Thorsten Kranz – Lead Data Scientist bei Deutsche Post DHL

Season 5· 26. April 2022· 3791

Episode cover: Thorsten Kranz – Lead Data Scientist bei Deutsche Post DHL
0:003791
  • Dr. Theo SteiningerCo-Founder & CEO at Erium
  • Thorsten KranzLead Data Scientist, Data Analytics Center of Excellence at Deutsche Post DHL

Overview

In this episode, host Theo Steininger speaks with Thorsten Kranz, Lead Data Scientist in the Data Analytics Center of Excellence at Deutsche Post DHL. The conversation explores how AI and data science are applied at one of the world's largest logistics companies – from route optimization and parcel notifications to company-wide data science training programs and governance structures. Thorsten also shares insights into his unusual career path, his favorite algorithm, and his advice for young professionals.

About the guest

Thorsten Kranz is Lead Data Scientist in the Data Analytics Center of Excellence at Deutsche Post DHL, where he integrates AI into core logistics processes and drives data-driven automation. He leads a sub-team within a unit of around 70 data scientists, data engineers, and ML experts, and co-develops company-wide training programs around data science. His background is remarkably diverse: he studied physics, conducted research in cognitive neuroscience (including predicting epileptic seizures via EEG analysis), and subsequently spent nearly a decade as a data science consultant for companies across a wide range of industries – from BI and advanced analytics to business strategy.

Summary

Team Structure and the Homebase Concept at DPDHL

The Data Analytics Center of Excellence at Deutsche Post DHL brings together around 70 experts in data science, data engineering, machine learning, and cloud platform engineering (Microsoft Azure and GCP). To foster a sense of belonging at this scale, the department works with so-called 'homebases' – smaller sub-groups that serve as a personal home base without restricting cross-project collaboration. Thorsten's homebase has a clear focus on operationalization, deployment, and technically sound implementations. The model was partly inspired by the Spotify model with squads, but was deliberately adapted to fit the team's own needs.

From Physics and Brain Research to Data Science: An Early Pioneer

Thorsten Kranz began his career at a time when neither the term 'data science' nor modern libraries such as scikit-learn or TensorFlow existed. Already in his diploma thesis, he was analyzing EEG time series to predict epileptic seizures – methodologically exactly what is today called machine learning, but using self-written code and C libraries. Even the NumPy documentation was behind a paywall back then. After years in cognitive brain research, he moved into management consulting, where he initially worked in the BI space and was confronted early on with managing unrealistic expectations around data science – an experience that shaped him both communicatively and technically.

The Use Case: Smart Parcel Notifications and Route Optimization

The most impressive project Thorsten describes is the development of a system for precise parcel notifications and intelligent last-mile route planning in Germany. Tens of thousands of tours are evaluated every day; over the course of a year, that amounts to millions of tours and more than a billion parcels. The system combines operations research methods and machine learning: a multi-stage algorithm learns from the historical behavior of delivery drivers how a district is ideally worked through – including local specifics such as shop lunch breaks or one-way street regulations. In parallel, a regression model with extensive feature engineering estimates, based on billions of historical data points, when a parcel will arrive at the customer's door. Confidence intervals are calculated via quantile regression, so that notifications are only sent when the prediction is sufficiently certain – because no information is better than incorrect information.

The data foundation is not GPS tracks, but the scan events from delivery drivers' handheld scanners, supplemented by the GPS coordinates of the device at the time of delivery. Drivers receive route suggestions but can reorder them – a deliberate design choice that respects their experience and promotes acceptance.

Data Privacy, Works Council, and Ethical Handling of Employee Data

The use of behavioral data from delivery drivers was closely coordinated with the works council from the very beginning. Every IT system that goes live as part of the project is co-approved by the works council's IT committee, and all data interfaces are documented. Initially, the identity of individual drivers was deliberately excluded from the model; only after demonstrating significant accuracy improvements was it included – in pseudonymized form. Thorsten emphasizes that it is not only about technically regulating what is possible, but also about defining organizationally and procedurally what is actually done. The feedback from the drivers themselves has been very positive: they experience it as a sign of appreciation that their behavior shapes the route suggestions for the following day.

Governance, Roadmaps, and Community as Drivers of Innovation

DPDHL has established a clear governance structure for data science projects: each of the five business units maintains roadmaps with prioritized use cases; a group-wide Analytics Steering Board brings together representatives from all units, identifies cross-cutting topics, and drives the reusability of algorithms and solutions. Projects are always staffed with at least two data scientists to adequately handle the complexity and investment involved. At the same time, the team places great value on informal exchange: community events featuring project presentations and random breakout rooms, as well as an algorithmically organized 'Data Analytics Mystery Coffee' – where participants with similar topics but little prior contact are matched together – are designed to foster innovation and mutual learning, even in a virtual environment.

Favorite Algorithms and the Value of Interpretability

When asked about his favorite algorithm, Thorsten first makes a general case that for structured, tabular data, data quality and feature engineering are often more important than the choice of algorithm. For this reason, he particularly values tree-based methods: they are competitive while also offering interpretability, which strengthens business confidence in model results. For high-dimensional, unstructured data, he highlights the t-SNE algorithm, which he used in research projects in single-cell transcriptomics, among other areas, to make complex structures visually accessible. As a person he would have liked to meet in person, he names John Hunter, the founder of Matplotlib – with whom he was even in email contact in his early years and whose rudimentary 3D brain visualization tool he once developed further as a fork.

Advice for Young Professionals: Passion Over the Duck Strategy

In closing, Thorsten offers two key pieces of advice. First: the field surrounding data, data science, and AI is here to stay and will continue to grow – even if the specific skills required will shift over time. Second, and above all: find your own sweet spot and become excellent there, rather than being mediocre across all fronts simultaneously. His metaphor: a duck can swim, fly, and walk, but none of them particularly well. Anyone who wants to deliver outstanding performance over the long term needs genuine passion for what they do – whether as a deep learning expert, a business integrator, a statistician, or an organizational change driver.

Key takeaways

  • The Data Analytics Center of Excellence at DPDHL brings together around 70 experts and operates with a homebase model that combines personal belonging with cross-project collaboration.
  • Millions of parcels daily benefit from an ML-powered system that generates parcel notifications and route suggestions based on historical driver scan data.
  • Uncertainty is explicitly modeled: notifications are only sent when model confidence is sufficiently high, because no information is better than incorrect information.
  • Data privacy considerations and the works council were involved as partners from the very beginning – technical and organizational measures work hand in hand.
  • Tree-based algorithms and careful feature engineering are more effective in many business projects than simply switching to a more complex model.
  • Informal community formats such as the algorithmically organized Mystery Coffee are just as important as drivers of innovation as formal governance structures.
  • Those who want to achieve long-term excellence in the data science field should find their personal sweet spot and work there with passion, rather than being merely average everywhere at once.

Conclusion

This episode impressively illustrates how data science is lived at a global corporation like Deutsche Post DHL across the entire lifecycle – from use case ideation and model development through to production operation serving millions of users every day. Thorsten Kranz embodies a type of lead data scientist who combines technical depth, strong communication skills, and strategic thinking. His story makes clear that lasting impact depends less on the perfect algorithm than on team structure, governance, stakeholder trust, and the consistent operationalization of ideas.

For Students and Young Professionals

Thorsten's career path – from physics through brain research and consulting to lead data scientist – shows that unusual backgrounds can be an advantage. More important than the perfect CV is finding your own passion and developing genuine depth in that area.

For Data Scientists in Organizations

The parcel notification use case provides valuable methodological insights: the combination of operations research and ML, explicit uncertainty modeling via quantile regression, and the high importance of feature engineering relative to algorithm selection.

For Leaders and Decision-Makers

The description of governance structures, works council involvement, and coordinated community work at DPDHL offers a practical blueprint for how to sustainably embed and scale data science within a complex organization.

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 Deririum Podcast ist Thorsten Krantz. Er arbeitet als Lead Data Scientist im Data Analytics Center of Excellence bei Deutsche Post DHL. Thorsten Krantz trägt seinen Teil zur intelligenten Digitalisierung des Logistikgeschäfts von DP DHL bei, indem er KI in die Kernprozesse integriert und die Einführung von datengetriebener Automatisierung und Entscheidungsfindung vorantreibt. Neben der Arbeit an konkreten Use Cases entwickelt er gemeinsam mit seinem Team unternehmensweite Trainings rund Data Science und betreibt technologische Weiterentwicklung der Entwicklungsumgebungen für Data Scientists voran. Thorsten Kranz hat einen Hintergrund in Physik und kognitiven Neurowissenschaften und arbeitete für fast ein Jahrzehnt als Data Science Consultant für Unternehmen aus allen wichtigen Branchen, wobei er die gesamte Wertschöpfungskette rund Daten abdeckte, von Machine Learning bis zur Geschäftsstrategie. In seiner Freizeit verbringt er viel Zeit mit seiner Familie, schnürt die Laufschuhe oder versucht sich als Hobbyfotograf.

Speaker0: Herzlich willkommen zu 1 neuen Folge von The Erian Podcast. Mein Name ist Theo Steininger und heute zu Gast Thorsten Krantz. Hallo Thorsten, schön, dass Du da bist.

Speaker2: Ja, schön, dass ich da sein kann. Hallo.

Speaker0: Freut mich sehr, dass wir heute ins Gespräch kommen. Wir haben's im Intro schon gehört. Du arbeitest bei und für 1 Firma, die uns alle sehr stark betrifft in unserem Alltag, also spätestens seit Homeoffice und Lockdown wichtiger denn je. Ich find's total cool, dass wir heute ins Gespräch kommen und uns mal genauer angucken, was Du und wie Du bei Deutsche Post DHL tätig bist und wirst. Vorher aber vielleicht noch mal zum Einstieg, kannst Du uns noch mal genauer erklären, was machst Du konkret bei DPDHL?

Speaker2: Ja, gerne, kein Problem. Meine Rolle heißt. Und das, was ich tue, definiert sich einerseits son bisschen aus meinem Hintergrund, andererseits aber stark aus der Abteilung, in der ich tätig bin. Das heißt, vom Hintergrund bin ich durchaus technisch. Ich hab mal Physik studiert vor langer Zeit, hab dann Forschung gemacht im Bereich der Neurowissenschaften, hab versucht, mit KI die natürliche Intelligenz zu verstehen und solche Dinge. Und danach selber als Berater erst mal stark technisch gearbeitet mit Machine Learning, mit Statistik, mit Programmierung, verschiedenste Kunden bedient. Andererseits bin ich jetzt ja eine durchaus auch Manager, hab ich ja in dem Wirtschaft managende Aufgabe bei mir in der Abteilung. Und die Abteilung ist bei uns im Konzern, ich sag mal, die zentrale Einheit, die sich die Themen Data Science, Analytic, KI kümmert. Wir sind eine ziemlich große Abteilung mittlerweile, ungefähr 70 Experten rund Data Science, Data Engineering, Machine Learning, auch noch technischere Themen durchaus rund aber alles rund Daten. Und innerhalb dessen bin ich ein Teamlead, organisiere eine Einheit, ein Subteam davon, leite verschiedene Projekte. Aber bin sehr froh darüber, dass ich immer mal wieder auch noch mal selber Hand anlegen kann. Das heißt, von Zeit zu Zeit hab ich die Gelegenheit, selber Daten zu analysieren, hier und da wirklich noch mal selber zu coden, Implementierungen voranzutreiben, mich mit meinen exzellenten Kollegen in ihrem Expertenfeld auszutauschen. Und das ist auch der Reiz, dass ich durch meinen Hintergrund mit der technischen Ausbildung, die ich habe, mit der praktischen Erfahrung im Doing, jetzt nicht 'n Manager bin, der nur kluge Ratschläge gibt, ohne zu wissen, worum es geht, sondern ich weiß auch wirklich, was es bedeutet, wenn man, keine Ahnung, Code refacttern muss, der aus 200000 Zeilen besteht, die historisch gewachsen sind. Oder wenn Daten, ihre ganzen Nicklichkeiten und die ganzen Absurditäten, die einfach vorkommen können in Daten, wenn die einfach da vorhanden sind. Und diese Mischung aus einerseits so das große ganze Bild zu sehen, wirklich auch die strategische Entwicklung bei uns in ja doch recht großen Konzernen mitgestalten zu dürfen. Und andererseits in ganz kleinen, in den einzelnen Projekten unterstützen zu können und dann immer wieder die Hand anzulegen. Das macht für mich den Reiz aus und auch definiert auch meine alltägliche Arbeit tatsächlich.

Speaker0: Bin gespannt. Ich hab da jetzt direkt ganz viele Fragen. Lass mich mal bezüglich des Teams anfangen. Du meintest grade, ihr seid insgesamt so 70 Leute, oder? Und Du hast eine Untergruppe Gruppe dessen. Kannst Du diese Untergruppe noch mal genauer beschreiben? Seid sie sehr heterogen, sehr homogen aufgestellt? Wie sieht das genau aus? Ja.

Speaker2: Also wir haben bewusst jetzt nicht komplett nach Expertenwissen geschnitten, dass die als eine Team jetzt nur diesen Schwerpunkt hatten, das andere Team nur jenen Schwerpunkt hat, haben aber schon eine gewisse Profilbildung versucht. Wir wir nennen unsere Teams auch bewusst, weil wir das primäre Ziel hatten, als unsere Abteilung immer weiter gewachsen ist, den Kollegen eine kleinere Community zu geben, ein Zuhause, wo sie auch die persönliche Betreuung direkt haben, wo sie sich auch austauschen können in kleinerer Runde. Wir haben das Projekt Sturfing und die Zusammenarbeit immer noch ganz klar über die Grenzen der hinweg. Das werden wir auch immer so beibehalten. Wollten aber trotzdem versuchen, so eben dieses Heimatgefühl, diesen Heimathafen zu schaffen und dadurch das Wohlbefinden und einfach das das das Gefühl irgendwie, sich wohlzufühlen, zu steigern bei unseren Kollegen. Das war das wesentliche Ziel. Meine spezielle Homebase hat jetzt schon 'n gewisses Profil. Wir sind noch im Bereich Data Science, also jetzt noch nicht eher diesen rein technischen Data Plattform Themen zugeordnet zu sein. Also schon Data Scientists. Aber mit 'ner starken Orientierung in Richtung Operationalisierung, Deployment von Lösungen, Betrieb von Lösungen, die Implementierung auch nach besten technischen Standards voranzutreiben. Solche Themen sind, sag ich mal, 'n bisschen der Schwerpunkt meiner Homebase.

Speaker0: Okay. Das heißt, wenn ich's richtig verstehe und jetzt mit 'ner Matrixorganisation vergleiche, dann ist die Homebase eher Richtung Technologie zusammengefasst, aber jetzt nicht superstreng und die Projekte gehen grundsätzlich über Homebasis hinweg. Das ist richtig. So hattest Du's grade beschrieben, oder? Ja, alles Ganz genau richtig. Okay, okay. Na, ist 'n sehr, sehr cooler Gedanke, finde ich, weil wenn ich mir grad vorstelle, einfach nur von der Emotion her, ich bin jetzt 'n Mitglied 1 siebzigköpfigen Teams, es dann schon krass und irgendwo findet ja dann automatisch eine Untergruppenbildung statt und dass man das sozusagen gleich hingeordnete Bahnen lenkt und diese Homebasis schafft, der ist schon ziemlich smarter Move, ja.

Speaker2: Sehr cool. Genau. Wir versuchen uns auch da durchaus 'n bisschen so von diesen üblichen Modellen an inspirieren zu lassen, diesen diesem Spotify Modell oder Ähnlichem mit Squats oder Ähnlichem. Das heißt, wir haben auch jenseits der Projekte natürlich auch Themen, die dann gestafft werden müssen, wo die Leute dann mitarbeiten. Wir sind da aber jetzt nicht nach 'nem Lehrbuch unterwegs, würd ich behaupten, ne. Wir wir versuchen das stark auf die Bedürfnisse unserer Kollegen, die Bedürfnisse unserer Projekte und aller Initiativen zuzuschneiden und haben da einen durchaus reflektierten Umgang mit und glaubt gut, wir sind zufrieden.

Speaker0: Bevor wir jetzt noch tiefer in eure Homebase einsteigen, wo geht denn oder wie weit geht denn das Kompetenzprofil der anderen Homebasis, nur damit ich mir ein bisschen mehr drunter vorstellen kann, wie weit das gefasst ist? Also geht's auch Richtung theoretische Algorithmik auf der einen Seite und dann meinetwegen Richtung Infrastruktur auf der anderen Seite vom extrem her Oder wo wo wo ziehst Du da die Grenzen? Also wenn zählst Du quasi alles zu diesen 70 Leuten?

Speaker2: Mhm. Genau. In in diesem in der Gesamtabteilung, da reicht es dann von Themen, die eher Richtung Data Lake, Data Plattform gehen, auch entsprechendes Plattform Engineering in Cloud Environments, Microsoft Azure und GCP sind da unsere primären Umgebungen. Das ist so die eher technische Seite, wo wir entsprechende Homebaces auch haben oder auch Teams, die an diesen Themen arbeiten. Und im algorithmischen Data Science Umfeld, da gibt es dann beispielsweise auch Schwerpunkte in Richtung Operations Research, Optimierungsthemen. Das ist son anderes Schwerpunktthema, was wir haben. Oder auch rund das Thema also sone ganz eigene Domäne, die für uns extrem wichtig ist. Wir müssen unsere Arbeit, unsere Ressourcen möglichst gut planen. Und das machen zu können, müssen wir natürlich erst mal wissen, was uns denn erwartet an Aufwänden, an den entsprechenden ja, Volumina, die transportiert werden müssen. Damit wir wissen, wie viele unserer Lkws müssen auf welchen Strecken morgen eingesetzt werden? Wie planen wir unsere Flugzeuge, die jede Nacht die Welt fliegen? Und ja, Effizienz ist da alles. In sonem Low Margin Business, wie die Logistik es nun mal ist, da ist genau diese kleinen Prozentpunkte, die man da besser sein kann, sind nachher erfolgsentscheidend. Mhm.

Speaker0: Jetzt hattest Du vorhin erwähnt, dass Du einen Schwerpunkt bei der Operationalisierung hast. Wenn ich Ende zu Ende jetzt auch noch von der anderen Seite her denke, wo ist dein Einstiegspunkt? Also nimmst Du vielleicht MVPs anderer Teams auf und übersetzt die dann ins echte Leben? Oder bist Du auch bei den Prozessen mit dabei? Wo beginnt bei dir die Reise?

Speaker2: Mhm. Ja, also das spielt ja auf jeden Fall auch eine große Rolle, dass das eigentliche Projekt jetzt dann jetzt zum Beispiel nicht nur aus meiner Homebase gesappt werden wird, ne. Das heißt, es ist durchaus so, dass da auch andere Kollegen mit dabei sind. Und letzten Endes wollen wir als Gesamtteam, als Organisation natürlich den gesamten Workflow abwenden können. Das ist uns extrem wichtig, ne. Das fängt sogar schon vor dem eigentlichen Projekt an. Das heißt, dieses ganze Thema Awareness, Community, Use Case Ideation. Wie priorisiert man das Ganze dann auch, Roadmaps zu definieren? Wie setzt man eine Governance darum auf, Talentmanagement? Das sind alles so Themen, die für uns dann die einzelnen Säulen bilden, auf denen wir dann die tatsächliche Projektarbeit durchführen, die wiederum unser Kern eigentlich ist, der Kern unserer Arbeit und auch durchaus den Großteil unserer Zeit in Anspruch nimmt. Das Projekt selber wiederum beginnend mit dem genauen Scoping, den Use Case auszudefinieren, die möglichen Implementierungsszenarien. Ist nicht gleich mal technisch, sondern wie kann man's umsetzen, dass es nachher genutzt werden kann im Business? So was alles durchzudenken, das ist oft der Anfang in der oder in der Regel der Anfang. Dann Datenvorbereitungen, Bereinigungen, das Modellieren, Implementierung, das ist alles, geht Hand in Hand über. Jeder, der das schon mal gemacht hat, weiß auch, dass es kein linearer Prozess ist, dass es auch 'n ständiges Vor- und Zurück ist und dass man son Zyklus auch mehrfach durchlaufen muss, bis so etwas dann wirklich produktiv ist, wirklich auch eine ausreichende und bestmögliche Idealfall Qualität bekommen hat. Das wird alles ganzheitlich von uns bedient. Wir haben da auch die verschiedenen Schwerpunkte bei uns im Team, dafür aufgesetzt. Wobei man natürlich sagen muss, wenn's dann nachher in Richtung Support, auch grad der First Level Support und so weiter geht, dann sind das dann eher Teams bei uns im, in den IT Services auch grade global verteilt durchaus, auch diese 24 Stunden gut abbilden zu können. Das sind dann so die die Spezialitäten, über auf die man dann achten muss, wenn's dann nachher in den Betrieb geht.

Speaker0: Wenn wir jetzt noch mal ganz spitz deine Persönlichkeit in den Fokus nehmen. Du hast ja 'n Hintergrund, den hat nicht jeder vorzuweisen, ja. Also 4 über über 4 Jahre wissenschaftlicher Mitarbeiter an der Klinik für Epileptologie, dann lange, lange Zeit auch bei bei 'ner Beratung und jetzt diese Rolle als Lead Data Scientist, wo mit diesem sehr, sehr, sehr erstens umfangreichen und auch diversen Background, wo ist heute bei dir im Job der Punkt, wo Du sagst, der beschäftigt dich am meisten? Bereitet dir vielleicht am meisten Kopfzerbrechen?

Speaker2: Ja, ist eine gute Frage. Also ich glaube, der große Vorteil, den ich für mich in meiner in meinem Hintergrund, in meiner Rolle sehe, hatt ich eben schon kurz angedeutet, ist dieses breite Spektrum von Zielgruppen, mit denen ich auf Augenhöhe reden kann. Also ich kann wirklich aus sehr technischer Ebene mit technischen Experten reden, kann aber auch durchaus mit den Wissensexperten reden, weil ich das so viele Jahre in der Beratung natürlich gemacht habe. Bis hin zum Topmanagement hab ich regelmäßig auch dann die Kommunikation, sei es in Form von Präsentationen, Workshops oder was auch immer. Das ist, glaub ich, 'n großer Vorteil, 'n großer Reiz für mich auch. Herausforderungen überall. Ich kann jetzt nicht sagen, dass es die ein oder andere Herausforderung ist, die da wirklich heraussticht. Generell ist es mit Sicherheit so, dass ein Unternehmen von unserem Charakter manchmal braucht, bis Dinge in Bewegung geraten, bis sie dann wirklich auch loslaufen. Umgekehrt hab ich den Charme auch massiv kennengelernt, dass wenn es dann läuft, dass es dann auch wirklich groß wird, dass es dann auch dauerhaft läuft, dass dann die Projekte auch in 1 Nachhaltigkeit durchgeführt werden, die nicht Standard ist, würd ich mir behaupten. Nur als Beispiel, vielleicht können wir nachher noch mal da länger drüber reden, aber wir haben große Trainings aufgesetzt, unternehmen 2. Trainings rund das Thema Analytics und Data Science. Das dauert eine Weile, bis man da alle Stakeholder abgeholt hat, wie das Training sein soll, wie die Zielgruppe genau zu definieren ist. Wir sind dann 'n paar Monate Arbeit. Ja. Aber jetzt haben wir schon 10 über 10000 Leute durch ein E-Learning durchgeführt, allein letztes Jahr 1000 Manager durch ein entsprechendes, ganztägiges Training rund Data Science. Und dieses Jahr wird die Zahl mindestens doppelt so hoch sein und das geht weiter über die nächsten Jahre, ne. Und das ist ja durchaus 'n Charme, den ich sehe, diese Nachhaltigkeit, wenn's losgelaufen ist, aber auch damit verbunden die Herausforderung, dass dass die Maschine dann auf diese Art dann auch wirklich erst mal losläuft.

Speaker0: Krass. Aber das ist wirklich eine beeindruckende Zahl, ja. Find ich, ist schon sehr eindrucksvoll, wie viele Personen Du ja dann letztlich durch deine Rolle und durch das Projekt erreichst. Das ist echt krass.

Speaker2: Ja, ja, das passt auf jeden Fall. Und auch das Thema, wir haben, glaub ich, 'n kleinen Versatz, tut mir leid, wenn ich dir da ins Wort reingefallen bin grade. Aber wirklich auch die zu sehen, wie weltweit dann Leute für dieses Thema brennen, ne. Wie man auch über dieses Thema Leute kennenlernt in Brasilien, die an sonem Thema arbeiten und wo uns wo man's vorher gar nicht wusste, dass die ähnliche Ziele verfolgen eigentlich, ne. Oder wie man auch komplett andere kulturelle Hintergründe dadurch kennenlernen kann. Die letzten 2 Jahre leider komplett virtuell und am Computer, meistens ausm Homeoffice heraus, aber in Zukunft hoffentlich dann auch wieder mehr in in Persona auch kennenlernen. Diese Vielfältigkeit der verschiedenen Businessunits, die wir haben, die verschiedenen Regionen, die wir abbilden können, die aber dann über so ein Thema wie Analytics, wie Nutzung von Daten für unser Business vereint werden können, das ist auch eine große Faszination.

Speaker0: Wenn wir noch weiter kurz in die Vergangenheit blicken, was ich sehr, sehr beachtlich finde, ist, dass für dich das Thema Data Science zumindest gegeben im Lebenslauf schon präsent war, wo viele noch nicht mehr wussten, was Data Science, Machine Learning oder Big Data bedeutet. Kannst Du uns da noch mal kurz abholen, wie kam das dazu, dass Du vom Background her mit Studium, Diplom, Physik, dann wissenschaftlicher Mitarbeiter dann in den Bereich der Data Science reingekommen bist?

Speaker2: Ja, sehr gerne, kann ich gerne machen. Schon im Studium habe ich auf jeden Fall sehr viel Zeit und sehr gerne Zeit damit verbracht, Daten zu analysieren. In der Physik war's natürlich dann erst mal auch rund die Experimente, die in den Praktika durchgeführt worden sind. Ich hab auch Kurse rund besucht, was mich total fasziniert hat. Ich bin dann schon für die Diplomarbeit in den Bereich der Hirnforschung reingerutscht. Das war ein Team, war eine Professor, wo es primär darum ging, aus Zeitreihen epileptische Anfänge vorherzusagen. Das heißt, kann man mit der Messung von EEG, von Hirnströmen frühzeitig erkennen, dass ein epileptischer Anfall bevorsteht. Ob das jetzt medizinisch wirklich funktioniert, möcht ich jetzt nicht zu viel drauf eingehen. Das ist diskutiert, sagen wir mal so. Ich hab aber unglaublich viel aus dem aus den Methoden dadurch einfach gelernt. Zeit rein zu analysieren, auch große Datenmengen zu verarbeiten. Groß halt im Jahr 2007, wo halt die Rechenkapazität noch nicht so war, wie sie heute ist. Wo es auch keinen Cykit learn gab und keinen Tensorflow und nichts, ne. Das war schon eine andere Zeit. Da hab ich dann auch die ersten Erfahrungen mit machine learning gemacht, vieles musste man selber noch schreiben oder halt Bibliotheken in C benutzen, die man dann irgendwie in Python versucht einzubinden. Ich kann mich noch an Zeiten daher erinnern, wo ich wirklich halt auch, für alle, die's kennen, gab's damals noch nicht. Da war noch als Übergangslösung oder davor Numeric da. Und das war halt so Probleme, die man heute gar nicht mehr kennt, die man sich gar nicht mehr vorstellen kann als Data Scientist, ne. Aber schon über diese Themen bin ich dann in Analysen sehr stark reingekommen, hab dann einige Jahre weiter geforscht eher im Bereich der kognitiven Hirnforschung, aber methodisch 1 zu 1 da weitergemacht bei diesen Themen. Und ich konnte da wirklich sehr viel lernen einfach aus diesem Themenumfeld. Data Science, den Begriff, hast Du vollkommen recht, gab's damals noch nicht. Man hat halt von Analytics und von Machine Learning geredet, aber nicht von Data Science. Und als ich dann in die Beratung rein gewechselt bin, auch da wurde nicht direkt von Data Science geredet. Da war dann das Unternehmen, wo ich hin gewechselt bin, eher im Bereich BI, Business Intelligence unterwegs, auch mit entsprechenden Tools, wo wir beraten haben. Aber aufgrund meiner Erfahrung und meines Hintergrunds sind wir dann sehr schnell in diesem Bereich, ja, Versicherungen und andere Firmen und anderen von Statistik, fortgeschrittener Statistik geredet, von Modellierungen, von Analytics und Advanced Analytics vielleicht. Und dieser Begriff Data Science, ja, wann kam er denn auf? So 2013 würd ich behaupten, fing's so langsam an wahrscheinlich, da aber noch sehr undefiniert und extrem als Buzzword eigentlich nur verteilt und sodass ich dann durchaus auch viel Arbeit hatte, erst mal die Begrifflichkeiten glatt zu ziehen und auch die Kunden stark darin zu beraten, was ist denn jetzt eigentlich sinnvoll? Und womit sollte man jetzt die Zeit verwenden? Und auch Erwartungshaltungen zu managen. Es war in den frühen Zeiten natürlich auch dann, okay, dann machen wir jetzt mal 10 Tage Beratungsprojekt und danach wollen wir aber auch 10 Prozent mehr EBIT haben oder nicht. Und das sind dann so vollkommen unrealistische Erwartungshaltung teilweise gewesen, wo aber wir als Team, ich im Speziellen auch unglaublich viel lernen konnten, unglaublich viel kommunikativ lernen konnten, technologisch lernen konnten, viel Pionierarbeit auch machen konnten, was im Laufe der Jahre natürlich 'n sehr großen Erfahrungsschatz bedeutet und mich bis heute noch trägt.

Speaker0: Mhm. Ich bin mir jetzt 'n bisschen so, weil ich's echt total spannend finde grade. Du machst das Thema seit 1 Zeit, wo viele der Zuhörer der Complexity Masters, die sich jetzt in diesem Moment in Podcast reinziehen, wahrscheinlich noch zur Grundschule gingen. Ja. Und und die Zeit 2007, nur mal, das in Relation zu stellen. Heute hat man eine externe Festplatte mit 18 Terabyte am am Desktop hier stehen. Damals waren 120 Gigabyte viel. Nur mal so als Vergleich, ja? Und ich fand's auch insofern spannend. Ich persönlich komme aus der Zeit, für mich war Nampi gesetzt, aber sozusagen die ganzen High Level Bibliotheken oben drüber, die kamen dann erst so mit der Zeit, ja? Das heißt, ich hab früher auch ganz viel in in RAW Numpi erst mal gemacht. Aber schön zu hören, dass es sozusagen auch noch die Generation 1 vorher gibt. Natürlich gibt's die, ja, aber wo sozusagen auch Numpi dann erst mal 'n großer Befreiungsschlag war, ja? Ist absolut logisch, ja? Cool. Sehr, sehr cool.

Speaker2: Alright. Das damals war Ja, extrem. Python 2 Punkt 4, glaub ich, irgendwie der Standard. Und die Dokumentation für Numpay war kostenpflichtig. Wirklich wahr? Okay. Das war wirklich wahr. Die ist, also die Bibliothek war kostenlos, aber die die Doku, da haben sie damals nicht viel, aber 'n kleinen Obolus vorgenommen.

Speaker0: Ah, okay, spannend, spannend. Diese Kapitalisten. Ja krass. Oh man. Ja gut. Ja Wahnsinn. So viel zum zum Rückblick. Viel vielen Dank, dass Du uns da son Einblick gegeben hast. Ich find das superspannend. Wenn wir wenn wir uns jetzt noch mal diese Zeit vor Augen führen, ich find's auch immer mega interessant, nach Projekten zu fragen, die einem besonders in Erinnerung geblieben sind. Warum auch immer, ja, können gute Gründe, können aber auch vielleicht ging's total in die Hose, schlechte Gründe sein. Gibt's da was, und es muss ja auch gar nicht bei der deutschen Post gewesen sein, aber eben deswegen meinte ich ja, man kann die ganze Historie jetzt erst mal im Kopf behalten. Gibt's da eine Geschichte, die raussticht in deiner Erinnerung? Und wenn ja, warum?

Speaker2: Ja, da könnt ich wahrscheinlich viele Beispiele aufzählen. Ich möchte aber tatsächlich ein Beispiel hier von Deutsche Post DHL jetzt geben, was ich in den letzten 2 Jahren auch begleitet habe und mit meinen Kollegen umgesetzt habe. Und auch daran vielleicht benennen, was für mich ein Grund war, warum ich nach den extrem lehrreichen Jahren in der Beratung gewechselt bin zu einem Unternehmen, auch einem großen Unternehmen, wo ich jetzt dauerhaft an so Themen bearbeiten kann. Und zwar ist dieses Thema im Umfeld der Paketzustellung in Deutschland. Und ich meine, Du hast zu Beginn schon gesagt, wahrscheinlich jeder kennt die gelben Zustellfahrzeuge, die durch die Gegend fahren, die LKWs, die jeden Tag unterwegs sind. Und wahrscheinlich jeder bekommt auch regelmäßig Besuch von meinen Kollegen. Auch ich selbst im Homeoffice hatten fast jeden Tag oder jeden zweiten Kontakt mit meinen Kollegen. Und da in dem Kontext haben wir in den letzten Jahren daran gearbeitet, die Paketankündigungen zu etablieren und zuverlässiger zu machen. Das heißt, dass wir einerseits mit im Bereich der Operations Research, Routenplanung intelligente Verfahren entwickelt haben, die aus dem Verhalten der Zusteller lernen, wie eine ideale Tour im Bezirk aussieht. Grade in engen Innenstädten ist es oft nicht von der Landkarte zu erkennen, was die beste Route ist. Klar sieht man da, wie die Straßen sind. Da sieht man, wo Einbahnstraßen sind. Aber ob der Zusteller jetzt an der Stelle wirklich rechts abbiegen kann oder nicht, oder ob der Laden, der da ist, eine Mittagspause macht oder nicht. All solche Informationen kann man extrem gut aus dem Verhalten der Zusteller lernen. Und genau das tun wir. Jeden Tag haben wir Zehntausende Touren vom Zustellern durch Deutschland. Im Jahr sind das Millionen von Touren, über 1000000000 Pakete jedes Jahr. Und wir lernen aus dem Verhalten der Zusteller erstens, was ist eine ideale Tour? Wir geben eine gewisse Anzahl von Paketen, die verteilt werden müssen. Und andererseits aber auch, lernen wir über ein Machine Learning Modell, wann werden die Pakete denn ankommen und wie viel werden sie beim Kunden sein? Und jeden Tag, wenn irgendjemand in Deutschland von DHL eine Paketankündigung bekommt, das Paket kommt heute zwischen 12 und 13 Uhr 30, kommt das aus Algorithmen, die wir in unserem Team entwickelt haben. Und das ist eine sehr große Motivation zu sehen, dass Millionen von Kunden jeden Tag davon einen Mehrwert haben, dass Zehntausende Kollegen in der Zustellung der letzten Meile einen Mehrwert davon haben, wenn die Kunden dann eher zu Hause sind, wenn die Kunden fröhlicher sind, weil sie wussten, wann ihr Paket ankommt, wenn auch teilweise Tun, effizienter und schneller ablaufen können. Auch das konnten wir nachweisen, dass durch so etwas der Gesamtprozess effizienter gestaltet wird. Und das sind einfach Größenordnungen, Effekte, wenn man Natürlich sitzen auch wir vor unseren Computern, coden in Python Algorithmen, ärgern uns darüber, wenn irgendwelche Proxyeinstellungen nicht funktionieren oder Conda Packages nicht installiert werden können. Aber wenn man dann sieht, heute Morgen sind 5000000 Benachrichtigungen rausgegangen für Pakete, die heute zugestellt werden. Es ist eine unglaubliche Befriedigung und ein, ja, der Begriff ist abgelutscht irgendwie, wofür man das Ganze tut, ne. Und das ist auch der das der Scham, für son großes Unternehmen zu arbeiten, für 'n Unternehmen zu arbeiten, wo Data Science so bereitwillig in die Kernprozesse integriert wird, weil natürlich nicht alles immer glatt läuft. Aber am Ende hat's einen großen Mehrwert und 'n großen Nutzen. Mir grad kurz, was ich zu jedem sagte, den Bogen zur Beratung zu schlagen. Wir haben auch in der Beratung superspannende Projekte gemacht aufm großen Unternehmen. Man war aber meistens für eine gewisse Zeit nur da drin. Man konnte jederzeit jederzeit prinzipiell ersetzt werden auch. Und man war doch immer irgendwie der Externe, der halt dann nie so wirklich das komplett wie 'n interner Mitarbeiter dann Teil des Erfolgs war, der auch immer wieder schon während des laufenden Projektes sich die Akquise für das Folgeprojekt bemühen musste. Grade als ich dann Manager war in meiner Beratungsfirma, ist es dann doch sehr viel sehr frühzeitiges Nachdenken über, wie man jetzt das nächste Folgeprojekt akquirieren kann, wie man eine möglichst sinnvolle Abrechnung der Tätigkeiten gestalten kann. Das sind Dinge, die auch 'n gewissen Reiz haben, aber dann doch vom Kern und diesen großen Nutzen, den man über Data Science eigentlich stiften kann, abgelenkt haben, mich gestört haben und wo ich froh bin, dass ich diese Themen nicht mehr machen muss.

Speaker0: Ja, kann ich absolut nachvollziehen, ja. Wenn ich noch kurz zu dem Use Case 'n paar Rückfragen stellen darf, weil Du jetzt ja sehr viele Facetten dieser dieser Geschichte auch abgedeckt hast. Die diese dieses Machine Learning Modell, das ihr trainiert mit diesen Tausenden von Touren, 1 1 1 Begrifflichkeit. Das ist mir aufgefallen, als war Du hast von idealer Tour gesprochen. Woher wisst ihr, was eine ideale Tour ist? Mhm. Das ist schwierig zu beantworten, genau. Also man kann natürlich sehr leicht

Speaker2: mathematisch berechnen, was unter idealen Bedingungen jetzt die schnellste Tour ist, wo die wenigste Zeit drauf geht. Für uns ist aber das 'n bisschen anders. Für uns ist eine ideale Tour dann, wenn auch der Zusteller mit der Tour zufrieden ist. Wenn der Zusteller auch bereit Durchaus anders als bei Marktbegleitern von uns, wie es so schön heißt, ist es nicht so, dass unsere Zusteller gezwungen sind, die Pakete in genau dieser Reihenfolge abzuliefern. Sie haben auch Freiheit, es anders zu machen. Was ich auch sehr begrüße, weil einfach, man kann, wenn man im Elfenbeinturm sitzt, nicht immer wissen, was der ideale Weg ist. Aber unsere Zusteller, die meisten davon haben ja glücklicherweise seit vielen Jahren bei uns im Unternehmen, die kennen ihren Bezirk. Die wissen genau, ja, die die Erna aus dem Tante Emma Laden die Ecke, die macht halt Mittagspause. Aber ich muss ja nicht 12 Uhr 30 klingeln, die ist da nicht da. Das da werd ich's nicht los. Oder in dem Wohngebiet, da komm ich besser nachmittags irgendwie nach 2 irgendwann an. Da sind schon mal wenigstens manche irgendwie berufstätige wieder zu Hause. Und ideale Tour heißt einerseits, dass sie natürlich eine gewisse Effizienz haben sollte bezüglich unnötige Wege, Umwege zu vermeiden, das definitiv. Aber im Rahmen von wenigen Minuten Fahrzeit Unterschied gibt es extrem viele Möglichkeiten, das zu tun. Und da ist wiederum halt dann wichtig, dass die Kunden zu Hause sind, dass die Zusteller auch das Gefühl haben, es ist eine sinnvolle Tour, die gefahren wird und dass die Zusteller auch merken, ihr Verhalten wird gewertschätzt. Das ist ein Feedback, was wir ganz stark bekommen haben. Dadurch, dass ihr Verhalten heute, gestern, vorgestern bestimmt, was morgen für die Tür vorgeschlagen wird, ist das eine große Wertschätzung. In Zeiten, wo Automatisierung das Gefühl oft verleiht, dass der einzelne Mensch egal geworden ist. Und das ist bei uns ganz klar nicht der Fall.

Speaker0: Mhm. Oh, das ist 'n echt schöner Use Case, ja. Eben weil da halt irgendwie alles mit drin ist. Sau cool. Und noch mal ganz kurz zurück. Ich schließe daraus, ihr macht auch eine Empfehlung, wie die Route aussehen könnte. Ja, das heißt, neben dem Ankündigungswesen geht's quasi auch auf die Routenplanung der einzelnen Zusteller. Genau. Dass die sehen, okay, die Route könnte so und so und so aussehen und das Feedback, nur eine Mutmaßung von mir, was die tatsächliche Route war, da muss ich nix eingeben, sondern das lest ihr aus den GPS

Speaker2: Daten dann einfach direkt raus? Ja, nicht aus den GPS Daten, sondern aus den Scanner Ereignissen der Handscanner. Das heißt, immer wenn Ah, Bingo. Paket bekommt, ne, wird ja hier gescannt. Das Paket wurde abgegeben. Erstens, aus den Stammdaten des Pakets wissen wir, wo das abgegeben wurde. Aber aus dem GPS Koordinaten des Handscanners können wir auch auslesen, wo es tatsächlich abgegeben worden ist. Mhm. Und das ist unsere wichtigste Datengrundlage tatsächlich. Zusätzlich haben wir aber auch IT seitig die Möglichkeit geschaffen, dass der Zusteller von uns den Vorschlag bekommt und noch umsortieren kann. Er kann dann sagen, okay, den Straßenblock schieb ich weiter nach hinten. Den zieh ich weiter nach vorne. Und so möcht ich das jetzt machen. Weil da einfach auch viel hinten dranhängt. Basierend auf der Reihenfolge müssen wir dann ja die Zeiten berechnen. Es hat eine Riesenauswirkung, ob man einen Straßenabschnitt zu Beginn oder zum Ende der Tour macht, das ist vollkommen klar. Und deswegen ist es für uns wichtig, ist es aber auch wiederum eine Wertschätzung der Eingabe des Zustellers, wenn er das umsortieren kann und da gewisse Freiheiten hat. Und ja, das ist im Wesentlichen das, wie's wie's sich dann insgesamt als Gesamtlösung zusammensetzt.

Speaker0: Mhm. Mhm. Und nächste Frage, die mir sofort in den Sinn geschossen ist. Wie sieht's aus bezüglich personenbezogene Daten, die Befürchtung, dass man vielleicht sofort personenbezogene Performancemetriken auswerten könnte, dann Mitarbeiter unter Druck zu setzen. Also dieses ganze Thema persönliche Performance, Stichwort Betriebsrat, wie seid ihr damit umgegangen? Weil ich bin mir sicher, dass das an irgendeinem Punkt

Speaker2: hat das eine Rolle gespielt, oder? Dafür sind wir dann wirklich ein sehr deutsches Unternehmen. Das hat von vorne herein eine ganz wichtige Rolle Wir hatten den regelmäßigen Ja, und auch zu Recht. Also dass ich nicht missverstanden werd, auch zu Recht. Ja klar, ja. Absolut. Also das ist das ist extrem wichtig für uns. Wir hatten regelmäßige, auch konstruktiven Austausch mit dem Betriebsrat. Jedes IT System, was im Rahmen dessen live geht, wird von dem entsprechenden IT Ausschuss des Betriebsrates mit verabschiedet. Die Schnittstellen sind dokumentiert, welche Informationen da fließen. Tatsächlich hatten wir sogar auch zuerst gar nicht die Information über den einzelnen Zusteller in unseren Daten verfügbar. Wir hatten sie erst mal rausgehalten. Wir konnten aber dann im Laufe von auch abgestimmten Piloten zeigen, dass dass durch die Hinzunahme, welcher Zusteller ist es denn tatsächlich, wir eine weitere deutliche Steigerung der Modellgenauigkeiten machen konnten, dass auch die Vorschläge für den Zusteller viel besser passen. Wir machen das aber natürlich jetzt nicht auf 1 normalen Zusteller ID, sondern auf 1 pseudonymisierten, auf 1 verhächten Variante davon, die schwieriger zurückzuführen ist auf den Originalzusteller. Aber man, es es geht auch nicht immer nur darum, technisch zu regeln, was möglich ist, sondern auch organisatorisch und prozessual festzulegen, was noch wirklich gemacht wird. Und das ist alles dokumentiert, alles mit dem Betrieb hat abgestimmt. Wir haben eine sehr positives Feedback von allen Zustellern, die unsere Systeme benutzen. Und man legen extrem viel Wert, dass alle Systeme abgestimmt im Betriebsrat sind, mit dem Datenschutz geprüft werden, alle Mitbestimmungsbehörden da auch sauber informiert werden darüber. Das ist sehr hohe Priorität bei uns tatsächlich, ja.

Speaker0: Sehr cool. Und jetzt genau ins gegenteilige Thema reingesprungen, die pure Technik. Ja. Ich denk mir, das ist ja irgendwo ein diskretes Optimierungsproblem beziehungsweise ein diskretes Vorhersageproblem, wo mich wahnsinnig interessieren wird, wie ihr das algorithmisch anpackt. Wenn Du was dazu sagen darfst, wenn es vertraulich ist, dann können wir das auch gerne direkt überspringen, Aber vielleicht kannst Du uns ja 'n bisschen Einblick geben in die Algorithmik. Stecken eine evolutionäre Algorithmik dahintersteckt? Ist es irgendwo sind da Regressionen mit drin, dann letztlich den Forecast zu machen? Wie geht ihr mit Unsicherheit Wär auch 'n ganz, ganz wichtiger letztlich Intervalle an. Und all dieses Gebiet, wie kriegt ihr diese vielseitig aufgestellten Probleme unter einen Hut?

Speaker2: Ja, das ist wirklich spannend, definitiv. Es ist auch vielschichtig. Es ist ja eine Mischung aus Machine Learning und Operations Research Optimierungsalgorithmen. Es ist auch wirklich ein nicht allzu kleines Team insgesamt gewesen, was daran gearbeitet hat. Und klar, alle Details kann ich jetzt nicht erstellen. Da erstens machen wir nicht alles, aber wir sind schon durchaus offen. Wir sind auch interessiert am Austausch. Das heißt, wenn man in entsprechenden Foren guckt, zu dem Operations Research teilhaben, gerade wieder einige Kollegen in sonem europäischen Forum einen Vortrag gegeben, was da passiert. Wir haben auch schon bei Meet ups in der Region und auch darüber hinaus mal Details zu der agilen Machine Learning vorgestellt. Das machen wir durchaus, aber das würde jetzt zu weit gehen. Aber ich glaube, ich kann vielleicht so viel jetzt hier in der Stelle erklären. Also dieser Routenoptimierungsteil basiert stark darauf, dass ein Bezirk, das ist bei uns immer eine Ansammlung von Straßenzügen, Abschnitten, Hausnummern, dass der dass der als Ganzes betrachtet wird, dass historische Touren genommen werden, zu schauen, kann man da eine Art Skelett erst mal reinlegen? Was sind typische Abschnitte, die halt dann gemeinsam gegangen werden? Beispielsweise von der Einkreuzung bis zur nächsten Kreuzung wird er immer an einem Stück gehen und nicht zwischendrin irgendwie im anderen im anderen Straßenabschnitt irgendwo was tun. Und dann kann für jeden dieser Abschnitte dann noch sagen, wird er eher in aufsteigender Hausnummernreihenfolge oder in absteigender Reihenfolge typischerweise abgearbeitet. Das kann man auch lernen aus den Daten. Basierend darauf kann man das dann zusammensetzen und schauen, was wären für sinnvolle Reihenfolgen dieser einzelnen Abschnitte, sodass sie gut zusammenpassen würden. Und daraus dann eine Reihe von Kandidaten generieren, die dann wiederum verglichen werden mit den tatsächlichen Touren der letzten, der vergangenen Zeit, zu schauen, welche der Kombinationsmöglichkeiten, die sich daraus ergeben, die wahrscheinlichste ist. Das ist natürlich extrem vereinfacht und deutlich komplexer im Detail, aber ich glaube, es ist für mich nicht für Tool, der insgesamt achtstufiger Algorithmus, der der Reihe nach durchläuft, der auch durchaus zeitintensiv ist. Das dauert schon ein paar Minuten am Morgen. Das kann schlecht vorgelernt werden, sondern muss am Morgen gemacht werden. Ein paar Minuten, nachdem das, nachdem das Laden abgeschlossen wurde, also nachdem der Fahrer im Depot gesagt hat, das sind jetzt meine 250 Pakete für die Tour heute, wird danach letzten Endes dann diese Optimierung durchgeführt. Und das ist insofern vollkommen in Ordnung, weil dann sagt er, ich habe fertig geladen, steigt in sein Fahrzeug, fällt in den Bezirk rein, wo er meistens noch mal 20, 30 Minuten erst mal braucht, dahin zu kommen. Und nach 5 Minuten hat er dann seine fertige Tour auf seinem auf seinem Handgerät und sieht dann, wie, in welcher Reihenfolge er's idealerweise tun sollte. Genau, das ist jetzt so für den Operations Research Teil. Für den Machine Learning Teil wiederum, für diese Zeitvorhersagen, wann jeder wann jedes Paket ankommt, ist das Problem eigentlich erst mal relativ zu definieren. Wir haben einen Zeitpunkt, wann das wann die Pakete fertig geladen wurden. Und wir haben einen Zeitpunkt, wann das Paket abgeliefert wird. Und wir haben zusätzlich die Informationen, in welcher Reihenfolge gefahren wird. Das heißt, wir bauen ein Regressionsmodell, was viele, viele Inputs bekommt, genau genommen Milliarden von Inputs, weil wir einfach Milliardenpakete in unserer Historie hier drin haben. Das machen da entsprechende zeitaufgelöste Features, wie lang es typischerweise gedauert hat, haben uns extrem viel Zeit genommen eigentlich für dieses Feature Engineering. Das heißt, wie bauen wir die Features aus den vergangenen Daten zusammen, sodass sie möglichst effizient nachher auch die Vorhersage ermöglichen und bauen dann daraus dann das entsprechende Modell. Wir haben zusätzlich nicht nur dies, ich sag mal, das versucht zu ermitteln, sondern auch über eine Quantimereggression zu schauen, was sind denn jetzt so obere und untere Grenze von dem, was wir erwarten können? Und nutzen das dann wieder über eine Heuristik, dann auch eine Wahrscheinlichkeit abzuleiten. Wie wahrscheinlich ist es denn, dass wir dieses Zeitfenster auch treffen werden? Und da wiederum, das ist für uns wichtig, weil wir diese erwiesen aktivieren und deaktivieren können. Es kann durchaus sein, dass wir in gewissen Regionen, in gewissen zeitlichen Bereichen, an an manchen Wochentagen nachmittags als Beispiel, dass wir da einfach größere Unsicherheit haben. Dass wir da schon aus der Vergangenheit wissen, das kann dann sein, muss aber auch nicht. Und dann senden wir keine Wiese. Es ist besser, wenn der Kunde keine Information bekommt, als wenn er eine falsche Information bekommt. Und so haben wir dann 'n sehr fein granonare Mittel über die Wahl dieser Konfidenzschwellwerte, über die Wahl, wie viel Prozent gemauert werden, wird 'n jetzt eigentlich haben, auch über noch weitere Qualitätsregeln. Das heißt, wie war ein Bezirk in der Vergangenheit bezüglich seiner Qualitäten? Können wir sehr fernsteuern, diesen Trade off zwischen wie viel Prozent Abdeckung haben wir auf die ganze Fläche gesehen und wie hoch ist 'n unsere Genauigkeit hier?

Speaker0: Mhm. Mir fällt gerade auf, das ist genauso, wie Du's beschreibst, ja? Manchmal kriegt man die Vorhersage und manchmal kommt einfach keine E-Mail vorher. Und ich werde das nie mehr mit den gleichen Augen sehen wie bisher.

Speaker2: Und wenn was nicht passt, meld ich bei mir.

Speaker0: Das ist ja krass. Okay, aber aber das noch mal ganz kurz Revue passieren zu lassen. Das heißt, die das Operation Research Thema mit der der Routenplanung, da höre ich 'n hierarchischen Ansatz raus. Ja, ist eigentlich klar, ja, dass man die die die Straßen und die Bezirke beziehungsweise die größeren Cluster dann einfach hierarchisch von unten nach oben optimiert und das andere als Regressionsmodell mit mit mit 'nem sehr, sehr fein ausgearbeiteten Feature Engineering. Wobei ich unterstelle oder annehme, dass es auch in enger Zusammenarbeit mit den Zustellern letztlich dann passiert ist, oder?

Speaker2: Ja, also wir haben ständiges Feedback gelebt. Wir haben auch das Ganze in Pilotprojekten Stück für Stück nur ausgerollt. Das heißt, wir haben jetzt nicht gesagt, Okay. Hier ist das Modell und jetzt schalten wir ganz Deutschland live. Wir haben begonnen mit wirklich einzelnen Bezirken oder einzelnen Depots, was dann vielleicht 'n paar 1000 Paketen am Tag entsprochen hat. Haben dann Feedback an gesammelt. Wir haben auch extrem intensiv mit unseren Businesspartnern das Change Management betrieben. Das heißt, Kommunikationsmaterial bereitgestellt. Was bedeutet denn jetzt sone Kennzahl wie Zeitfenstertreue? Also wie viel Prozent aller Zeitfenster, die wir avisiert haben, wurden vom Zusteller auch getroffen? Was heißt eine Kennzahl wie Tourtreue? Das heißt, wie nah hat er sich an die geplante Tour gehalten? Und vor allem was bringt mir als Zusteller das wiederum, dass diese Dinge jetzt im Hintergrund passieren? Muss ich Angst davor haben wegen Überwachung, was Du eben schon dargestellt hast? Also diese kommunikativen Aspekte haben wir extrem stark betrieben, plus auch das Feedback einzusammeln, was funktioniert gut, was funktioniert nicht so gut? Da gäb's auch ganz viele Details, die man am Anfang gar nicht auf dem Schirm hat. Wenn man zum Beispiel ein Paket Pakete in 1 Straße zustellt und dann auch ein einzelnes die Ecke in der Nachbarstraße hat, Ja, klar gibt man das dann schnell noch mal mit ab. Und diese beispielsweise, diese Zustellungen mussten als Besonderheit abgebildet werden in den Algorithmen. Oder auch wenn ein Haus zwar eine gewisse Adresse hat, aber der Hauseingang auf der Rückseite ist. Das weiß man erst mal nicht. Das kann man aus verschiedensten Sachen nachher dann ableiten. Gibt's auch im Bereich der Geodaten große Initiativen bei uns dazu, das noch mal genauer fein zu justieren. Aber da gibt's so viele Details, die man nur im direkten Austausch mit den Experten, in unserem Fall den Zustellern, dann auch wirklich rausbekommen kann. Deswegen ist der Austausch unersetzbar und extrem wichtig.

Speaker0: Das heißt aber auch, dass ihr eine Datenbank zu allen postalischen Adressen in Deutschland habt mit einem sozusagen. Oder lässt sich's auf so was runterbrechen?

Speaker2: Ja, ich glaube, man könnte unglaublich viel mit diesen Daten machen. Das sind auf jeden Fall sehr, sehr reichhaltige Daten. Wir nutzen sie natürlich nur komplett für all das, was unserer Zustellung zuträglich ist, ne. Also dieses dieser dieser Grundsatz, Daten dafür zu nutzen, wofür sie auch gesammelt werden, der ist extrem tief verankert. Auch natürlich generell ist das im Datenschutz so vorgesehen. Wir halten uns da natürlich auch daran. Aber ja, könnte man prinzipiell durchaus tun. Ich mein, es gibt ja auch durchaus 'n paar Start ups, die in dem Bereich auch versuchen, sich zu tummeln. Ich weiß nicht, ob Du das schon mal gesehen hast. Man kann auf diesen bei diesen Start ups zum Beispiel seine eigene Sendungsnummer eingeben. Die fragen dann für dich deine Informationen ab, wann dein Paket ankommt, nutzen das auch für sich selber auch, sich eine Datenbasis aufzubauen. Das heißt, diese Unternehmen bieten einem dann Informationen, ja, donnerstags kommt dein Paket wahrscheinlich in dem Zeitfenster ungefähr an. Oder auch darüber hinausgehende Details, die da einfach sich dann selber über diesen Service rund diese Sendungsverfolgung aufgebaut haben, dann dazu nutzen. Wir machen eigentlich alles nur rund unseren Kernservice zu verbessern, neue Kundenfeatures dazu zu bieten. Und ja, ganz eng an dem, wofür wir auch quasi unseren Auftrag haben zu bearbeiten.

Speaker0: Aber ja, bei uns Richtig, diese diese Proxydienste, die hab ich nie verstanden. Ja, aber okay. Ich verstehe deren Motivation jetzt besser. Ja, Daten sammeln erst mal. Ja, ja. Ja, ja. Thorsten, lass uns doch mal kurz kurz 'n Break einlegen bezüglich des Use Cases und deiner Arbeit bei der bei der Deutschen Post. Noch mal zurück in die Technik. Hast Du einen Lieblingsalgorithmus? Muss nicht ausm Machine Learning sein. Kann irgendwas sein? Und und wenn wenn ja, warum?

Speaker2: Ja, definitiv gibt's da 'n paar Algorithmen, die ich besonders gerne mag. Also ich bin sowieso ein starker Also reden wir erst mal über Machine Learning jetzt speziell. Ich bin starker Verfechter davon, dass in vielen Fällen eigentlich die Daten viel entscheidender sind, als der Algorithmus selber für die Qualität der Amenten auskommt. Das heißt auch grade, wenn man in einem Projekt sone kontinuierliche Verbesserung erreichen möchte, setzt sich eigentlich auch immer mehr durch dieser Aspekt. Man hält den Algorithmus konstant und versucht die Daten weiter zu verbessern, die Qualität, Bereinigungen durchzuführen, das Feature Engineering, auch da der Bereich, wo der Data Scientist wirklich kreativ sein kann, diesen Bereich zu verbessern und den Algorithmus eher konstant zu erhalten. Und im Gleichzug dessen ist auch eine gewisse Interpretierbarkeit von Algorithmen ein Riesenvorteil. Denn am Ende muss das Business dahinterstehen. Das Business muss sagen, ja, darauf vertrauen wir jetzt. Unsere wie auch immer geartenden Ressourcen, die verwenden wir jetzt dadrauf, dass das stimmt, was da hinten rauskommt. Und das führt dann dazu, dass sehr häufig baumbasierte Verfahren schon 'n Vorteil haben, weil man da auch viel an Interpretierbarkeit draus ableiten kann. Das gilt natürlich alles primär dann, solange es eher tabellarische Daten sind, eher diese strukturierten Daten, ne. Und wenn man dann im Bereich von Textdaten, Bilddaten, Audiodaten geht, dann hat das alles, dann ist das nicht mehr kompetitiv, das ist klar. Aber das ist auf jeden Fall ein Umfeld von Algorithmen, die bei dem Großteil der Anwendungsfälle sehr große Bedeutung haben und sehr große Vorteile mitbringen. Das das definitiv. Ansonsten, ich bin auch 'n sehr visueller Mensch. Ich mag's extrem gerne, Dinge zu visualisieren. Und da gibt's schon 'n paar nette Sachen auch im Bereich des Clusterings, Dimensionsreduktionen, wenn man da was machen möchte. Disney Algorithmus beispielsweise, wo man auch hochdimensionale Daten stark reduzieren kann, aber gewisse Strukturen trotzdem auch wiederfinden kann. Ich hab damit Erfahrung auch gesammelt, im Bereich meiner Beratung haben wir auch 'n paar Forschungsprojekte gemacht, beispielsweise auch im Bereich der Genetik, ganz genau der Einzelzell Transkription Transkriptomik oder wie heißt das noch mal? Irgendwie so was in der Art. Das sind einfach sehr oft relativ wenige Daten, aber sehr hochdimensionale Daten. Und da dann diese Informationen so verdaubar zu machen, dass jemand, ein menschlicher Betrachter Dinge interpretieren kann, entsprechende Visualisierungen zu bauen, das war schon auch etwas, was mich jetzt so auch ästhetisch einfach sehr angesprochen hat und was ich sehr schön fand.

Speaker0: Kannst Du den letzten Algorithmus noch mal genauer beschreiben? Wie wie war der Name Tisney?

Speaker2: Tisney oder TSNE Algorithmus. Das ist eigentlich nur eine Art von Dimensionsalgorithmus, der aber besser funktioniert in vielen Fällen als sone PCR oder ICA oder so etwas in der Art. Es ist länger her, dass ich ihn wirklich mal komplett durchdrungen habe. Das ist bestimmt jetzt schon 5 Jahre her, würd ich vermuten. Aber der hat auf jeden Fall dann nachher auch in dem Visuellen und in der Interpretierbarkeit, aber auch im Laufzeitverhalten durchaus Vorteile gehabt für diese sehr hochdimensionalen Daten, mit denen wir da gearbeitet haben.

Speaker0: Okay. Weißt Du was Ist aber auch fragen wir den einfach in die in die Shownotes, ja. Ja, okay. Wunderbar 2. Frage nachdem du ja nicht erst seit heute in dem business bist hast du wahrscheinlich auch viele persönlichkeiten ja auch mit verfolgen können aus aus dem ganzen Bereich Analytics und Machine Learning. Gibt's da eine Person, die Du vielleicht mal gerne treffen möchtest?

Speaker2: Ja, definitiv. Also es gibt, ich hatte auch dadurch, dass ich in den Pionierzeiten sehr, auch in der Community aktiv war 'n bisschen, hab ich durchaus interessanten Austausch auch gehabt. Und jemand, den ich sehr gerne mal persönlich treffen würde, was leider nicht mehr möglich ist, ist John Hunter. Jeder, der Python schon mal für die genutzt hat, wird auch die kennen. Die ist, sag ich mal, die Standardbibliothek, mit der man erst mal vor allem nicht interaktive Visualisierungen baut in in Preisen. Und der John, ich hatte sogar persönlichen Austausch per E-Mail und auch mal 'n kurzen Call mit ihm in in den frühen Jahren, von denen wir eben schon angesprochen haben. Er ist der Begründer in der Webblatt Lab, hat die ganzen Grundprinzipien da reingelegt. Und witzigerweise hat er das, die Anfänge auch gemacht, Hirnforschung damit zu betreiben. Er hat auch wirklich damit erst mal EEG Daten plotten wollen. Und daraus ist ein Riesenprojekt entstanden. Das ganze Ökosystem ist eigentlich sehr stark rund die MattplotLip entstanden mit den ganzen weiteren Bibliotheken, die dazugehören. Er war ein unglaublich netter Mensch, ein unglaublich intelligenter Mensch, der sich auch in unglaublich vielen Themen engagiert hat rund Open Source, rund Wissenschaft, rund diese ganzen Ökosysteme. Und ich hatte nie das Vergnügen, ihn wirklich persönlich zu treffen auf 'ner Konferenz oder so. Er ist leider dann wenige Jahre später an Krebs gestorben, deswegen ist das auch nicht mehr möglich. Aber mit ihm noch mal irgendwie 'n Kaffee trinken oder so, das wär auf jeden Fall etwas, was ich sehr gerne gemacht hätte.

Speaker0: Und noch etwas, das ich nie mehr mit den gleichen Augen angucken kann, wenn ich im Quartier. Ja. Krass. Ich mir war das nicht bewusst, dass es sozusagen ihn als Keimzelle für dieses Package Ja. Gab.

Speaker2: Weil ich dachte, das wär so, das ist halt einfach da. Weißt Du, in meiner Wahrnehmung, Mattplot Lipp ist einfach da. Ja, ja, genau. Genau. Und jetzt, das ist wirklich von ihm gegründet worden. Witzigerweise hab ich ein anderes Projekt von ihm auch übernommen und als Fork weiterentwickelt. Wie gesagt, er war genau wie ich im Bereich der Hirnforschung unterwegs. Und ich hab dann ein Drei-d-Programm übernommen von ihm, was sehr rudimentär bisher nur war, wo es im Prinzip dafür geeignet ist, Koordinaten in MRT Scans zu lokalisieren und das Ganze nachher auch dann quasi zu exportieren für weitere Analysezwecke. Und das Ganze basierte auf VTK für drei-d-visualisierungen. Es bestand aus mehreren Fenstern, die gelinkt waren, wo man das Gehirn aus allen Richtungen man sich angucken konnte. Über den March and Cube Algorithmus konnte man auch Oberflächen reinrendern in dieses in dieses Tool. Und ich hab die Grundidee von ihm übernommen, dann aber stark weiterentwickelt von der Usability her. Und wir haben das bei mir in der Abteilung dann benutzt, die Positionen von implantierten Elektronen im Gehirn genau zu identifizieren. Das heißt, genau festzulegen, es ist da und nicht 2 Millimeter weiter links. Denn 2 Millimeter im Gehirn unterscheidet manchmal zwischen wesentlichen Strukturen im Gehirn. Und es ist unfassbar wichtig zu wissen, liegt die Elektrode jetzt im Hippocampus oder im umgebenden Gewebe, weil's einfach was komplett anderes ist von der Aussage nachher, ne. Und da hatt ich eben dann das Glück, dieses diesen diese auch wieder total geniale Idee von ihm zu finden. Die war unausgereift. Man konnte es eigentlich gar nicht ausführen, weil die Imports nicht mehr funktioniert haben. Usability war unterirdisch und ich hab's dann übernommen mit, war's oder GTK, ich weiß es gar nicht mehr, dann die Oberfläche weiterentwickelt. Und ja, das war auch sone schöne Erinnerung letzten Endes, da so was übernehmen zu können. Mhm. Mega.

Speaker0: Sehr, sehr cool. Und ich hör nach wie vor das Thema Operationalisierung raus. Also vielleicht baue ich da jetzt die Brücke über 'n zu weites Ufer, aber letztlich ist es ja das, ja? Das das anwendbar machen und wirklich nützlich nützlich machen von von vielleicht auch 'ner bestehenden Idee her.

Speaker2: Ja, krass. Absolut. Stichwort

Speaker0: Idee. Du hast jetzt vorhin das beschrieben, die Interaktion bei der Deutschen Post DHL zwischen dem Analytics Team und den Experten, sprich den Zustellern. Wenn's jetzt eine neue Idee gibt, Idee für eine neue Anwendung oder vielleicht eine zusätzliche Funktion im Dashboard oder meinetwegen auch was komplett im Backend, also egal auf welcher Ebene, kannst Du uns einmal durchleiten, wie sieht da bei euch der Prozess aus, dass aus 1 Idee dann auch tatsächlich letztlich ein mit Ressourcen versehenes Projekt wird? Mhm.

Speaker2: Ja, das ist auf jeden Fall ein durchaus komplexes Thema. Das ist vollkommen klar, dass es, wenn viele Menschen an Themen arbeiten, dass es organisiert werden muss, damit's einfach effizient nachher auch laufen kann. Wir haben da in den letzten, ja, 2, 3 Jahren wirklich durchaus eine gute Governance aufgebaut und durchaus gute Prozesse aufgebaut, nachdem das Ganze dann formal organisiert wird, dokumentiert wird und auch ein entsprechendes Impact Tracking dahinter liegt. Das ist für uns auch sehr wichtig. Wir machen halt Analytics auch wirklich nicht mehr nur zum Spaß, sondern es ist Teil unserer Unternehmensstrategie. Bei der sogenannten Strategie 20 25, die Ende 2019 kommuniziert wurde, ist klar festgehalten, dass wir einen durchaus signifikanten Betrag über 5 Jahre investieren in, vor allem in die Themen und andere Digitalisierungsthemen. Dann aber auch erwarten, dass das Ganze uns jedes Jahr einen Runrate Benefit, wie's so schön heißt, für 1500000000 bringen soll ab dem Jahr 2025. Also es wird wichtig, auch das Impact, den Impact zu tracken. Bei all dieser Governance ist uns aber erst mal ein sehr informeller Austausch wichtig. Wir versuchen extrem stark die Community zusammenzubringen. Wir organisieren Communityevents, wo Vorträge gehalten werden, wo jeder von seinem Projekt erzählen kann, wo voneinander gelernt werden kann. Wir organisieren einen, den sogenannten Data Analytics Coffee Coffee, wo unsere Optimierungsexperten aus dem Team einen Algorithmus entwickelt haben, wie Data Science Interessierte zusammengematcht werden für einen Austausch, informellen Austausch. Basierend darauf, wie eng sind sie organisatorisch zusammen? Hatten die schon mal Kontakt zueinander? Hatten andere aus demselben Team schon mal Kontakt zueinander, sodass ein zwischen, ich lerne komplett andere Leute kennen und ich rede mit Leuten, die 'n ähnlich Interesse haben, wie ich irgendwie gefunden wird. Funktioniert super. Jeden Monat treffe ich Leute, Das ist ja schon. Ich fast noch gar nicht irgendwie oder wenn überhaupt, nur ganz kurz mal getroffen habe und noch nie lange mit geredet habe, die aber trotzdem extrem viel Überschneidungen von den Themen haben, für für die sie sich interessieren. Also das ist das, ich rede bewusst erst mal sehr viel über das Informelle und nicht offiziell organisierte, weil das eigentlich der Treiber von Innovation, von Ideen und auch von dem Aufbau von zu vielen Mauern und Hürden entgegenwirken soll. Umgekehrt ist es dann so, grade Projekte, die eine lange Laufzeit haben, und wenn wir ehrlich sind, Data Science Projekte mit 'ner gewissen Komplexität, die dauert immer mehrere Monate, teilweise noch deutlich länger, wenn sie eine hohe Komplexität aufweisen. Wir staffen nie nur mit einem Data Scientist oder auch nur der, sondern immer mindestens mit 2, teilweise auch deutlich mehr. Sind einfach dann Riesenaufwände und Investitionen auch. Und und wenn wir so etwas tun, wollen wir sichergehen, dass das auch den Business Prioritäten entspricht. Und wer unser Unternehmen vielleicht 'n bisschen kennt, weiß, dass wir nicht nur ein Unternehmen sind. Wir sind 5 große Businessunits, die alle für sich eine eigene Organisationsstruktur haben. Eine von den 5 Businessunits ist Post und Paket Deutschland. Also alles, was man in Deutschland, fast alles, was man was man hier sieht in der Zustellung von Brief und Paket, ist nur ein Fünftel von unserem Unternehmen. 'N anderes Fünftel ist unser globales Expressgeschäft und noch 3 weitere. Ich mach, will jetzt hier keinen Exkurs über unsere Organisationsstruktur machen. Aber jedenfalls alle diese Business und alle haben Roadmaps aufgestellt. Diese Roadmaps beinhalten die Use Cases, die aktuell dann gearbeitet wird, aber auch Themen, die schon abgeschlossen sind, plus Ideen, die halt immer wieder nachkommen. Die wird immer wieder aufgeführt. Es wird immer wieder neu priorisiert. Was hat die höchste Priorität? Und basierend auf diesen Roadmaps wird dann entschieden, wo wir als zentrales Team, wir unterstützen alle Business dran arbeiten, wo aber auch die Divisionalen Teams dran arbeiten sollen. Also für jede Businessjunge fängt auch immer mehr an, teilweise schon sehr groß, auch eigene Data Science Teams aufzubauen. Das Ganze wird wiederum zusammengeführt in dem Analytics Steering Board. Wir haben ein Board auf Konzernebene etabliert, wo aus jeder Business Unit ein drinsitzt, der dieses Thema bei sich im Bereich treibt, aber auch den Austausch mit den anderen Business Jungen vorantreibt, wo auch über die Roadmap sich ausgetauscht wird. Wir identifizieren dann immer wieder Themen in den Einzelrookemaps, die übergreifende Relevanz haben, die wir dann zu cross Divisionalen Lösungen ausbauen, die dann von allen Business genutzt werden können und quasi dieses Thema Assetaufbau, Wiederverrentbarkeit von Algorithmen, von ganzen Lösungen stark vorantreiben. Und so haben wir halt wirklich ganzheitlich versucht, diesen Roadmap Gedanken, diesen Austauschgedanken voneinander lernen, Dinge gemeinsam aufbauen, methodisch, aber auch technologisch stark voranzutreiben. Aber dabei bloß nicht zu vergessen, dass der wichtigste nicht organisierte Austausch gelegt werden muss.

Speaker0: Wie macht sie das dann heutzutage, wo ja vieles in virtuelle Räume verlagert wurde? In meiner Wahrnehmung nimmt es halt viel Zufall auch weg. Und so wichtig ich jetzt versteh, ist dieses zufällige Element einfach auch sehr, sehr wichtig in ja in eurer Teamstruktur, die Innovation zu ermöglichen. Habt ihr da Ersatzformate?

Speaker2: Ja, genau. Also 1 ist sicherlich dieses mit dem Mystery Coffee, wo Leute zufällig zugeordnet werden. Wir haben aber auch Community Events, wo wir dann natürlich alles im Moment per Zoom oder Teams machen müssen, dann aber auch zufällige Breakout Räume wieder starten, wo Leute auch wieder zusammengewürfelt werden. Zusätzlich ist es bei uns natürlich auch so, ja, wir haben eine Zentrale am Standort Bonn, aber dann ist längst nicht der Großteil unserer Belegschaft. Und das heißt, dass 'n Großteil der Interaktion sowieso virtuell laufen muss, selbst wenn man da wieder im Büro vor Ort ist. Wichtige Projekte, mit denen ich jetzt jenseits von dem Beispiel bei der Deutschen Post zu tun habe, haben ihre Schwerpunkte in Singapur oder auch in den USA oder in Benelux beispielsweise.

Speaker0: Alright, ja. Ja, alles klar. Ja. Voll cool. Thorsten, zum Abschluss. Welchen Rat würdest Du deinem zwanzigjährigen Ich geben?

Speaker2: Also ich glaube, dass ich jedem, der, also mir selber auch damals, aber auch jedem jetzt in dem Alter den Rat geben kann, dieses Themenfeld rund Daten, rund Data Science, rund AI. Ich glaube, das ist wirklich da, zu bleiben. Das ist jetzt nichts, wo ich glaube, dass es in den nächsten 2, 3 Jahren weniger wird. Es wird eher mehr werden. Es wird sich verändern. Das heißt, was die genauen Skills sind, die gebraucht werden, das kann man jetzt noch nicht sagen. Das verschiebt sich mit Sicherheit, dass manche technische Skills nicht mehr gebraucht werden, andere neue dafür dazukommen werden. Ich glaube aber, dass vor allem auch dieser Gedanke, wie kann ich über Daten, über Algorithmen Geschäftsprozesse optimieren, dass der dauerhaft da ist und immer wichtiger werden wird, grade auch in der globalen Konkurrenzsituation, die wir einfach haben. Das heißt, das ist auf jeden Fall erst mal ein Themengebiet, wo man großes Potenzial hat. Darüber hinaus ist mir 'n wichtiger Rat, den ich auch allen meinen Mentes immer gebe, die ich habe, macht das, wo ihr eine Leidenschaft für habt. Es gibt so viele Facetten in diesem Themenumfeld, ob man jetzt eher wirklich der Hardcore werden möchte, ob man jetzt eher der werden möchte, der die Business Integration, Interaktion treibt. Ob man derjenige sein möchte, der politisch aktiv ist, also unternehmenspolitisch, mein ich jetzt. Oder ob man jetzt dann auch der der Hardcore Statistiker sein möchte, all das hat irgendwie eine Daseinsberechtigung und man ist nur da gut, wo man eine Leidenschaft für hat. Man kann nur dauerhaft da wirklich exzellent sein, wenn man seinen Sweet Spot gefunden hat. Und ja, natürlich muss man auch an seinen Schwächen arbeiten, aber ich sage auch immer wieder, wir sollten nicht versuchen, eine Ente zu sein. Eine Ente kann schwimmen, eine Ente kann fliegen, eine Ente kann laufen, aber alles nicht besonders gut. Und wenn wir nur in den Schwächen arbeiten, wird man genau dazu, lieber die Dinge tun, wo man eine echte Leidenschaft für hat, wo man für brennt und in diesem Thema dann auch wirklich exzellent werden.

Speaker0: Nice. Vielen Dank, Thorsten. Ich hab total viele Dinge gelernt jetzt in der Stunde, wo wir gequatscht haben. Du hast mir viele Dinge erklärt. Gib dir diesen Spruch, ja? Ich denke, vielen Complexity, die jetzt diese Podcastfolge gehört haben, werden nie wieder mit den gleichen Augen auf eine Paketankündigung drauf gucken. Oder wenn der Paketfahrer die Ecke gedüst kommt und in 'ner bestimmten Reihenfolge die Pakete ausliefert und vielleicht bei dem Tag die Variante nimmt und den anderen Tag die Variante nimmt. Ich danke dir sehr. Ich hab ganz vieles auch abseits der Technik mitnehmen können, hab das als sehr, sehr offenes Umfeld so verstanden, indem ihr unterwegs seid, wie ihr an jetzt und ich interpretier's nur als eine Spitze des Eisbergs, ja, wie ihr wie ihr Use Cases bei DPDHL anpackt. Ich bedanke mich noch mal für deine Offenheit, für den Einblick, den Du uns allen gewehrt hast. Wünsch dir alles Gute, noch weiterhin wirklich maximalen Impact. Auch das ist für mich 'n großes Learning, dass einfach son Konzern bei aller Starrheit und Trägheit dann wenn aber wenn ja dann mal Bewegung im Game ist, auch wirklich einen großen Impact dadurch erreichen kann. Und ja, wünsch dir alles Gute. Die zuhören, Meister die Komplexity, bleibt gesund. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The

Speaker2: IRIUM Podcast.

More episodes from season 5 →