Reitende Elefanten 004: Zwischen Analyse und Alltag – Die unsichtbaren Hürden von Data-Science-Projekten

00:00:00: Ein kurzer Hinweis aus der Zukunft von der Regie.

00:00:03: Diese Folge haben wir bereits vor einiger Zeit aufgenommen.

00:00:05: Daher stimmen die genannten Folgen, Nummern und Verweise nicht mehr mit der aktuellen Reihenfolge überein.

00:00:10: Am Inhalt ändert das aber nichts, die Themen bleiben weiterhin relevant.

00:00:14: Und damit viel Spaß.

00:00:15: Hallo und herzlich willkommen zur dritten Folge Reiten Elefanten, dem Podcast von Oliessen ohne Oliver Straubel heute.

00:00:21: Darf über mit Stefan Hausberg und meiner Person Dominik Schwiering.

00:00:25: Aber Stefan, willst du dich nicht einmal kurz selber vorstellen, wer genau bist und was du hier machst?

00:00:29: Vielen Dank, Dominik.

00:00:30: Danke, dass ich hier sein darf.

00:00:31: Mein Name ist Stefan Hausberg.

00:00:33: Ich bin Datenstrategie-Experte.

00:00:35: Ich habe mich jetzt selbstständig gemacht mit einer Datenstrategieberatung.

00:00:39: Ich berate mittelständische Unternehmen in Datenstrategie, Datenkultur und alle Themen, was mit Daten so geht.

00:00:45: Wie kriegt man Daten eigentlich so hin, dass sie auch wirklich ihre Wirkung entfalten?

00:00:49: Und deshalb bin ich hier.

00:00:51: Danke, Stefan, für diese Zusammenfassung.

00:00:52: Datenmanagement ist ein großes Thema.

00:00:55: Das Thema, das wir uns heute rausgesucht haben, das stellt ihr einmal eh nicht vor.

00:00:58: Willkommen bei Reitende Elefanten.

00:01:01: In dieser Folge sprechen wir über ein Thema, das viele Unternehmen umtreibt.

00:01:06: Data Science.

00:01:07: Daten gelten als Schlüssel zur Zukunft.

00:01:10: Sie sollen Orientierung geben, Entscheidungen verbessern und Prozesse effizienter machen.

00:01:16: Doch oft bleibt der erhoffte Nutzen aus.

00:01:19: Modelle entstehen, Proof of Concepts werden gebaut.

00:01:22: Und am Ende fehlt die Wirkung im Alltag.

00:01:26: Manchmal liegt es an der Datenqualität, Manchmal an der fehlenden Kommunikation, manchmal an Prozessen, die nicht mitziehen.

00:01:34: Und genau hier stellt sich die entscheidende Frage.

00:01:37: Warum scheitern so viele Data Science Projekte?

00:01:40: Und ist das eigentlich ein Datenproblem?

00:01:44: Okay, das ist natürlich eine große Fragestellung.

00:01:46: Also viele Data Science Prozesse und Projekte scheitern, das ist korrekt.

00:01:54: Aus meiner Sicht sind es immer drei Eckpfeiler, die man betrachten musste.

00:01:57: Es sind natürlich die Daten, es sind aber auch vornehmlich Menschen und Prozesse, die da mit rein spielen.

00:02:03: Ich denke, da sind ja so die Eckpfeiler, auf sieben Mal Datenprozesse im Allgemeinen aufgebaut oder Datenprojekte und wir sind ja... Ganz froh, dass ihr hier bist und als Datenexperte, können wir uns natürlich auf die zwei Themen stürzen, Menschen und Prozesse.

00:02:19: Aber weil du ja da bist, würde ich mich gerne heute darauf fokussieren aus dem Thema Daten.

00:02:24: Was kannst du uns so mitbringen, wenn es darum geht, Projektmanagement zu machen und einmal den Kernpunkt Daten mitzubringen?

00:02:31: Mache ich gerne.

00:02:33: Häufig geht es darum, erstmal eine Machbarkeit über Datenbeschaffung, sich einen Überblick zu verschaffen.

00:02:39: Wie viele Daten haben wir denn eigentlich?

00:02:41: aber dann geht es natürlich auch darum in welcher Qualität liegt die vor?

00:02:44: liegen die vor.

00:02:45: Das sind häufig so die ersten Eckpfeiler um zu sagen okay woran kann ich denn festmachen dass ich sowas überhaupt erforschen kann.

00:02:53: Also in dem Data Science steckt eben Science.

00:02:56: dritt ist eine Wissenschaft.

00:02:57: das heißt wir können eigentlich nicht von vornherein ausgehen das wir jetzt irgendwie Erfolg haben.

00:03:02: Arbeiten häufig ein Hypothesen basiert und sagen, okay, lass uns mal gucken, welche Richtung wir gehen.

00:03:07: Das ist unsere Hypothese und die wollen wir entweder verifizieren oder falsifizieren.

00:03:11: Für unsere Zuhörer heißt das, meine Erfahrung sagt das auch, Daten sind einfach super komplex.

00:03:19: Wo werden die generiert?

00:03:21: Wer fummelt da noch dran rum?

00:03:23: Wie viele sind es denn hinterher und kriegen wir die Informationen aus, die wir haben wollen?

00:03:28: Vielleicht ist da das Takeaway, das man auch sagen muss.

00:03:31: Wir suchen ja in diesen Daten häufig ein Signal.

00:03:34: Aber solche Signale, solche Muster, die sind so krass überlagert von Rauschen, dass wir die Signale gar nicht finden.

00:03:41: Also es ist eigentlich so ein Sender-Empfänger-Problem, wenn wir jetzt wieder über Kommunikation reden, die Daten kommunizieren mit einem, wir wissen gar nicht, was sie einem sagen wollen.

00:03:49: Signale finde ich, wenn ich sehr, sehr spannend das Thema habe, ich suche, in dem Hinsicht noch gar nicht gehört.

00:03:53: Kannst du mir etwas sagen, was so ein Signal gemeint?

00:03:56: Also wie kann man Signale einstufen und wie kann man vielleicht das Rauschen eblimieren?

00:04:00: Lass uns ein Beispiel machen.

00:04:03: Wir haben Kunden, ganz viele Kunden und wir wissen nicht, warum wandern die auf einmal ab.

00:04:09: Das ist irgendwie so ein bisschen das Symptom, was wir beobachten und wir wollen in die Daten schauen, um zu sehen, woran hat es gelegen.

00:04:17: Und an der Stelle fragt man sich dann, ja, wie können wir denn rausfinden, welches Signal uns die Daten sendet?

00:04:24: Was ist denn wirklich das Thema?

00:04:26: Woran hat es wirklich gelegen?

00:04:28: und nicht nur in diesen Floskeln zu bleiben?

00:04:29: und dann sagt man sich okay jetzt brauchen wir eine Datenanalyse und man sieht, dass eben ganz ganz viele Sachen von Rauschen überdeckt wird und wir gar nicht das Signal dahinter sehen.

00:04:39: Man macht dann Datenanalysen erstellt Modelle und versucht es nennt man auch manchmal Churn Modelle zu erstellen um zu sagen ja der Kunde ist gegangen.

00:04:50: Deswegen.

00:04:51: Aber häufig überlagern andere Sachen diese Themen.

00:04:55: Manchmal ist es einfach die Vertragslaufzeit.

00:04:57: Nach zwei Jahren läuft mein Vertrag aus.

00:04:59: So sage ich, okay, das ist irgendwie ein Feature, das da drin ist.

00:05:02: Aber kann auch einfach sein, dass sozusagen irgendwelche anderen Sachen, wie ich habe mir ein Tannenbaum gekauft, so ein starkes Signal da drin haben, was eben damit korreliert.

00:05:15: Und da sind wir bei der Thematik korrelierend Sachen miteinander.

00:05:19: Oder ist es auch wirklich die Abfolge, warum das passiert?

00:05:22: So.

00:05:23: Okay, jetzt kann ich mir auch ein bisschen was darunter vorstellen, was du damit meinst, aber das sind ja relativ praxissional Themen, die du gerade ansprichst, weil Checkerrate, andere Kennzeilen, Unternehmen gibt es ja immer wieder und ich sage mal, Daten verbessern die auch manchmal so ein bisschen.

00:05:36: Also je nachdem, welche Daten man berücksichtigt und was ist ja auch gerade angesprochen, wo die erhoben wurden und welche Qualität ja auch vor allem, ist ja manchmal gar nicht richtig definiert oder nicht zentral gelagert.

00:05:46: Also ich kenne Großunternehmen, die wissen nicht mehr, was jetzt CPO ist.

00:05:49: Also da gibt es ja viele verschiedene Themenfelder aus... Unterschied in dem CM System, kommen dann die Daten und so weiter und so fort.

00:05:56: Gibt es da Anhaltspunkte in deinerseits, wo du sagst, da kann man es mal ansetzen oder kommt das, ist das immer so ein Thema, das kommt immer drauf an?

00:06:07: Also es ist häufig ein langer steiniger Weg, so.

00:06:11: Aber vielleicht bleiben wir bei den Scheuren Geschichten, um das zu machen.

00:06:16: Man hat jetzt Datenwissenschaftler im Unternehmen oder eine externe Firma, die das analysiert und kriegt dann so eine Art Modell raus.

00:06:24: Die Thematik, die wir heute besprechen wollen, ist ja, warum scheitern Data Science Projekte?

00:06:28: Und am Ende steht dann vielleicht bei einem Proof of Concept ein Modell da und das wird aber nie angewendet, weil keiner mit dem Fachbereich gesprochen hat.

00:06:37: Und da ist sozusagen die Vernetzung, ich habe nicht mit den Leuten gesprochen, Ähm, wie setzt ihr das denn ein?

00:06:42: Könnte die Daten irgendwie Gewinnbringend in einem kleinen Schritt einsetzen, damit ihr auch wirklich ein Hebel erreicht?

00:06:47: Was ist denn der genaue Hebel?

00:06:49: Wie können wir denn jetzt irgendwie ein Pflaster draufkleben, damit das gut wird?

00:06:52: Wie können wir eventuell eine kleine Kennzahl in die Prozesse integrieren, damit was besser wird?

00:06:57: Oder aber das böse Wort Data Governance, wie können wir den ganz am Anfang einsetzen, dass eventuell, wo eine humane Dateneingabe passiert, wo Menschen Daten eingeben, sagen, Wir müssen dir zeigen, was passiert denn mit deiner Dateneingabe am Ende beim Modell und welchen Effekt hast du damit?

00:07:16: Also immer, welche Eingabe erzeugt welchen Effekt, den Leuten das visibel machen und sagen nur, wenn du das anders machst und die Wahrheit da einträgst oder wir auch eventuell systemseitig sagen, dass es besser wird, dann können wir hinterher auch besser messen und insgesamt unsere Ziele, unsere Unternehmensziele, eine kleine Churnrate erreichen.

00:07:37: Ich

00:07:38: finde ich absolut den Punkt.

00:07:40: Du schwenkst ja schon ein bisschen dahin zu der generellen Fragestellung von Eli.

00:07:44: Die war ja nicht nur ein bisschen länger, also warum schalten Datenprojekte, sondern warum können auch, vielleicht sind das auch nicht nur Datenprobleme, die sich daraus kristallisieren.

00:07:51: Und da spricht es ja schon an.

00:07:52: Das sind ja auch Kommunikationsprobleme.

00:07:54: und wir hatten das.

00:07:55: Beziehweise letzte Woche erst in der Folge zwei, wo euer Straube nochmal das Thema Kommunikation ja auch aufgenommen hat.

00:08:03: Und warum machen wir genau was?

00:08:05: Und das ist ja genau eigentlich den Punkt, den du gerade hier auch wieder aufgreifst.

00:08:09: Also da sind ja auf die Schnittmärken zwischen Daten, Menschen und auch Prozessen, die es einfach gibt.

00:08:15: Und dieser Fakt auf warum finde ich immer ein sehr, sehr großes Thema und die Kommunikation dann dahinter, das auch dementsprechend zu platzieren.

00:08:22: Also das Thema, wie kommuniziere ich mit Daten?

00:08:26: Das ist ein wirklich entscheidendes, weil stell dir vor, in welchen Teamzusammensetzungen Recruiting passiert?

00:08:33: Das passiert häufig in... in Minfächern.

00:08:37: Das heißt, da sind Leute, die sowieso Mathematik, Physik, Informatik studiert haben, sehr zahlenaffin, sind sehr strukturiert vorgehen.

00:08:47: Meine Erfahrung sagt, dass da häufig eine gewisse Bewunderung gegenüber der Technik, der Algorithmik und der Daten entsteht.

00:08:56: Aber diese Komplexität zu transportieren, die Übersetzungsleistung zu bringen, das ist... Noch mal eine ganz andere Geschichte.

00:09:04: Also da sind wir in dem Bereich Data Storytelling und Übersetzungsleistung.

00:09:09: Und wenn da einer aus dem Team oder ein Näh das sauber hinkriegt, dann entfaltet das erst Wirkung beim Management oder bei den Fachbereich.

00:09:19: Weil die Leute musst du mitnehmen.

00:09:20: Die musst du gewinnen.

00:09:21: Ohne die hast du verloren.

00:09:23: Ist das aus deiner Sicht momentan noch eine relativ offene Flanke, die es gibt in Unternehmen, dass diese Kommunikation, aber diese eine Person, die diese Möglichkeiten hat, weil sie das versteht, zu kommunizieren, oder ist das ein relativ strukturell integrierte Prozess schon den meisten Unternehmen?

00:09:45: Ich glaube, es hängt viel mit dem Skillset zusammen, dass du heirst.

00:09:48: Also bist du sozusagen aus den Minn-Fächern jemanden, der auch talentiert ist, diese Message zu transportieren?

00:09:57: und sich davon zu lösen, diese Faszination zu haben.

00:09:59: Weil ich bin ehrlich, ich habe da auch voll Bock drauf, einfach nur Algorithmen zu zeigen und wow, das ist jetzt hier so mega technisch.

00:10:06: Aber damit holst du keinen ab, damit hast du in zwei Sekunden alle verloren.

00:10:09: Und da muss ich immer massiv über meinen eigenen Schatten springen und sagen, ne, stopp.

00:10:14: Worum geht es denn eigentlich wirklich und wie kann das ein normaler Mensch verstehen?

00:10:17: So.

00:10:18: Und diese Leute zu finden, die über ihren eigenen Schatten springen können, das ist, glaube ich, wirklich schwierig.

00:10:23: Oder denen das auch beizubringen oder auch sagen.

00:10:26: Ist das so eine Sache, die man beibringen kann?

00:10:28: Wahrscheinlich ja.

00:10:30: Wahrscheinlich ja.

00:10:31: Ja, ich denke schon.

00:10:32: Aber es muss halt auch transparent gemacht werden, dass das jetzt die Anforderung ist.

00:10:37: Absolut.

00:10:37: Ja.

00:10:38: Mensch, Stefan, wenn die Hälfte der Zuschauer jetzt noch das verstanden hat, was ich verstanden habe, dann wäre das eine super gute Folge.

00:10:44: Aber um das den Leuten zu verleichtern, wird das eh die Einwörter nehmen.

00:10:47: Data Science Projekte scheitern selten an den Daten selbst.

00:10:51: Die entscheidenden Hürden liegen oft darin, Signale vom Rauschen zu trennen, Ergebnisse in den Fachbereichen verständlich zu machen und Proof of Concepts tatsächlich in die Praxis zu bringen.

00:11:03: Erfolg entsteht dort, wo Datenqualität stimmt, Prozesse eingebunden sind und die Kommunikation funktioniert.

00:11:10: Wenn Menschen den Sinn ihrer Eingaben verstehen und Analysten die Sprache der Fachbereiche sprechen, dann wird aus Analyse Wir gucken.

00:11:18: Auch heute wieder vielen Dank an Eddie für die Zusammenfassung.

00:11:21: Ich sage, danke Stefan, dass du da warst.

00:11:23: Hat Spaß gemacht.

00:11:24: Immer gerne.

00:11:24: Super.

00:11:25: Und bis zum nächsten Mal.