieser Story, ich nehm jetzt einfach mal hier Prozessingenieur, Abteilungsleiter und Erika, wer hätte denn da einfach mal auf den Tisch hauen müssen und sagen müssen, wir setzen's jetzt alle zusammen und rechnen das einmal durch. Von wem ist das denn die Aufgabe? Also als Kontext, Erika kommt frisch von der Uni, hat noch nicht wirklich viel Business Understanding. Die anderen 2 Beteiligten wissen nicht viel von Data Science, er haben auch nicht viel Understanding, was das angeht. Muss man da einfach einmal, also knallhart gesagt, einmal auf die Fresse fliegen und dann hat man's gelernt oder

Speaker1: muss da ein Wer muss da auf den Tisch hauen? Maxim vielleicht. Ich denke, Du hast die Frage eigentlich explizit selbst beantwortet. Der Einzige, der den Überblick hat, ist Erikas Abteilungsleiter. Und der, also in diesem Personenkreis. Und der muss dann sagen, Leute, wenn wir aus dieser Abteilung Mehrwert ziehen wollen, dann müssen wir soundso vorgehen.

Speaker2: Ich würd sogar noch eine Ebene drüber ansetzen. Eigentlich muss die Geschäftsführung, die muss ich drüber im Klaren sein, dass es eigentlich strategisch so nicht funktionieren kann, dass ich eine Data Scientistin einstelle und dann zu auch noch eine Junior, sondern ich muss eigentlich mir überlegen, ob ich mich einen Senioriken Head of Data Science oder Chief Data Office oder wie auch immer man die Person nennt, reinhol, die dann das Ganze auch aufbaut, weil ich sag mal, auch ein Data Scientist macht noch keine Data Science aus. Also eine einzelne Person kann ohnehin nichts bewirken. Und was ja dann häufig passiert, ist entweder, dass es eben genau nichts bewirkt, das heißt, die macht dann ein Projekt, das scheitert und dann sagt man, ja, das bringt doch alles nix, das ist doch eher alles Hype, ja, weil ja auch diese Themen durch son Hypezyklus durchlaufen. Oder es funktioniert und das ist dann nämlich immer tot durch Erfolg, weil dann kommen alle anderen Abteilungen und sagen, ja, wir wollen das auch. Und dann steht die Erika da und ist völlig überfordert, weil zig Use Cases sozusagen Anfragen auf sie einprasseln und sie kriegt das gar nicht gestemmt und dann wird angefangen, da wird noch 'n zweiter Data Scientist reingeholt. Dann hast Du 2, die aber auch ja quasi zum Beispiel keine Führungs-, also Team- und Führungserfahrung oder Kompetenzen haben oder auch nicht wissen, wie man strategisch eine Data Science auch braucht, wie man Use Cases priorisiert. Und dann wird es meistens sehr, sehr chaotisch. Dann werden so Dinge vergessen, wie dass Du halt auch, also m l ops einführen musst, weil Du ansonsten die Data Scienters die ganze Zeit nur damit beschäftigt sind, diese Modelle zu warten. Und das geht dann genauso schief. Und da glaub ich, da muss da einfach eine Geschäftsführung klar sein, dass das nicht einfach mal son Thema ist mit Schnippen und ja, da hau ich mal eine Data Scientress rein, sondern das ist 'n strategisches Thema. Das heißt, ich muss da entsprechend Budgets einplanen, Personal planen. Ich brauch da die richtige Geduld auch, dass das Jahre dauert, bis das aufgebaut ist. Ich brauch einen kulturellen Wandel, die Abteilungen müssen sich auch verändern. Und das ist das, was wir auch ganz oft grade sehen, dass die, ja, erst mal so reingestolpert sind, ja, sich eine blutige Nase geholt haben. Manche rappeln sich wieder auf, laufen wieder zurück, versuchen's noch mal von vorne. Ja, wenn man aber von Anfang an, das sag ich mal, aus 'ner Geschäftsführung angeht, wär's wahrscheinlich auch erfolgreicher.

Speaker1: Die ich dich dann richtig, Du würdest sagen, eigentlich fürn Unternehmen gilt bei Data Science?

Speaker2: Ja, ich würde sagen, Also ich muss es von Anfang an groß denken, ja und und mir genau genau machen, wo will ich denn eigentlich in 5 Jahren sein, weil ich natürlich auch jetzt anfangen muss, die richtigen Daten zu sammeln. Ich muss jetzt anfangen, das richtige Personal aufzubauen, weil bis ich einen Data Scientists hab oder einen Head of Data Science, das kann ja Jahre dauern, also bis ich mal die Ausschreibung hab, bis ich mal den Prozess durchlaufen hab, bis ich noch mal die Budgetfreigabe hab, bis derjenige sich dann beworben hat, bis der gekündigt hat. Dann hat er vielleicht 'n anderes Angebot, bis der dann mal anfängt, bis der eingearbeitet ist. Das dauert unserer Erfahrung nach ein bis 2 Jahre, bis der operativ loslegen kann. Das heißt, da muss ich schon langfristig oder groß denken. Das heißt aber nicht, dass ich, und das ist das, glaube ich, was viele dann eben nicht begreifen, die die die schwanken immer zwischen dem klein klein und viel zu groß, die versuchen dann eben auch so groß anzufangen. Und dann werden große Pläne geschmiedet, ja, wir bauen da einen riesigen Data Lake, hat da auch Grund, 3 Jahre lang einen Data Lake aufgebaut und dann kam irgendwann mal von uns die Frage, ja, was macht 'n ihr eigentlich damit? Ja, so genau wissen wir das noch nicht. Sag ich, ja, aber der hat 3 Jahre jetzt Geld rausgeballert, aber ihr müsst doch auch mal wissen, wie ihr das Geld hier reinholt. Ja, das ist 'n guter Punkt, das sollten wir über die Use Cases nachdenken. Sag ich, aber doch nicht nach 3 Jahren, das hättet ihr ja von Anfang an machen sollen. Und dass dieses Jahr Start small, also oder auch, ja, schnell also schnell mit ersten Projekten anfangen, aber trotzdem groß denken, strategisch denken, langfristig denken.

Speaker0: Ich nehm das einfach mal direkt als Abschlusssatz Abschlusswort. Ich freue mich riesig, ich hab mich riesig gefreut, dass ihr da wart, Maxim und Martin. Vielen Dank. Zu Martin findet findet ihr in der Beschreibung sein LinkedIn Profil und ein Link zur Website von Datentreiber. Da könnt ihr auch noch mal mehr erfahren. Und ja, ich sag

Speaker2: vielen Dank an Martin und Maxim. Toll, dass ihr da wart. Danke dir, Martin. Super. Vielen Dank euch für die Einladung. Hat mich sehr gefreut.

Speaker0: Und bis zur nächsten Woche, wo wir erfahren, wie's mit der Erika weitergeht. Bis dahin. Tschau. Tschau. Tschau. Tschau. Hier noch einmal die 3 wichtigsten Learnings aus der heutigen Folge. Nummer 1, was vielen Data Science Projekten passiert, ist, dass sie eine Rolle rückwärts machen müssen mittendrin, weil der Use Case, wie man ihn sich am Anfang vorgestellt hat, dann doch nicht so klappen kann. Aus den verschiedensten Gründen, weil die Datenlage nicht passt, es zu wenige Daten gibt oder die Datenqualität einfach nicht gut genug ist. Daher Learning Nummer 1, lieber am Anfang mehr Zeit investieren und langfristig denken, damit so etwas nicht passiert. Denn Data Science fängt an beim Business Understanding. Nummer 2, die Exploration ist Teil des Projekts. Data Science Projekte sind sehr agil. Und welcher Use Case sich am Ende rauskristallisiert, ist oftmals völlig unterschiedlich von dem, den man am Anfang angedacht hatte. Das liegt oft daran, dass man das Unternehmen beziehungsweise die IT Infrastruktur zu Beginn des Projekts vom Kunden noch gar nicht kennt. Das bedeutet, erst während des Projektes kann sich herauskristallisieren, was denn alles so möglich ist im Projekt. Diese Exploration zu verkürzen und langfristig Geldverschwendung zu vermeiden, können kleine Workshops mit dem Kunden helfen. Und zu guter Letzt Nummer 3, Man muss beim dem Kunden Man muss den Kunden klarmachen, dass es sich dabei erst mal nicht ein Softwareprojekt handelt, sondern ein Projekt. Das war's für die heutige Folge. Bis zum nächsten Mal. Master the Komplexity.

Speaker1: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und

More episodes from season 3 →