Wie wichtig es ist, verfügbare Daten gewinnbringend einzusetzen, weiß SANDY Energized Analytics aus seiner Tätigkeit als Beratungsunternehmen. In unserer Interviewreihe erzählen die drei Co-Founder Claudius Hundt, Sebastian Scholz und Peter Karcher, wie sie die verborgenen Daten Schätze heben.

Data Science ist Teil einer Reihe von neuen Entwicklungen im Rahmen der Digitalisierung. Viele Innovationen und Optimierungen bestehender Prozesse geschehen mit Hilfe von Daten.

Wie genau das aussehen kann, welche Anwendungsmöglichkeiten in Big Data liegen und wie Data Scientisten vorgehen, erklärt hier Co-Founder und Head of Data Science Peter Karcher.

 

Wie lange bist du schon bei SANDY?

Ich bin von Anfang an dabei, schon bevor SANDY gegründet wurde.

 

Welche Möglichkeiten hat ein Unternehmen Mehrwerte durch Daten zu schaffen?

Daten haben in der Regel tolle Eigenschaften: Sie sind objektiv, schnell und massenhaft verfügbar, permanent abrufbar und günstig. Daher hat man die Möglichkeit, Daten zu nutzen, um z.B. die besten Entscheidungen zu treffen, Prozesse besser zu steuern oder tolle neue Funktionalitäten zu ermöglichen.

 

Was ist eine der interessantesten Einsatzmöglichkeiten von Datenprognosen?

Beeindruckend  sind  Prognosen, die in einen vollautomatischen Prozess eingebunden sind. Diese müssen äußerst robust sein und sind dann so intelligent konzipiert, dass sie sich sogar selbstständig immer weiter verbessern. Dann entfalten Daten und die entwickelten Prognosemodelle ihre volle Stärke.

 

Wie nutzt euer Unternehmen Datenanalysen?

Wir, das Team um SANDY, entwickeln ja Prognosen und intelligente Algorithmen. Datenanalysen sind ein wesentlicher Schritt dahin. Wir nutzen Datenanalyse also, um die individuellen Probleme im Detail zu verstehen, um dann die entsprechenden Prognosen und Modelle bauen zu können, die alle gewonnenen Erkenntnisse und Zusammenhänge darstellen und berücksichtigen.

 

Was wird deiner Meinung nach, in Zukunft eine alltägliche Anwendung von Data-Analytics und Prognosen sein?

Eigentlich kennt jeder schon die Anwendungsbeispiele von Data-Analytics: selbstfahrende Autos oder personalisierte Werbung im Web. Zukünftig werden solche Anwendungen, die man als Kunde ja gar nicht unbedingt wahrnimmt, in mehr Bereichen einfach da sein. Zum Beispiel das Regal oder das Lager, das selbst weiß, wann es leer sein wird (Internet of Things / IoT) und automatisch, entsprechend der Nachfrage bestellen wird. Viele Dinge werden wir nicht bemerken, sie haben auch nichts mit „böser Datenspionage“ zu tun, sondern helfen einfach dabei, Prozesse optimal abzustimmen oder einfacher und besser zu machen.

 

Was zeichnet einen guten Data Scientist aus?

Ein Data-Scientist braucht drei Eigenschaften, die gleich wichtig sind:

Fachlichkeit, Kommunikation, Network.

Fachlichkeit ist das Handwerkszeug, welches man sich im Studium oder im Laufe von Projekten angeeignet hat. Hier hat sich das Anforderungsbild in den letzten 3 Jahren übrigens stark geändert. Die gestiegene Nachfrage nach Data Scientisten hat dazu geführt, dass das Anforderungsprofil geschärft worden ist.

Kommunikation ist wichtig, um mit dem Kunden bzw. „Problem-Owner“ über sein Business sprechen zu können und es inhaltlich wirklich zu verstehen. Hier eine gemeinsame Sprache zu finden und das Problem letztendlich in eine mathematische Fragestellung zu übersetzen ist immer wieder eine Herausforderung. Ebenso muss man seine Ergebnisse und gewonnenen Erkenntnisse wieder so zurückspielen können, dass der Kunde etwas damit anfangen kann und man gemeinsam weitere neue Erkenntnisse gewinnt.

Und Networking ist immer wichtig; vielleicht kommt man mit einem Problem mal nicht weiter, weiß aber, dass ein Kollege schon ein ähnliches Problem gelöst hat oder jemanden kennt, der es schon mal gelöst hat. Man muss also bereit sein, sein Wissen preiszugeben und bekommt dafür aber auch neue Erkenntnisse zurück.

Das mit den drei Eigenschaften kommt übrigens nicht von mir, sondern von meinem Doktorvater. Damals habe ich noch gesagt „Yeah, right!“ aber gedacht, dass Fachwissen alles sei. Heute aber muss ich sagen, er hatte Recht. Fachwissen alleine genügt nicht.

 

Wie wird Data-Analytics mit Big Data besser?

Big Data oder Small Data; das ist für mich der falsche Fokus. Ich brauche nicht Big-Data, um wirklich gute Prognosemodelle zu bauen. Die Intuition, Probleme richtig zu erkennen und zu verstehen und ein kompetenter Ansprechpartner helfen dabei, dass man sein Problem mit Daten lösen kann. Wenn man gut mit dem Kunden zusammenarbeitet, dann wird auch Data-Analytics richtig gut. Wenn nicht, kommt nur Standard raus.

 

Was sind noch unentdeckte Möglichkeiten von Big Data?

Aktuell wird überall über Big-Data gesprochen. Aber ich finde, dass zu viel über das ‚Könnte‘ und ‚Müsste‘ gesprochen wird. Zu häufig begegnen wir bei Kunden dem Schema: Google hat viele Daten und ein funktionierendes Geschäftsmodell. Wenn wir jetzt auch viele Daten sammeln, haben wir auch ein funktionierendes Geschäftsmodell. Und  man ‚Müsste‘ und ‚Könnte‘ das ja auch so machen. Aber im Detail ist das dann doch etwas komplexer.

Oft gibt es dieses ‚Könnte‘ und ‚Müsste‘ auch mit konkreteren-Use-Case Ideen. Mit vorhandenen Daten einfach mal anzufangen, um Neues zu entwickeln, ist gut und richtig. Es ist aber immer viel besser, mit dem Problem bzw. einem möglichen Mehrwert zu starten und sich dann im zweiten Schritt die Frage zu stellen, wie und ob Daten dabei helfen können, das Problem zu lösen. Dieser Weg wird mir immer noch zu selten gegangen, wenn über Big-Data gesprochen wird. Das ist für mich zwar nicht die unentdeckte Möglichkeit, aber ein wichtiger Denkprozess mit dem entscheidenden Potential für datengetriebene Mehrwerte.

 

Woran erkennt man deinen Schreibtisch?

Ich beneide immer die Leute, die einen akkurat aufgeräumten Schreibtisch haben. Ich bemühe mich darum.