Latest / MY DATA IS BETTER THAN YOURS / Status Data Science in Unternehmen? - mit Kerstin S. & Jonas V., Adobe
Transcript
- 0:00Seltsam Marketingunternehmen auf getrennte Bereiche im Unternehmen das heißt wir haben auch in der Organisation sie los und das heißt wenn man immer von data lakes spricht
- 0:08muss man eigentlich sich nur vorstellen diesen ganzen Inseln die da drin eigentlich unterwegs sind und dann überlegen was schon bei einig zwischendrin rum.
- 0:17Später überhaupt was zwischen den Inseln gibt's dann Hi gibt's dein Boot ist es der data Lake oder ist es nicht vielleicht doch ihren Schweizer Käse.
- 0:25Data driven Marketing ist.
- 0:31Jede Branche ein brandaktuelles Thema dachte Herausforderungen werden jeden Tag komplexer.
- 0:38Jonas Rashedi fährt gemeinsam mit anderen Experten wie man diese Herausforderungen mit der Hilfe von David Meister.
- 0:52Herzlich willkommen zu mydata is better than yours der data-driven Marketing Podcast schön dass ihr wieder eingeschalten habt.
- 0:58Mein Name ist wie bisher Jonas verschiedene ich bin froh auch diesmal spannender Experten aus dem Online Marketing Bereich oder Dayton data Bereich dabei zu haben und ich übergebe gleich das Wort Andy.
- 1:12Teilnehmer welches Thema besprechen wir denn heute das Thema ist data science und.
- 1:19Das Passwort wollen wir einmal genauer analysieren und rausfinden was ich so dahinter verbirgt
- 1:24danke dass wir hier sein dürfen ich bin Kerstin Schäfer von Adobe Consulting Wunder Berlin
- 1:31und meine Aufgabe ist es eigentlich unseren Kunden zu helfen was sind denn relevante Daten die ihm helfen könnten sein Wissen zu verbessern.
- 1:41Und am auch wie man allgemein Marketingmaßnahmen optimieren kann.
- 1:46Und hallo ich bin auch Jonas ich bin Jonas von worden ich komme aus Belgien und ich bin auch von Adobe Consulting und ich unterstützt
- 1:55Unterstützung der unsere Kunde besser zu werden mit datengetrieben Marketing wie können Sie auch die Daten besser benutzen und die dann auch die richtige Segmenten rausfinden um dann die Erlebnisse oder expériences
- 2:07zu personalisieren der spannend weil vor allem unter dem Aspekt gucken wir uns einmal an was ist data science und.
- 2:14Was muss was kann man runter verstehen wie hilft einem Unternehmen und dann
- 2:19können wir sozusagen mit der mit der zweiten Person darüber diskutieren können was unternehmen etablieren und danach wirklich den Mehrwert daraus ziehen weil den Rennwagen einzukaufen und ihn dann nicht fahren zu können ist natürlich das was wir vermeiden wollen
- 2:32ja liebe Kerstin dann lass uns doch einmal kurz darüber sprechen was du so ein bisschen unter.
- 2:38Data science verstehst wenn wenn ich dich damit überrumpeln darf genau ist eigentlich ein super Thema.
- 2:46Was ich damit angefangen habe ich Schatz vor.
- 2:498 Jahre Wirtschaftsinformatik kumuliert in der Berliner hieß das Thema eigentlich noch anders da war ist das ganze Thema noch Data Mining Web mining Skype für sowas wie Operations Research Business Intelligence.
- 3:02Und all diese Themen waren eigentlich auch nicht 39 promoviert habe damals da ist ein schrecklich schwer z.b. den innovativen Aspekt von.
- 3:12Von Data Mining überweisen bei mir mal gesagt wurde dass du das kennen wir alles schon das ist doch nicht neues gibt es keine großen neuen Datenbanken und das damals möchte bei mir der innovativer Ansatz war Wissenschaft zu machen war.
- 3:26Für Marketing auch z.b. nachzuweisen wie digitales Marketing eines bestehende Marketing.
- 3:35Bereiche beeinflusst wie kann man z.b. mit Webseiten schickst du ihm Daten nachweisen dass Kunden zufriedener werden oder wie kann man das überhaupt beeinflussen
- 3:46das heißt dieses Thema was jetzt relativ neu oder 45 Jahre in der Wirtschaft unterwegs ist ist eigentlich ein alter Hut in der Wissenschaft
- 3:55gewesen und er meinte ich damals fertig waren mit der Diss und angefangen hat zu arbeiten ich mache seitdem Managementberatung weil ich eigentlich schockiert dann Unternehmen zu sein vor einigen unseren größeren Konzern Wasser tatsächlich ab
- 4:09sind wir dann zwischen dem was der Wissenschaft passiert ist und in dem wie es tatsächlich Internetunternehmen gelebt wird.
- 4:18Und am ich bin allerdings froh zu sehen das
- 4:22data scientist auch endlich da ankommt wo es verstanden wird und wo man es auch tatsächlich verwendet.
- 4:28Um sein Unternehmen zu verändern ist deiner nicht nur
- 4:33Kunden angesprochen z.b. wo waren all data sets Marketingbereich und macht Marketingmaßnahmen optimiert
- 4:39170er in was alle Bereiche im Unternehmen und da bin ich wirklich froh dass das jetzt acht Jahren hat sie mich probiert habe doch tatsächlich mal langsam Unternehmen.
- 4:49Genau so zusammenfassen kann man ja so ein bisschen das Data science eigentlich aus aus der Wissenschaft, also das ist das ist das Thema schon länger gibt und noch nicht so den richtigen Weg gefunden
- 5:01hat ins ins Business oder in die Wirtschaft würde ich jetzt mal bezeichnen weil es eben da auch schon länger genutzt wird.
- 5:09Bleibt unter anderen Begriffen was hast du denn Doktorarbeit geschrieben.
- 5:13Das ging wirklich Dacia clickstream Daten analysiert von einem Anbieter für Musik Software und DJ software die haben mir Daten zur Verfügung gestellt mit den habe ich Barcelona case study gemacht
- 5:30wie denn tatsächlich wir nachweisen können dass bestimmte Marketingmaßnahmen online.
- 5:37Was ist E-Mails dass sie tatsächlich dazu führen dass ein kundenzufriedenheit wird.
- 5:42Oder wie auch immer noch so Webseitenoptimierung natürlich verwenden in yux wie denn auch eine Webseite aufgebaut sein sollte.
- 5:53Um die Kunden optimal ansprechen zu können das war damals hätte ich noch vor diesen ganzen Thema Personalisierung was kam langsam auf da waren auch willkommener Systeme 3
- 6:03total neu und total interessant da ging eben auch viel darum wie macht man optimales Futter bundling
- 6:09da wurden dann angefangen audience ist zu bilden Segment zu bilden das ist jetzt ungefähr 8 bis 9 Jahre her.
- 6:16Am das ist quasi so die Geburtsstunde der Personalisierung gewesen zu der ich da unterwegs waren
- 6:22und ich fand immer Webseiten Daten wahnsinnig spannend clickstream Daten einfach auch bei Friesen Datenberge sind und weil ich dann tatsächlich glaube dass das was man da statistisch dran entdecken kann auch zum Teil die Realität widerspiegelt
- 6:36es ist eigentlich ganz interessant dass ich das sage weil ich bin eigentlich Soziologe und habe auch probiert es jetzt studiert wo man er qualitativ vor Stunde einen anderen Blick auf die Dinge hat seine Beobachtung und so wenn ich dann mit zum Haartrockner meinen ankomme
- 6:51ist das schon ziemlicher Perspektivenwechsel aber ich bin auch tatsächlich davon überzeugt gewesen.
- 6:58Dass es sich lohnt und definitiv auch für Marketing digitales Marketing Relevanz.
- 7:06Wenn wir wenn ich überlege gerade wie man das eben noch mal
- 7:10Sommer Mama definieren was da das sein vielleicht nicht ist oder das was der Unterschied zwischen data science und den Daten lass uns laufen little Analytics.
- 7:23Soda Unterschied es damit wir mehr Vergleichbarkeit haben ist das was ja gute Idee vor allen Dingen.
- 7:30Weil der Tag sein zu eigentlich alles sagt und nichts also wird man data science Eichmann noch nicht worum geht's eigentlich.
- 7:38Die Frage ist eher was es ist alles nicht ich glaube unsere vor stemmener und muss sie auf ihr immer sie hoffen das Data science all das ist was sie heute nicht schaffen zu machen.
- 7:49Und das ist es eigentlich genau nicht sondern data-science ist tatsächlich eine statistische Auseinandersetzung.
- 7:58Mit den Prozessen die in einem Unternehmen stattfinden diese Prozesse können sowohl in das gerichtet sein wenn man seine Logistik und Warenbestandes möchte optimieren will
- 8:09wenn man vorher sagen will wo bestimmte Absätze oder Nachfragen passieren damit man eben auch die Waren vorrätig hat oder eben auch auf den Kunden auf den Absatz vorgerichtet dass man eben halt versuchen will seinen Umsatz zu steigern.
- 8:24Dieses Thema ist nach wie vor
- 8:27auch Business Intelligence was das Data science der data science Aspecta dran ist ist das eine Thema big data was heißt wir haben riesen Datenmengen mit dem wir arbeiten
- 8:37und natürlich eine Automatisierung von Marketingaktivitäten die halt eben darauf
- 8:42basieren dass wir automatisierte statistische Modelle entwickeln da gehört dann auch Maschinen an den Rhein und dass wir dann eben auf diesem inside wieder der generieren automatisierte Aktivitäten Arm
- 8:55erstelle Notiz.
- 8:58Gegensatz z.b. zu Web Analytics was er vorher stattgefunden hat was er auch immer noch relevant ist
- 9:05der einzige Unterschied dann übergebe ich auch noch mal in den Ball an jemand anders ist
- 9:10dass man aus einer rein statistischer Sicht eine andere Sicht auf die Daten hat das heißt der Daten die Datentabelle für einen data scientist ist immer eine sogenannte.
- 9:22Lange Tabelle in dem für jeden Kunden oder
- 9:26besuche eine Zeile erstellt wird indem halt die Aktivitäten hintereinander abgebildet werden da sind sie Infektionen im Grunde bei den Web-Analytics und mit der Google
- 9:37groß geboren ist dubia zum Teil auch ist das hier eigentlich eine aggregierte Sicht auf die Dinge haben also schlägst auf einer Webseite
- 9:45Produkte im Warenkorb der zieh mir aber nicht unbedingt Rückschlüsse.
- 9:49Auf die einzelne Person oder den einzelnen Nutzer sondern dann geht's er tatsächlich um das zu tun oder die Marketingmaßnahmen selber
- 9:56Jonas fällt dir noch was ein du bist der Experte auch lange gewesen in dem Bereich Web Analytics.
- 10:02Ja genau und Wertanalyse haben wir die vergangene Web Daten versuche wer.
- 10:08Meine ich ja mit Mitte registriert Regressionen rausfinden okay wenn ich diese.
- 10:16Das hier beeinflusse dann geht er Pipi Eier hoch oder runter das ist noch sehr oft was mit Web Analytics gemacht werden wir versuchen die bestimmte GPS zu zu beeinflussen mit mit.
- 10:30Maßnahmen 2 Spieler Kampagne mehr machen das mehr machen und mit data-science sind meine Meinung geht man noch ein Schritt weiter
- 10:38und und lass dann die Maschinen eigentlich rausfinden was was funktioniert da was nicht
- 10:45ich weiß auch dass wir mehr und mehr in data Web Analyse Analyse kommen die Algorithmen auch mehr und mehr
- 10:52vor dass die händische Arbeit auch mehr mit dem Weg geht ne deswegen ist machine learning kommt auch so in das
- 11:00ja Webanalyse Bereich rein aber da sind wir noch nicht so mit bring your own ogretmen das kommt so jetzt in die nächste Jahren dass du selbst deine Modellen inditours einbinden kannst und das
- 11:15wird dann auch spannend die Zukunft dass man wirklich auch die Webanalyse und Data science miteinander verknüpfen könnt.
- 11:23Denkst du die Tage von Web-Analytics sind gezählt also es ist outdated Stirb Langsam aus
- 11:29du musst immer noch leiden Leuten haben die wissen was man mit Zitaten gemacht werden können die Entscheidungen müssen immer noch getroffen werden ok jetzt die Maschinen machen auch Entscheidungen aber man muss immer noch Leuten haben die.
- 11:45Sachen interpretieren und entscheiden können deswegen du bist nicht Herr Blackbox generieren wurde Maschinen die ganze Werte beeinflussen du brauchst immer noch Leute
- 11:54die Sachen machen und die Rolle von der Web Analyst wird ändern auf jeden Fall wie er alle Rolle Abziehbild wird auf jeden Fall noch da sein.
- 12:04Lass uns erstmal definieren was also der Unterschied zwischen Analytics und Data science ist es glaube ich dass die
- 12:11Verfügbarkeit von Daten in einem ganz anderen Level sein muss aggregiert indischen Analytics und verarbeitbar glaube ich schon noch von Personen
- 12:21aber data scientist ja der wissenschaftliche Ansatz der
- 12:24ja ich würde jetzt mal ob sagen natürlich ein bisschen lang langatmiger ist weil man sich auch längere Zeiten anschaut und nicht die hard rock Sachen macht und eben eine gewisse Datenmenge auch im besten Fall auf Event Level verarbeitet die Ämter noch eine Infrastruktur bedeutet
- 12:39das heißt was mein Verständnis wäre ist ja auch wenn wir data science machen wollen brauchen wir erstmal die Infrastruktur das ja weil der Unterschied ist.
- 12:46The bachelor Analytics am da schmeiß ich schmeiße ich in Pool rein oder habe ich das jetzt mit einem Anbieter spreche brauche mal die anderen Tools nicht nennen aber ist soll andere Anbieter auch noch geben aber es gibt auch Adobe Analytics.
- 13:00Und dann implementieren würden könnte man in Metropolis.
- 13:06Auswerten dafür brauche ich keine Serverlandschaft dafür brauche ich nicht zwangsweise etl-prozesse, gleich gerne mal was dazu sagen also es ist ein Thema was man.
- 13:16Ganz salopp jetzt werden mich einige erschießen durch Plug-and-Play lösen kann aber ich glaube das Data science nicht durch Plug-and-Play gelöst werden kann sondern das da auch.
- 13:24Eine gewisse Vorarbeit in der Organisation und auch auf der technischen Seite gemacht werden muss.
- 13:30Definitiv noch mal zurück greifen ich will ja wirklich hervorheben auch bei Digitals Analytics
- 13:38da ist der Blick auf die Marketingmaßnahmen relevant das sieht man ja auch in Web Analytics dass der Fokus da drauf wie erfolgreich sind meine Kampagnen wie viel Klicks gibt es auf meine Banner
- 13:49Wie sieht mein Mage wie kann ich mein Marketing spend optimieren also auch mit atypischen Analysen die man ja auch machen kann währenddessen in data science der Fokus der tatsächlich er auch dem Kunden dann ist also wie interagiert der Kunde mit mir
- 14:04und ähm wie kann ich z.b. meine meine Marketingmaßnahmen optimieren dass ich halt in dessen Bedürfnisse besser treffe das ist ein ganz großer schüchterner Ordination
- 14:14wo man halt von den Produkten das ist ein Schiff vom Produkt zentrischen Marketing
- 14:19App für dieser eben die einzelnen Kanäle und Maßnahmen gibt im hin zum kundenzentrierten Marketing das ist ja der ganze der.
- 14:27Schweigt er sich ja noch mit sieht sondern auf die Organisation gucken und den abzubilden das natürlich gerade auch für die alpine große Herausforderung.
- 14:35Weil er nicht nur die IP oder die einzelnen Systeme in den Organisationen auf dem Sinus unterwegs sind sondern eben auch die Marketingabteilung oder eben
- 14:45Sex und Marketingunternehmen auf getrennte Bereiche im Unternehmen das heißt wir haben auch immer auch an ihr seid so ziellos und das heißt wenn man immer von Delta lag spricht
- 14:53muss man eigentlich sich nur vorstellen diesen ganzen Inseln die da drin eigentlich unterwegs sind und dann überlegen was schon bei ein ich zwischendrin rum.
- 15:02Sprinter überhaupt was zwischen den Inseln gibt's dann Hai gibt es beim Boot ist es der data Lake oder ist es nicht recht doch ihren Schweizer Käse.
- 15:10Das hast du da Erfahrungen wie wie man sowas in der Organisation etabliert damit damit es gut funktioniert.
- 15:18Also mit wem was muss man achten technisch ich glaube ja nicht dass man jetzt sozusagen morgen Aufruf gebrochen data Lake und das dann etabliert und dann übermorgen das Science betreiben kann oder.
- 15:30Genau wir beide obw reden sehr gerne und sie hat oft über damit Charity von den Unternehmen Navi ready
- 15:38ist ein Unternehmen ein nicht dafür an das erstmal Zeit zu nehmen zu gucken wo Städte Unternehmen eigentlich wie gut sind wir jetzt schon mit datengetrieben Marketing welche Daten haben wir für FÜK
- 15:48und was fehlt lass uns einmal ein Vision erstellen wo wir und wir in den nächsten Jahren stehen und dann wirklich erstmal
- 15:58jemand haben der sagt ok von von
- 16:02von top level okay ich verstehe was es ist jemand der auch auf strategische Ebene versteht was data science ist und ob man das auch wirklich braucht und ob der Organisation ready ist und dann kann man in die verschiedene Bausch.
- 16:15Keine gehen und gucken Nokia wo sind die GERB hatten wir die Daten haben die vielleicht gibt's da schon Daten aber wir haben nicht die Struktur um die Daten zusammenzubringen habe die richtige Leute
- 16:28auf dass das nicht mehr meine Mutter nehmen anfangen mit data science haben sie noch keiner data-scientist wie müssen wir das anfangen müssen wir jetzt zehn Leuten iron nein
- 16:38Notfall du bist wahrscheinlich Anfrage mit ein oder zwei Leute zu heilen jemand von Business Seite der so ein bisschen der Business auch ohne sein kann und jemand von taktische Seite der Depp
- 16:49technischer ohne sein kann dass das fangt schon dann hast du schon sehr viel was du machen kannst
- 16:55und dann kannst du gucken okay haben wir noch andere Leute in unsere unsere nehmen die wir so ein bisschen Abstillen können
- 17:02Löwenwall das Leuten die wissen wo wir hin wollen und die wissen was wir brauchen und den kannst du suchen okay habe schon Leute um das weiterzumachen habe würdig schritte die die Technologie und das weiterzumachen oder müssen was neu kaufen haben wird die Prozess und die Kultur
- 17:17alles herum um das zu machen und mehr nicht
- 17:22ja dann sagen wir beide wem Abo an Roadmap setze wirklich am Plan auf was sind die Bausteine was ist realistisch wie wird das kosten und dann hat man wirklich am Plan.
- 17:34Das dann kann auch ändern weil wir sind besagen auch immer
- 17:38seit etwa deswegen das müsste nicht dein Plan sein für die nächste Zukunft aber schon für das anzufangen reicht das wirklich
- 17:45Oma und schon zu identifizieren wie war so schnell wie möglich mit die erste Ergebnisse kommen können.
- 17:53Das erinnert mich auch in das ganze Thema Rachel data-driven Marketing und wir Jonas und ich arbeiten er wird sich auch zusammen wie können wir auch in dir selbst wohnen helfen eben da hinzukommen datengetriebenes Marketing Bachmann eine Vision ist in dieses Passwort lol data-driven Marketing
- 18:09und da drinnen steht natürlich der data science eine zentrale Rolle hier ist aber interessant dass der data scientist Kreise in der Querschnitt Rolle ist.
- 18:18Er ist eine Servicefunktion die hat wirklich allen Teilbereichen in so einem datengetrieben dann Unternehmen zur Verfügung steht und das bedeutet allerdings auch dass der data scientist.
- 18:31Quasi alle verschiedenen Bereiche in den Business unterstützt.
- 18:36Das ist für ein Wetter sein dass ein sich als Einzelperson quasi unmöglich weil wir von dem data science ist der erwarten dass er auch in ein Experte ist für Delta sein zu Statistik.
- 18:46Das hat nichts mit der umgebenden IP auskennst und was sagen interessantes.
- 18:53Thema ist um dieses Problem im zu lösen ist immer diesen data science ist ein Business Stakeholder zur Seite zu stellen also diesen data scientist immer einem Tandem fahren zu lassen
- 19:04mit jemand der hat das Business versteht
- 19:06wenn jetzt ein Data scientist S&H Servicefunktion für so eine agile Organisation b-logistik betreut aber gleichzeitig Marketing.
- 19:18Dann ist es halt Gutscheine einen Decoder hat der immer weil der ihn versucht zu übersetzen was dann die Anforderung und vielen der Logistik sind genauso gut wie es ein
- 19:27jemanden geben musste aus dem Marketing kommt der im dem data-scientist auch erklärt was die Probleme sind.
- 19:34Ja ein gutes Beispiel ist auch wenn wir einen nicht data science Projekte machen bei Tobi mit unseres Plattform in diese Projekte nehmen wir auch immer an Roller mit die heißt bitte data strategy
- 19:46das ist genau jemand der auch von bisschen Seite versteht ok
- 19:52mit wem muss ich reden welche Anforderungen sind da um wirklich die die Anforderungen
- 19:57Von von der Business aufzunehmen und zu übersetzen er weil wir sehen auf das data scientist wir erwarten zuviel von der data science ist dass die alles dass die businesstag nicht alles zusammen dass es eigentlich auch ein Date Dungeon iOS das ist auch jemand ist der data Storytelling kann ich glaube wir erwarten jetzt doch zuviel von an
- 20:16data scientist dass er alles macht und wir müssen das ein bisschen verteilen natürlich kommt das auch auf der TT das Saint is an was es seine.
- 20:23Gut und weniger gut punkten aber muss verstehen dass das.
- 20:29Meistens der Tattoos 14 Unterstützung braucht von von jemand da der Business Seite sehr gut versteht mir
- 20:36das ist ein wichtiger Punkt in der gerade anspricht ich glaube dieses Thema.
- 20:41Das Thema in die Organisation zu treiben Jonas wie du gerade beschrieben hast ist schon großer Prozess und den sollte man.
- 20:48Ich habe oft mal das Wort gehört Salamitaktik also dass man eben nicht die Themen beim großen BigBang einführt weil ich glaube dann dann sieht der
- 20:57der Vorstand oder wer auch immer die Unmengen an an Summen für ein IT Projekt und dass die Organisation sich stark an der muss aber Kerstin du hast
- 21:05du hast den Aspekt eine super gemacht ist wo man mit kleinen Schnellbooten würde ich bezeichnen man immer mal meine bildliche Sprache aussetzen zu überlegt okay mit wem macht es Sinn.
- 21:16Gemeinsam etwas aufzusetzen der versteht sich untereinander sehr gut und wer ist vielleicht schon den denn
- 21:23die verfügbar also für versteht die Verfügbarkeit Zutaten und weiß sie wie sie sich für sein bist es selber.
- 21:28Denn dann kann und dann kann man das eigentlich als Use-Case nehmen und in die Organisation betreiben also immer man spricht ja eigentlich vom Evangelisten immer ich bin davon überzeugt dass man die nicht zwangsweise braucht sondern man muss eigentlich Fürsprecher für sich finden
- 21:41Evangelisten ist er eigentlich mein Mann braucht weitere jünger die die darüber sprechen was so dass man dass man dass man was tolles machen kann
- 21:49genau wenn ich da mal einsetzen darf das ist auch ein Problem was wir oft sehen wir machen Piloten das sind in diese Schnellboote wo wir auch schon quick werden quasi abbilden und auch mal schnell mit einem kleineren Setup.
- 22:02Großen Erfolg oder großen impact demonstrieren können.
- 22:05Was dann oft schwierig ist ist der nächste Schritt nehme ich die Skalierung also diesen diese Erfolge wieder in die organisations übersetzen.
- 22:13Und da muss ich sagen in meinen acht Jahren Beratung.
- 22:18Habe ich wirklich gesehen dass das einer der Kernprobleme ist was passiert nach dem Piloten vielleicht hast du ja dann mehr Erfahrung mehr zu
- 22:25ist ja wie beim möglichen Sachen aber bei meinem Baby bei einem Autorennen oder man muss ja definieren was wann ist man erfolgreich wann ist man sozusagen der erste oder wann ist man in den Häusern erreichen will und wenn man den Piloten eben definiert und sagt
- 22:42als Beispiel
- 22:43MMM MMM digital marketing große schwerpunktmäßig jetzt hier auch ein Podcast geht es dann kann ich vielleicht damit Geld einsparen und kann ich damit auch seit drei Tagen und 5% Geld einzusparen oder temperantia nachdem Matheschwäche Kosten.
- 22:58Das Projekt hat wenn man das erreicht ist es eigentlich das Thema was man weiter treiben kann und dann sucht man sich.
- 23:04Wieder das nächste Thema was man mit einem der Wert Butterberge dafür steht und
- 23:09treibt das wieder durch also eher in den kleinen Schritte meinst du er so organisch sofern NVC bei uns in Europa
- 23:25und mit diesen kleineren Schritten treffen wir auch glaube ich den Geist der deutschen Vorsichtigkeit.
- 23:33Wir arbeiten erinnere minternational unternehmen wir haben noch offen Vergleich zwischen die laufen große Fresse in USA Nordamerika und in Europa ab und da muss ich sagen wir sind jetzt im deutschen Podcast dass die Politik der kleinen Schritte immer mit mehreren kleinen Piloten hintereinander.
- 23:48Doch auch immer die Unsicherheiten von den Vorständen minimiert den man eben schrittweise vorgibt
- 23:53EDAG noch dazu sagen wollten ist auf dieses na dieses Skalierung auch ein Problem von Couch öffne weil weil das kräuterpellets war ein Projekt na ganz viel visibility das sind dann die beste Leute die draufsitzen
- 24:07und danach geh zu divisibility so ein bisschen weg und haben Leute noch immer die die Sachen die sie normalerweise machen weil neben der Alten normale Jobs müssen die dann auch das noch noch das Data science skalieren und sehr oft
- 24:23weil du dann eben immer noch die normale Prinzessin daneben hast gibt's da nicht genug Zeit um das.
- 24:30Die Skalierung zu machen deswegen die Unternehmen geben nicht genug Luft um eigentlich dieses peilert dieses kleine wie sagt man dass es sieht
- 24:41dass du zu kronplatz.com ich weiß nicht wie ich das in Deutsch sage aber du musst erstmal.
- 24:52Genau noch eine Weile warten bis die bis die Ernte dem gerade ist wo du wo du eben dann auch Zügen kannst ja ist ein guter. Und das ist ja eigentlich der Geist wieder später weil wissenschaftliche Arbeiten sind nicht arbeiten die man eben sehr schnell erledigen kann sondern arbeiten wo man sich eben sehr gut Gedanken machen muss
- 25:09was brauche ich dafür damit ich Ergebnis
- 25:14X möglicherweise erreiche und dafür Jonas hast du eigentlich super gesagt ist dieses Thema sagt man braucht auch ein Schulbuch von Management von wem auch immer dass man auch eine Weile lang in seinem Stimme stillen Kämmerchen sein da.
- 25:27Und dann erst mit einem Berlin Ergebnis rauskommen.
- 25:31Muss oder kann und dass man dafür in die Zeit hat er stattdessen dass da er mich sonst ein bisschen es ist eben immer dieser Zeitdruck entsteht da
- 25:39und man auch vielleicht auch mal rauskommen kann und sagen kann ok beim uns die Daten angeguckt und so wie wir das bis es gerade betreiben auf Basis von data science ist ok und wir können da jetzt nicht so den großen Mehrwert stiften
- 25:50wie entsteht acht.
- 25:53Ja ich wollte nur erwähnen dass es eigentlich ein super. Ist das die Erwartungen auch zu groß sind ne das ist so wie wenn wir dieses im Moment das Implementieren und
- 26:03dir geht es bekommen bekommen wir einen Apfel von von 20% auf unsere Webseite wenn wir das dann benutzen können
- 26:11man müsste eigentlich auch immer realistische Ziele setzen weil immer das doch so viele Prozessen das beeinflussen.
- 26:19Und die Erwartungen müssen auch gestimmt werden manchmal finden finden die Modellen keinen guten.
- 26:25Ergebnisse das muss man auch können hinterließen dass du ein bisschen wie bei Website Optimierung 50% der Falle wird bist du ein negativer Ergebnis haben was du über die Prothese die du entdeckt hast es nicht.
- 26:38War nicht der Fall die Daten zeigen ein diese rote Backen mit Gewinde nicht hinters genauso mit Themen data science glaube ich
- 26:45ich habe ja noch ein schönes abschlusswort und zwar
- 26:50er muss auch aufpassen mit data-science dass man nicht mit Kanonen auf Spatzen schießt also gerade im digitalen Marketing
- 26:59wo wir vorhin Smash mit dem retail wo wir oft viele große Datenmengen haben brauchen wir für viele Dinge gar keiner komplexen.
- 27:08Statistischen Analysen die acht Monate dauern zu bauen sondern ganz oft vor einigen und mitessen z.b. ganz einfache Korrelationsanalysen.
- 27:16Sehr effektiv weil wir einfach so große Datenmenge haben wo man sieht okay die Produkte gehen einfach immer zusammen da brauchen wir auch keinen komplexen Algorithmen Algorithmus selbst bauen
- 27:26das ist außer dieses Kern Mantra des Data Mining was ich immer noch mit so einem mir rum schlage rum Schlepper dazu aus den 80er Jahren wahrscheinlich kommt dass man einfach versuchen soll so simple Modelle wie möglich zu bauen.
- 27:40Die sollen aber gleichzeitig so effektiv wie möglich sein das heißt dass es mal so einen Grad zwischen einfachen Modellen mit großer Bürgschaft unter gerade
- 27:49data science sich auf den umgekehrten Effekt dass sie data science ist sich da vergraben.
- 27:54Und eben die ganze Zeit schon bei jüdischen Netzwerken und random forest Algorithmen Bäume
- 28:00wobei doch gerade im digital marketing die Sache noch einfacher zu lösen sind.
- 28:04Ja gut lass uns auf kurzer Zeit einmal das Thema zusammenfassen ich glaube wir haben bewertet das Data science.
- 28:12Thema ist der wissenschaftlichen Arbeit was eine Maus
- 28:16der historische aus der Story sozusagen aus den Themen kommen was viel mit Mathematik und Statistik zu tun hat wenn man es jetzt ganz blöd bezeichnen möchte.
- 28:24Zum Thema ist wenn man das mit anderen Themen Vergleich das ist er
- 28:27granulare Daten man sich anschaut und und nicht aggregiert Daten im Data also im im im Online-Marketing Umfeld geht eher in Richtung User zentrierte Daten sich das anzuschauen die Komplexität wird dadurch erhöht wenn man oder Mann bloß eine
- 28:44Komplexität mit data science die man vielleicht auf der anderen Seite er im Pool selbst ist in gewissem grad angeschaut hat und bei data science eben guckt dass man verschiedene Tools miteinander verbindet und damit im Zusammenhang von unterschiedlich Daten vielleicht erkennt
- 28:58und am.
- 29:00Data science ist ein Passwort was überall verbreiten wird wo man sich eben überlegen muss ist meine Organisation eben schon soweit das zu tun das ist nicht hinten Plug-and-Play Geschäft sondern sind immer was man eben nur dann etablieren kann wenn man
- 29:12kann ich vielleicht gemeinsam mit einem mit dem Stakeholder finden zum kleinen Eustace entscheidet und die News Kate der Nini umsetzen nach newscaster neben bewertet.
- 29:23Für was denn da das eins gemacht und aber auch da immer wieder dass man das immer immer wieder neu bewertet und
- 29:30vielleicht an der manchen stelle auch eben mal dann sagt das muss man Kerstin wie du gesagt hast da muss man nicht mit der Kanone auf die Spatzen schießen sondern da gibt nichts auch manchmal eine schnellere Einstellung schleswig.de man sich ab.
- 29:40Nee was ist wie gesagt noch mal allen Leuten mitgehen will die sich mit diesem Thema beschäftigen ist den data scientist nicht als wohnen
- 29:50so ein Universalgenie zu betrachtende jetzt alle Probleme löst sondern man muss gucken wo die herkommen die meisten kommen eben aus der Informatik Ecke das ist computer engineering die bringt wenig bis das Verständnis mit
- 30:02dass man sehen
- 30:03also immer wegen so ein Tandem jemand an die Hand gibt der ihm hilft weil sie auch ein bisschen Verständnis um die Analysen dumm zu etablieren das ist ein Aspekt der mir sehr sehr wichtig ist und der macht wohl den Eddersheim dass das Leben auch einfacher
- 30:18und am ist natürlich dann auch den Business eben sich besser als optimieren also ich
- 30:23positioniere Magentis Kandern von Business und von data science gerne mitgeben ja diese Analyse zu machen die ich schon beschrieben haben davon haben wir
- 30:37alle
- 30:38alles richtig um anzufangen so ein Checkliste bauen zu gucken was fehlt zu gucken wo steht unsere unter und unsere Unternehmen in der man Charity und dann
- 30:50m Plan aufzubauen Schritt mit Schritt ja unter so klein zu anzufangen und wann Großer zu werden.
- 30:59Super vielen vielen Dank dass ihr alle zugehört habt ich hoffe das Thema war spannend und wir haben es ja einige ein bisschen entmystifizieren können
- 31:08ich glaube oder an die die natürlich viel er mit dem Thema arbeiten oder selber vielleicht data science betreiben wir wissen wir das wäre natürlich damit gerade nur die Oberfläche gekratzt haben aber im Podcast ist mal richtig glaube ich auch den Leuten.
- 31:21Das Thema zu erklären die sich noch nicht dass sie einen beschäftigt haben um ihm zu sagen wo geht's hin und wo wollen wir.
- 31:28Oder was wollen wir damit lösen und wir können sehr gerne danach hermanita ich machen und die Leute sehr wissenschaftlich zu dem Thema abholen und noch mal wirklich reingehen vielleicht finden wir auch jeweiliger Anwender dieses Thema wird.
- 31:41Aber ich glaube das hat mir super überblicken gegeben und ich danke vor einem Kerstin und Jonas dass sie mit mir gemeinsam diese Folge gestritten haben.
- 31:50Danke dir hast du die Einladung danke schön mehr von Podcast abonniere my data is better than yours und bewerte ihn gerne.