WIE BRINGT MAN EIN MACHINE LEARNING-PROJEKT INS ROLLEN? – mit Dr. Jan Therhaag

- Jago (Moderator)Host of the episode, Erium Podcast
- Dr. Jan TherhaagGuest, Data Science Team Manager at Heidelberg Zement
- Dr. Theo SteiningerCo-Founder & CEO at Erium
Overview
In this episode of the Erium Podcast, the season three premiere, host Jago, co-host Dr. Theo Steininger, and guest Dr. Jan Therhaag discuss how to get a machine learning project off the ground inside a company. Using the fictional data scientist Erika and her first project experience as a narrative thread, the conversation covers topics such as expectation management, use case evaluation, data availability, and the skills data scientists need in a corporate context. Jan's own experience as the first data scientist at the group level of Heidelberg Zement serves as the real-world example throughout.
About the guest
Dr. Jan Therhaag is a seasoned data scientist and has been Team Manager for Data Science at Heidelberg Zement, one of the world's largest building materials companies, for two years. He was the first data scientist at the group level within the company and built the data science department there from the ground up. Prior to that, he gained experience in a start-up environment at Blue Yonder, where he worked as a Senior Data Scientist and learned how to bring machine learning solutions into production.
Summary
Greenfield Start: Joining a Large Corporation as the First Data Scientist
Jan Therhaag describes how he came to Heidelberg Zement through a recruiter and was drawn precisely by the greenfield situation: no existing tech stack, no fixed processes, and maximum room to shape things. The reality turned out to be even more open-ended than expected - on his second day at work, he first had to contact IT support just to get permission to install Python. Initially, the data science initiative was housed in an internal incubator, which brought typical drawbacks: decoupling from day-to-day operations and occasional resentment from other departments. After six months, the team was integrated into the official IT organisation - a sign that the work had proven its value.
Expectation Management: Between the Wizard Image and Scientific Reality
A central theme of the episode is how to handle inflated expectations around data science and AI. Jan describes that it is rarely difficult to get someone excited about the topic - the term 'AI' is used liberally, and the impression quickly forms that the data science team is a 'team of wizards.' What is far more difficult is reining those expectations back in and establishing a serious, scientifically grounded way of working. Theo adds from Erium's perspective: the team always approaches engagements with humility and positions machine learning as a tool - the hammer and chisel - while the domain experts must shape the actual sculpture. Early one-on-one conversations with leaders and jointly mapping out possibilities and limitations help prevent misunderstandings.
Interactive Web Apps as a Bridge Between Domain Experts and Data Science
Jan describes a proven method for improving collaboration between data scientists and non-data scientists: small, interactive web applications that allow colleagues to explore and adjust parameters themselves. Polished slides convince no one in the long run - a tangible tool, on the other hand, immediately builds trust and enthusiasm. Technically, such first versions are usually built with Dash and deployed in containers on the internal network; for more mature projects, a frontend developer is then brought in. The apps are deliberately kept in a sandbox environment so that erroneous inputs do not lead to false conclusions.
Predictive Maintenance: A Popular but Often Difficult Use Case
Using the fictional story of Erika and a predictive maintenance approach for an assembly line, all three participants discuss why this use case is easy to communicate but frequently problematic in practice. Jan sketches two extremes: highly critical machines are maintained so frequently that almost no failures are ever recorded - too few data points for a model. Inexpensive, frequently replaced components, on the other hand, do not justify the development effort. Theo confirms from his own experience that commercially viable predictive maintenance cases are extremely rare in practice. On top of that, meaningful data is often only available at the manufacturer, who can run parts to failure under controlled laboratory conditions and record everything systematically.
Prerequisites for a Viable Use Case: Data, Buy-In, and Cooperation
For a data science project to succeed, Jan argues that three things are essential above all: first, systematically collected and accessible data (no garbage-in, garbage-out); second, genuine buy-in from the business unit - including a dedicated contact person who invests time, explains the plant, and contextualises the data; and third, a clear commitment at the management level as well. The data problem often lies not in the volume of data but in the fact that historical values were never stored systematically. However, if there is a willingness to adapt processes and capture data in a structured way going forward, that is not a showstopper but a solid starting point.
ROI Pressure and the Chicken-and-Egg Trap in New Projects
Theo raises a classic dilemma: many companies demand a proven return on investment before releasing budget - yet that very calculation requires an exploratory phase that is itself already part of the project. Jan admits he knows no magic trick for this; at Heidelberg Zement, a strategic tailwind from a new CIO and a Digital Transformation Office helped, as it explicitly tolerated an investment phase without immediate return expectations. In general, he recommends delivering the smallest possible MVPs early so that leaders can see that something is happening - this builds trust and opens up further budgets.
Skill Set for Data Scientists: Generalism vs. Specialisation
The discussion leads to the question of what skills data scientists need today. Jan advocates accepting a certain degree of generalism: those who only want to do 'pure' machine learning and never think beyond their notebook will struggle in most companies. During the build-up phase at Heidelberg Zement, all team members had to develop knowledge in Docker, Kubernetes, SQL, web app development, and Git. As a company matures, specialisation makes sense - but a basic understanding of deployment and the full pipeline remains valuable, not least for maintaining an overview when things go wrong and for one's own career flexibility.
Key takeaways
- As the first data scientist in a company, you often start under very basic conditions - patience and pragmatism are essential.
- Early expectation management with leaders and domain experts is the most important first step of any data science project.
- Interactive web apps that allow non-data scientists to experiment themselves are an effective means of building trust and understanding.
- Predictive maintenance is easy to communicate as a use case but frequently fails in practice due to insufficient or unsuitable data.
- A successful use case requires genuine commitment from both sides: data science and the business unit must collaborate closely, not merely hand off tasks to each other.
- The exploratory phase of a project is itself part of the value it delivers - being required to calculate the ROI before it begins is a structural trap.
- Data scientists should be willing to understand DevOps, deployment, and infrastructure topics, even if others take on those responsibilities later.
- Constructive scepticism - critically checking whether the prerequisites are truly in place before starting - protects against costly dead ends.
Conclusion
The episode illustrates compellingly that the path to a successful machine learning project goes far beyond the actual modelling work. Expectation management, stakeholder involvement, data awareness, and a broad technical foundation are at least as important as algorithmic skills. Those who communicate early, deliver small tangible results, and remain constructively sceptical lay the groundwork for lasting data science success within a company.
For Data Scientists & Career Starters
Expect that real-world projects require far more than modelling skills: infrastructure, communication, and generalism are decisive. Constructive scepticism towards use cases and data situations is not a weakness but a professional stance.
For Leaders & Decision-Makers
Anyone who wants to use data science successfully must plan for an exploratory phase and must not demand a calculated ROI before the project has even begun. It is equally important to actively involve business units rather than simply letting the data scientists work in isolation.
For Companies Looking to Build Data Science Capabilities
The incubator approach has its pitfalls; formal anchoring within the organisation is more sustainable in the long run. Systematic data collection and clear responsibilities must be established early so that future projects do not fail due to a lack of data foundation.
Show full transcript
Speaker0: Bevor's losgeht, hier eine kleine Anmerkung. Mit dem Gast der heutigen Folge, Doktor Jan Terrak, veranstalten wir am achten Zwölften 16 Uhr ein kleines. Dabei sollen in 1 kleinen Expertenrunde die Kernfragen der heutigen Podcastfolge noch mal aufgegriffen und diskutiert werden. Die Registrierung ist kostenlos und ihr findet alle weiteren Infos in den Shownotes. Wir freuen uns auf euch und jetzt viel Spaß mit der Folge.
Speaker1: Ihr hört die Ihremeom Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker0: Herzlich willkommen zu dieser neuen Ausgabe von, die den Start unserer dritten Staffel kennzeichnet. In dieser Staffel erzählen wir euch die Geschichte der jungen Data Scientistin Erika und ihrem allerersten Data Science Projekt. Und wir diskutieren mit spannenden Gästen, wie sie sich dabei so schlägt und welchen Hürden man als Data Scientist dabei denn so begegnet. Und heute starten wir mit der Frage, wie bringt man so ein Machine Learning Projekt denn überhaupt ins Rollen? Und dazu freu ich mich ganz besonders auf unseren Gast Doktor Jan Terhaag, langjähriger Data Scientist und seit 2 Jahren Teammanager für den Bereich Data Science bei Heidelberg Zement, einem der größten Welt, einem der weltweit größten Baustoffkonzerne. So. Der Theo wollte schon applaudieren, können wir gerne kurz machen. Jawoll. Freut mich freut mich wirklich sehr, denn Du warst dort der 1. Data Scientist bei Heidelberg Heidelberg Zement. Und dementsprechend bist Du perfekt geeignet für unser heutiges Thema, wie bringt man Machine Learning in 1 Firma ins Rollen? Und ja, toll, dass Du da bist, Jan. Freut uns sehr.
Speaker2: Ja, danke schön für die nette Einführung. Es freut mich auch, dass ich heute hier zu Gast sein darf und 'n bisschen Einblick geben kann, was wir so machen bei Heidelberg Cement. Ist ja 'n Unternehmen, an das man wahrscheinlich nicht als Erstes denkt, wenn man Data Science wird.
Speaker0: Nicht direkt. Nein, das stimmt. Ich hab's grad eben auch schon vorweggenommen. Wir sind nämlich heute zu dritt da, denn der Theo, langjähriger Podcast Moderator auch schon bei uns, ist auch am Start. Freut mich, dass Du da bist, Theo.
Speaker3: Freut mich auch. Hallo Jan, hi, Jago.
Speaker0: Sehr cool. Ja, dann lass uns doch direkt mal in den ersten Teil von Erikas Geschichte reinhören und uns dann mal drüber unterhalten, was es denn da so zu erzählen gibt.
Speaker4: Erika ist frisch in der Firma Dreamclean Supply angekommen, einem Zulieferer von diversen Säuberungsmaschinen und Systemen, darunter auch Spülmaschinen. Die Geschäftsführung, alles am BWL studierte, hat beschlossen, Geld in die Erstellung 1 eigenen Data Science Abteilung zu investieren, weil sie von erfolgreichen Use Cases in anderen Firmen gelesen hat und nun Angst hat, zurückzubleiben, was die Digitalisierung des Unternehmens und potenziell wichtige Use Cases für die Zukunft angeht. Achim Lagemann ist der Chef sowie aktuell einziger Mitarbeiter der Abteilung. Die Erstellung der neuen Abteilung wurde in der gesamten Firma verkündet und es wurde von der Geschäftsführung dazu ermuntert, mit Ideen für Data Science Use Cases an diese Abteilung heranzutreten. Heranzutreten.
Speaker0: So, so viel erst mal zur grundlegenden Situation, in die die Erika da quasi reingerät. Lass uns doch mal bei dir anfangen, Jan. Wie bist Du denn zu Heidelberg Zement als Data Scientist gekommen und speziell auch als erster Data Scientist gekommen? Wie wie wie sah das genau aus? Haben die nach dir gesucht, bist Du da hingekommen und hast gesagt, hey Leute, ohne läuft hier gar nix. Wie hast Du das gemacht? Wie bist Du da hingekommen?
Speaker2: Ja, Heidelberg Cement hat tatsächlich damals gesucht. Also ich bin über einen Recruiter kontaktiert worden. Ich war zu der Zeit allerdings tatsächlich auch auf der Suche nach 'ner neuen Herausforderung. Und im Grunde wars ganz glücklich, dass man auf mich zugekommen ist, denn wie ich eingangs schon erwähnt hatte, auch ich hätte, glaub ich, Heidelberg zum einen nicht auf dem Schirm gehabt als potenziellen Arbeitgeber in dem Bereich. Aber was mich dann letztendlich dazu bewogen hat, dort hinzugehen, war eben genau die Tatsache, dass ich der 1. Data Scientist auf Gruppenebene werden sollte. Das heißt, es war klar, man fängt ja Greenfield an, wie es so schön heißt. Man hat eine Menge Gestaltungsspielraum vom Tech Stack bis ja zu den Prozessen. Und das ist natürlich eigentlich, was man sich jetzt als Entwickler auch oft wünscht, sone Situation. Und ich hab's auch als gute Gelegenheit gesehen, das was ich gelernt hab. Ich war vorher bei Blue Hyundai, die 2013, als ich dort hinkam, auch noch nicht so groß waren, aber dann in den Jahren ziemlich gewachsen sind. Vieles von dem, was ich so aus der Start up Umgebung mitgenommen hab, dann dort eben anbringen zu können. Und quasi von 'ner Rolle, wo ich eher, ich sag mal, mitgeschwommen bin und viel Wissen aufgesogen hab von erfahreneren Kollegen bei Blue Hyundai, jetzt selber in die Führungsrolle gehen zu können und zu sagen, so wird's gemacht, ja. Das fand ich sehr spannend. Ging das denn so einfach? Also Du hast es ja schon angesprochen. Ich glaub, Du hast vorher 4 Jahre lang Data Scientist.
Speaker0: Und so wie sich das für mich anhört, gibt's jetzt son, erstellst Du grad son kleines innerförmisches Start-up in Heidelberg Zement. So so hört sich das für mich an. Also sozusagen die Start up Idee in einen größeren Konzern reinbringen und da quasi sone eigene son eigenes Ökosystem aufbauen? Oder wie wie hab ich mir das vorzustellen?
Speaker2: Genau, das ist eigentlich schon gab das ganz richtige Bild. Wir haben tatsächlich auch in soner Art Umgebung angefangen. Das heißt, da gab's nicht nur Data Science, sondern auch andere Ideen, wie man technologisch Neuland erschließen kann für den Konzern. Das heißt, damit den entsprechenden Gestaltungsspielraum, den man sich in soner Situation wünscht. Wobei ich da direkt auch hinterherschieben muss. Das Greenfield war noch etwas grüner, als ich mir das vorgestellt hab, ja? Man kommt am ersten Tag hin, man bekommt seinen Laptop und wird herzlich willkommen geheißen. Und am zweiten Tag telefoniert man dann erst mal mit dem IT Support, damit man Adminrechte bekommt, überhaupt mal Python auf seiner Maschine installieren zu dürfen. Das heißt, also da fängt man wirklich ganz, ganz vorne an. Aber ja, wir haben uns da wirklich Stück für Stück vorgearbeitet und das war wirklich spannend.
Speaker3: Ich dazu eine Frage, Jan, und zwar, das war ein krasses Erlebnis im Zuge Prozess, wo wir versucht haben, an den großen Automobilhersteller ranzukommen. Und so ziemlich jeder große Konzern hat ja auch sone Start up Connection Gruppe, die sich drum kümmert, da den Kontakt zu zu Start ups herzustellen. Und uns wurde dann von einem dieser Initiatoren tatsächlich, dieser dieser Start up Gruppe geraten, Leute, geht ja nicht über diesen hausinternen Inkubator, sondern sprecht die Fachabteilungen direkt an. Weil nach dessen Aussage ist es so, dass wenn Du erst mal in diesem internen Inkubator drin bist, dann wirst Du eher dazu benutzt, PR nach außen zu machen und schöne Fotos zu machen. Und schaut's mal, wir arbeiten hier mit Start ups zusammen und die inhaltliche Arbeit leidet dann darunter. Da würd mich jetzt interessieren, findest Du, war das 'n richtiger Ansatz bei Heidelberg Zement, trotzdem über sonen Inkubator zu gehen, auch wenn's langfristig dann vielleicht nicht jetzt unbedingt das das das radfähigste war? Oder würdest Du sagen, okay, eigentlich so retrospektiv betrachtet hätte man sich's auch sparen können und wär cool gewesen, direkt quasi ohne sonen Inkubatoransatz direkt vielleicht mit mehr Vorlauf, aber dafür gleich ordentlich die Data Science Abteilung aufzubauen? Ja, ich
Speaker2: würde dir da weitestgehend recht geben. Also wir hatten, glaub ich, nicht damit zu kämpfen, dass wir jetzt für PR herhalten mussten. Die Sache war doch eine rein interne Angelegenheit. Trotzdem haben wir, glaub ich, mit den typischen Schwierigkeiten zu kämpfen gehabt, die son Improvator mit sich bringt. Man ist 'n Stück weit vom Tagesgeschäft entkoppelt, auch von den anderen Abteilungen. Man hat vielleicht auch manchmal sogar mit etwas Missgunst zu kämpfen, wenn man so ganz bewusst eine Sonderrolle einnimmt, auch wenn's vielleicht Verteilung von Mitteln geht. Insofern würde ich persönlich auch empfehlen, das gleich offiziell irgendwo in der Organisation zu verankern. Und das hat dann tatsächlich auch nicht lange gedauert. Also nach 6 Monaten ist diese Inkubator Idee eingestellt worden. April 2018 bin ich gekommen und im September sind wir dann in die offizielle IT Organisation eingegliedert worden. Was auch zeigt, dass wir da ja gute Arbeit gemacht haben in den ersten Monaten, denn wir haben quasi diesen Inkubator überlebt. Nicht alle Themen haben das geschafft. Ob man's anders machen sollte? Ja, ich glaube, ich bin inzwischen auch kein großer Freund des Inkubatoransatzes mehr. Auf der anderen Seite muss ich sagen, haben wir dadurch am Anfang 'n bisschen Zeit bestimmt bekommen, den wenn man so, ja, am Anfang anfängt mit wenig in der Hand, der einem natürlich auch 'n bisschen die
Speaker0: Erwartungshaltung nimmt, direkt was liefern zu müssen, ne. Das kann ich mir gut vorstellen, wenn man erst mal noch Python installieren muss, sollte man auf jeden Fall sich die Zeit nehmen für alles Mögliche, was dann vielleicht doch noch ansteht. Ich hab eine Frage an euch beide, die mich an der Stelle tatsächlich interessieren würde. Und zwar, wie trete ich denn an eine Firma heran, die speziell, Du hast es selber auch schon gesagt, Jan, erst mal nichts mit Data Science zu tun hat, ne? Also Jan, Du hast da ja schon Erfahrung damit bei Heidelberg Zement und Theo bei dir. Hast Du denn da auch schon Erfahrung damit zu sagen, hey, wir sind an eine Firma angekommen, die hat eine fixe Idee, hey, what about Data Science and machine learning? Lass uns da doch mal was machen. Ist das gängig und wie geht man mit so was Vielleicht als Frage an dich zuerst, Theo.
Speaker3: Mhm. Also wir haben natürlich das ganze Spektrum schon gesehen von, wir haben da was im Internet gelesen, haben uns darüber informiert und würden da jetzt gern was ausprobieren bis hin zu Coldcall von unserer Seite. Wir möchten jemanden für die Thematik begeistern, der das noch überhaupt nicht am Schirm hatte. Und der gemeinsame Nenner dabei ist vor allem, wenn das Management oder vor allem das das gehobene Management die Idee hatte und in die Firma rein Und dann tanzt Du da an auf Empfehlung des Chefs und hast auf einmal mit den Leuten zu tun, die dann im Tagesgeschäft sich mit dir auseinandersetzen müssen, war, dass wir immer auftreten als, hey Leute, wir haben hier 'n cooles Tool, wir haben hier 'n Werkzeug, sozusagen wie 'n Hammer und 'n Meißel, aber die Skulptur, die müsst ihr damit erschaffen. Also im Sinne von, ich habe gar nicht die Arroganz hier zu behaupten, dass ich euch jetzt erzähle, wie euer Business läuft, sondern ich kann euch beibringen, wie ihr zunächst mit unserer Hilfe, später dann im Idealfall alleine Machine Learning, sprich statistische Werkzeug einsetzt. Denn das haben wir sofort gemerkt in den in den aller allerersten Projekten, da hatten wir den Mund noch gar nicht aufgemacht. Dann wurd hier schon mal gleich klargestellt, so, also nur damit die uns verstehen, ja? Was wir hier machen, davon habt ihr keine Ahnung, ne? So und das war dann auch so, okay, haben wir nie behauptet, ja? Nur mit dieser Erfahrung sind wir proaktiv sozusagen, genau mit dieser demütigen Haltung auch in die Gespräche reingegangen. Und das ist uns seitdem auch nie irgendwie auf die Füße gefallen oder so. Also das war immer 'n sehr schöner Austausch, weil die Rollenverteilung klar war.
Speaker0: Wie schaut es bei dir aus, Jan? Hattest Du da auch schon zu kämpfen mit, sag ich mal, falschen Erwartungshaltungen auf der Seite? Kannst Du da was dazu erzählen?
Speaker2: Ja, also falsche Erwartung auf jeden Fall. Ich glaub eher am Ende des Spektrums, wo man sagt, man erwartet zu viel. Also ich glaub Data Science verkaufen, jemanden zu überzeugen, das mal ausprobieren mussten, wär eher selten. Das ist ja seit einigen Jahren in aller Munde noch verstärkt, dann auch durch ja den Begriff AI, der inzwischen etwas inflationär verwendet wird. Und da hat man natürlich ganz schnell den Ruf son bisschen, dass man 'n Team von Zauberern ist, die dann alles Mögliche bewältigen können. Ja, und so Erwartungen wieder einzufangen, ist dann tatsächlich nicht einfach, ja. Also ich glaube, die Begeisterung zu entfachen, kein Problem. Das dann rüber zu retten in einen Prozess, bei dem man dann auch wirklich wissenschaftlich arbeitet, ja, fundierte Ergebnisse zeigt. Und über diesen ja, PR und Buzzword, ja, Status hinauskommt, das ist dann tatsächlich 'n hartes Stück Arbeit.
Speaker3: Und wie machst Du das? Also wie wie wie schaffst Du das, dass deine Kollegen das auch einschätzen können, was sie vom Themenkomplex Machine Learning AI erwarten können?
Speaker2: Ja, letztendlich haben wir einfach wirklich viele Gespräche geführt, auch 1 zu 1 Gespräche, auch dann gezielt Gespräche mit Führungskräften, die 'n bisschen abzuholen. Was heißt das technisch, ja? Auch das, was ihr vielleicht schon kennt, Datenanalyse und Statistik, was weniger sexy klingt, aber im Prinzip nicht so viel anders ist als das, was wir hier tun. Welche Erwartungen man da haben darf. Was für Voraussetzungen vor allem auch gegeben sein müssen, damit das funktionieren kann. Und die Leute sind ja nicht dumm. Die verstehen dann natürlich schon, wo die Grenzen dessen liegen, was man da machen kann. Und son Gespräch, glaub ich, möglichst früh zu führen, hilft auch, das dann in die richtigen Bahnen zu lenken, ja.
Speaker0: Gut, dann in der Kommunikation zwischen Data Scientists und Nicht Data Scientists, Was kann denn dann diese Kommunikation erleichtern? Also Du hast grad früher Gespräche angesprochen, Jan. Und ich sag mal so, das, was ich bis jetzt im Podcast gehört hab, auch in Staffel 2 von von vielen Gästen, ist, dass es oft schwerfällt, das was passieren soll und das Wie es passiert, das zu kommunizieren mit Leuten, die nicht grade aus dem Bereich Data Science kommen. Gibt es da denn Ansätze, diese Probleme zu zu tackeln?
Speaker2: Also was bei uns sehr gut funktioniert hat, ist, dass wir versucht haben, den Kollegen kleine interaktive Werkzeuge an die Hand zu geben, mit denen sie selber ein bisschen explorieren, spielen konnten. Denn wir haben schnell gemerkt, schöne Folien kann jeder. Und wir können natürlich viel versprechen und sagen, wenn wir das Modell jetzt gebaut haben und wenn wir die Daten noch bekommen und so weiter und so fort, dann bringt das 'n riesen Business Value. Aber diesen Schritt zu gehen, selbst zu 'ner einfachen Anwendung Anwendung, die Leute dann vielleicht über ihren Browser erreichen können und sagen, jetzt dreh ich mal an dem Parameter. Aha, kommt was anderes raus. Ich krieg eine schöne Visualisierung. Das hat sofort immer die Leute eingenommen für das Thema.
Speaker0: Superspannend. Also das also für mich hört sich das so an, als möchte man auf der, ich nenn's jetzt die ganze Seite die Nicht Data Scientist Seite, ich hoffe, damit fühlt sich keiner diskriminiert, dass man da auf der Seite mehr Verständnis schaffen möchte. Weil das ist also so, also ich weiß nicht genau, wie ich mir das vorzustellen hab, ob das dann wie in der Schule ist in 'nem Computerraum und jeder kriegt mal die Web App an die Hand und dann darf man mal. Aber das deckt sich auch, finde ich persönlich, stark mit dem, was Erium macht oder nicht, Theo? Also wenn ich mich zurückerinne an eine unserer Podcastfolgen, wo wir auch über diesen Mittelsmann gesprochen haben, ne? Der Mittelsmann, der quasi kommuniziert zwischen Data Scientist und Nicht Data Scientist und wie quasi Software die Leute dazu befähigen könnte, dass die dass diese beiden Seiten näher aneinander rücken.
Speaker3: Ja. Der Punkt der ja, überfachlichen Kommunikation ist bei uns auch stark im Projektablauf verankert. Also das stimmt. Wobei mich zu dem Thema Web Apps noch mal was speziell interessieren würde. Und zwar, wie geht ihr damit Jan, wie das Erwartungsmanagement gehandelt wird, wenn eben sone Web App dann nicht funktioniert? Wir haben nämlich jetzt konkret aus 'nem Projekt auch raus das Feedback, ah, okay, Leute, das Modell funktioniert nicht. Dann guckst Du ganz kurz mal auf die Daten drauf und stellst fest, na ja, ihr habt's halt einfach nur Mist in das Modell reingesteckt, dann ist ja klar, dass auch nur Mist rauskommt. Und ist euch das sozusagen schon mal auf die Füße gefallen, dass die Leute sozusagen einfach nur schlecht oder falsch mit dieser Web App umgehen und euch dann den schwarzen Peter zuschieben? Oder habt ihr sozusagen auch diese Web Apps immer in sonem kontrollierten Environment gehalten, dass da nichts schiefgehen konnte?
Speaker2: Die Web Apps haben wir eigentlich tatsächlich immer in soner Art Sandbox gehalten, dass die Möglichkeiten da so eingeschränkt waren, dass man das nicht brechen konnte, sag ich mal, durch schlechte Eingaben. Wir haben eher vorher im in dem Schritt, bis wir dann an den Punkt gekommen sind, glaub ich, solche Schwierigkeiten gehabt, dass wir sehr oft mit Daten zu kämpfen hatten und haben, die einfach ja den Anforderungen, da 'n Modell zu bauen und gewisse Einsichten zu generieren, nicht genügt haben. Und es sich dann in der Regel keiner dafür zuständig fühlt, ja. Und das heißt, na ja, ich hab gelesen Data Cleaning und Preporation gehört auch zum Job des Data Scientists und das ist natürlich auch richtig. Aber es gibt natürlich Grenzen bei dem, was man da leisten kann und man braucht auch idealerweise immer jemanden an der Hand aus dem Fachbereich, der einem erst mal erklärt, was diese Daten eigentlich bedeuten sollen.
Speaker3: Und jetzt mal rein technisch gesehen, also wie wie baut ihr die Web Apps? Ich hab gesehen, es gibt bei Datarobot ja zum Beispiel eine Funktionalität, sehr leicht für vordefinierte Use Cases so Apps zu deployen. Nutzt ihr so was oder schreibt ihr das mit Jango oder Flask quasi kurzerhand selbst runter?
Speaker2: Ja, das kommt tatsächlich bisschen auf den Zustand der Reife an. Also wir benutzen da jetzt keine spezifischen Services. Die ersten Würfe sehen dann meist so aus, dass wir eine App haben oder oder mit was mit Dash machen. Und das deployen wir dann im Container auf Server, die wir hier benutzen, Sachen im internen Netzwerk sichtbar zu machen. Wenn son Projekt dann reifer wird, kommt typischerweise irgendwann dann auch 'n Frontendentwickler hinzu. Und der baut dann wirklich eine auf den Use Case zugeschnittene maßgerechte Applikation.
Speaker0: Aber das ist dann tatsächlich natürlich zum deutlich späteren Zeitpunkt der Fall. So, dann lass uns doch jetzt noch mal in die Geschichte von der Erika reinhören und was ihr denn so als Nächstes widerfährt. Direkt
Speaker4: an Erikas erstem Tag bekommt die Data Science Abteilung eine Benachrichtigung aus der Montageabteilung der Firma. Sie stammt von den Verantwortlichen 1 Montagelinie für das Innenleben von Spülmaschinen. Innerhalb dieser Linie werden zum Beispiel die einzelnen Wände zusammengeschweißt und Rotoren, Temperaturmesser, Timer, Filtersysteme, Pumpe, Heizstäbe und Schläuche angebracht. Noch vor der Station werden Montagedaten erhoben, mit Sollwerten verglichen und somit überprüft, ob das Produkt zur Station kann. Am Ende der Linie wird die Spülmaschine noch mal auf Herz und Nieren getestet. Die Anlage überprüft also automatisch Montagewerte in Zustand x kann jetzt Prozess y durchgeführt werden. Störend ist aktuell dabei, dass Mitarbeiter der Anlage mit unerwarteten Ausfällen einzelner Stationen zu kämpfen haben. Es treten nicht standardmäßige Erwartungen auf, auf die die Mitarbeiter nicht vorbereitet sind, und so geht Zeit und Geld verloren. Der Prozessingenieur dieser Linie, Peter Ibeling, tritt nun an die Data Science Abteilung der Firma heran mit dem Gedanken, es gibt doch Predictive Mantasance und wir haben hier Daten der Montagewerte und den Test der Linie. Können wir dieses Problem irgendwie angehen beziehungsweise die Wartungszeiten optimieren? Achim Lagemann tritt damit an Erika heran mit der Bitte, sich das Ganze mal anzuschauen und abzuschätzen, ob das denn ein sinnvoller Use Case ist. Er will wissen, was an Ersparnissen für die Firma potenziell drin ist, wenn Machine Learning bei dieser Anlage funktioniert. Für ihn ist es möglicherweise ein Schritt in eine rosige Data Science Zukunft für die Firma.
Speaker0: So, direkt als Einstiegsfrage an dich, Jan. Ist das denn realistisch, dass das so passiert? Das hängt von vielen das hängt von vielen Faktoren ab. Also
Speaker2: Predictive Maintenance find ich persönlich 'n sehr schwieriges Thema. Das liegt oft an der Datenlage, ob man denn wirklich systematisch auch die Ausfälle, die man dann in der Zukunft vorhersagen möchte, aufgezeichnet hat. Wir haben das hier im Unternehmen auch schon verschiedentlich diskutiert. Wir haben dann festgestellt, es gibt so verschiedene Szenarien. Zum einen kann es zum Beispiel vorkommen, dass man 'n sehr wertvolle eine sehr wertvolle Maschine hat, die dann wirklich für Produktionsstillstand sorgt bei 'nem Ausfall und wo auch die Ersatzteilbeschaffung oder Reparatur Tage oder Wochen in Anspruch nehmen kann und 'n erheblicher finanzieller Impact also entsteht. Natürlich würde man bei solcher solch 1 Maschine gern Predictive Maintenance einsetzen. Andererseits, weil man eben weiß, dass das so kritisch ist, wartet man die sowieso schon sehr engmaschig. Das heißt, wenn man dann guckt, weltweit gibt's dann 100 Standorte, sag ich jetzt mal. Und davon ist dann vielleicht in den letzten 5 Jahren zweimal tatsächlich 1 solcher kritischen Maschinen kaputtgegangen, eben weil man da so regelmäßig draufguckt. Natürlich hätte man die zweimal gern vermieden, aber aus denen kann man dann beim besten Willen auch nichts lernen, ja. Am anderen Ende des Spektrum stehen quasi Sachen, die häufig kaputtgehen. Die stören den Betrieb aber in der Regel nicht. Die werden dann ersetzt, ja. Also es ist vielleicht 'n bisschen komplexer als eine Glühbirne zu tauschen. Aber letztendlich lohnt da der Aufwand für eine Entwicklung nicht. Also ich kann das absolut unterschreiben.
Speaker3: Ich bin eigentlich nicht so der Fan davon, immer zuzustimmen, aber in dem Punkt tritt's oder trifft's total zu. Das war 2 2 Punkte, die mir dann mal auf Veranstaltungen passiert sind. Das eine war BASF. Da meinte der Typ, na ja, sone Pumpe kostet's 300 Euro, aber wenn die ausfällt, kostet 'n sechsstelligen Betrag. Also hey, wir tauschen die einfach. Und zwar wir tauschen die nach 30 Prozent der vorausgesagten Lebensdauer. Also genau, wie Du sagst, ja, das ist mir einfach völlig egal, wie viel die Pumpe kostet, weil ich in dem in dem Kostenspektrum auf dem einen Ende bin. Und das andere, ich glaub, das waren Leute von FOID Hydro Systems oder wie die wie die Division heißt. Und zwar muss mal ein Staudamm explodiert. Also sone sone sone Wasserkrafturbine muss man explodiert sein, weil das Lager einen Schaden hatte, ne, aber Du hast halt exakt 0 Datenpunkte und dann war auch so die Diskussion auf der Messe, ja, können wir da nicht über Predictive Mentenance das mal, sag ich so, Daten wären 'n bissel schwierig, auch so simulativ oder oder im Labor einen Case mal nachstellen, wird schwierig. Also da da hast Du halt dann echt 'n 'n schweres Pflaster. Und ich hab so das Gefühl, dass Predictive Maintenance, weil's ja sehr gut verstehbar ist und und sich auch anbietet, 'n gern gebrachter Use Cases, also auch bei unseren Angeboten, die wir schreiben, ist Predictive Maintenance son Case, immer irgendwo spielt der eine Rolle im Pitch. Aber so, dass es sich's dann am Ende kaufmännisch rentiert, kenn ich nur ganz, ganz wenige Settings. Und also von daher würd mich auch total interessieren, Jan, kennst Du neben der Deutschen Bahn einen wirklich hochskalierten und profitablen Predictive Maintenance Case?
Speaker2: Also aus erster Hand Erfahrung nicht, muss ich zugeben. Ja. Ich kenn diverse Veröffentlichungen, die sich Flugzeugturbinen drehen. Aber da trifft 'n Punkt zu, den ich da vielleicht noch gerne anmerken würde, dass eigentlich nur der Hersteller in der Regel über nötigen Daten verfügt, so was aufzuziehen, einfach weil der quasi so einen Teil unter Laborbedingungen mal zu Schrott fahren kann und dabei dann minutiös aufzeichnet, was sich bis zu dem Punkt, wo das dann letztendlich kaputtgeht, alles tut. Das würde ja jetzt jemand, der die Maschine kauft, wirklich für den Einsatz nicht machen. Und eigentlich sind das, glaub ich, die besten Datenquellen. Das heißt, wenn der Hersteller quasi das dann direkt mitliefert, diesen Predictive Ansatz, kann das funktionieren. Ist jetzt in unserer Branche Zementindustrie schwierig, weil die Werke sind Jahrzehnte typischerweise relativ unverändert technisch im Einsatz. Das heißt, der Großteil der Werke, als die gebaut und installiert wurden, da war von Predictive Maintenance noch lange keine Rede.
Speaker0: Dann vielleicht die Storyline von 'nem, sag ich mal, eher Projektentwicklungsstandpunkt aus anzuschauen, also gar nicht unabhängig von Predictive Maintenance. Wir sehen schon, da wird sich die Erika noch umschauen, was inwiefern das sinnvoll ist oder nicht. Aber das werden wir dann sehen. Wie genau geht's jetzt da weiter? Also Punkt 1, erstens ist es realistisch, dass plötzlich von irgend 'ner Ecke aus der Firma sone sone Idee kommt? Hatten wir vorher auch schon son bisschen diskutiert, dass gerne Firmen an Data Scientist herantreten und eben falsche Erwartungshaltungen haben. Und Punkt 2, wie findet man denn jetzt heraus, dass ob so was ein sinnvoller Use Case ist? Also wir hatten's grad son bisschen angesprochen, Datenlage ist 'n ist 'n wichtiger Punkt dafür. Aber was sind denn Voraussetzungen, damit sich so ein Projekt für die Firma lohnt?
Speaker3: Mhm.
Speaker2: Mhm. Ja, also zunächst glaube ich, dass solche Use Cases aus den Fachabteilungen herangetragen werden an das Team, ist erst mal eine gute Sache. Denn ich hatte eingangs ja schon gesagt, man braucht das Buy in dieser Leute. Also wenn Erika jetzt das Problem wirklich verstehen möchte, dann wird sie sicher sich mit dem Herrn Lagemann intensiv auseinandersetzen müssen, diese Teststraße verstehen, zu verstehen, was kann da kaputtgehen? Was für Daten werden erhoben? Und das heißt, da muss von beiden Seiten auch 'n Commitment passieren, dass man Zeit reinsteckt. Das heißt, wir haben da 'n Problem, macht mal, so funktioniert es nicht, sondern das Business muss an Bord sein. Die Fachabteilung muss idealerweise jemand wirklich für die Dauer des Projekts abstellen, auf Abruf, der dann sagt, ich geh mit euch ins Gespräch. Ich zeig euch vielleicht mal die Anlage. Ich erklär euch die Daten, die wir da erheben. Und das ist eine Sache, die man auch ganz klar am Anfang kommunizieren muss. Also eine Idee haben und sagt, guckt euch das mal an, reicht nicht. Beide Seiten müssen da eng kooperieren. Das ist bei uns nicht anders. Ich hab keinen Sementexperten im Team, aber wir haben sicher einiges Wissen aufgebaut, aber wir sind a absolut auf die Unterstützung aus den Fachabteilungen angewiesen.
Speaker3: Ich hätte dazu eine Frage auch und zwar, ich bin immer ein Fan tendenziell, wenn ich mir nicht sicher bin, top down reinzugehen. Und was Du jetzt beschreibst, ist ja eher der Bottom up Ansatz. Das heißt, ich geh über die Fachabteilung, die wirklich gleich mal total im Boot zu haben und dass da nix am am konkreten Bedarf dann in der Praxis vorbeigeht. Und warum geh ich oder warum überlege ich mir auch immer die Top Down Perspektive? Ich hab gesehen, es gibt halt so wahnsinnig viele verschiedene, englisch ist blöd, es war Stakeholder, ja, also Interessensgruppen in der Firma, die die auch alle im Boot sein müssen, nämlich die IT Abteilung, dann generelles Management, wenn 'n Budget freigegeben werden muss, bis hin zu, wenn und spätestens, wenn personenbezogene Daten irgendwo mit ins Spiel kommen, ja? Das ist noch mal die die Freigabe kriegt, ja, passt alles, Betriebsrat dann im im im schlimmsten Falle auch noch. Und was ich mich dann gefragt hab jetzt an deinem konkreten Beispiel, nimmst Du das sozusagen auf deine Kappe, dieses Management zu übernehmen der verschiedenen Stakeholder? Oder sagst Du dann, okay, lieber Fachanwender, Du möchtest 'n Use Case haben? Cool, von mir kriegst Du die Data Science, aber das Management der ganzen Stakeholder, das übernimmst bitte Du. Also vielleicht kannst Du da bissel was erklären, wer wer spielt da den den Kümmerer?
Speaker2: Ja, ist 'n guter Punkt und Du hast natürlich recht, es geht nicht ohne das Management, also allein Freigaben zu bekommen, dass Zeit investiert wird, nicht nur von uns, sondern eben auch von der Fachseite. Da hatten wir glücklicherweise eigentlich nie große Probleme. Ich sag mal, Ideen zu verkaufen. Vor allem haben wir festgestellt, wenn wir es innerhalb von kurzer Zeit schaffen, irgendwie sone Art MVP auf die Beine zu stellen. Ich hatte ja auch anfangs schon gesprochen von kleinen Apps. Dann sehen auch die Führungskräfte, aha es passiert was. Da kommt wirklich was raus aus der Zeit, die da reingesteckt wird. Mach doch da mal weiter. Wer sich die Leute kümmert, wir versuchen jetzt eigentlich 'n relativ, ja, üblichen Prozess zu fahren, sag ich mal. Das heißt, wir haben auch 'n expliziten, der dann eben genau diese Vermittlerrolle einnimmt. Das haben wir nicht immer gehabt, aber wir haben gemerkt, das hilft uns ganz enorm, ja. Vorher hab ich das dann vielleicht zum Teil noch versucht mitzumachen. Aber den engen Kontakt zu allen Leuten zu haben, ist doch mehr Arbeit, als man als man annimmt, ja. Das dann in strukturierte Arbeitspakete zu überführen, die Wünsche der Leute. Insofern macht es absolut Sinn, die Rolle explizit zu besetzen.
Speaker3: Mhm. Und darf ich da noch mal ganz kurz einhaken, weil Du weil Du grade beschrieben hast, na ja, ihr habt halt diese Web Apps oder MVPs abgeliefert, dass die Leute auch was greifen können. Und war das dann tatsächlich wirklich genug, auch das Management davon zu überzeugen, da noch mehr Ressourcen reinzuputtern? Oder andersrum gefragt, was musstet ihr denen versprechen und dann auch abliefern, dass Budgets freigegeben wird? Weil häufig seh's ich einfach, dass ganz klar die Ansage kommt, na ja, wenn ihr hier nicht einen ro I kalkulieren könnt, dann machen wir's nicht. Und wenn aber erst mal die Exploration Teil des Projekts ist, dann beißt sich ja die Katze irgendwo in den Schwanz. Also hatte ihr oder hattest Du da einfach bei Heidelberg Zement Glück, dass die Firmenkultur anders war? Oder hast Du da einen Magic Trick auf Lager, das zu handeln? Aber weil weil ganz ehrlich, das ist 'n Punkt, woran wir oft irgendwo stecken bleiben, weil wir vorm Projekt die KPIs nicht haben, sozusagen das liefern zu können, was sie gern vorm Projekt schon hätten.
Speaker2: Ja, versteh ich sehr gut. Ich hab leider auch keinen Magic Trick auf Lager. Ich glaub, man muss da ehrlicherweise sagen, wir haben natürlich jetzt auch nicht völlig exotische Dinge versucht, sondern wir haben im Prinzip uns daran orientiert, was jetzt auf größerer Skala globale Unternehmensstrategie ist. Und da hat Heidelberg Zement damals schon, als ich in die Firma kam, auch kurz vorher, gab's 'n neuen CIO, es gab 'n Digital Transformation Office, das ins Leben gerufen war. Das heißt, man hat bewusst gesagt, wir wollen jetzt solche digitalen Initiativen unterstützen. Wir wollen da jetzt auch eine Phase tolerieren, in denen wir erst mal mehr investieren, als wir dann zurückkriegen. Das hat sich jetzt eigentlich seit einem Jahr noch verstärkt. Ist 'n neuer Vorstand angetreten mit dem Doktor von Achten, der das Thema Digitalisierung noch mal sehr hoch auf die Agenda gebracht hat. Und das hilft uns natürlich, ja, weil dann schon mal dieser grundsätzliche Rückenwind für diese Themen da ist. Ganz speziell ist es jetzt so, man hat die Digitalisierung erst mal angefangen mit Blick auf den Endkunden. Das heißt Dinge, die man in anderen Branchen für selbstverständlich hält. Ich mach meine Bestellung mit dem Handy. Ich seh, wie weit die ist und wann die ankommt. Das gab's halt tatsächlich in unserer Branche bis vor 2 Jahren nicht, ja? Schwer vorstellbar ist aber so. Dann hat man erst mal angefangen, Mobile Apps zu bauen. Hat auch erst mal überhaupt 'n Softwareentwicklungsteam im Unternehmen etabliert und da das Früchte getragen hat, hat man jetzt im letzten Jahr langsam den Blick dann auch nach innen gerichtet und gesagt, na ja, wir haben ja auch ganz viele User sozusagen im Unternehmen, in der Produktion, an allen Ecken und Enden. Wie können wir denen denn das Leben leichter machen? Und da geht's natürlich ganz auch ganz oft auch Automatisierung, bessere Entscheidungen und so weiter. Und da kommt Data Science ins Spiel. Das heißt, da sind viele Themenspielfelder, bei denen wir wissen, es ist 'n Wille da was zu entwickeln. Und wir haben natürlich dann die Aufgabe, die vielversprechendsten Themen zu besetzen und auch zu treiben.
Speaker0: Dann eine Frage noch, die ich in dem Bereich eigentlich ganz passend sehe. Was war denn für dich jetzt genau die Motivation, zu Heidelberg Zement zu wechseln? Also es kann natürlich 1000 Gründe haben, ne, aber hattest Du da quasi Weil ich mein, die die Herausforderungen, die Du dann bei Hydro reactcement hattest, die müssen ja grundsätzlich anders gewesen sein. Also ich trau dir zu, dass Du es hinkriegst, Python runterzuladen. Aber aber an sich, wenn Du von Blue Hyundai kommst, wo Du ja als Senior Data Scientist gearbeitet hast, dann ist dann kommst Du ja plötzlich in ein System rein, was noch überhaupt nicht geebnet ist für für Data Science. Fandest Du das reizvoll als Challenge oder wie genau hab ich mir das vorzustellen?
Speaker2: Genau, das war tatsächlich für mich reizvoll als Challenge. Ich hatte es ja schon erwähnt. Ich glaub, bei Blyond, da hab ich selber viel gelernt, ja. Ich würde aber jetzt nicht so anmaßend zu sein sagen, dass ich da jetzt eine große gestaltende Kraft war. Es gab einfach Leute, die hatten mehr Erfahrung, grade was es den Softwareentwicklungsaspekt angeht, ja. Also ich glaub Datenanalyse, Machine Learning, das hatt ich vorher auch schon in meiner Dissertation gemacht, hatte auch an 'nem Source Projekt, was in der Physik sehr verbreitet war, zur Datenanalyse mit entwickelt. Das kannte ich, glaub ich, gut. Aber solche Sachen dann in Produktion zu bringen, robust zu machen, ja, dass man auch wirklich Entscheidungen von sonem System treffen lässt, die dann Business Impact haben mit anderen Leuten zu kollaborieren, die verschiedene technische Aspekte abdecken. Das sind alles Sachen, die ich da auch erst mal lernen musste. Aber genau das hat mir dann einfach wahnsinnig hier beim Start geholfen, weil ich wusste, okay, das hab ich schon mal gesehen, wie man sich sozusagen selber ja ausm Sumpf zieht. Und genau, auf den Punkt noch mal zurückzukommen, Python runterladen. Ist natürlich jetzt 'n Extrembeispiel, aber ich erinner mich tatsächlich mit den ersten Leuten, die dann sich dem Team angeschlossen haben, haben wir am Anfang Erklärungen gemacht, okay, wie benutze ich denn Git richtig? Ja? Was wie mach ich 'n Branching Model? Wie kollaboriere ich eigentlich? Ja? Damit ich von diesem Ich exploriere Daten und bau mal 'n Modell in meinem Jupiter Notebook irgendwann an den Punkt kommen, dass ich irgendwas ausliefern kann, was für das Business 'n Mehrwert darstellt. Grade in 'ner Umgebung, wo man eben das nicht jemandem übern Zaun werfen kann, weil eine Softwareentwicklungsabteilung gab's auch nicht. Ja, das heißt, da waren wir schon selber gefragt. Und da ist einfach dann auch 'n extrem breites Spektrum an an Wissen entstanden. Und wenn man jetzt sich das Ach, sind ja fast 3 Jahre, April 2018 bin ich gekommen, noch mal zurückschau, wo wir technisch angefangen haben, dann ist da einfach 'n extrem ja, weiter weiter Weg gewesen. Und die Leute haben auch extrem viel gelernt. Also da, das muss ich sagen, alle Leute, die da sich dem Team angeschlossen haben, da waren wir auch immer sehr offen, haben gesagt, ihr müsst ihr müsst euch wirklich stark entwickeln, ja. Und das haben die auch alle voll angenommen, die Challenge.
Speaker0: Cool. Dann würd ich sagen, hören wir in den für heute erst mal letzten Teil von Erikas Story rein.
Speaker4: Erika sieht das Ganze eher skeptisch und hinterfragt die Sinnhaftigkeit dieses Vorhabens. Stehen überhaupt genügend Daten zur Verfügung? Und wie sollen die vorhandenen Werte und Daten etwas über die Notwendigkeit 1 Wartung verraten? An sich bräuchte man doch Daten über den Gesundheitszustand der Stationen der Montageanlage. Hinzu kommt, dass sie von der Businessseite des Ganzen eher wenig versteht. Sie kommt aus der Theorie und tut sich somit sehr schwer, das Potenzial dieses Use Cases ohne Vorhersage zu ermitteln. Sie hat Angst, sich zu verschätzen. Schüchtern, wie sie nun mal ist, nickt Erika ab und macht sich daran, die Profitabilität des Use Cases zu überprüfen.
Speaker0: So. Das ist vielleicht in der Story jetzt erst mal etwas überspitzt formuliert, aber Du hattest es auch grad angesprochen im letzten Teil, man muss eine krasse Entwicklung durchmachen, ist es einfach so, dass am Anfang 1 verschiedenen Projekts, man hat einfach Skills zu lernen, die einem vorher völlig unbekannt sind. Also jetzt speziell die Erika mal als Beispiel, ist vielleicht gar nicht so weit weg von der Realität, dass sie halt eher aus der Theorie kommt, in der Uni wahrscheinlich dann sehr gut abgeschnitten hat und sich da quasi ihr fiel das alles leicht. Aber wie Du's dann erwähnt hast, kommen dann plötzlich, sag ich mal, eher infrastrukturelle, IT infrastrukturelle Probleme auf einen zu. Und genau, ist das ist das denn die Wahrheit? Und welche wie sollte denn eine Data eine Also was ist denn der Traum für einen Data Scientist bei 1 Firma? Was muss die IT Infrastruktur von dieser Firma sein, dass 'n Data Scientist quasi nur noch hingehen kann und sagen kann, okay, jetzt mach ich das, was ich in der Uni gemacht hab. So. Wie muss diese Infrastruktur aussehen? Oder gibt's so was überhaupt?
Speaker2: Also ich glaub, wenn man danach sucht und sagt, ich mach nur Data Science, wenn ich das alles vorfinde, dann wird man's in vielen Unternehmen schwer haben, zumindest wenn's jetzt keine ausgesprochenen Techkonzerne sind. Ich glaub, es ist gut zu akzeptieren, dass man 'n Stück weit Generalist sein muss, ja? Also wenn man jetzt sagt, ich möchte nur Machine Learning machen, ich bin auf Kaggle aktiv und bin da echter Champion, dann hilft mir das wahrscheinlich aber trotzdem noch nicht, irgendwas in Produktion zu bringen, weil mein Code vielleicht nie mein Notebook verlässt. Insofern gibt's da, glaub ich, eine 1 Menge Themen zu lernen. Wenn man sich so aussuchen könnte, klar, dann stehen alle Daten irgendwo in einem zentralen Ort zur Verfügung. Also dass ich mich eventuell gar nicht mit 'ner großen Vielzahl im schlimmsten Fall völlig heterogener Quellsysteme auseinandersetzen muss, sondern ja, manchmal sprechen ja Leute vom Data Lake. Ich mag den persönlich nicht so, aber quasi ein zentraler Verwahrungsort für Daten, schön kategorologisiert mit Metadaten und so weiter und so fort. Praktischen Schnittstellen. Und dann am anderen Ende, wenn ich meine Sache ausliefern liefern will, irgendeinen automatisierten Mechanismus, der mir erlaubt, mein Modell zum Beispiel einfach in einen Container zu rappen und mit einem Klick irgendwo verfügbar zu machen mit 'ner Schnittstelle drum rum, sodass andere mit dem Modell arbeiten können. Aber ich glaub, das findet man so nicht. Also bei uns hat man das definitiv nicht gefunden. Ich glaub, stattdessen sind die Leute im Team alle bis zum Gewissen grade Experten geworden mit Docker, mit Kybernetis, mit Web Apps, mit SQL, mit ich weiß nicht was. Das heißt, wir haben sowohl am einem Ende, wo wir vom Excel Dump bis ja, ich weiß es nicht, zu irgendwelchen Datenbanken oder Streams alles bekommen bis zum Ende, wo wir uns das Deployment kümmern, inzwischen auch mit 'nem hohen Automatisierungsgrad, mit automatischem Testen, mit Continuous Deployment und so was, haben wir einfach sehr viel technisches Wissen aufgebaut. Und ich hab das dann immer schon bei den Bewerbungsgesprächen gemerkt, wenn ich den Leuten gesagt hab, na ja, es steht zwar Data Science drauf und das ist im Kern auch richtig. Wir wir machen Produkte, bei denen Data Science und Machine Learning eine wichtige Rolle spielt, aber das ist quasi der innerste Kern. Und dann kommen 10 Lagen von Softwareentwicklungs Know how und operativen Geschäft obendrauf. Und das musst Du wollen, ja. Du musst also auch Spaß an dieser ganzen Arbeit haben. Und dann gibt's eben 2 Sorten von Leuten, die einen sagen, ah nee, das ist mir jetzt zu technisch. Ich will schöne Visualisierungen machen oder das beste Modell bauen. Und die anderen, die sagen, ja super, ich Entweder ich kann das schon. Endlich macht's mal jemand richtig, prima, ja. Oder kann das zwar noch nicht, aber ich wollt schon immer mal wissen, wie das geht, ja? Wie bau ich denn sone super PipLab Pipeline, damit ich bei jedem jetzt was in Produktion bringe und dem Vertrauen kann? Und da sind wir eben in die Richtung gegangen, dass wir natürlich dann bevorzugt solche Leute eingestellt haben, die Spaß an solchen Themen auch hatten. Jetzt muss man vielleicht noch ergänzen, wir bewegen uns davon jetzt wieder weg, ja? Hat er gesagt, es gab diesen FOD, der schon vor 2 Jahren oder mehr begonnen hat, mobile Applikationen für Endkunden zu bauen. Da ist inzwischen eine große Abteilung draus entstanden. Entsprechend gibt's jetzt hier Softwareentwickler im Haus und das entsprechende Know how. Und wir versuchen jetzt eigentlich grad in eine Phase einzutreten, uns wieder mehr zu spezialisieren und eben zu sagen, wie können wir denn mehr voneinander da profitieren? Ja, wir geben vielleicht 'n Teil der Arbeit an euch ab. Dafür haben wir vielleicht 'n 'n paar spezielle Fähigkeiten, die die euch fehlen. Wir können was voneinander lernen und wie können wir in den Projekten mehr zusammenarbeiten? Also 'n bisschen weniger End to End. Das glaub ich, begrüßen einige im Team, ja. Trotzdem würd ich sagen, war's 'n Gewinn für alle da durch diese Phasen gegangen zu sein.
Speaker3: Wie stehst 'n Du da dazu, wenn ich an die Complexity Masters denke, die jetzt frisch von der Uni kommen oder vielleicht sogar noch zum Beispiel im Master stecken. Denn für mich zeichnet sich da jetzt nicht die klare Perspektive oder der klare Königsweg ab, denn auf der einen Seite bei der Frage von Jaguar, wie sieht deine optimale Arbeitsumgebung aus, hast Du im Endeffekt beschrieben, eine Umgebung, in der Du dich auf deine Kernkompetenzen konzentrieren kannst. Es gibt 'n fertigen Data Lake, es gibt eine deployment Struktur mit 'ner, mit 'nem aufbau und forget Aufbau. Und auf der anderen Seite beschreibst Du ganz klar, wie wichtig es ist, auch das Deployment und Du hast es genannt, auch das abdecken zu können. Nur da stellt sich für mich die Frage, ist sozusagen diese Fähigkeit ein notwendiges Übel, eine Firma zu befähigen? Und ich kann jetzt als frischer Absolvent sagen, na ja, ich hab da keinen Bock drauf und ich such mir halt einfach eine Firma, die schon 'n bisschen weiter ist. Oder bleibt das 'n inhärentes Skill Set, das ich wirklich brauche, zumindest mal nachzuvollziehen, wie auch wenn's dann jemand anders macht, das Deployment grundsätzlich mal funktioniert. Das heißt, ist es auch in 5, 10, 15 Jahren noch eine gute Idee und damit schon heute eine gute Idee, sich drauf vorzubereiten als Data Scientist auch DevOps, Web Development, Docker, Curnetis, das alles mit im Kreuz zu haben. Wie stehst 'n Du da dazu?
Speaker2: Ja, ist eine ist eine schwierige Frage. Also ich denke, wenn eine Firma schon eine große Reife mit sich bringt, dann kommt irgendwann der Punkt, an dem es schwer wird für eine Person, da noch den Überblick zu behalten über alles, was technologisch passiert. Mhm. Insofern, glaub ich, kann's dann wirklich Sinn machen, sich zu spezialisieren und seine Aufgabe gut zu machen. Grundsätzlich würde ich sagen, bisschen über den Tellerrand gucken, rechts und links schadet aber nie, ja. Allein wenn ich daran denke, dass natürlich auch regelmäßig so Diskussionen stattfinden. Was machen wir denn, wenn was nicht funktioniert, ja? Wen rufen wir denn an am Wochenende oder jetzt über die Feiertage, über Weihnachten, was weiß ich? Müssen wir dann 10 Leute auf Abruf haben, weil jeder nur eine kleine Komponente des Ganzen kennt? Oder weiß ich, es gibt da 'n paar Leute, die können auf jeden Fall ausfindig machen, wo das Problem liegt. Vielleicht können sie's nicht beheben, vielleicht haben sie auch nicht die Rechte. Aber sie haben den Überblick, sofort abschätzen zu können, welche Tragweite das hat. Und das ist extrem wertvoll, ja. Vielleicht auch, wenn man sich persönlich danach 'n bisschen verändern möchte, ja, sagen wir mal, ich möcht jetzt vielleicht aus der Data Science raus an einen angrenzenden in ein angrenzendes Fachgebiet, ich glaub, dann ist es erheblich leichter, wenn man da 'n bisschen breiter aufgestellt ist. Dann jetzt vielleicht zum Abschluss noch eine Frage an euch beide.
Speaker0: Wärt ihr denn genauso skeptisch wie die Erika? Vielleicht mach ich da mal 2 Versionen draus, einmal für dich, Jan. Ich mein, das mit Heidelberg Zement würde ich jetzt behaupten, das hat ja schon gut geklappt sozusagen. Also ich hatte das ich hab so, da hatte das Gefühl, Du bist in 'ner ähnlichen Situation wie die Erika gewesen, ja. Oder zumindest vom vom Startpunkt her, ne. Und die Sache ist, es gab es Punkte oder würdest Du sagen, welche Punkte in so 1 Situation sind wahnsinnig kritisch? Wo Du sagst, wenn das nicht gegeben ist, dann kann man's einfach vergessen für sie für diese für so ein spezielles Data Science Projekt in dieser Situation. Sprich, Firma, die bis jetzt noch nicht wirklich viel Digitalisierung gemacht hat, noch nicht wirklich mit Data Science Berührung hatte. Was sind da so Red Flags, wo man sagt, okay, raus da? Und ist das bei der Erika zum Beispiel jetzt der Fall, ist ist die berechtigterweise skeptisch? Unabhängig von Predictive Maintenance, weil da hatten wir auch schon drüber geredet, also Predictive Maintenance, ist es an sich eher immer ein Grund zur zur Skepsis. Aber gibt es da Punkte, wo man sagt, okay, wenn das nicht gegeben ist, das muss ich jetzt vorher überprüfen.
Speaker2: Ja, also ich glaub, skeptisch ist sie zurecht, obwohl ich mir vorstellen kann, dass nach 'nem Gespräch mit dem Herrn Lagemann sich da einige Punkte klären lassen. Ich denke, Sorgen machen sollte man sich, wenn man, nachdem man mit den Leuten gesprochen hat und klargemacht hat, was für Voraussetzungen erfüllt sein müssen, man da auf taube Ohren stößt stößt und zur Antwort kriegt, na ja, aber ihr seid doch die Experten. Macht macht das jetzt trotzdem, ja? Wir haben keine Daten, aber es muss doch irgendwie gehen. Also das klingt banal, aber dieses Thema Daten ist tatsächlich immer wieder son Punkt, wo man sagt, wurden die systematisch in der Vergangenheit erhoben oder fliegen die Sachen nur irgendwo auf irgendwelchen Excel Files bei irgendwelchen Leuten rum und man kann das eigentlich überhaupt nicht mehr rekonstruieren. Und selbst wenn das so ist, ist das vielleicht dann noch kein kein Showstopper, sofern es Wille gibt, das dann zu ändern und zu sagen, aha, so geht es vielleicht auch. Wir erfassen das jetzt systematisch und dann haben wir in 2 Monaten zumindest mal die Grundlage geschaffen, uns das Problem noch mal anzuschauen. Also wenn solche Prozesse angestoßen werden, dann ist ist man glaub ich auf 'nem guten Weg. Das ist tatsächlich einfach oft mangelndes Bewusstsein ja. Man hat sein Sheet, man trägt da irgendwas ein und am nächsten Tag nimmt man das Gleiche wieder her und überschreibt es grade und dann ist die Historie weg ne. In so was wird man dann konfrontiert. Also auch vielleicht was Du sagtest, es hat jetzt bei uns gut geklappt. Natürlich ist da auch nicht alles rosarot, ja? Und wenn man sieht, dass die Erika jetzt hier bei dem Use Case skeptisch ist, ich glaube, ich war bei sehr vielen Use Cases anfangs skeptisch, ja? Also und dann auch die Balance zu finden zwischen man muss nein sagen, ja. Man muss auch manchmal zum höheren Management nein sagen, das kann einfach so nicht klappen. Aber nicht diesen Ruf irgendwann zu haben mit man will ja eigentlich nichts anpacken, ist ist nicht immer ganz einfach, ja. Aber man sollte wirklich versuchen den Mut zu haben, dass man auch sagt, das das geht nicht, wenn man sich eigentlich darüber im Klaren ist, dass die Voraussetzungen nicht gegeben sind. Sonst rennt man sich bei Themen fest. Ist uns auch passiert.
Speaker0: Und Theo, was sagst Du dazu? Wärst Du so skeptisch wie die Erika?
Speaker3: Ich wär noch viel skeptischer. Also ich bin müsste Skeptiker und möchte aber da da eine so Emotion aufgreifen, die ich grad rausgesperrt hab bei dem, was Du gesagt hast, Jan. Und zwar nicht so destruktiv skeptisch, sondern konstruktiv skeptisch. Einfach mit der Motivation, ja, okay, lass uns das anpacken, lasst es uns ausprobieren und nichtsdestotrotz einfach weiß 'n kompliziertes Themengebiet ist, wo so viele verschiedene Fachbereiche auch mit reingehen. Lass es uns im Endeffekt 'n krasses Hypothesentesten machen, ob wir ob wir alle dieselbe Vorstellung von den Randbedingungen und von den Zielen auch haben. Was 'n wichtiger Erkenntnisprozess bei uns auch war, unsere Softwarehalerium auch krass dahingehend auszurichten, dass es 'n Kommunikationswerkzeug ist. Und am Ende ist es nämlich so, dass die die Erfahrung zeigt, also wenn mir jemand am Telefon sagt, so, ja, wir haben eine Use Case Idee und wir haben da Daten dafür, dann ich ich ich mach's ja immer nur so, ja okay, ich mach 'n Haken hinter, die haben Daten. Nee, ich mach 'n Haken hinter, die glauben, die haben Daten. Und es war bisher noch kein einziges Mal, dass dann tatsächlich auch wirklich die Daten genauso schon vorgelegen haben, wie wir sie am Ende gebraucht haben. Teilweise waren sie überhaupt nicht da im besten Fall. Vielleicht mussten wir nur noch 'n kleines Preprocessing und und 'n Cleaning drüber laufen lassen, aber quasi so so richtig, ja, fertig, ihr könnt's quasi schon damit arbeiten. Nee. Nee, auf keinen Fall. Und und und deswegen also, jo, skeptisch sein, genau hingucken, einfach zu vermeiden, was uns nämlich auch in den ersten Projekten passiert ist, zu vermeiden, dass man auf Basis von Annahmen arbeitet, die sich dann leider zu spät als falsch herausstellen und man dann nicht mehr kollektiv eingreifen kann. Denn wenn mal die Frage ist sozusagen, ihr kennt's das, ja, ja? Wenn ich das vor 2 Monaten gewusst hätte, dann hätte ich ja das und das und das anders gemacht, ja. Einfach dem vorwegzugreifen, am Anfang unbequem zu sein. Vielleicht, nee Leute, wir coden jetzt mal noch nix. Lassen Sie eine Rolle rückwärts machen. Ist vielleicht jetzt paintful, aber am Ende zahlt sich's aus. So so würd ich von der von der Grundemotionalität an die Sache rangehen.
Speaker0: Das nehm ich jetzt mal als wunderschönes Schlusswort und sag vielen Dank an euch beide. Danke Jan, dass Du da warst und auch danke Theo natürlich. Das LinkedIn Profil vom Jan fehlt ihr bei uns in den Shownotes. Schaut da gerne mal vorbei, was der Jan so macht. Und genau, ich sag vielen Dank. Und wie's mit der Erika weitergeht, das erfahrt ihr nächste Woche. Bis dann.
Speaker3: Danke dir, tschau.
Speaker2: Tschau, vielen Dank.
Speaker0: Hier noch einmal die 3 wichtigsten Learnings aus der heutigen Folge. Nummer 1, Anfang 1 Data Science Projektes ist vor allem das Erwartungsmanagement wichtig. Und vor allem sollte man die Erwartungshaltung auf der Seite der Nicht Data Scientisten abchecken und gegebenenfalls auch berichtigen. Dazu können solche Dinge wie Web Apps, die einem die Arbeitsweise von Data Scientisten nahebringen, sehr, sehr hilfreich sein. Doch diese Web Apps, die fallen natürlich nicht vom Himmel. Was uns zu Nummer 2 bringt, zu Beginn 1 solchen Data Science Projektes sind oft auch DevOps Skills essenziell und dürfen dabei nicht fehlen. Und zu guter Letzt, damit sich während 1 Data Science Projektes die Katze nicht selbst in den Schwanz beißt, sollte man beim Kunden die Haltung einfordern, nicht sofort nach einem Return of Invest zu fragen, da die Berechnung 1 solchen ROIs eine explorative Phase erfordert, die oft dann bereits Teil des Projekts ist. Wie es mit Erika weitergeht und welche Steine ihr noch in den Weg gelegt werden, das erfahrt ihr nächste Woche. Seid gespannt. Bis dahin, Master the com come. Seid gespannt. Bis dahin, Master the Komplexity.
Speaker1: Jeden Dienstag erscheint eine neue Folge von The Eriom Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM
Speaker3: Podcast.