Marius Försch – Senior Data Product Manager bei Mindfuel

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Marius FörschSenior Data Product Manager at Mindfuel
Overview
In this episode, host Theo Steininger speaks with Marius Försch, Senior Data Product Manager at Mindfuel, about the intersection of data science and product management. The two discuss why so many data science projects fail, how successful data products come to life, and what role the data product manager plays in that process. Drawing on concrete project examples - including a predictive parking feature at Volkswagen Financial Services - they shed light on practical success factors and common pitfalls.
About the guest
Marius Försch is Senior Data Product Manager at Mindfuel, a consultancy that bridges the worlds of data science and product management. Previously, he led the data science and AI team within the data analytics unit at Volkswagen Financial Services, where he held end-to-end responsibility for data and AI product development. Before that, he spent several years as a consultant helping large and mid-sized companies build data organisations and define data strategies. Marius studied industrial engineering in Kaiserslautern and has since combined technical and business knowledge throughout his career.
Summary
What is a Data Product Manager - and why is this role needed?
Mindfuel has taken on the problem that around 90 percent of all data science projects fail. The company's answer: combine the methods of data science with the principles of product management. A data product manager understands data science and machine learning concepts, but can place them in the context of overarching product development - similar to an analytics translator, yet with a stronger focus on the continuous product mindset that keeps users, business, and development in view simultaneously. Mindfuel supports clients both at the operational level in building concrete data products and strategically in establishing data-driven organisations.
From industrial engineer to data product manager - a career path with unexpected turns
Marius Försch's path into this role was not planned, but emerged through a series of coincidences and pivotal decisions. His studies in Kaiserslautern combined business administration and computer science, which sparked an early interest in the intersection of both worlds. After stints in IT consulting in the banking sector, he discovered the emerging field of data science around 2010. At a specialised data science consultancy, his seniority quickly led him to take on project management responsibilities, even though he had originally wanted to do hands-on data science work. At Volkswagen Financial Services, he gained experience in product development within a large corporate context before moving to Mindfuel to fully embrace the product manager approach.
Predictive Parking - a successful data product from idea to go-live
Marius Försch cites 'Predictive Parking' at Volkswagen Financial Services as his greatest success project: a feature for the 'Pay by Phone' app that predicts parking availability in urban areas and visualises it for users using colour coding. The decisive success factor was resisting the temptation to immediately build the most complex model, and instead starting pragmatically with a simpler approach that delivers real value. In parallel, research continued on more complex models that later brought improvements. The project illustrates exemplarily how product thinking - with timeboxing, a clear user focus, and genuine end-to-end ownership - drives data science initiatives to success. On the technical side, streaming data had to be processed in real time and an API provided for the app, which required a cross-functional team of data scientists, ML engineers, and DevOps experts - organised according to the Spotify squad model.
Data science as a tool - not an end in itself
A central theme of the conversation is the danger of the 'hammer-nail trap': whoever is excited about a technology goes looking for problems that fit it - rather than starting from the problem the other way around. Marius Försch and Theo Steininger agree that machine learning and data science are powerful tools, but not ends in themselves. Value and outcome come first. This applies both to the selection of projects and products and to day-to-day work within the team. Defining value and translating it into measurable metrics - and making clear the difference between model accuracy and business success - is one of the core tasks of the data product manager.
Showstoppers and red flags in data science projects
Marius identifies the most common showstopper as stakeholders' lack of understanding of the difference between classical software development and machine learning projects. While software can be built deterministically, the success of an ML product depends heavily on the data available - and there is no guarantee that a usable product will emerge from it. Correcting this expectation is an ongoing task. He identifies a second stumbling block in the attention to detail typical of data scientists who come from an academic background and are accustomed to exploring topics in depth. In a product context, however, pragmatic timeboxing and shorter feedback cycles are needed.
PO, PM, and stakeholder management - roles and interplay
Marius draws a clear distinction between the product owner (PO) and the product manager (PM): the PO steers operational development, defines user stories together with the team, and ensures acceptance criteria are in place. The PM looks outward, leads discovery processes, and validates ideas early - before development even begins. Both roles are closely intertwined and, in larger product organisations, structured hierarchically. At the same time, the two discuss how political dynamics within companies - such as management decisions made beyond value considerations - can influence data-driven product work. Generational differences in leadership understanding are playing an increasingly important role in this.
Advice to a younger self - and what young professionals can take away
Looking back, Marius Försch would advise his twenty-year-old self to move into AI and machine learning earlier - specifically to have taken advantage of the offerings of the German Research Center for Artificial Intelligence (DFKI) at the University of Kaiserslautern instead of focusing on software engineering seminars. He also recommends starting something of your own earlier, rather than thinking exclusively in terms of employment. The learning curve in your own project is many times steeper than in a corporate environment.
Key takeaways
- 90 percent of data science projects fail - the data product manager combines product thinking and data science expertise to change that.
- Success in data science projects starts with a clear definition of value and outcome - model accuracy alone is not a business metric.
- Product thinking means: not a one-off project, but a continuous cycle of building, measuring, and learning with real users at the centre.
- The 'hammer-nail trap' is real: whoever falls in love with a technology goes looking for problems rather than starting from the problem - this frequently leads to failure.
- Stakeholders' lack of understanding of the non-deterministic nature of machine learning projects remains one of the most common showstoppers.
- Data science is a toolbox, not an end in itself - the hypothesis-testing approach from academia is valuable, but must be applied more pragmatically than in a research context.
- Cross-functional teams (following the Spotify squad model) with clear role distribution between PO, data scientists, and DevOps are a key success factor.
- Timeboxing data science work within sprints prevents teams from getting lost in technical details and working in the wrong direction for long periods without feedback.
- Those who build or found something of their own early on have a significantly steeper learning curve than in a traditional employment relationship.
Conclusion
The conversation with Marius Försch illustrates compellingly that successful data science projects are less a matter of technical method than of the right mindset: value before tool, user perspective before model complexity, continuous product development before one-off projects. The data product manager is the key figure who brings together technology, business, and users - and keeps the expectations of all stakeholders realistic.
For data scientists and ML engineers
Technical excellence is valuable, but in a product context pragmatic thinking in short cycles is essential. Timeboxing and early user feedback are not constraints but success factors - those who internalise this will build more impactful solutions.
For executives and decision-makers in organisations
Understanding the non-deterministic nature of machine learning projects is crucial: without the right data and a clear definition of value, even the best team cannot deliver a successful data product. Investing in this understanding pays off.
For young professionals and students
Learning AI and ML fundamentals early and trying out your own projects or ventures is the most direct path to a steep learning curve - corporate stints can offer valuable perspectives, but they do not replace the experience of building something yourself.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute zu Gast bei The IRIOM Podcast ist Marius Försch. Er ist Senior Data Product Manager bei mindfuel. Sein Aufgabenbereich umfasst die strategische Beratung von Unternehmen in ihrem Transformationsprozess zur datengetriebenen Organisation und die Hands on Unterstützung bei der Entwicklung von Datenprodukten. Bevor Marius Fursch bei Mindfuel startete, leitete er das Data Science und AI Team der Data Analytics und AI Unit bei Volkswagen Financial Services, wo er die End to End Verantwortung für die Daten- und KI Produktentwicklung trug. Davor arbeitete er einige Jahre als Berater für große und mittelständische Unternehmen, diese beim Aufbau ihrer Datenorganisationen und der Definition ihrer Datenstrategien zu unterstützen. Dem Stress des Berufsalltags kann Marius Hirsch am besten beim Sport entfliehen. Wie viele andere hat er in Zeiten von Corona seine Liebe zum Laufen wiederentdeckt und dreht regelmäßig seine Runden durch die städtischen Parks. Und wenn Wind, Wetter und Familie mitspielen, ergreift er die Möglichkeit, sich beim Kitesurfen an der Ostsee jeglicher überschüssige Energie zu entledigen.
Speaker2: Herzlich willkommen zu 1 neuen Folge von die Ihrem Podcast. Mein Name ist Theo Steininger und heute zu Marius Försch. Hallo Marius, schön, dass Du da bist.
Speaker3: Hi Theo. Vielen Dank, dass ich hier sein darf.
Speaker2: Gerne, gerne. Mich freut's total, dass wir ins Gespräch kommen. Wir wollen uns heute bissel über deine Erfahrung austauschen im Bereich Data Science Projekte. Wir haben's grade in der Vita schon gehört, Du arbeitest als Senior Data Product Manager bei mindfuel. Vielleicht magst Du uns mal kurz abholen, wobei hab ich dich zum Beispiel jetzt grade unterbrochen, ja? Gib uns mal 'n Einblick, was machst Du als Senior Data Product Manager bei Mindfuel? Ganz konkret.
Speaker3: Okay, also Mindfuel ist quasi sone Art Beratung, könnte man sagen. Wir haben uns uns zur Aufgabe gemacht, die Welten Data die Data Science Welt und die Produktwelt zu vereinen. Und wir arbeiten auf Projekten, in denen wir das tun. Ganz konkret bin ich momentan bei einem großen Versicherungsunternehmen und helfe diesem Versicherungsunternehmen eine, ja, eine Dateneinheit aufzubauen. Und Du hast mich gerade quasi dabei gestört. Ich hab das natürlich eingeplant gehabt, sodass es nicht wirklich eine Störung ist. Aber ja genau, ich bin im Projektgeschäft und aktuell Vollzeit auf diesem Projekt.
Speaker2: Okay und kannst Du uns genauer beschreiben, was deine Rolle genau ist? Ich denke, unter einem Data Scientist oder Senior Data Scientist können sich die meisten unserer Zuhörer schon was vorstellen. Aber was genau noch mal ist ein Data Product Manager, auch zum Beispiel im Team? Ja, also mit mit wem arbeitest Du im Team zusammen und in Abgrenzung zu den anderen Rollen, was ist deine Aufgabe dabei? Genau. Vielleicht
Speaker3: fang ich mal einen Schritt weiter vorne an. Mhm. Im Grunde ist es so, dass Mindfield sich auf dem Problem Statement definiert hat, sie wollen ändern, dass 90 Prozent der Data Science Projekte fehlen, weil das zum damaligen Zeitpunkt Tatsache gewesen. Die meisten Data Science Projekte, die haben einfach nicht geklappt. So, und dann haben sich die Gründer die Gedanken gemacht, wie sie das ändern können und haben gesagt, na ja, also Data Science bringt die die ganzen Methoden mit, wo man, mit denen man wirklich viel Nutzen stiften kann. Und Produktmanagement ist auch schon sehr etabliert. Firmen arbeiten danach, jeder kennt irgendwie inspiriert, kennt die das Lean Start-up, diese Konzepte, die dort beschrieben werden. Die sind all Prozent in der digitalen Produktentwicklung und jetzt bringen wir diese beiden Welten zusammen. Das heißt, ein Datenproduktmanager, ein Data Product Manager ist die Person, die imstande ist, die Konzepte des der Data Science oder des maschinellen Lernens zu verstehen und einzuordnen im Kontext 1 größeren Produktentwicklung. Und so so gesehen ist es quasi ein digitaler Produktmanager, der zusätzlich das Skillset mitbringt, mit ja, Data Science und maschinellem Lernnutzen zu stiften. Jetzt hatte ich hier eingangs erwähnt, ich bau eine Data Unit auf. Jetzt werden die die ein oder anderen Zuhörer, Zuhörerinnen feststellen, na ja, dann hat er nicht so wirklich was mit Produkte bauen zu tun. Das stimmt. Was wir als Firma zusätzlich noch machen, ist Strategie. Also quasi Firmen erst mal in die Lage versetzen, dass sie Datenprodukte bauen können, indem wir uns grundsätzliche Prozessthemen, Organisationsthemen, aber auch Technologiethemen
Speaker2: ansehen. Okay, das heißt, ihr könnt's nicht nur Datenprodukte bauen, sondern auch eure Expertise multiplizieren und beim Kunden dann implementieren.
Speaker3: Das nehmen wir die Ziele. Ja. Sehr cool. Also das, ich hoffe, es klappt. Bei den meisten Firmen tatsächlich ist das hier eine sehr große Aufgabe, der wir uns da aktuell stellen, ja. Alright. Kurze Rückfrage dazu. Kennst Du den Begriff des Analytics Translators?
Speaker2: Nee. Was heißt das? Das hatte, es gibt natürlich 1000000000 verschiedene Begriffe und Rollenbeschreibungen, aber das hat mich grad sehr, sehr an das erinnert, wie Du's beschrieben hast und zwar die Definition des Analytics Translators, die ich die ich mal so mitgenommen hab, war die Übersetzung 1 Businessproblem in ein Datenproblem, dann die Hardcore Data Scientists machen zu lassen und das dann wiederum zurückzuübersetzen von der Datalösung auf die Businesslösung. Das steckt ja da auch mit drin oder in dieser Rolle des Produktmanagers nur quasi noch zusätzlich, so interpretiere ich das grad rein, noch zusätzlich eine übergeordnete strategische Komponente sowohl für die Firma als auch für den Menschen, sprich für die Menschen im Team.
Speaker3: Genau. Also eigentlich trifft das ziemlich gut. Ich würde noch den Produktaspekt mit aufnehmen. Also in der Beschreibung, vielleicht habe ich die jetzt auch leicht falsch verstanden, klang das so durch, als wär das 'n klassisches Projekt. Also man startet mit den Anforderungen des Businesses, übersetzt die und es endet mit dem, was die Dataseite es gebaut haben, wenn man das 'n Business übergibt. Aber wir wollen dann auch den Produktgedanken mit aufnehmen und eben diesen kontinuierlichen Charakter der Produktentwicklung auch noch mal 'n bisschen stärker in den Mittelpunkt drücken, denn es gibt in der Produktentwicklung keinen Start und kein Ente. Das ist 'n kontinuierlicher Prozess, der neben Business und Entwicklern aber auch noch ganz stark die Nutzer miteinbezieht. Und von daher würde ich das nur etwas erweitern, was Du gesagt hast. Also die die Aufgaben, die Du beschrieben hast für den Analytics Translator stecken da mit drin, aber da kommen noch 'n paar Sachen mit drauf. Mhm.
Speaker2: Mhm. Und gehen die beiden Welten vielleicht auch insofern zusammen, wie startet ihr mit so 'ner konkreten Produktidee? Gibt's da zunächst ein Projekt, das dann transformiert wird in ein Produkt oder geht's ihr da tatsächlich auf soner krassen strategischen Flughöhe gleich rein, dass es sofort in ein Produkt reingeht?
Speaker3: Ich würde sagen, das ist kundenabhängig.
Speaker2: Okay.
Speaker3: Bei kleineren Firmen, bei Start ups, die die starten ja schon meistens mit 'ner konkreten Produktidee. Und wenn man die dann unterstützt, dann kann man sich sehr schnell darauf fokussieren, ja, den den Datenteil der Produktentwicklung voranzubringen. Mhm. Während man vielleicht bei größeren Konzernen, die schon seit Jahrzehnten, vielleicht Jahrhunderten, keine Ahnung, wie er die Firmen sind, Produkte entwickeln auf ihre Art und jetzt plötzlich irgendwelche Datenprodukte starten, dann hat es ja meistens begonnen in irgend 'nem Data Unit, Data Analytics in Form von kleinen Projekten, dann ist die Ausgangssituation eine andere. Also im Grunde ist für uns als Berater erst mal wichtig, den Kunden da abzuholen, wo er steht. Das kann was sein, dass es mit Projekten gestartet ist in 'ner kleinen Einheit und das Ganze irgendwie in die Linie überführt werden soll. Aber es kann auch sein, dass eine Firma an uns herantritt und schon eine ganz konkrete Produktidee hat. Dann legen wir natürlich von dort aus mit denen los und die Basic darf man dann in dem Fall das sein.
Speaker2: Okay, okay. Dann nur noch eine Frage vielleicht zu dem Skype deiner Arbeit. Geht's dir dann auch hin, je nach Fall natürlich unterschiedlich, hast Du grade dargestellt, aber ganz grundsätzlich zu hinterfragen, ob bei 1 Produktidee schlussendlich tatsächlich Mehrwert für eine Nutzer bei rauskommt?
Speaker3: Das ist das alles Entscheidende. Allright. Also im Normalfall im Normalfall hätten wir kein Projekt angetreten, wenn wir das nicht schon vorher klargemacht hätten. Also ich kenn jetzt die Pitchunterlagen von uns nicht auswendig, aber ich weiß, dass Value und Outcome wahrscheinlich die am meisten genannten Wörter sind, wann uns das eben wichtig ist. Und Alright. Ich weiß, es fällt manchen Data Scientisten schwer, Data Science und Machine Learning als einen ein Tool zu verwenden, aber am Ende des Tages ist es das. Ein Tool, das helfen kann Nutzen zu stiften, aber es ist nicht der Hammer, der jeden, der alles zum Nagel macht, sondern es ist halt wirklich, ja, ein Tool am Ende des Tages, das helfen kann, aber nicht helfen muss. Und eigentlich steht im Vordergrund, dass man Nutzen stiftet. Und wir sind der voll Überzeugung, dass Data Science Machine Machine Learning
Speaker2: sehr viel Nutzen stiften kann, aber der Nutzen und der Wert stehen im Vordergrund. Ja, okay. Das heißt, in einem Extremfall müsste die auch einem Start-up dann das schon mit 'ner konkreten Produktidee auf euch zukommt, sagen, ja, nee, lieber lieber sein lassen. Oder zumindest Ja, ich sag mal so, ich Sag mal, sag mal 'n Beatmensch. Ja.
Speaker3: Ich bin ja kein Salesmensch. Das heißt, diese Situation trifft wahrscheinlich meinen Kollegen Nadine viel häufiger. Aber das am Ende des Tages ist das unsere volle Überzeugung, dass es nur Sinn macht, weil die Erwartungshaltung auch auch seines Kunden klar ist. Und sehr häufig wollen die Leute ja genau das. Man muss es ja nur ihnen halt nur den Weg dorthin zeigen und es ist Am Ende des Tages geht's die Erwartungshaltung. Und wenn man die anfangs klar macht, dann findet man zusammen und dann kommen da meistens auch ganz gute Projekte bei raus. Also das Projekt aus unserer Sicht, Produkt aus Kundensicht. Sehr cool, sehr cool.
Speaker2: Wie war das in die Vergangenheit geblickt bei dir persönlich? Du bist ein Wirtschaftsingenieur und das, was Du beschreibst, was Du heute machst, das lernst Du ja, ich weiß es nicht. Vielleicht gibt's schon irgendwo auf der Welt mittlerweile den Fans die Studiengang, wo man genau das auch studieren kann, aber ich mutmaße mal schwer, dass in deinem Studiengang bei bei bei den Wirtschaftsingenieurwesen das jetzt nicht irgendwie Vorlesung 1 Data Science product Developments auf der auf der Agenda war. Nein. Aber irgendwie irgendwie hast Du dich ja auch in dieses Thema hineinbegeben. Da muss es ja was gegeben haben, das dich fasziniert. Kannst Du uns vielleicht dann noch mal auf die Reise mitnehmen? Wie wie lief das bei dir? Ja, vom Wirtschaftsingenieur hin zu deiner jetzigen Stelle, gab's da vielleicht auch Brüche mit drin? Wir haben's ja im Intro auch gehört, dass es jetzt nicht die eine Station war, sondern das ging über auch mehrere Hobbys, wenn ich's richtig verstanden hab. Ja.
Speaker3: Ich fang mal mit dem wichtigsten Element an, das Schicksal tatsächlich. Okay, krass. Viel war viel war gar nicht geplant, viel hat sich einfach so ergeben. Und ja, es gibt sehr viele Brüche und ich denke, das ist auch charakteristisch für viele Lebensläufe in unserem Bereich, dass Leute quer eingestiegen sind. Ich hab Wirtschaftsingenieurwesen studiert, weil ich mich nicht zwischen BWL und Informatik entscheiden konnte. Also ich fand beides irgendwo interessant und es gibt oder gab 2003, als ich angefangen hab zu studieren, gab's Karlsruhe. Da gab's den Studiengang Wirtschaftsingenieur mit Nürnberger mit Informatikelementen. Das gab's in Ilmenau und in Kaiserslautern. In Karlsruhe wollten sie mich nicht und dann ist viel die Wahl auf Kaiserslautern. Und dann hab ich einfach BWL und Informatik im Grunde studiert. Bisschen abgespeckt, das sind jetzt keine vollwertigen Studiengänge, aber man bekommt aus beiden Welten ziemlich viel mit. Das hat mir dann eigentlich auch so viel Spaß gemacht, also die beiden Welten zu zu vereinen, hat mir so viel Spaß gemacht, dass ich auch für den Berufseinstieg in eine Rolle finden wollte, die beide Welten vereint. Und bin dann, weil ich 'n Faible für Finanzen für die Bankenwelt hatte damals, in die tatsächlich in die IT Beratung im Bankenumfeld gekommen. Und Banken und Daten, das sind ja 2 Aspekte, die sehr eng miteinander verwoben sind. Und dementsprechend habe ich sehr viel den Weg gefunden in so klassische Datenanalyse, aber da jetzt nicht nicht fancy Algorithmen, sondern wirklich ganz klassisch, irgendwelche Datenbanken, man macht Analysen, damit wird irgendwas angestellt. Und das war dann so rund 2010, 2011, als dann das ganze Thema Data Science und Machine Learning langsam immer größer wurde. Und ich fand es total spannend, weil eben diese ganze Algorithmik mich fasziniert hat. Und dann dann hab ich damals auch schon gelernt, dass es dass die Themen total alt sind, sondern dass sie eigentlich schon total lange existieren. Aber jetzt halt mit den neuen Gegebenheiten plötzlich viele neue Sachen möglich werden. So. Mein damaliger Job hat nicht hergegeben, deswegen hab ich mich auf eine Reise begeben, die mich dann nach 1 Zwischenstation zu Alexander Tam gebracht hat. Alexander Tam ist eine Beratung in München ansässig, die sich wirklich auf das Thema Data Science fokussiert hat. Und das war mir damals sehr wichtig, weil ich halt wirklich nur das machen wollte. Ich wollte nicht in BI getrennt werden, ich wollte nicht in irgendwas anderes getrennt werden, ich wollte wirklich Data Science machen. Thema war nur, ich war ungefähr 5, für 6 Jahre älter aufgrund meiner Vita als viele der Kollegen, die direkt von der Uni angefangen haben. Und wann immer dann ein Team aus 2 bis 3 Leuten auf ein Projekt gekommen ist, war ich der Älteste. Und vielleicht in der Hinsicht dann vielleicht der Erfahrenste im Stakeholder Management, sodass ich sehr, sehr schnell in so Projektmanagementaufgaben gekommen bin. Das heißt Ah, okay. Ja, ja. Ich hab gar nicht so wirklich viel Hands on Data Science Arbeit gemacht zu der Zeit, sondern war sehr, sehr schnell in der Projektmanager. Und das hat sich irgendwie so verstetigt. Deswegen meinte ich, das ist Schicksal. Ich wollt das gar nicht. Aber das war dann halt mein Schicksal, dass ich tendenziell diese Managementaufgaben hatte. So. Dann hab ich aber irgendwann gelernt, dass Projektmanagement irgendwie nervig ist, weil man wird auf 'nem Projekt geschickt, wird immer Auftrag, dann sind erst die Daten nicht da, dann klappt irgendwas anderes nicht, dann klappt die die Technik nicht. Also irgendwas war immer. Und man muss es aber dennoch machen, einfach das Projekt abzuschließen. Und und da hab ich mich dann erstmals mit dem Gedanken des Produkt Entwickelns beschäftigt. Mhm. Und es war die Zeit, als dann das e-n Start-up groß wurde, vielleicht auch schon länger, aber da zumindest hab ich's dann so mitbekommen. Dann kam so diese ganze Matrix Gegenbewegung auf und es war alles total spannend. Und deshalb hab ich dann, ja, das immer weiter verfolgt. Bin aber zunächst in in den Konzern gewechselt zu Volkswagen Financial Services, dort Produkte zu entwickeln in 'nem Team, also mit mit einem sehr visionären Menschen, Alex Bordek. Hi Alex, falls Du das hörst. Hi. Genau, und wir haben halt angefangen, jetzt im im Konzernkontext Produkte zu entwickeln. Damals hatt ich eher noch die Techy Perspektive auf Produktentwicklung. Also ich hab das Data Science- und AI Team verantwortet. Aber ja, das war mir dann irgendwo nicht mehr genug und dann hab ich mich dazu entschlossen, es halt als wirklich als Produktmanager zu versuchen und hab bei Mindful angefangen. Erst als Freelancer und dann als Festanbestellter. Und das taugt mir und erfüllt mich tagtäglich und deswegen glaube ich, dass ich das auch noch eine Weile machen werde.
Speaker2: Wie gut hat es funktioniert, der Lean Start-up und Martin Calian in Volkswagen Financial Services unterzubringen? Hat das gut funktioniert mit den entsprechenden Kollegen?
Speaker3: Ja, erstaunlich gut. Ja, tatsächlich. Wir waren zu Ja, ich ich würde sagen, wir waren son bisschen die Insel der Klickseligkeit Volkswagenkonzern. Wir waren der Digital Unit untergeordnet. Die Digital Unit, die die wurde auch nicht in Braunschweig gegründet, wo der Firmensitz ist, sondern in Berlin, einfach nur Antal Leut auch anzusprechen. Ja, die sind auf und Volkswahlen.
Speaker2: Wie bitte? Aus Prinzip?
Speaker3: Aus Prinzip? Machen wir's in Berlin. Ja, genau. Ja, macht man mal was in Berlin. Das ist ja son gewöhnliches Pattern bei bei großen Firmen. Mhm. Genau, also das die ganze Junge, die war aufgehangen im digitalen Bereich, den Stefan Imme verantwortet. Stefan Imme, an sich ist 'n sehr visionärer Typ, der einfach mal neue Themen angeht und der es wirklich schafft, son son großen Konzern voranzubringen, auch in diesen in diesen digitalen Themen, die teilweise sehr schwer zu kommunizieren sind. Mhm. Und er hat den Alex Bordeck wiederum eingestellt, der auch aus der Konzernwelt kommt, aber ähnlich tickt, der auch einfach mal Dinge anders macht und neu macht. Und der durfte dann quasi einen Team sich herum aufbauen und ich war dann eben Teil des Teams. Und ich würde sagen, dass wir wirklich sehr viel bewegt haben, aber man darf nicht vergessen, wir waren dann immer noch im Konzern. Die Konzernwelt haben wir nicht komplett hinter uns gelassen, aber wir haben auf jeden Fall sehr viele Dinge machen können, die so vielleicht im Konzern nicht normal sind, nicht normal waren damals.
Speaker2: Cool. Ja, also vor allem für die Complexity Masters, die jetzt zuhören, die die's noch nicht gelesen haben, 2 der Bücher von ihm. Ich glaube, die hat noch 'n drittes rausgebracht oder? Wenn man jetzt Das kann ich dann zumindest nicht, aber es kann auch nicht hinein. Aber es geht, ich möchte jetzt Volkswagen und Financial Services nichts unterstellen, aber alleine schon die Tatsache, dass es sich ein Konzernkonstrukt handelt, ist es schon ziemlich weit erst mal a priori von den Ideen dieser Bücher entfernt mit Purpose driven, Employment und Empowered products Teams. Von daher, aber super cool, ja. Also ich find das immer toll, wenn wenn's so, wie es so genannt, Inseln der Glückseligkeit in den Konzernen gibt, aus denen dann diese Ansätze erwachsen. Das ist das spitze.
Speaker3: Cool. Und Und ich bin jetzt ja auch tatsächlich schon lange raus und hab immer noch so sporadisch Kontakt, in Coronazeiten leider nicht ganz so viel. Aber Aber die sind den Weg weitergegangen. Also ich glaube, da entstehen viele gute Sachen bei den Kollegen. Ja, ja, ja, sehr cool.
Speaker2: Und noch mal bezogen auf deine Person, auch mit dem Background sowohl akademisch als auch der Berufserfahrung, die er wirklich mittlerweile beachtlich ist, die Du die Du hast. Wo liegen da heute noch die größten Herausforderungen für dich, wo Du sagst, okay krass, da gibt's was, wo Du, wenn Du zurückblickst auf die letzten 6 Monate noch mal wirklich signifikant dich weiterentwickelt hast?
Speaker3: Also was ich komplett unterschätze, ist, was also die die Herausforderung des Changes, also Transformation zu begleiten. Und grade in unserem Umfeld müssen wir, also es hilft nicht nur, neue Technologie einzuführen, wir müssen auch die Menschen verändern, die mit dieser Technologie arbeiten. Wir müssen die die Businesses dieser Welt verändern, damit sie die Technologie verstehen und diesen Change zu begleiten. Das hab ich früher immer ehrlich gesagt son bisschen abgetan als boah, hab ich überhaupt keinen Bock drauf. Jetzt steck ich in soner Rolle, muss es gelegentlich machen und stelle fest, es ist wirklich herausfordernd. Das ist keine Lebensaufgabe für mich. Mach das jetzt mal vorübergehend, weil man da sehr viel lernen kann. Aber ich hab 'n unglaublichen Respekt vor all den Leuten entwickelt, die sich dieser Transformationsherausforderung Tag für Tag stellen. In Bezug auf meine eigene Rolle, die größte Herausforderung ist es, mit dem technischen Fortschritt mitzuhalten. Also als P o, ich muss es nicht entwickeln können. Ich muss jetzt auch nicht die Algorithmen im Detail verstehen. Ich muss jetzt auch nicht jede neue Technologie im Kontext von oder sonst irgendwas verstehen im Detail. Aber ich muss zumindest auf 'ner höheren Flugebene verstehen, was da vor sich geht, die richtigen Entscheidungen zu treffen. Und es erfordert eigentlich, dass man konstant außerhalb der eigenen Komfortzone unterwegs ist und sich grundsätzlich immer wieder neue Sachen reinfahren muss, die sie irgendwie zumindest verorten können muss. Also Beispiel, wenn ich jetzt irgendwie hör, dass, weiß nicht, irgendwie, was fällt mir jetzt da ein? Was ist das fürn Tool? Ich ich kenn das Tool als solches gar nicht so unglaublich gut, aber ich kann's irgendwie im größeren Kontext verorten und weiß, was Teams machen, die das jetzt irgendwie einführen. Oder Featurestores, die jetzt irgendwie wieder son bisschen mehr aufgepoppt sind. Was ist das jetzt eigentlich genau? Weshalb macht man das und welche Herausforderungen gehen die Kollegen damit an? Und all das son bisschen in Kontext setzen erfordert, dass man sich kontinuierlich damit beschäftigt. Also die einzige Sache, auf die ich nicht verzichten könnte, ist mein Medium Abo, halt irgendwie tagtäglich irgendwelche Artikel läden zu können, die mir da halt irgendwelche neuen Insights geben auf dieser hohen Flugebene. Aber ich, das ist, glaube ich, für mich die größte Herausforderung, weil wenn man als PO oder als PM einmal den Kontakt zur Basis verloren hat, dann ist es vorbei. Also wenn man einmal Entscheidungen trifft, ohne zu verstehen, was es für technische Implikationen hat, dann macht man keinen guten Job mehr. Und das, glaube ich, ist auch die größte Herausforderung, die sich jeder PM so vornehmen muss.
Speaker2: Mir ist da 'n Beispiel aufgefallen, in letzter Zeit lese ich immer häufiger von generative Advert Serial networks, genau den Gans. Und da kann ich mir auch gut vorstellen, dass es ziemlich schnell passiert, dass man sagt, so, ah okay, das machen jetzt irgendwie viele, wir haben hier 'n neuen Use Case, lass uns mal das probieren. Und wenn man nicht genau verstanden hat, wie die wirklich funktionieren, was ja auch der der Prozess, wie die trainiert werden, total vielstufig ist und man wirklich die gut balanced muss, dann geht's ziemlich schnell in die Hose.
Speaker3: Ja. Das ist 'n perfektes Beispiel. Also man muss sich damit zu viel beschäftigen und es einordnen kann und dass man jetzt nicht das als den Hammer nimmt und und versucht, alles im Nagel zu machen.
Speaker2: Ja, das ist genau im Grunde das Thema, ja. Ja, ich kann es sehr gut nachvollziehen, jetzt mit dem Hammer und dem Nagel. Wir wir sind da ja sehen Augen sehenden Auges durch diese Entwicklung durchgegangen bei Ihrem. Wir wurden angefragt ganz zu Beginn von Industriekunden, die hatten 'n Problem. Das war sozusagen der Nagel. Dann haben wir dazu eine Lösung gebaut, festgestellt, wow, dieser Hammer ist total mächtig und haben dann mit dem Hammer in der Hand gesucht, so wo können wir mal draufschlagen. Dann ging's ging's wieder in die andere Richtung und so geht's hin und her. Aber deswegen haben wir noch viele Nägel gefunden? Nicht so viele, wie wir zunächst dachten. Natürlich und das war schon auf der einen Seite ernüchternd, ja, weil weil weil du feststellst, hey, vielleicht finden auch andere gar nicht den Hammer so cool, wie wir ihn finden. Das ist ja das eine und letztlich ist es aber, und da muss man sich total eigentlich an die, ja letztlich ist es ja alles aufgeschrieben, an die Literatur auch irgendwo halten mit der Lean Start-up oder wenn man sich's mal ganz genau durchliest, auch eine sehr, sehr coole Referenz, finde ich, ist der Disziplin Entreprender. Wo man drüber liest, sich denkt, ja, klingt ja irgendwie alles plausibel und wenn man sich aber wirklich mal an der Nase fasst, dann macht man's ganz anders, nämlich viel zu Werkzeug, sprich hammerverliebt und pivotiert viel zu selten, ja? Und damit meine ich jetzt nicht den Pivot nur, weil's alle machen, sondern weil man sich wirklich ernsthaft die Frage stellt, wie sieht der Product Market fit aus und was müssen wir ändern? Und wer sich heute bei uns die heutige Lösung von HALYRIUM, der Plattform anguckt,
Speaker3: Ja, muss ich mir auch alles mal reinziehen. Offen gestanden habe ich mir das noch nicht so genau angeschaut, werde ich aber jetzt zum Anlass nehmen, das zu tun. Klingt. Ich glaube, ich empfehle es all den anderen Zuhörern, die es noch nicht gemacht haben, sich das mal reinzufallen. Das klingt alles sehr gut. Ja, ja, klingt wir, verlinken wir am besten auch in den Shownotes würde ich sagen. Darf ich mich vergessen.
Speaker2: Jetzt pass auf, gegeben dem, was Du gerade vorhin erklärt hast, gibt's so ein erfolgreichstes Machine Learning Projekt in deiner Karriere bisher? Das muss jetzt nicht bei sein, kann ja auch sein, dass das irgendwie meinetwegen auch frisch von der Uni war. Aber gibt's so 1, wo Du sagst, boah krass, das war megaerfolgreich? Da muss man ja noch mal über die Definition von Erfolg sprechen. Bingo. Sehr gut. Das ist 'n kleiner Test, ob die Leute darauf kommen, dass wir uns zunächst die Metrik definieren müssen.
Speaker3: Ja, also jetzt definiere ich für mich mal Erfolg als, man hat wirklich was live gekriegt. Sehr gerne. Und diejenigen, die in der Branche unterwegs sind, wissen, dass das schon eine Erfolgsmetrik ist. Ja. 1 1 0 Erfolgsmetrik. Es läuft irgendwas. Und weiter gefasst, wenn man jetzt Oder ich ich mach's mal konkret, ich mach's mal konkret. Ich hab bei Volkswagen Financial Services, ich denke, so viel kann ich sagen, an einem Projekt mitgewirkt, das hieß Predictive Parking. Mhm. Und zwar ging es darum, die Verfügbarkeit von Parkplätzen vorherzusagen in Stadtgebieten. Also beispielsweise bist Du jetzt in München unterwegs, Du möchtest in die Innenstadt fahren, Du weißt, Du fährst eine halbe Stunde und Du möchtest wissen, wo Du in München denn potenziell einen Parkplatz finden kannst. Das war das Projekt. Superspannend, weil wir das gemeinsam mit Pay by Phone gemacht haben. Pay by Phone gehört zum Volkswagen Financial Services Konzern, ist eine App für diejenigen, die Sie vielleicht nicht kennen, eine App, mit der man digital Parktransaktionen durchführen kann. Also statt den Parkometer kann man das Ganze digital machen. Und das war hat jetzt quasi den den Rahmen gegeben. Wir hatten eine App, die irgendwie auch schon genutzt wird und wir haben jetzt 'n Datenprodukt entwickelt, das quasi dieses neue Feature in die App bringt. Für uns war in der ersten Linie schon mal 'n Erfolg, das in die App zu bekommen, weil da so viele Abhängigkeiten existieren. Noch dazu, verteilees Team, teilweise Kanada, teilweise Deutschland, teilweise sonst irgendwo. Wir haben sehr eng mit der Uni kooperiert. Also es da gab's unterschiedliche Themen, das war sehr komplex. Und wir haben's geschrammt, etwas zu entwickeln. Von daher bezeichne ich das als mein größten Erfolg. Und ich hab das meiste gelernt, also in diesem Projekt, im Vergleich zu all den anderen Projekten, weil die Herausforderungen einfach so groß waren und weil das wirklich mal die End to End Strecke abgebildet hat. Also End to End von Idee bis hin zu etwas muss live gehen und hilft produktiv Nutzern,
Speaker2: die jetzt in dem Falle Parkplätze suchen. Okay, das heißt, das klarzustellen, das war nicht nur nur ein POC, sondern ein lebendes Produkt, das beim Endkunden ankommt. Genau.
Speaker3: Cool. Genau. Ich weiß gar nicht, was der aktuelle Stand ist tatsächlich. Also mein Stand ist 2 Jahre alt, da hab ich die Firma verlassen. Aber ja, genau. Also es ging damals live. Wir haben das live gebracht.
Speaker2: Okay. Und wenn Du da noch mal zurückblickst, gab's da eine Diskriminante, die entscheidend war dafür, dass es dann eben live gehen konnte, Denn ich kenn die Studie, die Du ganz zu Beginn erwähnt hattest mit den viel zu vielen, den 90 oder 98 Prozent der Data Science Projekte, die scheitern. Das ist ja insofern dann schon beachtlich, dass ihr wirklich von 0 auf 1 diese Lösung dann oder dieses Produkt live gekriegt habt. Wie ging das? Oder gab's da gab's da 'n Unterschied zu vorher?
Speaker3: Ich muss dazu sagen, dass wir als Team schon sehr viel davor gelernt hatten in anderen Projekten, was man alles falsch machen kann. Ich glaube, am Ende des Tages war und das, ja, da will ich fast gar nicht laut aussprechen, war das Entscheidende, dass wir uns son bisschen von der Methodik gelöst haben. Mhm. Also durch die enge Kooperation mit der Uni kamen da wirklich sehr, sehr krasse Modelle aus. Also wir haben auch heute noch einen Kollegen dort, der darüber promoviert. Das ist 'n Promotionsthema für den Kollegen, mit dem ich damals zusammen daran gearbeitet hab. Und der Schlüssel war zu sagen, okay, lasst uns 'n Schritt zurücksehen und das als 'n einfaches Produkt betrachten und überlegen, was macht jetzt in dieser ersten Phase Sinn? Also sich son bisschen davon zu lösen, das Komplizierteste, ersten Phase Sinn? Also sich son bisschen davon zu lösen, das komplizierteste neuronale Netz zu bauen und stattdessen zu überlegen, was will man denn eigentlich genau erreichen? Was man genau erreichen will, ist eine Aussage darüber, ob man einen Parkplatz findet oder nicht. Und die Lektion, die war ultraschmerzhaft, weil das wollte ich mir damals nicht eingestehen tatsächlich und viele meiner Kollegen auch nicht, dass eben der Hammer, den wir da hatten, nicht der beste Hammer war. Wir haben es als Team geschafft und es wurde dann auch auf dem Fall weiter gearbeitet. Also im Grunde, wir haben mit dem Hammer angefangen, haben gelernt, na ja, wir brauchen eigentlich was anderes, wir brauchen den Schraubenzieher. Und dann irgendwann haben wir gemerkt, okay, jetzt haben wir uns das Problem so zurechtgelegt, jetzt taugt der Hammer wieder und wurde wieder gehämmert. Diesen Schritt zurückzumachen und diesen Produktgedanken wirklich zu verinnerlichen, zu sagen, okay, jetzt haben wir gestartet mit 'nem komplexen komplizierten neuronalen Netz. Liefert unter den formalen Annahmen, die wir getroffen haben, sehr gute Ergebnisse, aber praktisch ist es vielleicht nicht unmittelbar das Beste. Lass uns doch mal 'n Schritt zurückgehen. Wirklich das Ganze als Produkt betrachten und überlegen, okay, was stirbt jetzt unmittelbar nutzen? Dann war das 'n einfacheres Modell. Parallel haben wir quasi wieder die Entwicklung des eigentlichen großen Netzes vorangetrieben und das hat dann schlussendlich auch noch mal den eine Verbesserung erzielt. Aber da wären wir niemals hingekommen, wenn wir diesen Pfad weitergegangen wären, weil dann hätten wir uns eben verloren. Ich weiß nicht, ob das jetzt in der Form verständlich war. Ich hab versucht, die Geschichte zu erzählen, ohne zu sehr ins Detail zu gehen, ohne zu viele Geheimnisse zu verraten, aber gleichzeitig son bisschen unsere Journey
Speaker2: darzustellen. Nee, nee, ich kann das total gut nachvollziehen und letztlich ist es ein 1 Riesenleistung, sich von ja jeder im team begeistert sich sonst wären wir nicht in dem team für die technologie ja und dann sich davon zu lösen ist ja eine wahnsinnige leistung erst mal das ist das ist überhaupt nicht überhaupt nicht selbstverständlich und gleichzeitig ich ich hab mir letztes jahr kam mir den gedanken in den sinn mit 1 etwas etwas überspitzten Formulierung. Ich bin ja Physiker bei Education, denk daher gerne im Limes. Und wenn Du dir mal eine visionäre Persönlichkeit hernimmst, Steve Jobs Elon Musk, you name it, ja egal wer, muss man jetzt nicht nach 'ner Person aufhängen, aber so so so eine krasse visionäre Persönlichkeit. Und jetzt versucht immer vorzustellen, dass diese Persönlichkeit sich aufhängen würde an, ja, nee, nee, nee, nee, das muss jetzt mitten im rekorenten neuronalen Netz laufen. Das geht sich überhaupt nicht ein, oder? Das beißt sich doch total, dieses Bild. Absolut. Für so eine Persönlichkeit ist es doch völlig unerheblich, mit welchem Werkzeug am Ende, Und da geht's ja dann nicht nur ein Ziel, sondern eine Vision, wie die erreicht wird. Und ob dann zum Schluss in der in der in der Rakete ein links- oder ein rechtsdrehender Fluxkompensator zum Einsatz kommt, ist völlig wurscht.
Speaker3: Ja, komplett bei dir, genau.
Speaker2: Ja. Ja. Und und sich da eine Scheibe abzuschneiden und ja, am Ende ist es 'n 'n Spagat. Vor allem, ich kann's noch mal spiegeln, aus Sicht des Start ups, man hat halt gewisse Assets, mit denen man arbeiten kann. Das macht's dann vielleicht noch mal schwieriger und wir können jetzt nicht komplett alle unsere Assets über Bord werfen und noch mal komplett neu mit was beginnen, aber trotzdem noch mal zu gucken, ganz kritisch zu hinterfragen und nichts des Werkzeugs wegen zu machen, total wichtig.
Speaker3: Absolut, komplett an der Meinung.
Speaker2: Alright, noch mal zurück zu diesem zu diesem Parkplatz. Find, nein, das war war das, hat euch die App die Positionen angezeigt oder?
Speaker3: In der App waren quasi Bereiche zu sehen, die eingefärbt wurden. Also quasi grün, Du findest 'n Parkplatz, gelb. Na ja, Okay. Vielleicht kannst Du ja mal versuchen und rot eher nicht. Da sollst Du nicht hinfahren. Das war die die grundsätzliche Logik dahinter.
Speaker2: Und kannst Du da 'n bissel was dazu verraten, wie die Operationalisierung in dem Kontext tief, sprich weg vom reinen Prototypen? Ich kann jetzt mal einfach nur mal sagen, wie's wie's ich versuchen würde, ich würd mal ganz ganz low Level erst mal plots generieren, lokal bei mir am Laptop, ob das Ganze funktioniert. Und dann gibt's ja wahrscheinlich eine Transition auch bei euch dann hin zu wirklich in dem System der Webapplikation, die ich aufrufen kann als als Benutzer et cetera. Wie lief diese Operationalisierung vom Prototypen hin zum Produkt?
Speaker3: Also im Grunde sehr ähnlich. Also gestartet natürlich mit 'ner exorativen Analyse. Sich einfach mal angucken, wie die das Nutzungsverhalten in den vergangenen x Monaten, Jahren zu gucken, ob man anhand der Transaktionen und weiteren Informationen, die man so dazu noch dran spielen kann, ob man da imstande ist, überhaupt so was wie eine Vorhersage zu treffen. Mhm. Aber das passiert ja schon mal auf auf Annahmen. Also zum Beispiel ganz konkret. Wenn man parkt, also ich weiß nicht, ob Du das ausm Film hast, auf diesem Parkformat. In Deutschland kann man mit 5 unterschiedlichen Apps bezahlen. Das heißt, die Transaktionen 1 Anbieters spiegeln ja niemals 100 Prozent der Realität wider. Das heißt, man muss zwangsläufig Annahmen treffen, ausgehend von dem was zu, ausgehend von deiner Sicht auf die Wirklichkeit, was jetzt die Wirklichkeit als solche denn eigentlich ist. Genau. So. Das heißt, dann dann bist Du sehr explorativ unterwegs. Du findest Modelle, die basierend auf deinen formalen Annahmen, gute Ergebnisse erzielen. So haben wir auch gestartet. Und dann musst Du das Ganze halt mit Nutzer verproben. Also zu gucken, wie's denn wirklich klappt. Das heißt, im kleinen Kreis zu schauen, wenn man Also ich hab ich hab noch 'n Schritt vergessen. Dann hat man es in 'ner lukrativen Datenanalyse einmal gemacht. Aber das heißt noch lange nicht, dass da 'n Produkt existiert. 'N Produkt ist irgend 'ne API, die von von der App konsumiert werden kann, letztendlich einfach nur zurückgemeldet zu bekommen, was sie jetzt da in der App darstellen soll. Und all diese Software Engineering Aspekte da drumherum Mhm. Lagen auch bei uns. Okay. Wir haben noch dazu, das ist vielleicht heute auch kein großes Problem, ja, damals hat's uns extrem gefordert, wir hatten mit Streamingdaten zu tun. Streamingdaten, die auch ultraschnell verfügbar gemacht werden müssen. Das heißt, wir mussten mit Trades sonem Key Value Store arbeiten, einfach nur, auch schnell die die aggregierten Transaktionen zur Verfügung stellen zu können. Und all diese technischen Herausforderungen, gepaart mit dieser sehr greifbaren Fragestellung, weil jeder hat immer Parkplätze gesucht, hat halt unglaublich fasziniert. Genau. Das war son bisschen die Journey. Ich bin bisschen hin- und hergesprungen. Ich hoffe, es war verständlich. Nein, ich
Speaker2: Schon gut, schon gut. Alles gut. Ich find's beeindruckend, dass bei euch auf der Software Engineering Part mit Teil des Teams oder dass ihr das mit in im Team abgebildet habt. Ja. Hat hattet ihr dann dedizierte Teammitglieder mit dieser Expertise oder entsprechende Unicorns alle alle können?
Speaker3: Im Grunde war unser, also die die die Data Analytics Unit war so aufgebaut, dass wir wir hatten einen Produktmanagementteam. Mhm. Wir hatten einen Data Science- und Machine Learning Engineering Team und wir hatten son Plattform Devops Team. Okay. Die haben andere Namen gehabt, aber das waren so deren Skillsets. Das heißt, und wir haben uns so ganz nach Spotify organisiert und hatten halt einen Squad, der sich quasi mit Teammitgliedern aus allen 3 Teams gespeichert hat. Und wir haben uns quasi als Team, bestehend aus Devops Leuten, den Machine Learning Leuten und dem Produktmanager oder P o zusammengetan, dieses Problem oder dieses, ja, ja, dieses Problem zu lösen, diese Applikation zu bauen, dieses Download zu bauen. Okay, okay. Ich kenn das Wir haben das schon so aufgestellt, dass wir wirklich komplett waren in der Hinsicht. Aber ich kannte das bis grade gar nicht von Spotify den Ansatz. Nennen die das Squad, wenn man bei 'ner Matrixorganisation
Speaker2: sozusagen horizontal durchgeht durch die verschiedenen Fachbereiche?
Speaker3: Oder Ich glaube, der Wortler ist Squad und Chapter. Also Chapter sind quasi die funktionalen Einheiten, die Teams, die ganz klassischen Teams. Ja. Und Squad ist so dieser der horizontale Querschnitt. Ich glaube, so heißt das, also im Grunde geht's eine Matrix Organisation und ich glaube, die die Bezeichnungen sind da irgendwie unterschiedlich, aber ich glaube, bei Spotify sind's Squad. Alright, okay, alles klar verstanden.
Speaker2: Cool. Alright. Lass uns doch mal ein kurzes kurzes internet so einlegen lassen wir den park use case beiseite den ich by the way so viel möchte ich noch dazu sagen total cool finde weil der so wunderbar von einem nahbaren Problem ausgeht und nicht daher kommt, wir haben Daten von Leuten, die parken. Was können wir damit machen? Ja, keine Ahnung. Insofern echt sehr, sehr cool. Aber aber mal eine kleine Zwischenfrage Und zwar frage ich gern, welchen Technologie Stack die Gäste bei uns im Podcast nutzen und das frage ich vor allem gerne bei so richtig Hardcore Techies und dann kommt so, ja, Keras am liebsten in der Version so und so, ja? Und ich würd die Frage gerne dir jetzt aber auch stellen, Marius. Ganz bewusst, ganz bewusst, weil ich grade in der in der Rolle jetzt so nicht das Tool in der großen Toollandschaft draußen sehe, sondern sondern sondern immer sehe, okay, die Leute arbeiten wegen allen Möglichen. Ja, und das auch noch gleichzeitig. Magst Du uns dazu 'n bisschen Einblick geben? Was hast Du permanent bei dir am am Laptop, am PC offen?
Speaker3: Ja, sehr gerne. Also ich hab mir schon gedacht, dass meine Art Fortnite vielleicht abweichen werden von denen der der Hard of Machine Learning Engineers. Also was was macht 'n wie? Kommunikation. Das heißt, Slack, Teams, alle anderen Konferenzen, Tools sind sehr wichtig. Miro, essenziell. Also für alle Workshops, für Brainstorming Miro. Dann Chira, Confluence Notion. Also so alles, was irgendwie mit Aufgaben, Management zu tun hat oder auch mit Wissensdokumentationen extrem wichtig. Dann, wenn's irgendwie bisschen spezifischer wird, was das Testing angeht, hat man meistens noch irgendwelche Designer dabei, die da noch mit anderen Tools die Ecke kommen. Lass ich jetzt an der Stelle noch mal aus, aber da ist auch noch mal 'n riesengroßes Feld an Tools, wenn wenn man jetzt Usertesting machen möchte oder oder sonstige Tools in dem Kontext verwenden möchte. Ja, es gibt noch so was wie Aha. Wenn man dann eher so ja quasi eine große Vision runterbrechen will auf klein kleinere Bestandteile, wird häufig Aha verwendet. Sagt dir das was? Bis jetzt nicht, nein. Nee, es, also im Grunde, Du hast eine große Vision. Du möchtest so runterbrechen in etwas, das dann entwickelt werden kann. Mhm. Und das machst Du halt teamübergreifend und dann hast Du halt die Möglichkeit, einzelne Ziele zu formulieren für Teams. Und das der Gedanke ist, wenn alle ihre Ziele erreichen, dann ist das große Ganze die Vision und Mission erreicht. Okay. Ist ja auch Ökonom oder heißt das irgendwie Nein, ich glaub, das ist dann, aha, der ist eine gute
Speaker2: Frage. Also aha,
Speaker3: irgendwas? Vielleicht, aber darüber hab ich noch nie irgendwie noch nie Gedanken gemacht. Das kann natürlich sein, ja. Genau, also das sind so die Tools, mit denen ich zu tun habe. Immer nach Freizeit entwickle ich noch gelegentlich. Also ich ich will jetzt gar nicht auf irgendwelche Bibliotheken eingehen, aber Visual Studio Code läuft für mir auch gelegentlich. Und und wenn ich in der Cloud arbeite, dann arbeite ich mit ABS, was aber einfach nur damit zu tun hat, dass ich das mal irgendwann gelernt hab. Mhm. Und ich mich nie mich nie mit GCP oder Azure beschäftigt hab. GCP wollt ich mir immer mal vornehmen, weil ich glaube, dass die im Bereich Machine Learning eine Menge gute Sachen machen und da immer mehr am Kommen sind. Aber ich ich kenn's tatsächlich nicht. ABAPS kenn ich.
Speaker2: Allright. Und magst Du vielleicht bei den Tools, ich find es sehr gut nachvollziehbar. Also Du hast die Bereiche angesprochen, Kommunikation, Wissensmanagement, auch das Workshop, den Workshopteil deiner Arbeit in Myro. Wie sieht die Schnittstelle zu den technischen Kollegen aus? Gibt's da gibt's da und seien's nur Workflows, Schnittstellen hinzu dann auch einem Git Repo? Wie bildet ihr das ab? Oder läuft so was beispielsweise in Confluence in in in Kombination mit einem, was ist es bei?
Speaker3: Ja. Das kann ich jetzt nicht von meinem aktuellen Projekt sagen, da hab ich eine andere Rolle, aber auf vorherigen Projekten, das Beste ist wahrscheinlich, wenn man Stories in Schira zum Beispiel definiert. Okay. Und sich der Entwickler direkt für diese Story einen Feature Branch aufmacht. Mhm. Das heißt, 1 zu 1 das Ganze quasi an 'nem an 'nem Retro hängt. Und wenn er dann quasi irgendwie 'n, also im Bestfall hat man's automatisiert, dass quasi dann sone Art gestellt wird an den p o. Der guckt sich das an, wenn er und wenn das bestätigt, wird's automatisch in dem Master gemerged. Das ist so der wahrscheinlich optimale, also in Dev logischerweise, ne. Und dann, wenn man das Ganze produktiv nehmen will, kann man dann seine CAD CAD CAD Pipeline noch anstoßen, auch automatisiert. Aber so ist eigentlich im Grunde die beste Kommunikation, glaube ich, zwischen p o und Entwicklern, indem man wirklich die Stories und Tasks so gut formuliert, dass man wirklich einen Feature Branch auch machen kann, dieses etwas zu lösen. Und mit dem Merge zurück in den Master, mit der Anfrage kann dann der P o checken, dass wirklich alles passt. Und an dem das Ganze sein laufen kann man das auch relativ gut verteilen auf die auf die Teammitglieder.
Speaker2: Okay, darf ich da noch 'n bissel genauer ins Detail reinfragen? Und zwar Gerne. Es kann jetzt der Eindruck entstehen, dass Du sagst, okay, der PO definiert die Stories und die Tasks, vielleicht sogar die subtask und machen 'n Handover in der Form. Das heißt, wie wie wie son Konverter aus den myro Boards raus, aus den Conference Pages raus, werden die Stories definiert. Demgegenüber steht 'n Ansatz wie von Marty Kagan mit empowert, wo ja das Produkt Team deutlich früh auch schon auch mit in die Verantwortung genommen wird, überhaupt erst zur Story hinzuarbeiten.
Speaker3: Sehr guter, sehr guter Einwand. Die Stories und die Tasks, die die Leute, die dann letztendlich umgesetzt werden, das ist nichts, was der P o vorgibt im Sinne von, das macht man, Sondern das ist schon, das ist Teil der der Planungszeremonien. Also im Sprintplaning oder im Refimement davor hat man sich quasi 'nem Backlog angelegt, hat sich die Items angeschaut, hat die so weit konkretisiert, dass sich auch der Entwickler darauf committen kann, das zu leisten. Also es ist definitiv kein Top Down Ansatz, sondern ein sehr kollaborativer Ansatz, überhaupt erst mal mit den zu enden, die dann theoretisch entwickelt werden können. Ich glaube, das ist noch mal 'n ganz, ganz wichtiger Punkt. Das ist alles kollaborativ. Das ist nicht irgendwie der P o sagt, weil die Fakt ist ja so, der P o weiß es ja auch gar nicht so gut. Also wenn der P o behaupten würde, er könnte das so gut spezifizieren, dass jeder sofort weiß, was damit zu tun ist, Ja. Dann ist er 'n Schwindler, glaub ich, weil dann müsste er nämlich entwickeln können. Er müsste der perfekte Data Scientist sein. Also also Entwickler auf Front and Back and was auch immer da halt so anfällt, ne. Und de facto sind die wenigsten POS so fortgeschritten in all diesen Themen und sie benötigen die Entwickler, ihnen dann Rückmeldungen zu geben und die Story so zu formulieren, dass sie wirklich umsetzbar sind, spätestens wenn's an die Akzeptanzkriterien geht.
Speaker2: Hast Du auch ein Best Practice aus deiner Erfahrung, wie man noch mal die Ebene drüber mit einbindet? Ich denke jetzt so an wirklich 'n langfristig strategisches Level, das sozusagen der der der der der Anfahrer oder der Kunde letztlich triggert. Geht so was, wie tief geht so was durch die Organisation doch oder durch das Team durch?
Speaker3: Ja, also ich hab jetzt sehr viel über die p o Aufgabe gesprochen. Also vielleicht hol ich da auch noch 'n bisschen aus. Ich persönlich unterscheidet zwischen dem und dem Product Manager. Das ist teilweise 'n bisschen akademisch, weil in den vielen Organisationen, die sind einfach nicht so groß, diese Unterscheidung zu machen. Aber für mich ist 'n Product Owner derjenige, der die Entwicklung durchsteuert. Und das, was wir eben besprochen haben mit, es gibt User Stories, die umgesetzt werden sollen. Es gibt das Entwicklerteam, das die umsetzt. Das ist für mich klassische P u Aufgabe. Es gibt noch eher so die Produkt Management Aufgabe, die den Blick eher nach raus richtet. Also Mhm. Was will der Kunde überhaupt? Wie können wir das erreichen? Der vielleicht eine Discovery anleitet und wirklich auch schon früh noch lange vor der Entwicklung 1. Ideen validiert. Also diesen ganzen Aspekt, den hab ich jetzt mehr oder weniger ausgeklammert. Und für diesen Aspekt würde man dann auch viel mehr auch auf Workshop Formate ausweichen. Mhm. Das heißt, der p o, der würde, ist nicht so, dass der irgendwie son Bioproport sieht und sagt, ach, ich soll das machen. Na ja, dann hab ich mal son paar Tickets und dann ist es getan, sondern Ja, ja. Das Ganze ist vielschichtiger als das.
Speaker2: Das heißt aber auch in der Definition sind P o und PM mindestens Schreibtischnachbarn, wenn nicht Best Buddies, damit dieser Informationsfluss auch einfach aufrechterhalten
Speaker3: bleibt. Absolut. Und im Normalfall ist es ja auch so, dass ein Produktmanager, der 'n größeres Produkt verantwortet, nicht nur ein PO, sondern mehrere POs unter sich hat. Also das dann dann baut man plötzlich eine ganze Produktorganisation auf. Und wenn dann mehrere Produkte gleichzeitig entwickelt werden, dann hat man noch den Head of irgendwas. Also das das kann ja beliebig komplex werden. Was wir auch nicht vergessen dürfen, es gibt ja nicht nur externen Kunden, sondern es gibt ja sehr häufig auch interne Stakeholder, die salopp formuliert bespaaßt werden wollen und da muss ja auch irgendwer berichten und das macht dann auch im Normalfall der Productmanager.
Speaker2: Definitiv, ja. Okay. Jetzt haben wir uns 'n bisschen bisschen verlaufen bei der Frage. Wir wir sind gestartet, weil welcher welchen Technologiestech benutzt Du? Aber total spannend. Ich find's mega. Ich find's megagut. Andere Frage. Gibt's eine Person, die Du gerne mal treffen möchtest? Lebendig oder tot, egal? Also
Speaker3: Darf ich 2 nennen? Weil Du sicher nicht oder tot? Tot definitiv Albert Einstein. All rein. Das ist sone faszinierende Persönlichkeit. Einfach so unglaublich, wie kreativ der Kerl war, wie smart der gewesen sein muss, was der alles erreicht hat und die ganzen Zitate. Ich weiß gar nicht, ob er die wirklich alle so gesagt hat, aber könnte ich mich nicht satt dran lesen an den ganzen Zitaten, die der rausgehauen hat in seinem Leben. Und von den unter den Liebenden Lebendigen definitiv Jeff Bezos. Nicht, weil ich son großer Amazon Fan bin, aber weil ich irgendwie das Gefühl habe, dass dass der dass der Kerl einen einen Ansatz hat, aus allem ein Produkt zu machen und das Produkt zu perfektionieren. Ich mein, der startet mit mit son paar Büchern, baut sone Plattform, dann denkt er sich, na ja, dieses Technologiethema ist wirklich 'n großes Ding, lass mal eben AWS machen. Dann dann dann ist AWS eben irgendwann zu langweilig geworden. Dann kauft er sich halt irgendwie die Washington Post und und revolutioniert quasi jetzt die die Nachrichteindustrie. Also der Typ, der muss irgendwas wissen, was viele andere nicht wissen und das auch exzellent umsetzen. Und da son paar Einsichten zu bekommen, würde mich schon sehr reizen tatsächlich. Ja, also ich hab jetzt in der an der Stelle würd ich noch mal gern hervorheben, nicht Amazon gelobt. Amazon kann man durchaus auch skeptisch sehen und Geschäftspraktiken kann man skeptisch sehen, aber die Person und was er erreicht hat und die Art und Weise, wie er es erreicht hat,
Speaker2: das sind sehr was faszinierende Sachen, ja. Ja, das muss man das müssen wir auseinanderhalten, ja? Also ich denke auch, dass gerade bei so Persönlichkeiten wie Jeff Bezos oder oder 'nem Musk wieder her, ja? Das ist nicht einfach alles super oder alles schlecht und die Persönlichkeiten an sich. Mich würde ja auch interessieren, inwiefern von Bezos dieser dieser Working Backwarts Ansatz getrieben ist. Dieses man man startet mit den FAQs und 'n Press Release und baut darauf erst das Produkt auf. Ob ob das von ihm kam, die Idee oder oder aus dem Team, muss ich mal 'n bisschen reingraben.
Speaker3: Ja, vielleicht ist er, also vielleicht ist ein Talent auch nur die besten Leute auszuwählen und dann würde mich das aber auch interessieren. Also Ja, sehr gut. Vielleicht schafft es auch einfach nur die die klügsten Köpfe sich herum zu versammeln, die dann in der in der in der Summe halt diese Kreativität
Speaker2: entfalten können, aber so oder so auf jeden Fall faszinierend. Ja, klar, klar, klar. Am Ende, man darf sich ja enttäuschen lassen, ja? Also die diese Persönlichkeiten, die machen ja nicht alles alleine, sondern die bauen sich letztlich ja auch die richtigen Teams dafür, ja? Absolut, absolut. Wie ist es wie ist es bei euch im Team? Habt ihr da Mitsprache, wenn ihr mit 'nem Kunden zusammenarbeitet bezüglich welche Projekte werden dann konkret angegangen oder wird es meistens vom Kunden schon schon vorgegeben? Was mich dabei interessiert, ist, wie sieht dieser Prozess aus der Auswahl des nächsten Unterfangens, des nächsten Prägste oder auch vielleicht des nächsten Produkts in einem Produktportfolio?
Speaker3: Genau, also wir starten ja schon damit, dass wir wegkommen wollen von Projekten, hinwollen zu 1 Produktentwicklung. Mhm. Das heißt, wenn wir angestellt werden, dann haben die Kunden zumindest das schon mal verinnerlicht. Also sie wollen auch Produkte entwickeln. Und wenn man dann schon so weit ist, dann ist der Sprung dahin zu kommen, dass man wirklich auch die Produkte auswählt, die den größten Wert stiften. 'N relativ kleiner, die viel größere Aufgabe ist es dann wieder Wert als solchen zu definieren. Und und das ist ultraschwierig. Also wir hatten vorhin schon über den Erfolg gesprochen von Machine Learning Projekten. Wert zu spezifizieren ist wirklich 'n Thema und ich sprech jetzt gar nicht davon, dass man immer einen ultra ausgeklügelten Business Case rechnet, sondern dass man wirklich auch im Kleinen versteht, was Wert bedeutet. Und wie wird dann auch die Metriken, die im Kontext von Machine Learning Applikationen, also Queracy oder so was, wie das im Kontext größerer Applikationen dann überhaupt zu vereinbaren ist. Also die Genauigkeit 1 Modellzeiten nicht zwangsläufig Erfolg als Businessmetrik. Mhm. Und diese Zusammenhänge zu erklären, zu verdeutlichen, ist sehr häufig unsere Aufgabe, sodass die Kunden, wenn sie imstande sind, ihren eigenen Erfolg zu definieren. Zu sagen, okay, wir sind erfolgreich, wenn das und das und das erreicht ist, zu übersetzen, die die Metrik, die dann auch mit
Speaker2: ja, mit Machine Learning Enginears resonieren. Das ist letztlich unsere Aufgabe. Ja, okay, verstehe, verstehe. Was umso wichtiger ist, gerade wenn sich die Firma in so 'nem Change Prozess befindet, den Du vorhin beschrieben hast, oder? Mhm. Ja, alleine Ja, absolut. Quasi als Metrik, okay, das Projekt ist dann erfolgreich, wenn wir wissen, was wir fürs nächste Projekt anders machen müssen, damit das Team vielleicht besser zusammenarbeitet oder bestimmte Upsteckels nicht mehr existieren.
Speaker3: Genau das, also was man auch nicht vergessen darf und das will ich an der Stelle auch nicht unterschlagen, Politik gibt's schon auch noch. Und der Chef, Chef, Chef, Chef, der vorschlägt, dass man diesen Use Case umsetzt, das gibt's auch in all den Unternehmen oder in vielen der Nee, das stimmt ist alles nicht. In einigen Unternehmen gibt's es tatsächlich noch. Also da können wir noch so sehr von Wert und Outcome und solchen Dingen sprechen. Manchmal ist es halt die Managementescheidung, die sagt, wir müssen das so oder so machen. Ist ja auch häufig nicht ganz falsch. Also wir haben über Jeff Bezos gesprochen. Ich bin mir sicher, der hat häufiger auch mal hier gesagt, das ist meine Meinung und so machen wir das. Und am Ende des Tages hat er auch Recht behalten. Also dieses Lichtweite gibt's auch noch. Aber nichtsdestotrotz versuchen wir mit allem, was wir tun, halt mehr diesen value orientierten und outcome fokussierten Ansatz zu propagieren. Mhm. Mhm.
Speaker2: Spannend. Ja, ich hoff, dass es bei möglichst vielen Teams so klappt. Ja. Ich bin privat mit paar Business Coaches auch befreundet, von denen, die die Rückmeldung kommt. Die Leute, die bei denen auf der Couch, so so formulieren die das immer, auf der Couch liegen, das sind teilweise scheinbar wirklich krasse Persönlichkeiten aus aus aus DAX Konzernen, ja. Also so 1 unter Vorstand, 2 unter Vorstand. Und dass denen häufig erst mal klargemacht werden muss, die die die haben anderes Selbstverständnis, ja? Aber ey, wenn Du dir mal den Spiegel vors Gesicht hältst, Du handelst grade politisch bei dir in der Firma und im Sinne deiner eigenen Interessen nicht im Firmeninteresse. Ja, wieso? Ja, also das ist denen gar nicht klar und da letztlich das das ist das, was ich bei dir grad da als Politik sozusagen, ja, wahrnehm. Das, genau. Es es es geht gar nicht die Sache, ja. Es geht kaum kaum mal die Sache, sondern Befindlichkeiten einzelner Personen. Was ich persönlich total frustrierend finde, ich bin totaler Sachmensch, den den oder ich ich ich krieg das vielleicht dann kognitiv in meinen Kopf, aber ich kann's jetzt schwer akzeptieren, wenn gewisse Dinge gemacht werden auf eine Art und Weise, die nicht der Sache dienen, aber egal.
Speaker3: Ja, es ist spannend. Also zum Beispiel jetzt, wenn ich nur mich persönlich ansehe, ich ich stelle auch fest, dass ich manchmal so festgefahrene Meinungen habe und in der festen Überzeugung bin, dass meine Meinung halt nun mal die richtige ist. Also das hat jeder, ich oder ich vermute es an viele, ich hab's auf jeden Fall. Und eigentlich müsste ich auch aufm mich immer das Produktdenken, anwenden und sagen, okay, das ist deine Meinung. Andere Meinungen koexistieren, die können vielleicht besser sein, schlechter sein. Es versucht, mal eine externe Validierung zu erreichen. Also versucht, mal deine Meinung zu validieren. Ist die wirklich die richtige? Und sich gelegentlich, dich auch selbst mal zu hinterfragen, weil tatsächlich bei mir selber bin ich gar nicht so sehr Produktmensch. Da bin ich manchmal auch sehr hierarchisch. Meine Meinung ist die die Beste. Da sollte das son bisschen mehr selbst selbst reflektiert auch angebracht sein. Und ja, und es ist wirklich so, dass es halt, es ist 'n Generationen Ding auch. Also ich glaube, die Generation, die jetzt CEOs oder die eben nur drunter sind, die sind halt wahrscheinlich 45, 50, 55 aufwärts. Da warten's halt alles irgendwo anders. Die Leute, die jetzt von der Uni kommen, die die denken ganz anders und das merk ich jetzt schon und ich bin jetzt seit 12 Jahren aus der Uni, ich merke jetzt schon, dass da ein unterschiedliches Denken in der Generation nach mir auch schon vorherrscht. Mhm. Und die Leute wollen mehr mitgeholt werden. Also Wert spielt eine viel größere Rolle. Das kann man jetzt auch komplett losgelöst betrachten von unserer Diskussion rund Machine Learning. Wert und wertstiftend leben spielt eine größere Rolle und die müssen sich auch einfach Unternehmen fügen. Und die CEOs, die dann bei deinen Worten auf der Couch landen, die haben ja den ersten Schritt schon geschafft. Sie haben's sich in Behandlung gegeben und ich denke, das ist auch schon der 1. Schritt in eine sehr, sehr gute Richtung. Und die müssen sie jetzt einfach noch weitergehen. Und dann landen die vielleicht alle mal irgendwann da, dass sie wertorientiert arbeiten und ihre eigene Meinung auch mal hinten anstellen können. Mhm.
Speaker2: Das, was Du ansprichst, ich, das denk ich, wie Du sagst, es geht weit über das Fachgebiet der Data Science hinaus, dieses kritische Hinterfragen der eigenen Position. Das ist, denk ich, schon auch mit der Kultur, mit der wir jetzt zum Beispiel groß geworden sind im Vergleich zu zu der Generation unserer Eltern, dass wir uns deutlich mehr trauen, auch Autoritäten infrage zu stellen, gleichzeitig damit einhergeht, dass man sich auch eher mal selbst überschätzt, eine qualifizierte Meinung zu einem Thema zu haben. Absolut. Das geht ja Hand in Hand und und dann eigentlich sehr sehr spannend über die ja und sei es nur 'n Design Thinking Workshop mal ranzugehen, okay, wie löst man sich vielleicht mal von der von der festgefahrenen Meinung und und und und denkt man wirklich außerhalb der Box. Ich glaub so Thinking out of the box ist das meistverwendetste und am wenigsten verstandenste Konzept, das es seit Langem gegeben hat.
Speaker3: Ja, da bin ich komplett bei dir, ja. Da bin ich komplett bei dir. Und das eng verwoben mit der ganzen Bedeutung von Kommunikation. Also Ja. Sehr viel hat ja damit zu tun, dass man, wenn man kommuniziert, erst mal versucht, den anderen dem Gegenüber zu verstehen, seine Position zu verstehen und dann versucht, seine eigene Position irgendwie zu vertreten. Wir wir machen das häufig andersrum. Wir versuchen selbst, unsere Positionen zu vermitteln und danach fragt man's mir irgendwann, was hat denn der andere Trump eigentlich von mir gewollt? Also ist sehr eng verwoben. Ja. Ja, absolut, absolut.
Speaker2: Du, Marius, lass uns mal noch kurz auf auf auf die Kehrseite der Medaille schauen. Und zwar, wir haben uns jetzt viel drüber unterhalten, worin ein erfolgreiches Data Science Projekt besteht, ja, was man was man im Idealfall macht, dass es in eine gute Richtung geht. Gibt's bei dir in deinen Projekten, in deinem Produkten, in dem in den Teams vielleicht auch Showstopper, nach denen Du immer die Augen offen hältst oder oder oder rote Flaggen, ja? Wenn wenn die aufploppen, dann weißt Du, okay, jetzt muss ich sofort tätig werden, das Unternehmen nicht zu gefährden?
Speaker3: Also der Klassiker ist wirklich noch immer die Rolle der Daten. Okay. Also ich stell es immer noch fest, dass Stakeholder den Unterschied zwischen klassischer Softwareentwicklung und Machine Learning Projekten, Produkten missverstehen. Also ich ich mach mal paar Schubladen auf. Man kann ja, wenn man will, digitale Softwareentwicklung, also digitale Produktentwicklung, Softwareentwicklung son bisschen als den deterministischen Ansatz betrachten. Das heißt, mit endlicher Zeit kriegst Du irgendwann was gebaut. Wenn Du dir aber 'n Machine Learning Projekt vorgibt vornimmst, kann es sein, dass die dann einfach so scheiße sind, dass Du daraus nichts bauen kannst. Und das Verständnis darüber, obwohl es schon 1000000000 Fach betont wurde, existiert in sehr vielen Köpfen noch nicht. Und hat sehr viel auch mit Verständnis zu tun, weil einfach nicht klar ist, wie den Leuten, wie Machine Learning Applikationen gebaut werden, was diesen was dieses nichteterministische Element Daten da verursacht. Mhm. Und da immer wieder drauf hinzuwirken und dafür zu sorgen, dass das Verständnis da ist, ist leider, muss man wirklich sagen, immer noch eine der größten Herausforderungen. Mhm. Mhm. Ja, stimmt. 1 der ersten Red Flags, wenn das auftaucht, wenn ich merk, okay, die Leute verstehen nicht genau, was es mit Daten und Machine Learning auf sich hat, versuch ich da möglichst einfach zu erklären, was da unterschied ist zwischen Tastatur Softwareentwicklung, wo man sagen kann, ich gebe jetzt 100000 runter und die sollen einfach mal entwickeln und dann wünsch ich irgendwas bei rum, komm hinzu, es sind halt Daten, die da irgendwie verarbeitet werden, einen Modell zu bauen. Und da weiß man heute noch nicht, ob's denn eventuell später auch einen gutes Produkt ergibt.
Speaker2: Allright. Das heißt, deine Antwort ist da dann letztlich Stakeholder und Management oder die wieder aufm Boden der Tatsachen zurückzuholen letztlich?
Speaker3: Das ist auf jeden Fall sehr wichtig. Was ich auch noch sehr wichtig finde, jetzt eher nach ins Produktentwicklungsteam gerichtet, die Rolle des Data Scientisten. Und ich denke, das ist eine sehr subjektive Einschätzung. Ich hab mit sehr vielen, sehr begnadeten, Du bist Physiker, ne? Ja, ja, ja, ja. Ich hab sehr vielen Physiker zusammengearbeitet. Und Physiker, promovierte Physiker haben sich in ihrem PHD einem Thema zugewidmet gewidmet, zugewandt, haben das in Gänze durchdrungen und haben wirklich jedes Detail verstanden, aber die haben das in Form 1 Einmalanalyse gemacht und die haben wirklich sehr viel Zeit dafür aufwenden müssen. Im Kontext von Produktentwicklung kann man nicht immer diese Detailverliebtheit an den Tag legen. Man muss da mal son bisschen pragmatischer sein, auch mal timeboxen. Also was ich sehr, sehr gerne mache, ist, Data Science Arbeit zu timeboxen. Sagen okay, Ja, ja, ja, ja. In diesem Sprint so viel Story Points dann brauchen wir irgend eine irgend eine Einschätzung, ob da was geht oder nicht. Wir können uns jetzt nicht die nächsten 3 Monate in den Keller schließen und irgendwie was bauen, was eventuell gut ist, aber eventuell nicht gut ist. Sondern wir müssen irgendwie in kürzeren Zyklen denken und uns dazu bisschen timeboxen. Tatsächlich ist jetzt das aber viel weniger der Fall, weil die meisten dieser Leute sehr, sehr smart sind und auch diesen Weg mitgegangen sind, hin zu, wir müssen Produkte entwickeln und diese Einmalanalysen, die wir im Studium gemacht haben oder im PhD, die die gehören son bisschen der Vergangenheit an. Mhm. Mhm.
Speaker2: Na ja, was was mir da grad bewusst wird, ist, dass es natürlich in den Machine Learning Projekten Data Science ist, sprich Science mit der Unvorhersehbarkeit und Hyper Agilität, aber gleichzeitig das keine kein kein Research Projekt ist mit ja am Ende schreibt man halt ja, mall research needed. Wir sehen uns nächstes Jahr wieder.
Speaker3: Absolut. Ich bin auch überhaupt kein Freund von dem Begriff Data Science, weil das falsche Implikationen hervorruft. Es ist keine Seins. Also auf der einen Sicht, ich kenn sogar jemanden, der ist Wissenschaftler. Ja. Und dem gefällt es überhaupt gar nicht, dass sich die da als Data Scientisten bezeichnen, weil das keine in der Hinsicht ist. Es hat ja auch sehr viel mit Also Data Science ist eine 'n Set an Techniken, aber es ist keine Wissenschaft als solche. Wissenschaft, also die Physik ist eine Wissenschaft oder die Mathematik ist eine Wissenschaft. Data Science ist ist eine Toolbox, die von Wissenschaft an verwendet wird, aber nicht zu verwechseln mit der eigentlichen Wissenschaft. Ich glaube, den Unterschied muss man gelegentlich hervorheben. Und jetzt gibt's diese Toolbox, die wurde früher sehr häufig in der Wissenschaft verwendet. Jetzt drückt man diese Toolbox für Produktentwicklung und muss da son bisschen einen mentalen Schiff manchmal hinbekommen. Ja, okay. Würdest
Speaker2: Du mitgehen, insofern finde ich den Begriff Science aber schon noch angebracht, vielleicht als als Remnant, der da der da noch mit drin steckt in dieser Toolbox, nämlich der Ansatz des Hypothesentestens. Den die Data Science ja nach wie vor aus der Wissenschaft mitgenommen hat und wo ich sagen muss, dieser dieser diese Spirit des Hypothesentestens ist für viele Ingenieure, mit denen wir zusammenarbeiten, echt eine harte Nuss. Da das zu akzeptieren, dass wir a priori die Antwort nicht schon wissen, ja, weil es in der Natur der Sache liegt, na ja, das Ziel ist es, die Antwort zu finden.
Speaker3: Das stimmt, da bin ich dabei. Ich frag mich nur gerade, kann man das sich irgendwie aus dem aus dem Produkt, aus der Produktentwicklung ableiten, diese Erkenntnis? Also auch Produkte Abzeichen. Wollen ja letztlich. Dinge verproben. Also da gibt's ja auch diesen diesen Spirit, dass man Dinge erst mal ausprobiert, dass man Experimente fährt und unter möglichst geringem Kapitaleinsatz 1. Erkenntnisse gewinnt. Also dieses Hypothesentesten könnte man theoretisch aus der ganz klassischen Produktentwicklung ableiten. Da hält es aber auch mehr so diesen pragmatischen Charakter, den man vielleicht etwas vermissen könnte, wenn man aus der Wissenschaft kommt. Aber Ja, ja, ja, das stimmt. Ich, Nee, also Du hast schon, also ich nehm son Stück mal nämlich zurück, was ich vorhin gesagt hab, weil ich da vielen Leuten aufm Unterricht mit tue. Es ist schon wirklich, es gibt einen Seins Aspekt in der ganzen Welt, der muss halt einfach nur 'n bisschen pragmatischer gelebt werden als in der ganz klassischen Wissenschaft. Okay, okay. Aber aber grundsätzlich, Du hast natürlich oder Du hast auch da recht, dass man eigentlich auf den Begriff science verzichten könnte, weil letztlich ist es Product Management,
Speaker2: ja, mit dem Hypothesen testen. Nur weil sich science so cool anhört, aufgrund dieser Podcast Episode, ich sag's dir, Marius, wird in 'nem halben Jahr wird der 1. Aufschlagen.
Speaker3: Echt meinst Du? Bist schon. Ja, jetzt ich mein, das ist ja auch immer ganz witzig, wenn man einfach Begriffe so kombiniert, ne? No Go. Machine Learning Engineer und dann wird immer alles zusammengeworfen und da gibt's ganz tolle neue Begrifflichkeiten oder. Ja, ja. Das ist ja alles schon alles sozial schon vorgekommen. Jetzt mach mal, ich ich ich mach eine Stellenausschreibung für den
Speaker2: und dann dann schau ich mir mal, was passiert.
Speaker3: Und tut mir 'n Gefallen, wenn Du das gemacht hast, gib mir danach mal eine Zusammenfassung, welche Leute sich beworben haben, was die da Leute sich vorstellen. Das find ich immer ganz spannend, weil es ist auch so, das ist vielleicht sone andere Tod am Rande. Bei uns gibt's einen Data Product Analyst
Speaker2: als Data Product
Speaker3: Analyst, okay. Genau. Das ist bei uns im UFOuniversum einfach die Rolle, die sich später in einen Manager oder in einen entwickeln kann. Mhm. Aber es geht wirklich Analysten in Bezug auf Data Product. Also es hat diesen Product Aspekt. Mhm. Aber der tritt meiner Meinung nach, also kommt mir zumindest vor, nicht so ganz zutage, wenn Leute dann jetzt eine Stellenausschreibung ließen. Und die lassen das Product weg und denken, das ist eine Data Analyst Stelle, was fachlich und was ganz anderes ist. Und immer ganz witzig dann zu sehen, welche Leute sich bewerben und was sie denn gedacht haben, was das eigentlich für eine Stelle ist. Und so ähnlich ist es wahrscheinlich dann auch mit dem Product Engineer. Da bewerben sich Leute, die denken was ganz anderes. Oder sorry, der Product Scientist. Der Product Scientist. Nein.
Speaker2: Madius, eine abschließende Frage und zwar, welche Rat würdest Du deinem zwanzigjährigen Ich geben?
Speaker3: Oha. Fachlich gesehen, also mit 20 muss ich vielleicht 'n bisschen Kontext geben, mit 20 war ich schon in den Kreishauslautern eben vor, hab mal 'n Vordiplom gemacht und dann stehen schon die die ersten Seminare an. Und bei uns war's damals so, dass sehr viele Institute rund die Uni angesiedelt haben. Als Erstes so das Fraunhofer Institut für Software Engineering und danach das Deutsche Forschungszentrum für Künstliche Intelligenz. Und ich würde meinem Zwanzigjährigen Ich raten zu warten mit den Seminar Seminarbelegung und dann beim DFKI die Seminare zu machen, weil ich hab mich sofort auf das 1. Institut auf das Fraunhofer Institut gestürzt und hab die ganzen Software Engineering Seminare gemacht. Mhm. Hätte aber beim DFB schon sehr viel mehr lernen können und viel eher diesen Weg Richtung KI gehen können, Ah, okay. Der mir jetzt hier so viel gibt. Also Mhm. Ich hab quasi, die Weiche war schon mal 2004 gestellt, in diese Richtung zu gehen und ich hab's son bisschen versäumt. Und ja, das würde ich von 'nem Zwanzigjährigen Ich raten, eher mit KI angefangen. Mhm. Das 2. Eher so Menschliche ist, ich würde viel eher was Eigenes starten. Also ich hab im Studium immer nur als Angestelltendasein gedacht. Mhm. Ich hab niemals daran gedacht, meine eigene Firma zu gründen oder ein eigenes Projekt irgendwie zu forcieren. Mhm. Und das würde ich heute anders machen. Also heute als Zwanzigjähriger würd ich sagen, hey, probieren wir dein eigenes Ding. Letztlich ja so, wie Du das auch machst und wie ihr das macht, einfach mal was eigenes probieren und dann klappt's und alles super oder es klappt nicht und Du hast eine Menge gelernt und kannst immer noch in die Angestelltenwelt zurückgehen.
Speaker2: Mhm. Ja, dass man eine 1 Menge lernt, das ist definitiv.
Speaker3: Ja, absolut, oder? Also seine Lernkurve ist wahrscheinlich hundertmal steiler als die von dem Theo, der in der Konzernwelt
Speaker2: Erfahrungen gesammelt hätte zur gleichen Zeit, oder? Ja, ja, ja. Wobei ich schon sehr, sehr, sehr früh gemerkt hab, dass eine Konzernumgebung für mich einfach nichts ist von der persönlichen Umgebung. Aber es gäbe auch Komfortzonen, sagen wir's mal so, in denen ich mich gerne aufhalten könnte, bei denen die Lernkäufe aber deutlich anders wären.
Speaker3: Ja. Es ist ja Man lernt andere Dinge im Konzern. Also ich will das gar nicht mehr verteufeln an der Stelle. Es sind einfach unterschiedliche Blickwinkel und eine gute Sache am Wechseln und ich habe ja sehr häufig den Job gewechselt, ist, dass man verschiedene Perspektiven wahrnimmt und jeder hat irgendwie 'n gewissen Reiz. Nur jetzt rückblickend würd ich sagen, die die Start-up, die Macherperspektive ist die schönste und von daher Glückwunsch, dass Du von Anfang an die richtige Entscheidung getroffen hast. Und ich weiß nicht. Oder warst Du auch beim Konzern? Nee, nee,
Speaker2: nee. Bei mir vom Studium direkt in die Promotion ans Max Planck Institut und daraus dann parallel sogar noch, ja. Ich musste mich ersputen. Nachdem Maxim 'n bisschen früher dran war als ich, habe ich gesagt, okay, jetzt wird mal eben gegründet und bei mir lief's dann fast 'n Jahr parallel. Das heißt, die so klassische Konzern- oder Angestelltenwelt hat mich bis auf Praktika, die ich halt mal vorher vielleicht gemacht hab, nicht nicht gesehen. Okay. Ich danke dir, Marius. Übrigens.
Speaker3: Ganz kurz nur, wenn jetzt, das können wir auch gerne rausschneiden. Mein Sohn schreit im Hintergrund ziemlich laut. Ich das ist das Mikro scheint ziemlich sensitiv zu sein. Ich sehe, dass es leicht ausschlägt. Könnt ihr gerne rausschneiden, wenn's 'n bisschen zu laut wurde in der Zwischenzeit.
Speaker2: Das das das guckt man dann an. Da ist dann später 'n Kompressor mit drauf. Genau. Okay. Alles klar.
Speaker3: Ja, ich sag jetzt auch dir für das interessante Gespräch. Ja, ich mach's Rap-up, genau. Marius,
Speaker2: vielen Dank für das tolle Gespräch. Total interessant, auch super interessant, mit welchen vielschichtigen Perspektiven Du auf das ganze Konstrukt der PO, PM, Product Team und letztlich auch auf das ganze Stakeholder Management Thema draufblickst. Extrem spannend. Ich pack die beschriebenen Ressourcen, die Bücher in die Shownotes. Sag noch mal herzlichen Dank, Marius. Schön, dass Du da warst.
Speaker3: Ja, vielen herzlichen Dank Theo, dass ich hier sein durfte. Es hat mir mega Spaß gemacht. Es war total kurzweilig. Und ja, ich freu mich schon, auf die anderen Podcasts zu hören, die jetzt in als Teil dieser Serie, glaub ich, noch veröffentlicht werden, ne. Also es ist ja nicht nur, bin ja nicht nur ich, da kommen noch andere. Und es ist total spannend auch oder wird total spannend sein, von den anderen zu hören, wie sie Erfolg definieren. Ich denke und hoffe, die Frage wird noch eine Gemeinde kommen. Und ja, ich ich freu mich auf die ganzen anderen Beiträge.
Speaker2: Ich danke dir, Marius, an alle Complexity Messys da draußen. Macht's es gut. Haut's rein. Ich wünsch euch erfolgreiche Projekte, eine gute Produktentwicklung. Master die Complexity.
Speaker0: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.