Latest / MY DATA IS BETTER THAN YOURS / Warum Datenprojekte mehr Kultur als Technik brauchen - mit Sören E., Provinzial

Transcript

Warum Datenprojekte mehr Kultur als Technik brauchen - mit Sören E., Provinzial · MY DATA IS BETTER THAN YOURS

• 0:00
  Sprecher 1 In der 2. Folge von Provinzial sprech mit dem Lieben Sören aus der Projektleitersicht, nämlich wie mercht man dann 2 Systeme? Welche Herausforderungen gibt es da und ist denn wirklich der kulturelle oder der technische Faktor der entscheidende?
• 0:21
  Sprecher 2 Neue Folgen jeden Freitag in dieser digitalen Welt gibt es einen speziellen Faktor, der über Erfolg und Misserfolg entscheidet. Doch.
• 0:28
  Sprecher 2 Daten.
• 0:30
  Sprecher 2 Nur die wenigsten wissen Sie für sich zu nutzen.
• 0:33
  Sprecher 2 Wer seine Kunden verstehen will, um ihnen das bieten zu können, was sie brauchen, und um ein professionelles Datenmanagement nicht herum. Jonas Raschedi interviewt andere Experten aus den Data Bereichen und zeigt Schritt für Schritt, wie genau das funktioniert.
• 0:52
  Sprecher 1 Herzlich Willkommen zu My Data Better in Yours der Data Podcast schön, dass ihr eingeschalten habt, es ist die 2. Folge mit der Provinzial Versicherung mir gegenüber sitzt der Liebe Sören.
• 1:05
  Wir.
• 1:05
  Sprecher 1 Haben in der.
• 1:06
  Sprecher 1 1. Folge über das Thema Strategie gesprochen. Jetzt tauchen wir ein bisschen mehr in die Technik ein, würde ich es.
• 1:11
  Sprecher 1 Jetzt mal frech behaupten.
• 1:13
  Sprecher 1 Und in in die Datensphären, weil ich glaube, das ist total spannend in der.
• 1:19
  Sprecher 1 Ne Idee der Serie von Strategie bis zur fachlichen Umsetzung alles mal zu beleuchten. Er ist immer sozusagen gerade in der Mitte bei F 3.
• 1:27
  Sprecher 1 Folgen.
• 1:28
  Sprecher 1 Aber Sören, Stell dich mal kurz vor, wer du bist, was du.
• 1:30
  Sprecher 3 Machst und dann geht es los. Ja, sehr gerne, das freut mich, hier zu sein.
• 1:31
  Jetzt.
• 1:36
  Sprecher 3 Ich bin seit 5 Jahren mittlerweile bei der Provinzial, eigentlich ursprünglich mal als Data Scientist hier gestartet.
• 1:43
  Sprecher 3 Und wenn man hier NKI machen will oder nicht nur hier, sondern überall, dann sind Daten irgendwie das wichtigste gut. KI ohne Daten ist langweilig.
• 1:53
  Sprecher 3 Und so bin ich n bisschen in die Datenecke abgedriftet. Kann man es nennen. Und da jetzt so n bisschen Bindeglied KI zu.
• 1:59
  Sprecher 3 Daten.
• 2:00
  Sprecher 3 Und mittlerweile seit 2 Jahren als Projektleiter hier tätig.
• 2:05
  Sprecher 3 In verschiedenen Datenprojekten, also wie können wir wirklich unsere Daten, Infrastruktur teilweise aufbauen, wie können wir unsere Daten zusammenführen, wie können wir die ganzen Themen, die aus.
• 2:15
  Sprecher 3 Der zurückliegende Fusion in der Datenwelt Aufschlag.
• 2:20
  Sprecher 3 Lösen.
• 2:22
  Sprecher 3 Und das so n bisschen meine Aufgabe und dann zu gucken ist das auch für KI relevant, weil auch da brauch ich natürlich alle.
• 2:28
  Sprecher 1 Daten für Jochen, Was sind denn so Projekte, die du als Projektleiter verantwortest?
• 2:33
  Sprecher 3 Also aktuell, das hat Andrea schon erzählt, wir sind ganz viel in der Konsolidierung. Wie kriege ich unsere ganzen Systemlandschaften zusammen? In ganz vielen Projekten und.
• 2:45
  Sprecher 3 Da ist natürlich der Fokus erstmal auf den ganzen operativen Systemen. Wie kann ich in Zukunft Verträge schreiben, wie kann ich?
• 2:54
  Sprecher 3 Schäden bearbeiten et cetera da sind aber ganz viele Prozesse hinten dran sei.
• 3:00
  Sprecher 3 Es eine Bonifikation sei es irgendwelche Berechnungen sind die Kunden rentabel et cetera, Auswertungen, Analyse.
• 3:08
  Sprecher 3 Und die brauchen die Daten.
• 3:11
  Sprecher 3 Und um diese Daten überhaupt bereitstellen zu können, aus den Ganzen.
• 3:15
  Sprecher 3 Verschiedenen Systemen aus den Systemlandschaften aus den verschiedenen Häusern. Das ist so n bisschen mein Projekt und es begleitet von Projekten da drum.
• 3:26
  Sprecher 3 Die Schwierigkeit ist ja da.
• 3:29
  Sprecher 3 Ich brauch meistens nicht nur wenn ich ein neues System baue sagen OK ich hab n neues System dann.
• 3:35
  Sprecher 3 Nehm ich diese Daten?
• 3:37
  Sprecher 3 Sondern für viele Sachen, die wir machen. Und KI ist ja so n klassisches Beispiel, ich möchte irgendein Modell auf diesen Daten trainieren, dann brauch ich auch die historischen Daten, dann brauch ich im Idealfall so viele historische Daten, wie ich kriegen kann und.
• 3:50
  Sprecher 3 Das ist in ich für n neues System ein oft gar nicht mit Bedacht. Und diese Zusammenführung oder diese Bereitstellung von solchen Datentöpfen.
• 4:00
  Sprecher 3 Das ist so ein bisschen meine Aufgabe oder ich Aufgabe des Projektes.
• 4:06
  Sprecher 3 Um dann nach vorne raus sagen zu können, OK, wir haben hier einen Datentopf über die Systemlandschaften hinweg, mit dem ich von ganz einfachen Sachen wie ich muss Reporting machen, ich muss n Quartalsbericht erstellen, jetzt bist du.
• 4:20
  Sprecher 3 Ich will KI Modelle darauf trainieren und die machen das eben besser, wenn das mehr Daten sind und das so das Ziel.
• 4:29
  Sprecher 1 Ja.
• 4:33
  Sprecher 1 Wie kommt man eigentlich vom Data Scientist dann zum Projektleiter? Das eine ist also ich hatte.
• 4:39
  Sprecher 1 Mein Projekt.
• 4:42
  Sprecher 1 Bei Douglas, das hieß Bällebad, weil ich immer davon fasziniert war, wie sehr die Data Scientisten den Spaß an den Daten haben im Vergleich dazu, wie meine Tochter mit voller Freude ins Bällebad springt.
• 4:56
  Sprecher 1 Was regt dich dazu an, jetzt sozusagen eher am am Beckenrand zu stehen und sozusagen eher zu leiten, anstatt mit reinzugehen? Ich find.
• 5:06
  Sprecher 3 Das klingt gut, weil genauso würde ich es eigentlich unterschreiben und ich würde meine Aufgabe erst so sehen. Ja OK, dann muss ich halt erstmal n Bällebad bauen, damit ich da mit Spaß reinspringen kann und wenn ich mal in in meine Historie hier im Haus n bisschen gucke.
• 5:07
  Ja, ja.
• 5:12
  Sprecher 1 Ja, okay.
• 5:21
  Sprecher 3 Fing das an mit ich baue Vorhersagemodelle.
• 5:26
  Sprecher 3 Um Produkte oder Produktempfehlungen zu bauen zu geben.
• 5:32
  Sprecher 3 Und da war es schon schwierig, an die Daten zu kommen. Das heißt, man man hat eigentlich will das machen und hat Spaß, das zu.
• 5:38
  Sprecher 3 Bauen.
• 5:39
  Sprecher 3 Aber steht vor dieser großen Herausforderung, dass das gar nicht so einfach.
• 5:42
  Sprecher 3 Geht.
• 5:43
  Sprecher 3 In dem Setting, was wir hier haben.
• 5:45
  Sprecher 3 Und so ist das immer mehr dahin gedriftet. Ich fang erst mal an, diese Grundlage zu bauen und die immer weiterzuentwickeln, die größer zu machen, die mit mehr Funktionen auszustatten et cetera.
• 5:54
  Sprecher 3 So hat sich dann quasi n bisschen die Expertise in dem Feld entwickelt.
• 6:01
  Sprecher 3 Und auch das, was man tatsächlich tut. Und irgendwann war das dann nicht mehr Spielerei, sondern man stellte fest, OK, das brauchen wir vielleicht auch.
• 6:08
  Sprecher 3 Noch für andere Sachen.
• 6:10
  Sprecher 3 Das ist hilfreich, wenn wir das größer ziehen mit mehr Anwendungsfällen, dass es eben vielleicht nicht nur KI ist, sondern eben zum Beispiel eben Reporting oder Analysen.
• 6:19
  Und.
• 6:19
  Sprecher 3 So wurde es dann irgendwann zum Projekt und wenn man daher kommt, damit man irgendwann angefangen hat, dann ist man auch schnell n Kandidat. Gefragt zu werden. Möchte das vielleicht auch leiten.
• 6:30
  Sprecher 3 Und so kommt man so schrittweise irgendwie in diese Rolle.
• 6:34
  Sprecher 3 Und hat irgendwie als Motivation das immer im Hinterkopf. Was möchte ich gerne machen und das ist der Weg, um das zu ermöglichen und ob ich dann am Ende der Binde da mit Spaß reinspringt oder es halt anderen.
• 6:45
  Sprecher 3 Ermögliche.
• 6:46
  Sprecher 3 Das wird die Zeit zeigen, ja.
• 6:50
  Sprecher 1 Ja, also solange wo sind Projekte gehen ja schon ein bisschen länger, aber wie gesagt.
• 6:55
  Sprecher 1 Man die Vorfreude ist ja auch manchmal die die größte Freude, die das das mit zu.
• 6:58
  Sprecher 1 Begleiten auf jeden Fall.
• 6:59
  Sprecher 1 So, und wenn wir jetzt mal ein bisschen tiefer noch mal einsteigen zu diesem Post Merger Projekten, die muss.
• 7:06
  Sprecher 3 Ich mir so Projekte vorstellen die die dazu führen, dass man das klappt. Also es ist glaube ich, ich weiß gar nicht, ob es speziell für Versicherungen ist, aber.
• 7:17
  Sprecher 3 Unsere Daten sind relativ komplex, also die Datenmodelle.
• 7:21
  Sprecher 3 Jetzt bin ich nicht der Experte für große.
• 7:26
  Sprecher 3 Andere Industrien aber es ist nicht so. Wir haben ein Produkt oder 10 Produkte oder 1000 Produkte.
• 7:31
  Sprecher 3 Kaufen die und das ist meine Transaktionstabelle und dann habe ich noch eine Tabelle, wo Kunden drin stehen. Das ist bei Versicherungsprodukten anders, weil das sind ja auch nicht Produkte, die ich einmal kaufe, sondern es sind Verträge, die ich abschließe und die ich auch.
• 7:44
  Sprecher 3 Teilweise sehr lange halte dann.
• 7:47
  Sprecher 3 Sind das vielleicht auch nicht Produkte für mich, sondern ich kann ne Versicherung für jemand anders abschließen oder für n Objekt abschließen oder für mehrere? Ich kann da verschiedene Risiken einschließen, ich kann verschiedene Objekte einschließen oder ausschließen.
• 8:00
  Sprecher 3 Dadurch werden diese Datenmodelle sehr kompliziert und die da zugrunde liegen. Und jetzt sind wir in so einer Phase mit einer Fusion. 2 Häuser haben so Datenstrukturen.
• 8:12
  Sprecher 1 Ja.
• 8:13
  Sprecher 3 Aber die kann man durchaus anders aufbauen und pro Haus, pro Haus, jeder überlegt sich und jede Lösung ist irgendwie valide.
• 8:22
  Sprecher 3 Aber am Ende passen Sie nicht zusammen.
• 8:23
  Sprecher 3 Ja.
• 8:24
  Sprecher 3 Oder zumindest nicht so trivial, dass ich die Tabellen zusammenschiebe und sage, OK, jetzt habe ich die.
• 8:28
  Sprecher 3 Gesamttabelle.
• 8:29
  Sprecher 1 Ja, ja, ja.
• 8:30
  Sprecher 3 Und das sind ganz einfache Sachen von wie codiere ich zählweisen ist das 01234 oder ist das ABC?
• 8:38
  Sprecher 3 D.
• 8:39
  Sprecher 3 Das haben wir.
• 8:40
  Sprecher 3 Das haben wir schnell gelöst. Aber es sind auch wirklich modellierungsfragen. Was ist wie, was kommt in welche Art rein, fasse ich, was ist ein Vertrag, was sind bündelverträge, wann habe ich Gültigkeit et cetera, das kann man alles verschieden definieren.
• 8:57
  Sprecher 3 Und das am Ende zu lösen, das ist so n bisschen die.
• 9:00
  Sprecher 3 Große Herausforderung, die wir jetzt in dieser Post Merger Phase haben, weil wir erklärt, das brauchen wir halt nicht nur für den aktuellen Stand, sondern eigentlich brauchen wir es auch rückwirkend.
• 9:11
  Sprecher 3 Und dann vervielfältigen sich die Möglichkeiten, weil dann hab ich nicht plötzlich 2 datenmodelle, weil wir ja aus 2 Häusern kommen, sondern.
• 9:19
  Sprecher 3 Hab ich die Datenmodelle der unterschiedlichen Systeme, dann hab ich n System für Kraftfahrt.
• 9:24
  Sprecher 3 Dann habe ich ein System für sachversicherungen, System für Leben, Versicherung und auch da sind irgendwie Unterschiede, so dass wir plötzlich nicht mehr von ich muss 2 Datenmodelle zusammenführen, sondern vielleicht sind es noch mal deutlich mehr. Und dann?
• 9:37
  Sprecher 3 Sind wir schnell bei dem ein oder anderen Dutzend an Modellen, sodass am Ende diese Projekte auch gar nicht so.
• 9:45
  Sprecher 3 Riesig Technologiegetrieben sind.
• 9:47
  Sprecher 3 Sondern es ist immer eine fachliche Herausforderung.
• 9:50
  Sprecher 1 Kann man kann man sagen ne ne kulturelle Herausforderung, weil die nicht die bestehenden Systeme, sondern die bestehenden.
• 10:02
  Sprecher 1 Sehr provokativ, Denkweisen und Ansichten ja erstmal gelöst werden müssen.
• 10:07
  Sprecher 1 Ja.
• 10:07
  Sprecher 3 Das kann man auf jeden Fall sagen.
• 10:10
  Sprecher 3 Weil wie diese Daten modelliert sind, ist ja meine n Abbild wie die Unternehmen.
• 10:16
  Sprecher 3 Wie die Unternehmen gearbeitet haben.
• 10:18
  Sprecher 3 Oder?
• 10:18
  Sprecher 3 Arbeiten mit den Daten, sondern die Datenmodellierung ist ja meistens an die Arbeitsweise angepasst worden.
• 10:24
  Sprecher 3 Wie sind Prozesse, wie sind, wie du sagst, Denkmuster? Wie stellen sich Leute das vor, man.
• 10:30
  Sprecher 3 Kann es auch ganz anders.
• 10:31
  Sprecher 3 Sehen.
• 10:32
  Sprecher 3 Was ist auch unterschiedlich? Wie arbeite ich mit einem Delta Warehouse, was stelle ich mir da grundsätzlich drunter vor und auch da hat man zum Beispiel 2 verschiedene Modelle.
• 10:41
  Sprecher 3 Bei den 2 Häusern vor der Fusion das eine komplett zentral.
• 10:46
  Sprecher 3 Ich stelle eine Anforderung, ich brauche irgendwas neues und dann wird das irgendwann umgesetzt und einmal recht dezentral, also wo man zentral fast nur die Plattform bereitstellt und n bisschen Tools zur Automatisierung, aber die Datentöpfe selber oder die Veredelung der Datentöpfe ist ja dezentral passiert.
• 11:04
  Sprecher 3 Was dann ja auch.
• 11:06
  Sprecher 3 In den Köpfen, so eine andere Erwartungshaltung oder Vorstellung zu Daten oder Datennutzung eben ist und die wirklich zusammenzuführen, das ist halt dann ja die Technik, ist am Ende immer der.
• 11:17
  Sprecher 3 Kleinste.
• 11:18
  Sprecher 3 Part, Das ist am schnellsten gelöst.
• 11:20
  Sprecher 3 Ist so n bisschen die Fachlichkeit, aber es ist auch das kulturelle auf jeden Fall.
• 11:24
  Sprecher 1 Das heißt, dieses ganze Anforderungsmanagement überlegen, in welche Richtung ich gehe.
• 11:31
  Sprecher 1 Oder Kleinsten oder größten gemeinsamen Nenner, sozusagen miteinander.
• 11:35
  Sprecher 1 Rausfinden und dann losmarschieren, das ist sozusagen der der wichtigste Punkt.
• 11:40
  Sprecher 3 Auf jeden Fall also. Das braucht auf jeden Fall am.
• 11:41
  Sprecher 1 Meisten Zeit ja, ist aber auch provokant wieder.
• 11:48
  Sprecher 1 Im Data Science Bereich in in dem was man macht ist es ja nicht zwangsweise eine große kommunikative Stärke notwendig.
• 11:58
  Sprecher 1 Im Bereich des Projektleiters, so wie du es jetzt gerade beschreibst, natürlich schon mal noch mal.
• 12:03
  Sprecher 3 Um einiges mehr auf jeden Fall, obwohl ich es auch.
• 12:06
  Sprecher 3 Zumindestens so, wie wir bisher unsere Data Scientisten gesehen haben, auch so sehen würde, dass es ne wichtige Fähigkeit ist, Community stark zu sein, weil die Frage ist ja, mit welchem Hintergrund kommst du?
• 12:17
  Sprecher 3 Ich hab mal Physik studiert, hab in experimenteller Teilchenphysik promoviert.
• 12:22
  Sprecher 3 Ich kenn mich nicht aus in Versicherung, als ich hierhin kam.
• 12:27
  Sprecher 3 Bin also kenn mich mit Daten aus. Was kann ich mit Daten machen und wie kann ich damit arbeiten? So, aber damit kann ich kein gutes Vorhersagemodell bauen.
• 12:35
  Ja.
• 12:36
  Sprecher 3 Also das Modell ist irgendwie in irgendwelchen Metriken gut, aber ob das für das Problem oder für den Nutzer oder den Kunden hilfreich ist, kann ich nur sehr bedingt beurteilen an der Stelle.
• 12:47
  Sprecher 3 Und auch da muss man dann schon in den Austausch gehen und sehr kommunikativ sein, mit dem Nutzer, mit den Fachbereichen, mit allen, die da irgendwie beteiligt sind oder die es am Ende auch nutzen.
• 12:57
  Sprecher 3 Sollen.
• 12:58
  Sprecher 3 Denen zu erklären, warum ist das wertvoll, was wir tun oder warum funktioniert das auch, das ist ja in KI Modellen nicht immer so einfach sagen zu können, wo ist jetzt der Mehrwert oder warum funktioniert das.
• 13:12
  Sprecher 3 Also da kommt man schon sehr schnell in diese Rolle. Ich muss da eigentlich viel mehr erklären.
• 13:17
  Sprecher 3 Diskutieren, besprechen als es. Ich sitze da in meinem Kämmerchen.
• 13:23
  Sprecher 3 Code? Tolle Modelle.
• 13:26
  Sprecher 3 So und in Zukunft kann ich mir schon vorstellen, dass man das ein bisschen anders macht und auch sagt, Leute, die guten Versicherungs und einen fachlichen Background haben, sagen, ich schau dich jetzt mal auf, wie solche Modelle entwickelt werden, also in den anderen Weg geht und sagt erstmal die Fachlichkeit und dann die Methode oder die Technik um diesen Schritt n bisschen einfacher zu machen.
• 13:50
  Mhm.
• 13:54
  Sprecher 1 Wie muss ich mir bei euch das Zielbild vom von der Architektur oder vom Dataware aus vorstellen?
• 14:02
  Sprecher 3 Das ist eine gute Frage, weil wir haben verschiedenste Zielbilder.
• 14:09
  Sprecher 3 Mit verschiedenen Zeitskalen einfach auch versehen.
• 14:13
  Sprecher 3 Weil.
• 14:13
  Sprecher 1 Weil es Weiterentwicklungen sind.
• 14:15
  Sprecher 1 Oder weil es.
• 14:15
  Sprecher 3 Weiterentwicklungen sind genau. Wir haben einen einfachen Bestand, wo wir nicht sagen können, ja, den schmeißen wir jetzt weg und bauen das komplett auf der grünen Wiese neu.
• 14:23
  Sprecher 1 Bei den Altbestand nicht migrieren willst.
• 14:25
  Sprecher 3 Genau.
• 14:27
  Sprecher 3 Ne, weil ich brauch den noch an vielen Stellen. Wenn ich jetzt beispielsweise jemandem aktuar Rede, der neuen Versicherungstarif berechnet, der möchte am liebsten alle Daten haben, die er finden kann mit soweit Historie wie nur möglich.
• 14:41
  Sprecher 3 Dem kann ich nicht kommen und sagen, immer neues System, warte mal 5 Jahre, dann hast du 5.
• 14:45
  Sprecher 3 Jahre Daten.
• 14:46
  Sprecher 3 Das funktioniert nicht.
• 14:49
  Sprecher 3 Von daher ist, so der grüne Visa Ansatz sehr schwierig.
• 14:54
  Auf.
• 14:54
  Sprecher 3 Der anderen Seite müssen wir halt irgendwie zu einem.
• 14:58
  Sprecher 3 Zumindest das Datenmodell kommen.
• 15:01
  Sprecher 3 Ob wir das in jeder Detailebene schaffen, das ist, glaube ich offen. Aber dass wir ein grundlegendes Kernmodell haben, um, sagen wir mal, die Kernanforderung abzubilden.
• 15:10
  Sprecher 3 Mal in so einem Versicherungshaus ist das ja so.
• 15:14
  Sprecher 3 Wir können das uns alles zentral überlegen, in der.it oder in IT nahen Bereichen. Wir bauen das auf und planen das auf und arbeiten 3 Jahre.
• 15:23
  Sprecher 3 Wenn es um eine Anforderung gibt, ich brauch diese Daten jetzt oder morgen. Irgendjemand sagt, ich brauch das für irgendeine Steuerung oder ich brauch es für irgendeinen Bericht oder ne Analyse, dann werden dafür Lösungen gebaut und wenn die im Fachbereich gebaut werden und aus 3 excels bestehen.
• 15:39
  Sprecher 3 Oder bei uns auch üblich in Fachbereichen deutlich komplexer und Strukturen als ein paar Excel Templates. Das heißt, wir müssen auch aufpassen, dass wir uns das nicht zu groß machen, das Ziel.
• 15:53
  Sprecher 3 Und dadurch alle anderen sagen, ja, komm, lass die mal arbeiten, ich bau mir ja selber irgendwas, bau mir ne Schattenwirtschaft auf, so und da diese Balance zu finden.
• 15:57
  Sprecher 1 Ja, wir bauen uns, schalten Gesellschaft.
• 16:04
  Sprecher 3 Die soweit mitnehmen zu können, dass sie sagen, ja, OK, ich warte vielleicht an manchen Stellen etwas um.
• 16:12
  Sprecher 3 Dann ne gute Lösung zu kriegen.
• 16:15
  Sprecher 3 Und auf der anderen Seite zu sagen, ja, aber ich muss auch technologisch gucken, die Basis updaten. Unsere Data Rather sind zum Beispiel noch on premise Betrieb.
• 16:24
  Sprecher 3 Das wollen wir vielleicht in Zukunft auch nicht haben.
• 16:27
  Sprecher 3 Nur das können wir auch nicht von heute auf.
• 16:28
  Sprecher 3 Morgen ändern.
• 16:30
  Sprecher 3 Und da diese Balance zu finden, das ist so die andere Schwierigkeit in diesem ganzen Umfeld.
• 16:35
  Sprecher 1 Wie?
• 16:35
  Sprecher 1 Was sind so die Maßnahmen, um das um diese Balance zu schaffen, was wir.
• 16:42
  Sprecher 3 In den Projekten, die wir jetzt in diesem Umfeld alle laufen haben, machen ist das sind keine reinen.it Projekte mehr, sondern.
• 16:50
  Sprecher 3 Wir holen die Fachbereiche explizit da mit rein und sagen, Rodet ihr doch mal bitte die Fachlogik.
• 16:56
  Sprecher 3 Wir haben hier im Unternehmen die Fachbereiche, haben extrem viel Kompetenz in Datenverarbeitung, Datenanalyse et cetera über die Jahre entwickelt, auch weil sie teilweise eben schattenlösungen gebaut haben und sich dadurch die Expertise angeeignet haben.
• 17:12
  Sprecher 3 Und diese Leute wirklich zum Zusammenarbeiten zu bringen und nicht schreibt man Anforderungen und dann gucken wir.
• 17:18
  Sprecher 3 Sondern wirklich, dass man zusammenarbeitet, zusammen codet, dass auch beide Seiten voneinander lernen und so auch diese Akzeptanz schafft.
• 17:27
  Sprecher 3 Und ne Diskussionsgrundlage hat, um diesen Mittelweg von ich bau komplett neue Technologie zu alle machen irgendwas selber.
• 17:36
  Sprecher 3 Wirklich schafft und das gleichberechtigt eben diskutieren kann und nicht die einen geben irgendwas vor, weil steht es in irgendeiner Strategie oder die anderen sagen, nee, ich kann nicht mit euch machen, weil muss schnell gehen.
• 17:49
  Sprecher 3 Und das ist so n bisschen unser Ansatz. Also wirklich.
• 17:53
  Sprecher 3 Übergreifende Teams dazu bilden oder jetzt in dem Fall dem Projekt solche Teams zu bilden.
• 17:55
  Sprecher 1 Mhm, Mhm, das ist es. Das hab ins Burgmodell was Andrea angesprochen hatte.
• 18:02
  Sprecher 3 Ja, auf jeden Fall, oder? Zumindest ist das das Ziel.
• 18:05
  Sprecher 1 Weil eine, ich glaube, in Habinsburg Modell ist ja eher run betrieb korrekt und und und nicht klassisch Projekt.
• 18:13
  Sprecher 3 Das ist so. Ich kann mal zurückgehen zu einem anderen Projekt von ja schon einige Jahre her, das hieß Customer Analytics.
• 18:21
  Sprecher 3 Da haben wir im Prinzip genauso gearbeitet, da wollten wir für Modelle, die wir für den Vertrieb, also eben Kundenempfehlungen et cetera gebaut haben, eine Datenbasis schaffen und haben halt damals gesagt im Projekt, Wir bringen auch wieder.it und Fachbereich zusammen, um das zusammen aufzubauen, da hast du natürlich recht, das ist im Projekt und da macht man neue Sachen armer, und das ist dann der Unterschied, das ist nach dem Projekt halt nicht zu Ende gewesen, sondern.
• 18:47
  Sprecher 3 Da ist es dann tatsächlich in so n Hub and Spoken Modell übergegangen, dass man die Sachen, die man im.
• 18:51
  Sprecher 3 Projekt noch zusammen gemacht hat.
• 18:53
  Sprecher 3 Wieder ein bisschen trennt, aber eben nicht in IT und Fachbereich, sondern Inhub und.
• 18:58
  Sprecher 3 Poke dass der Hub sagt, OK, wir haben zusammen ein Datenprodukt entwickelt oder eine Daten Plattform an der Stelle, bei der diese ganzen Kundendaten zusammengeführt wurden.
• 19:10
  Sprecher 3 Ja, das betreiben wir jetzt.it Seitig oder aus dem Hub an der Stelle unterstützen das technisch. Dass das regelmäßig geupdatet wird et cetera und der Spoken nutzt die Daten und baut darauf eben KI Modelle, so dass.
• 19:25
  Sprecher 3 Man sagt okay wir haben im Projekt mit diesem Gesamteam irgendwie n bisschen gestartet, dass sie sich auch kennenlernen, dass sie gegenseitig Methoden kennenlernen und wissen, was macht der andere überhaupt, um dann zu sagen.
• 19:37
  Sprecher 3 Wenn das Projekt zu Ende ist, nur der erste initiale Wurf quasi da ist das in ne Dauerstruktur zu überführen, die ist dann eben so n hupenspock und das ist eigentlich auch der Grundgedanke der jetzt bei diesen Projekten da ist. Wir haben da noch nicht überall diese Hub and spoke Struktur, aber die ist durchaus das Zielbild.
• 19:57
  Sprecher 1 Für alle.
• 19:58
  Sprecher 1 Für alle.
• 19:58
  Sprecher 1 Ja.
• 20:00
  Sprecher 3 Also ob es immer für alle ist, aber auf jeden Fall für die Sachen.
• 20:03
  Sprecher 3 Die neu.
• 20:03
  Sprecher 3 Kommen man will.
• 20:06
  Sprecher 3 Das ja nicht vielleicht für alles nachziehen, aber für die neuen Sachen ist das dann definitiv das Ziel, weil wie Andre es sagt ne anders kommen wir einfach nicht in die Skalierung, dann haben wir immer n Bottle neck und dann verlieren wir Zeit und und effizient.
• 20:21
  Sprecher 1 Also hast du ein bisschen gelernt aus den Projekten bis jetzt zum Thema der.
• 20:26
  Sprecher 1 Warehouse Migration, ich glaub das ist beschäftigt den das ein oder andere die einen.
• 20:31
  Sprecher 1 Die ein oder andere Firma oder das ein oder andere Unternehmen jetzt eigentlich doch noch in den nächsten Jahren.
• 20:38
  Sprecher 3 Was ich gelernt habe, es sind vom Grunde her oder vom von der Grund.
• 20:44
  Sprecher 3 Der Grundidee sind es eigentlich.it Projekte, aber sie müssen getrieben sein von dem von der Fachlichkeit.
• 20:52
  Sprecher 3 Also man muss Leute finden, die bereit sind, mit der anderen Seite die andere Seite kennenzulernen oder eigentlich nicht nur kennenzulernen.
• 21:01
  Sprecher 3 Sondern auch so zu arbeiten wie auf der anderen Seite.
• 21:05
  Sprecher 3 Dass man im fachbereicheben.it Standards, was Coding oder et cetera, Dokumentation et cetera angeht, befolgt. Oder dass man eben im Fachbereich in der.it eben lernt, ja, was ist denn der fachliche Mehrwert und worauf muss ich den Fokus legen, wenn ich was neubaue?
• 21:22
  Sprecher 1 Ja.
• 21:24
  Sprecher 1 Hast du Beispiele, die funktionieren, weil ich glaub da sprechen so viele Leute drüber?
• 21:30
  Sprecher 1 Ich glaub natürlich ist es individuell. Die Lösung ist pro Unternehmenskultur, Wahrnehmung, Zusammenarbeit anders aber habt ihr so n bisschen was gefunden was was klappt?
• 21:42
  Sprecher 3 Also wenn man das Customer Analytics Beispiel nimmt, was glaub.
• 21:45
  Sprecher 3 Ich geklappt hat.
• 21:47
  Sprecher 3 Und den Zustand der jetzigen Projekte sehe. Ist es dieser Initiale in nem Projektsetting oder ähnliches.
• 21:55
  Sprecher 3 Packe ich diese ganze Truppe mal ein Jahr oder 2 zusammen mit einem definierten Ziel, ne dem Projektende und das wollen wir in dem Projekt erreichen.
• 22:04
  Sprecher 3 Dann hat man n gemeinsames Ziel und baut diese Vertrauensbasis, die dann am Ende notwendig ist. Damit so n Hub and spoke an der Stelle funktioniert erstmal auf.
• 22:13
  Sprecher 3 Weil ich fände es, glaube ich, schwierig oder? Oder sehe auf jeden Fall die Schwierigkeit, wenn man sagt, ja, wir machen jetzt NHP Spock Modell und wir sind ja hub, wir sagen jetzt, was alles gemacht werden kann und ihr nutzt das bitte.
• 22:25
  Sprecher 3 Ja, das sah einem Skepsis entgegen schlägt und man eben nicht zu dem Erfolg kommt, wo man hin möchte und sich doch diese Zeit vorher nehmen muss.
• 22:34
  Sprecher 3 Und die halt auch nicht umsonst ist, weil man sie nur macht, um irgendwie das Team zu bilden, sondern hat News, Case oder n Anwendungsfall, an dem alle gemeinsam arbeiten, der dann am Ende auch da ist und den Mehrwert potenziell eben liefert und.
• 22:50
  Sprecher 3 Dieses Team oder diese Vertrauensbasis eigentlich nur so n Nebeneffekt ist.
• 22:57
  Sprecher 3 Oder man es eben andersrum sehen könnte oder sagen könnte, das ist eigentlich der Haupteffekt und nur das Produkt ist der Nebeneffekt oder es ist alles eben von Vorteil und das ist glaube ich das, was bei uns gut funktioniert hat und jetzt auch bisher bei weiteren Themen gut funktioniert.
• 23:14
  Sprecher 3 Ob es noch andere Ansätze gibt, bestimmt, aber der war bei uns bisher jetzt ganz erfolgreich.
• 23:19
  Sprecher 1 Ja, mal.
• 23:22
  Sprecher 1 Man spricht ja immer von Leuchtturmprojekten. Ich glaube, man muss erstmal rausfinden oder sollte rausfinden, was funktioniert im Unternehmen diese.
• 23:32
  Sprecher 1 Diese Art und Weise dieses Zusammenführens.
• 23:36
  Sprecher 1 Einmal erfolgreich schaffen und dann darüber sprechen, ja, und dann so oft wie möglich darüber sprechen, weil genau das sozusagen den nächsten Stein mit ins Rollen.
• 23:45
  Sprecher 3 Bringt auf jeden Fall und.
• 23:48
  Sprecher 3 Das ist irgendwie der der sinnvollste Weg und das haben wir.
• 23:51
  Sprecher 3 In diesem Datenumfeld gesehen, das haben wir auch in KI gesehen.
• 23:55
  Sprecher 3 Man kann das halt nicht machen, ohne solche Erfolgsgeschichten zeigen zu können. Und im Idealfall sind das eben nicht nur, wir haben was Tolles umgesetzt, sondern wir haben auch n gutes Team in der Zeit gebaut und das kann das jetzt auch weitermachen. Ne sind gegenseitige Skilltransfers passiert et cetera und wenn das dann alle unterstützen und diesen Mehrwert sehen, dann hat man.
• 24:16
  Sprecher 3 Ne gute Basis.
• 24:19
  Sprecher 1 Du hast gerade Sören das Thema KI angesprochen. Ihr schafft.
• 24:24
  Sprecher 1 Mit dem hatte ich so verstanden gehabt, mit den Projekten, die Data Warehouse zu migrieren oder zu zu mergen ne Grundlage, vor allem um mit der der.
• 24:36
  Sprecher 1 Science Modellen oder jetzt auch neuerdings KI oder AI genannt, darauf zuzugreifen. Was sind so Themen, die euch da beschäftigen?
• 24:45
  Sprecher 3 Auch das ist so ein bisschen. Wie arbeitet man am Ende damit so?
• 24:50
  Sprecher 3 Data Science Prozess ist ja einfach. Ich muss die Daten kennen, ich muss die Daten verstehen, ich muss mit den Daten arbeiten, ich muss Feature Engineering betreiben.
• 25:00
  Sprecher 3 Um dann mit den Modellen auch wirklich arbeiten zu können und das zusammenzubringen. Weil so historisch sind das irgendwie 2 getrennte Welten, ne, ich hab irgendwo ne KI Plattform, wer kann nicht KI Modelle rechnen und ich hab ne Datenplattform auf der sind Daten.
• 25:13
  Sprecher 3 Und der Transfer dazwischen ist kompliziert oder zumindestens manuell.
• 25:19
  Sprecher 3 Und dann hat man immer n Stolperstein. So das kann man überwinden. Ne wenn man da fest von überzeugt ist ist das auch kein riesen Hindernis.
• 25:28
  Sprecher 3 Aber wenn man sagt ich brauch ne niedrige Eintrittshürde, dann ist das schwierig so. Also es ist halt irgendwie wichtig, diese beiden Ebenen zu verknüpfen.
• 25:39
  Sprecher 3 Und das ist so n bisschen, wo wir im Moment gucken, wie kriegen wir das am besten hin mit unseren Datenplattformen und unseren KI Plattformen.
• 25:48
  Sprecher 3 Weil wir da ja auch aus unterschiedlichen Welten kommen, also bisher alles on Premise getrennt im.
• 25:54
  Sprecher 3 Data Warehouse gehen wir Richtung Cloud und haben da auch schon viele Sachen in der Cloud und das ist jetzt auch das Ziel bei KI Plattformen. Also das ist einmal, um sie an den gleichen Ort.
• 26:05
  Sprecher 3 Zu bringen. Wie?
• 26:05
  Sprecher 3 Die.
• 26:05
  Sprecher 3 Datenplattform dass da eben die Wege kurz sind. Aber es sind natürlich auch so klassische Skalierungseffekte. Wir müssen keine Hardware kaufen und können das besser, alles geht et cetera, aber es ist so ne Kombination aus all den.
• 26:08
  5.
• 26:18
  Sprecher 3 Machen, um dann sagen zu können, diese.
• 26:22
  Sprecher 3 Eintrittshürde ist klein genug, dass Leute, also Beispiel ist eine Versicherung, die sich mit den Daten auskennen, nicht nur klassische Analysen auf den Daten machen, sondern ein Schritt weitergehen und sagen, ich rechne mein erstes Vorhersagemodell als Beispiel und wenn es ist nur mit meinem Bericht auch eine Prognose reinzupacken, eben nicht einfach nur lineare Regression ist.
• 26:41
  Und.
• 26:42
  Sprecher 3 Dafür.
• 26:43
  Sprecher 3 Und dafür muss, das muss in die Plattform hergeben.
• 26:46
  Sprecher 3 Dass man so weiter sagen kann, OK, da bauen wir weitere Teams auf, da gucken wir uns weitere Anwendungsfälle ein, lieber.
• 26:53
  Sprecher 3 Dann zusammen angehen, das ist so die Grundausrichtung.
• 26:56
  Sprecher 1 Sie haben das schon, die Anwendungsfälle du jetzt gerade erwähnt hast oder was sind so die Anwendungsfälle, die ihr bei Provinzial mit umsetzt?
• 27:04
  Sprecher 3 Ja, also der. Also wir machen ganz verschiedene Sachen im KI Umfeld. Ich glaube Andre hat das erzählt, wir machen von Bilderkennung aus Satellitenbildern.
• 27:15
  Sprecher 3 Hast du jetzt ne PV Anlage auf deinem Dach oder nicht?
• 27:16
  Ja, ja.
• 27:19
  Sprecher 3 Zu Modellen, wo es um Marktindikatoren geht, in der Anlageberatung et cetera, eben zu Modellen, wo es wirklich dann Kunden und versicherungsdaten geht, wo man sagt, ich will eine Vorhersage treffen.
• 27:35
  Sprecher 3 Um eben da Prozesse zum Beispiel besser zu machen. Also es ist n sehr breiter.
• 27:40
  Sprecher 3 Es.
• 27:41
  Sprecher 3 Was auch sehr verschieden ist, weil das.
• 27:43
  Sprecher 3 Auch.
• 27:44
  Sprecher 3 Ich mein so ne Bilderkennung, da gibt es Beispiele aus anderen Industrien, das muss man nicht komplett neu erfinden, aber wenn ich.
• 27:51
  Sprecher 3 Zum Beispiel im Kundenverhalten vorher.
• 27:54
  Sprecher 3 Sagen ist zu viel gesagt, aber wo ich Empfehlungen vielleicht geben möchte, kann ich meistens nicht auf die klassischen Ansätze setzen.
• 28:03
  Sprecher 3 Weil unsere Daten einfach anders sind oder unsere Kunden einfach anders sind. Wir haben halt nicht das klassische E Commerce, wo Kunden zweimal die Woche irgendwas bestellen und wir pro Kunde Tausende Datenpunkte haben.
• 28:15
  Sprecher 3 Sondern wir haben teilweise halt.
• 28:16
  Sprecher 3 Und wenn es für den Kunden gut läuft, hat er irgendwann mal 2345 Verträge abgeschlossen und dann nie wieder was mit der Versicherung zu tun. Nur im Schadenfall, das heißt da die die Datengrundlage oder Interaktionsfrequenz ist ne ganz andere, sodass auch da auf der Modellseite ganz anders rangegangen werden muss und so klassische recommender Systeme oder so.
• 28:39
  Sprecher 3 Gar nicht tragen in dem Umfeld, wo wir unterwegs sind und man das schon relativ grundlegend noch mal neu aufbauen muss. Und das ist.
• 28:47
  Sprecher 3 Natürlich dann n spannendes Umfeld.
• 28:49
  Sprecher 1 Das habt ihr schon.
• 28:50
  Sprecher 3 Das haben wir schon.
• 28:53
  Sprecher 3 Nutzen wir in verschiedensten.
• 28:55
  Sprecher 3 Aber auch da ist natürlich viel Ausbaupotenzial, einfach weil.
• 28:59
  Sprecher 3 Es.
• 29:00
  Sprecher 3 Ein sehr breites Feld, sehr viele Daten potenziell gibt, wo man auch genau gucken muss, kann ich die nutzen, darf ich die nutzen. Das sind ja auch oft sehr sensible Daten im Versicherungsumfeld.
• 29:13
  Sprecher 3 Und was will ich auch am Ende damit machen? Also was ist der Use Case, weil das auch die Modelle natürlich sehr unterschiedlich beeinflusst.
• 29:22
  Sprecher 3 Und dann ist man wieder an dem Punkt. Wir haben nicht so ne Riesen Interaktionsfrequenz mit unseren Kunden, wir haben aber viele Kunden, also muss ich am Ende versuchen diese vielen Kunden und deren Daten und deren Historie zusammenzuführen, um das alles auch.
• 29:37
  Sprecher 3 Gewinnbringend machen zu können.
• 29:38
  Mhm also.
• 29:39
  Sprecher 1 Um so n bisschen also die die Lookalikes oder die die ähnlichen Kunden davon habt ihr vermeintlich genug. Ich glaub Andrea hat das irgendwas von 5000000 Kunden zugesprochen, also ihr habt da Potenzial Sachen zu machen.
• 29:48
  Sprecher 3 Ja, genau, genau.
• 29:51
  Sprecher 3 Ja, auf jeden Fall. Und aber da muss man gucken, dass man die Daten auf n einheitlichen Stand kriegt, dass man die wirklich auch zusammen trainieren kann, die Modelle.
• 30:00
  Sprecher 3 Und das ist dann oft auch die Schwierigkeit gewesen, ne, in der in der Vergangenheit.
• 30:08
  Ja.
• 30:10
  Sprecher 1 Wenn wir schon bei Innovation ist oder Buzzwords mit dem KI, was sind so weitere Innovationen die die euch noch beschäftigen, wo wo ihr mit reingeht, das andere.
• 30:23
  Sprecher 3 Thema im Moment ist natürlich GPT, da hat andere glaube ich schon sehr viel zu erzählt.
• 30:28
  Sprecher 3 Versicherungs Business ist halt auch ein sehr textlastiges Business.
• 30:31
  Sprecher 1 Ja.
• 30:32
  Sprecher 3 Von daher sind GPD Modelle natürlich ganz weit vorne.
• 30:35
  Sprecher 1 Ja.
• 30:36
  Sprecher 3 Um da drin zu arbeiten und dann wirklich auch.
• 30:40
  In.
• 30:42
  Sprecher 3 In den in die Fachbereich zu gehen und sagen oder?
• 30:46
  Sprecher 3 Nicht nur zu sagen, sondern eigentlich zusammen zu machen sagen. Ihr könnt damit mehr machen als nur eure Standardberichte oder standardanalysen und dass man dann sagt, da kann ich Richtung KI gehen oder in der Produktentwicklung oder ähnliches, also in den ganz verschiedenen.
• 31:01
  Sprecher 3 Die Möglichkeiten aufzuzeigen und dann eben nicht nur zu hinzugehen und sagen, ja, das könntet ihr ja mal.
• 31:05
  Sprecher 3 Machen.
• 31:07
  Sprecher 3 Sondern dann wirklich hinzugehen sagen. Ja, wir machen das jetzt mal.
• 31:09
  Sprecher 3 Gemeinsam.
• 31:10
  Sprecher 3 Und dann ist vielleicht das mittelfristige Ziel zu sagen, da machen wir irgendwann mal ein ab ins Punkt draus und wir unterstützen nur mit KI Expertise und den Rest macht ihr und am Anfang macht man es halt dann doch zusammen, um überhaupt so n.
• 31:24
  Sprecher 3 Aufbau von dem Skill, aber auch dem Team zu ermöglichen.
• 31:29
  Sprecher 1 Bei so immer innovationsthemen also pilotiert ihr.
• 31:32
  Sprecher 1 Eher Themen selber und fragt dann die Fachabteilung nach. Kann ich diese Lösung gebrauchen oder ihr seid ja keine kleine Organisation oder komm auch aus den Fachabteilungen selbst Anforderungen.
• 31:44
  Sprecher 1 Zu lass doch was mit Jet GBT machen nach.
• 31:47
  Sprecher 3 Dem Motto also früher haben wir das so gemacht, wie du es gesagt hast. Wir haben zentral mal n Prototypen entwickelt und sind hingegangen. Guck mal, hier ist das nicht toll.
• 31:56
  Sprecher 3 Es war vielleicht toll, aber es funktioniert halt nicht.
• 32:01
  Sprecher 3 Also Leute wollen das nicht so.
• 32:05
  Sprecher 3 Oder es war vielleicht auch nicht gut, sondern das muss man dann wirklich zusammen machen und die ersten Cases waren wirklich, man setzt sich zusammen und überlegt zusammen alles, von was machen wir, wie machen wir es, wo machen wir es und dann die Umsetzung geht und mittlerweile kommen wir in den in die in die Situation, wie du sie skizziert hast, dass Leute auf uns zukommen, sagen kann man nicht.
• 32:27
  Sprecher 3 Das.
• 32:27
  Sprecher 3 Hier machen so, da sind natürlich auch Fälle bei, wo man sagt, Nee, kann man nicht, oder?
• 32:32
  Sprecher 3 Das ist vielleicht n automatisierungscase mach das lieber mit.
• 32:35
  Sprecher 3 RPA, oder?
• 32:38
  Sprecher 3 Aber da sind natürlich jetzt auch Fälle, bei wo man sagen kann, ja, das können wir.
• 32:41
  Sprecher 3 Zusammen.
• 32:41
  Sprecher 3 Mal angehen oder es gibt Situationen wo du sagst, ja das könnt ihr auch selber.
• 32:46
  Sprecher 3 Machen.
• 32:47
  Sprecher 3 Also da könnt ihr jetzt unsere Tools oder Plattformen nutzen.
• 32:51
  Sprecher 3 Und das selber dort aufbauen. Also ja, das entwickelt sich in diese.
• 32:54
  Sprecher 3 Richtung.
• 32:55
  Sprecher 3 Und da waren GPT Modelle und so die Verbreitung von Modellen hier im Konzern n guter Hebel um diesen Driveverbot zu erzeugen.
• 33:08
  Sprecher 1 Jetzt haben wir auch mit Andre gemeinsam über so Run Betriebsthemen gesprochen. Wir haben jetzt mit dir viel über.
• 33:16
  Sprecher 1 Merge Themen gesprochen, also Projektthemen im Allgemeinen, die jetzt nicht zwangsweise Innovation.
• 33:24
  Sprecher 1 Verursachen, was gar nicht negativ oder oder negativ klingen soll.
• 33:31
  Sprecher 1 Welchen Anteil hat denn diese Innovationsprojekte bei euch?
• 33:37
  Sprecher 3 Ich glaube, im Moment ist der Anteil klein und vielleicht auch zu klein, einfach weil sehr viel.
• 33:44
  Sprecher 3 Ressourcen auf die Zusammenführung der Systemlandschaften gehen.
• 33:48
  Sprecher 1 Die ja nicht klein ist. Höchstwahrscheinlich Assistent.
• 33:50
  Sprecher 3 Die nicht Klage ist. Das sind halt auch nicht 23 Projekte.
• 33:53
  Sprecher 1 Ja.
• 33:54
  Sprecher 3 Das heißt, da geht sehr viel Aufwand einfach rein.
• 33:58
  Sprecher 3 Und.
• 33:59
  Sprecher 3 Man muss sich im Moment leider dann immer ein bisschen die Nische suchen, wo man sagen kann, ja, aber das können wir vielleicht hiermit kombinieren oder mit dieser Lösung. Andrea hat es gesagt, ne, das ist mal ne Migration, die wir mit RPA machen oder so.
• 34:12
  Sprecher 3 Wo man früher halt ganz klassisch vorgegangen wäre, wo man sagt, OK, das können wir mit innovativen Ansätzen auch besser machen, aber die.
• 34:20
  Sprecher 3 Muss man sich an manchen Stellen suchen.
• 34:23
  Sprecher 3 Oder eben dann, wenn zum Beispiel im Fachbereich für uns zukommen sagen könnte man das hier nicht machen, dass man dann gucken muss, OK, dann müssen wir für die Ressourcen kämpfen und sagen, OK, das hat n Mehrwert, das hat n Business Case et cetera, und dann gibt es auch die Ressourcen dafür und dann gehen.
• 34:37
  Sprecher 3 Wir diese Themen auch an aus.
• 34:37
  Sprecher 1 Aus der zentralen Abteilung.
• 34:40
  Sprecher 3 Aus beidem im Prinzip genau. Also alleine können wir das nicht, aber ja, da gibt es die aus den zentralen Abteilungen, ja.
• 34:47
  Sprecher 1 Ich mach den Podcast ja, um anderen Leuten noch malideen mitzugeben, mit dir über Fehler zu sprechen, die andere nicht machen sollen. Was sind so?
• 34:57
  Sprecher 1 Die dos and Don ts, die du jetzt gelernt hast aus den Projekten oder aus deiner deinen 5 Jahren bei Provinzial.
• 35:08
  Sprecher 3 Ich nehm mal ein Beispiel raus und guck mal welche Punkte der sich da gut aus ableiten lassen.
• 35:14
  Sprecher 3 Wir haben ja mit unserem Projekt, Customer Logics dieses Ziel verfolgt, Modelle zu entwickeln und ne Datenbasis dafür zu schaffen.
• 35:23
  Sprecher 1 Für alle Kunden bei.
• 35:24
  Sprecher 3 Für alle Kunden und haben halt hier das Projekt so aufgesetzt um dann am Ende nen ab ins Punkt draus zu bauen. Aber was haben wir denn am Anfang da gelernt und haben gemerkt.
• 35:35
  Sprecher 3 Einfach mal schnell ins Doing kommen, war ein wichtiger Antreiber, um Halt zu sehen. Wo sind denn überhaupt die Probleme, weil die meisten Probleme, die wir auf dem Weg entdeckt haben, die haben wir definitiv vorher nicht gesehen und auch nicht.
• 35:50
  Sprecher 3 Die Lösungen dafür, also das war ein ganz wichtiger Schritt.
• 35:57
  Sprecher 3 Und auch wirklich das Team.
• 36:01
  Sprecher 3 Nicht hart nach den Rollen zu.
• 36:01
  Sprecher 3 Trennen zu.
• 36:03
  Sprecher 3 Sagen ja, dubist.it, du baust jetzt hier Software und du bist Fachbereich. Du überlegst dir, was wir mit der Software machen, sondern diese Rollen bewusst zu durchmischen.
• 36:13
  Sprecher 3 So dass ich dann im Laufe der Zeit eben Skillaufbau auf beiden Seiten entwickelt hat. Dass man am Ende auch wirklich ne Basis hatte, um zu sagen, ja, wir gehen da Richtung Havensburg und investieren da auch noch.
• 36:23
  Sprecher 3 Mal.
• 36:23
  Sprecher 3 Weiter also, das war n weiterer Mehrwert.
• 36:28
  Sprecher 3 Ich glaube, der dritte Punkt, der relevant war und bis heute ist.
• 36:32
  Sprecher 3 Ist zu schauen, wer kann denn in Zukunft da für eine Rolle spielen? Wen sollten wir involvieren? Das war in diesem Customer Lyrics Beispiel. Eigentlich haben wir das ja in diesem Projekt relativ kleines Setting, die Technik mehr.
• 36:47
  Sprecher 3 Oder weniger inhouse zusammengeklöppelt.
• 36:51
  Sprecher 3 Aber relativ früh auch.
• 36:54
  Sprecher 3 It Architektur eingebunden.
• 36:57
  Sprecher 3 IT betrieb also wichtige Abteilungen, die vielleicht irgendwann mal eine Rolle spielen, wenn das Thema größer wird. Und das war, glaube ich, ein großer Mehrwert.
• 37:08
  Sprecher 3 Weil wir festgestellt, wenn man mal irgendjemand vergisst in dieser Runde und kommt dann irgendwann um die Ecke und sagt, Guck mal, was wird Tolles fertig gebaut haben, dann.
• 37:17
  Sprecher 3 Ist es ja oft zu spät und deren Input zu berücksichtigen. Und das war, glaube ich, ein großer Mehrwert, wo man sagen würde, fürs Projekt selber hätte man es vielleicht gar nicht gebraucht, hätte man sagen können, ja, das ist ja Overhead, kostet extra Budget et cetera, aber ich glaube auf die die Langfristigkeit und insbesondere was dann nach dem Projekt passiert ist, dass wir eben wirklich weiter zu betreiben und weiter zu nutzen, weil.
• 37:42
  Sprecher 3 Das als Invest Gold wert.
• 37:45
  Sprecher 3 Und hat jetzt halt. Kann jetzt im Prinzip die Früchte davon ernten und sagen, OK wir haben da ne Basis und ein gegenseitiges Vertrauen, auch wenn man da jetzt vielleicht gar nicht so tief involviert ist. Aber man weiß was passiert, man weiß, die Leute wissen was sie tun.
• 38:00
  Sprecher 3 Und das, das Waren glaub ich wichtige Schritt den wir gegangen sind.
• 38:08
  Sprecher 1 Weitere Punkte, die du noch empfehlen würdest, wo du raus lernen würdest.
• 38:14
  Sprecher 3 Der andere Punkt, der vielleicht relevant ist.
• 38:20
  Sprecher 3 Der uns damals geholfen hat, war nicht zu.
• 38:24
  Sprecher 3 Sehr darüber nachzudenken nach dem Motto, Es gibt es schon alles, können wir das Nutzen et cetera.
• 38:30
  Sprecher 3 Sondern eigentlich mit einer ganz einfachen Skizze zu starten.
• 38:34
  Sprecher 3 Wie müsste es denn aussehen, irgendwie 3 boxen, 4 Pfeile, so ungefähr Daten von da nach da und dann verknüpft mit Zusatzdaten.
• 38:43
  Sprecher 3 Das war irgendwie die Skizze, mit der man.
• 38:44
  Sprecher 3 Gestartet.
• 38:45
  Sprecher 3 Ist und dann peu a peu diese Kästchen gefüllt hat und gar nicht gesagt hat, was haben wir denn und wie kriegen wir das da rein, sondern eben wirklich andersrum gestartet ist und da auch eben Sachen gemacht hat, die man so nicht hatte vorher im Konzern verbinden.
• 39:00
  Sprecher 3 Geschaffen hat zwischen Systemen, die die gab es eigentlich nicht und die wirklich aufgebaut hat und jetzt eigentlich dabei ist, diese Sachen teilweise zu verstetigen.
• 39:12
  Sprecher 3 Und das war glaub ich auch noch n Erfolgsfaktor den wir da so.
• 39:16
  Sprecher 3 Im Projekt hatten.
• 39:18
  Sprecher 3 So n bisschen abseits der Trampelpfade unterwegs zu sein.
• 39:23
  Ja.
• 39:26
  Sprecher 1 Haben wir irgendwas vergessen, über was wir noch sprechen sollten? Sonst würde ich jetzt die 2 Fragen stellen.
• 39:33
  Sprecher 3 Nee, ich glaub, jetzt haben wir gerade mal einmal den ganzen Überflug gemacht.
• 39:35
  Sprecher 1 Echt? Ja, wir gehen ja jetzt gleich in der nächsten Folge.
• 39:38
  Sprecher 1 Nochmal ins Detail.
• 39:39
  Sprecher 1 Auf jeden Fall legen Sie mal ne Ebene tiefer und dann?
• 39:42
  Sprecher 3 Guck mal ja genau, ich glaub Björn kann da ganz viel zu erzählen, was man tolles damit machen kann und wo sich das auch hin.
• 39:47
  Sprecher 3 Entwickeln kann cool.
• 39:50
  Sprecher 1 So und dann die 2 Fragen. Ja, machst du noch was privat mit Daten oder welchen Film oder serientitel würdest du der Folge geben?
• 39:59
  Sprecher 3 Also privat mit Daten.
• 40:02
  Sprecher 3 Ja, smarthome Smartwatch.
• 40:06
  Sprecher 3 Ihre Daten.
• 40:08
  Sprecher 3 Sind überall und ich habe immer festgestellt, ja auf Daten zu gucken ist das Schöne, das ist das eine, aber das.
• 40:16
  Sprecher 3 Eigentlich Spannende ist auch wirklich Daten zu sammeln.
• 40:21
  Sprecher 3 Um dann auch in Historienentwicklungen et cetera reinzuschauen.
• 40:27
  Sprecher 3 Und das ist so. Also was ich privat dann versuche.
• 40:30
  Sprecher 3 Wenn das denn geht, um dann eben wirklich auch Trends ableiten zu können et cetera.
• 40:35
  Sprecher 3 Und das ist so n bisschen, wo ich immer versuche unterwegs zu sein. Wenn das.
• 40:41
  Sprecher 3 Denn geht und.
• 40:43
  Sprecher 3 Filmtitel hab ich auch länger drüber nachgedacht. Ich hab mal den Marathon man genommen.
• 40:50
  Sprecher 3 Weil das Data Game für mich sich so anfühlt. Es sind auch viele Sprints dabei, aber eigentlich ist.
• 40:55
  Sprecher 3 Es.
• 40:56
  Sprecher 3 N Marathon und ob man jemals ankommt, wer weiß, aber es geht in eine Richtung, es geht auf reinen Zielen zu, ob man das jemals erreichen, keine Ahnung, weil.
• 41:05
  Sprecher 1 Kann man ja mal diskutieren, ist der Weg das Ziel oder das Ziel das Ziel? Genau ja.
• 41:10
  Sprecher 3 Ja.
• 41:11
  Sprecher 3 Genau.
• 41:11
  Sprecher 3 Ich glaube gut n Ziel zu haben.
• 41:15
  Sprecher 3 Aber der Weg ist, glaube ich, das entscheidende, ja.
• 41:18
  Sprecher 1 So dann vielen vielen Dank für.
• 41:19
  Sprecher 1 Die Folge? Sehr gerne.