Latest / MY DATA IS BETTER THAN YOURS / Warum klassische Marktforschung versagt - mit Eike H., Statista Plus (2/3)

Transcript

Warum klassische Marktforschung versagt - mit Eike H., Statista Plus (2/3) · MY DATA IS BETTER THAN YOURS

• 0:00
  Speaker 1: Welche innovativen Datenerhebungsmethoden hat eigentlich Statista Plus?
• 0:05
  Speaker 1: Wie ist Statista Plus aufgestellt und wo geht eigentlich die Reise hin von den ehemaligen Kundenherausforderungen bis hin zur Zukunft?
• 0:12
  Speaker 1: Das sind alles Fragen, die ich mit dem lieben Eike von Statista Plus heute besprechen.
• 0:21
  Speaker 0: Neue Folgen jeden Freitag.
• 0:22
  Speaker 0: In dieser digitalen Welt gibt es einen speziellen Faktor, der über Erfolg und Misserfolg entscheidet.
• 0:28
  Speaker 0: Daten.
• 0:29
  Speaker 0: Doch nur die wenigsten wissen sie für sich zu nutzen.
• 0:33
  Speaker 0: Wer seine Kunden verstehen will, um ihnen das bieten zu können, was sie brauchen,
• 0:37
  Speaker 1: kommt um
• 0:37
  Speaker 0: ein professionelles Datenmanagement nicht herum.
• 0:40
  Speaker 0: Jonas Raschidi interviewt andere Experten aus den Data Bereichen und zeigt Schritt für Schritt, wie genau das funktioniert.
• 0:52
  Speaker 1: Herzlich willkommen zu My Data's Better Than Yours, der Data Podcast.
• 0:56
  Speaker 1: Schön, dass ihr eingeschaltet habt.
• 0:58
  Speaker 1: Das ist die zweite Folge mit Statista.
• 1:01
  Speaker 1: Die erste Folge war zum Thema Strategie.
• 1:03
  Speaker 1: Die zweite Folge geht vor allem um das Thema innovative Datenerhebung.
• 1:09
  Speaker 1: Da spreche ich mit dem lieben
• 1:10
  Speaker 0: Aike.
• 1:11
  Speaker 0: Hi Aike.
• 1:11
  Speaker 0: Hallo.
• 1:12
  Speaker 1: Stell dich kurz vor, wer du bist, was du machst.
• 1:14
  Speaker 1: Ich glaube, es ist total spannend, deine Person erst mal zu verstehen, um dann nochmal, glaube ich, mehr herauszufinden, aus welchen Blickwinkel wir uns jetzt Statista anschauen.
• 1:25
  Speaker 1: Von daher leg mal los.
• 1:27
  Speaker 1: Wer bist du?
• 1:27
  Speaker 0: Sehr gerne.
• 1:28
  Speaker 0: Ich freue mich, hier zu sein heute.
• 1:29
  Speaker 0: Ich bin... Eike, ich bin Teil des Management-Teams bei Statista Plus.
• 1:34
  Speaker 0: Vorm Hintergrund bin ich Betriebswirt und seit sieben Jahren jetzt bei Statista einstieg.
• 1:42
  Speaker 0: Das Berufsleben war bei mir in der Strategieberatung und dann war ich noch bei einem Dienstleister für die Schufferarztindustrie.
• 1:50
  Speaker 0: Das ist so der Hintergrund, den ich habe.
• 1:54
  Speaker 1: Das heißt, in der Strategieberatung hast du auch viel mit Daten gearbeitet, mit Marktdaten.
• 1:58
  Speaker 0: Genau, das war so der Einstieg und ähnliche Fragestellungen, dann halt noch stärker auf strategische Ableitungen und weniger tief in die Daten.
• 2:10
  Speaker 0: Das ist so der Unterschied, den ich sehe.
• 2:13
  Speaker 1: Ja, also das Konklusio der Daten genutzt, um dann zu entscheiden, wo die Reise hingehen kann.
• 2:19
  Speaker 0: Genau.
• 2:19
  Speaker 0: Es war dann öfter, zwei Berater stehen in einem Raum und sagen, wie die Welt aussieht.
• 2:27
  Speaker 0: Und jeweils Statista und Statista Plus haben halt den Anspruch, für Lichtdaten getrieben zu sein.
• 2:34
  Speaker 0: Also kein Berater-Bashing machen an der Stelle.
• 2:37
  Speaker 0: Ich bin selber Ex-Berater.
• 2:38
  Speaker 0: Hab da auch extrem viel mitgenommen an der Stelle.
• 2:40
  Speaker 0: Aber das ist so der Anspruch, den wir uns an uns selber stellen.
• 2:44
  Speaker 1: Ja, sehr spannend.
• 2:46
  Speaker 0: Die meisten kennen Statista wahrscheinlich als große Datenplattform, wo man Statistiken und Marktdaten runterladen kann.
• 2:53
  Speaker 0: Und Statista Plus ist der Bereich, wo wir kundenspezifische Projekte umsetzen, Marktforschungsprojekte, Datenvisualisierungsprojekte mit einem Schwerpunkt beispielsweise auf Kundensegmentierung, Marktanalysen und viele andere Themen und dabei ganz viele verschiedene Kompetenzen zusammenbringen.
• 3:13
  Speaker 0: Ich würde es
• 3:14
  Speaker 1: auch aus meiner Sicht sagen, und du sagst mal, ob es falsch ist, ihr seid der Beratungsarm von Statista, oder?
• 3:21
  Speaker 1: So kann man euch einfacher beschreiben.
• 3:25
  Speaker 0: Ja, es ist schon eher, also es hat keine Stradieberatung, es hat Marktforschung an der Stelle.
• 3:31
  Speaker 1: Ja, okay.
• 3:35
  Speaker 1: Die Frage ist ein bisschen, weil das kommt ja auch aus der ersten Folge raus, dass ihr habt ja auf der einen Seite ganz viele Daten.
• 3:42
  Speaker 0: Ja.
• 3:43
  Speaker 1: die ihr selber aufbereitet und als Self-Service zur Verfügung stellt.
• 3:47
  Speaker 1: Und das sind die Daten, die ihr sozusagen für euch und für eure Kunden, dieses Pareto-Prinzip für achtzig Prozent eurer Kundenhöhe wahrscheinlich gut funktionieren.
• 3:58
  Speaker 1: Und du bist mit deinem Team oder euren Teams für Statista Plus natürlich für diese Art Sonderfälle zuständig, die nicht zwangsweise so aufbereitet sind in der Plattform, wenn ich das verstehe.
• 4:08
  Speaker 0: Das trifft es eigentlich sehr gut, genau.
• 4:10
  Speaker 0: Also weil Kunden kommen halt oft an uns heran, die dann sehr spezifische Fragestellungen haben oder auch ganz nischige Märkte, Premium Fahrradreifen, Serverschränke und ähnliches.
• 4:22
  Speaker 0: Und dann Fragen haben, wie groß ist eigentlich mein Markt.
• 4:25
  Speaker 0: Das sind so die typischen Themen, mit denen wir uns auseinandersetzen.
• 4:27
  Speaker 1: Und das ist nicht so ein klassischer Daten-Set, was ihr eben in der Statista-Plattform habt?
• 4:31
  Speaker 0: Genau, das ist halt nicht auf den Knopf trinken und Daten aus der Schublade ziehen, sondern meistens fängt der Prozess dann... vom Whiteboard an, wo wir überlegen, wie wir jetzt die Frage knacken.
• 4:41
  Speaker 1: Ja, lasst uns mal vom Whiteboard starten.
• 4:47
  Speaker 1: In der ersten Folge ist so ein bisschen der Satz gefallen, innovative Datenerhebung.
• 4:52
  Speaker 1: Also wie erhebt ihr eigentlich die Daten?
• 4:57
  Speaker 1: Kannst du uns da nochmal mitnehmen, wie ihr euch da vielleicht auch zu anderen unterscheidet?
• 5:03
  Speaker 0: Sehr gerne, genau.
• 5:04
  Speaker 0: Ich glaube, was das Innovativste ist oder was in diesem Moment von Whiteboard mir am meisten Spaß macht, ist die Kombination von verschiedenen Ansätzen.
• 5:13
  Speaker 0: Ich glaube, da steckt auch schon ganz viel Innovationen drin, wo halt auch ganz klassische Methoden dabei sind, wie eine Online-Befragung durchzuführen, die immer noch ein ganz wichtiges Instrument ist.
• 5:25
  Speaker 0: Aber jede... Datenerhebungsmethode einfach ihre Stärken, aber auch ihre Schwächen hat.
• 5:31
  Speaker 0: und gerade für so ganz spitze Fragestellungen halt meistens sich eine Methode die Frage beantwortet, sondern die Kombination unterschiedlicher Methoden, wo aber auch innovative Methoden natürlich eine immer größere Rolle spielen und KI beispielsweise auch ganz neue Möglichkeiten mit sich bringt, also Daten in ungeahnten Mengen zu erheben oder auch zu analysieren.
• 5:55
  Speaker 0: Unstrukturierte Daten zu nutzen, Bilder zu analysieren und ähnliches.
• 6:00
  Speaker 0: Das sind so Themen, die jetzt in der letzten Zeit natürlich immer mehr aufkommen.
• 6:04
  Speaker 0: Ja,
• 6:06
  Speaker 1: die Frage, gut, dass du es sozusagen so beantwortest, die Frage, die mir jetzt nur ein bisschen unter den Fingernägeln brennt ist, nämlich dieses, kannst du uns mal mit diese Kombination aus unterschiedlichen Datenquellen einmal mitnehmen?
• 6:17
  Speaker 1: Hast du vielleicht irgendwie ein Praxisbeispiel,
• 6:19
  Speaker 0: wo
• 6:20
  Speaker 1: du sagen kannst, also... Die Datenquellen, wie ich es jetzt verstehe und heute, dass ich so viel versuche, wie zu reframe oder rebriefen, wie ich es verstanden habe, ihr habt halt Datenquellen, die frei im Netz verfügbar sind.
• 6:34
  Speaker 1: Die bereitet ihr auf, die verifiziert ihr, die nutzt ihr.
• 6:37
  Speaker 1: Jetzt ist natürlich der Fall beim Premium Fahrradreifen, hast du glaube ich gesagt gehabt, da wird vielleicht dieser Datenquelle gar nicht helfen, sondern ich brauche.
• 6:47
  Speaker 1: Umfragendaten hast du gerade gesagt, aber vielleicht auch Bewegungsdaten im Online-Bereich.
• 6:51
  Speaker 1: Hast du da mal ein Beispiel, was ja zusammenfügt und warum ihr das dann zusammenfügt?
• 6:56
  Speaker 0: Wir schauen natürlich erst mal mal, ob unsere Daten, die wir schon haben, eine Basisbild ist, ist auf der Fall, aber um bei dem Beispiel Premium Fahrradreichen zu bleiben.
• 7:05
  Speaker 0: Also was wir in dem konkreten Prekt gemacht haben, ist wirklich eine klassische Online-Befragung.
• 7:12
  Speaker 0: dann mehrere tausend ambitionierte Radsportler befragt, welche Reifen sie kaufen, was sie dafür ausgeben, wie oft sie so ein Reifen kaufen, aber dann auch online Shops strukturiert ausgewertet haben, geschaut haben, wonach googeln die Leute und über solche Quellen dann halt auch diese Befragungsdaten korrigieren konnten.
• 7:36
  Speaker 0: Also was in dem Fall der Fall war ist, dass Menschen einfach überschätzen, wie oft sie in Fahrradreifen kaufen.
• 7:44
  Speaker 0: Das ist so bei, ich glaub, der Durchschnittsdeutsche kauft nur alle sieben Jahre in Fahrradreifen.
• 7:49
  Speaker 1: Ich hab auch überlegt, wann ich den letzten gekauft hab.
• 7:52
  Speaker 0: Aber wenn man das in der Online-Befragung macht, dann war, glaub ich, der Wert dann so alle zwei Jahre.
• 7:56
  Speaker 0: Und dann schauen wir uns Hersteller an und bringen dann halt alles zusammen, um bei dieses Bild zu bekommen.
• 8:04
  Speaker 0: wo dann Befragungsdaten zum Beispiel einen ganz großen Mehrwert haben, ist dann eher so die relative Aufteilung.
• 8:10
  Speaker 0: Also jemand, die man sagt dann schon, ich kaufe ein Pirelli oder einen Kontinental oder einen Schweigereifen.
• 8:17
  Speaker 0: Das wissen die Leute, wenn man ein ambitionierter Radsportler ist.
• 8:22
  Speaker 0: Aber wenn man den letzten Reifen gekauft hat, das fällt dann sehr, sehr schwer.
• 8:25
  Speaker 0: Und das halt zusammenzubringen, das ist dann der Mehrwert, den wir auch in solchen Projekten bringen.
• 8:31
  Speaker 1: aber auch diese Blausibilität herzustellen, ob die Daten korrekt sind.
• 8:35
  Speaker 0: Genau.
• 8:36
  Speaker 0: Also was dann ein schönes Beispiel ist, in so einer Marktanalyse, der einzige Datenpunkt, der quasi die Wahrheit ist, gerade wenn es so ein nischiger Markt ist, ist, wie groß ist der Umsatz unseres Kunden?
• 8:49
  Speaker 0: Und was wir beispielsweise ganz oft dann vereinbaren, ist, dass wir unseren Ansatz entwickeln, dass wir unseren Ansatz ausführen.
• 8:56
  Speaker 0: und dann quasi outside in den den Markt schätzen, den Marktanteil unseres Kunden.
• 9:00
  Speaker 0: und beispielsweise Markt ist eine Milliarde, Funder hat zehn Prozent Marktanteil, dann sagen wir ja, du machst hundert Millionen Umsatz.
• 9:06
  Speaker 0: Und das ist die Zahl, die man dann verproben kann.
• 9:09
  Speaker 0: Und da liegen wir meistens relativ gut, manchmal auch ein bisschen daneben.
• 9:12
  Speaker 0: Aber das ist dann halt die Chance, gemeinsam mit dem Kunden nochmal nachzujustieren, um dann halt die Wettbewerber zu schätzen.
• 9:18
  Speaker 1: Also der Kunde würde euch den Umsatz nicht sagen oder ihr würdet nicht je nachdem auf öffentliche Mittel zugreifen, um es dann zu verifizieren.
• 9:26
  Speaker 0: Genau.
• 9:26
  Speaker 0: Also, für unsere Kunde sagt uns dann halt seinen eigenen Umsatz nicht am Anfang, sondern erst zum Mitte.
• 9:33
  Speaker 0: Und dann entwickeln wir da gemeinsam den Ansatz, um Wettbewerber abzuschätzen, beispielsweise.
• 9:37
  Speaker 0: Ja.
• 9:39
  Speaker 1: Jetzt hast du ja vorhin den Punkt gesagt, dass ... In vielen Cases hat neue Datenquellen relevant sind, es hat auf Frederick in seiner Folge gesagt.
• 9:48
  Speaker 1: Jetzt müssen wir natürlich das Thema Bus oder das Busword AI auch mit einbringen.
• 9:53
  Speaker 1: Wie relevant und wie nutzt ihr da um neue Datenquellen anzubinden, weil sonst müsstet ihr ja X Leute beschäftigen, die dann für Premium Fahrradreifen.
• 10:02
  Speaker 1: im Netz unterwegs sind, oder?
• 10:04
  Speaker 1: Und überlegen, welche Marktdaten man da ziehen kann.
• 10:06
  Speaker 1: Ja,
• 10:07
  Speaker 0: also ich sehe halt AI in unserem Arbeitsalltag vor allem als Instrument, um einfach Daten zu strukturieren und zu erheben.
• 10:18
  Speaker 0: Also die Daten sind ja da, die kommen ja nicht aus der KI, zumindest bei uns.
• 10:23
  Speaker 0: Also natürlich hat man durch die Trainingsdaten in LNMs hat man halt einen einfachen Zugang auf das Internet, aber auch natürlich mit den mit dem bei ist, der da drin ist, Halluzination.
• 10:33
  Speaker 0: Das sind die Themen, die jeder kennt, wenn man mal mit einem Prompt daneben lag.
• 10:39
  Speaker 0: Aber was wir dann nutzen, ist dann wirklich so ein Prozesse aufzusetzen, beispielsweise, um ganz gezielt schrittweise Daten zu erheben, zu klastern und dafür natürlich die KI zu nutzen, weil man dann Zehntausende von Datenpunkten, also... Um zu dem Fahrradreifenbeispiel zu kommen, ist das jetzt ein Rennrad oder ist das ein Mountainbike Reifen?
• 11:01
  Speaker 0: Das haben wir früher dann mit kleinen Stichproben manuell gemacht.
• 11:04
  Speaker 0: Das kann man jetzt natürlich mit KI viel skalierter und umfangreicher machen.
• 11:08
  Speaker 0: Ja,
• 11:08
  Speaker 1: verstanden.
• 11:11
  Speaker 1: Also ihr skaliert eure, die aufgesetzten Prozesse eben damit sehr gut.
• 11:17
  Speaker 0: Genau.
• 11:21
  Speaker 1: Was ich mir noch mit aufgeschrieben habe, war so das Thema synthetische Daten.
• 11:27
  Speaker 1: spielt ja auch so ein bisschen durch eine Rolle.
• 11:32
  Speaker 1: Kannst du das nochmal für die Hörer und Hörerinnen so ein bisschen erklären, was synthetische Daten beziehungsweise ihr arbeit, glaube ich, mit synthetischen Population, Population, so rum, was es ist und um welchen Mehrwert das sozusagen für euch bietet?
• 11:49
  Speaker 0: ist tatsächlich ein ziemliches Hypthema.
• 11:53
  Speaker 0: Dabei ist es eigentlich gar kein neues.
• 11:55
  Speaker 0: Und der Begriff wird auch unterschiedlich verwendet.
• 11:58
  Speaker 0: Also was so ein Thema ist, was es schon seit mindestens zehn Jahren gibt, ist, dass man große, sehr, sehr umfangreiche, detaillierte Datensätze hat, die aber ganz hohe Datenschutzanforderungen haben.
• 12:09
  Speaker 0: Also ein klassisches Beispiel wäre Daten von einer Krankenversicherung, die halt Millionen von Patientendaten haben mit Medikationen, mit Arztbesuchern und Ähnlichem.
• 12:19
  Speaker 0: Und selbst wenn man so einen Datensatz anonymisieren würde, könnte man einzelne Personen noch identifizieren, die seltene Krankheiten haben, beispielsweise.
• 12:27
  Speaker 0: Und so klassische synthetische Daten sind dann, dass man Modell trainiert, was ein Datensatz produziert, der die statistischen Muster hat von dem Datensatz, aber halt komplett generiert ist.
• 12:41
  Speaker 0: Und der Begriff, der jetzt bei uns in der Marktforschungsindustrie verwendet wird, ist vor allem um Umfragedaten synthetisch zu erzeugen.
• 12:50
  Speaker 0: Also stell dir vor, du machst eine Umfrage, befragst zwei tausend Leute, stellst den zwanzig Fragen und dann fällt dir auf, du hättest gerne noch fünf weitere Fragen gestellt.
• 13:00
  Speaker 0: oder eine bestimmte Zielgruppe ist vielleicht unterrepräsentiert und dann nutzt du die Kombination aus diesem Datensatz plus plus KI plus vielleicht weitere Daten um dann Tausend weitere Befragte virtuell zu erzeugen und deren Antworten auf die Fragen zu simulieren.
• 13:18
  Speaker 0: Also das ist so das Hype-Thema in der Marktforschungsindustrie.
• 13:23
  Speaker 1: Funktioniert es?
• 13:25
  Speaker 0: Also wir experimentieren damit auch rum.
• 13:28
  Speaker 0: Also so die Zahl, die genannt wird und die ich auch jetzt aus unseren Experimenten bestätigen kann, ist, dass man so eine Achtzig-Firmon-Achtzig-Prozent-Validität.
• 13:41
  Speaker 0: erreicht, also Übereinstimmung mit echten Umfragedaten, wenn man dann Backtesting macht.
• 13:48
  Speaker 0: Wir machen noch mal was Drittes an der Stelle.
• 13:51
  Speaker 0: Das ist das Stichwort synthetische Populationen genannt.
• 13:55
  Speaker 0: Was wir gerade vorantreiben, ist quasi den digitalen Zwilling der deutschen Bevölkerung zu bauen.
• 14:02
  Speaker 0: Kannst du dir vorstellen, einfach als große Datenbank mit dreiundachtzig Millionen virtuellen Individuen und ganz vielen Spalten, die einfach unterschiedliche Eigenschaften beinhalten.
• 14:12
  Speaker 0: Geschlecht, Alter, Wohnort, Beruf, Einkommen, Einstellung, ganz, ganz viele verschiedene Informationen.
• 14:18
  Speaker 0: Das sind keine echten Leute, das sind digitale Zwillinge, bilden aber die deutsche Bevölkerung auch in kleinen Zielgruppen sehr, sehr gut ab.
• 14:28
  Speaker 0: Und diesen Datensatz nutzen wir für Marktforschungszwecke.
• 14:32
  Speaker 0: Also haben beispielsweise genutzt in dem Projekt für das Deutsche Zentrum für Schienenverkehrsforschung beim Eisenbahnbundesamt.
• 14:41
  Speaker 0: Die waren da sehr innovativ, wo man es vielleicht gar nicht erwarten würde.
• 14:44
  Speaker 0: Da haben wir ein Projekt gemacht, wo wir den Einfluss des Deutschlandtickets auf die Pendelkosten und das Pendelverhalten analysiert haben.
• 14:53
  Speaker 0: Und was das Schöne ist an dieser virtuellen Gesamtbevölkerung, du kannst halt alle Daten da quasi rein kippen.
• 14:59
  Speaker 0: Also es gibt große Studien zur Mobilität, wir haben selber eine Umfrage gemacht.
• 15:05
  Speaker 0: Es gibt viele Daten zu, wo wohnen die Leute, wo arbeiten sie?
• 15:09
  Speaker 0: von der Bundesagentur für Arbeit?
• 15:10
  Speaker 0: Und die haben wir halt alle in diesen Datensatz gebracht und haben dann zweiundvierzig Millionen Leute pendeln lassen.
• 15:17
  Speaker 0: Und haben denen Auto gegeben, wussten, was hat das für einen Benzin- oder Dieselverbrauch?
• 15:22
  Speaker 0: Ist das ein E-Auto?
• 15:24
  Speaker 0: Und konnten dann halt ganz, ganz tiefgehende Analysen durchführen und den Einfluss des Deutschlandtickets dann aufzeigen.
• 15:32
  Speaker 1: Und konntet ihr das validieren?
• 15:35
  Speaker 1: das Modell, was ihr gebaut habt, auch die richtigen Ergebnisse kamen?
• 15:39
  Speaker 0: Also wir haben natürlich unsere eigene Befragung gehabt an der Stelle und verschiedene Mobilitätsstudien, die wir immer wieder zum Abgleich nutzen konnten.
• 15:50
  Speaker 0: Aber ob jetzt die Daten jetzt genau in dem einen Landkreis richtig waren, das ist ja wirklich ein Datenpunkt und eine Datentiefe, die es vorher nicht gab, die wir nur mit diesem Ansatz dann erzeugen konnten an der Stelle.
• 16:06
  Speaker 0: Tatsächlich, also was auch ein Beispiel ist, was ich ganz spannend fand, ist, dass man auch sehen konnte, wie dann auch die unterschiedlichen Methoden dann auch ihre Limitationen haben.
• 16:17
  Speaker 0: Also beispielsweise bei Kosten haben wir dann auch und der Befragung, die wir durchgeführt haben, dann die Leute gefragt, was sind die Kosten, die du hast für das Pendel, wenn du hauptsächlich Auto fährst beispielsweise.
• 16:31
  Speaker 0: Und da werden die Kosten systematisch unterschätzt.
• 16:35
  Speaker 1: So wie bei den Fahrradreifen.
• 16:36
  Speaker 1: So
• 16:36
  Speaker 0: wie bei den Fahrradreifen, genau.
• 16:38
  Speaker 0: Weil z.B.
• 16:38
  Speaker 0: Fixkosten nicht reingerechnet werden.
• 16:42
  Speaker 0: Und gleichzeitig bei ÖPNV.
• 16:45
  Speaker 0: Die meisten haben natürlich ein Deutschlandticket.
• 16:47
  Speaker 0: Und die sagen halt, meine Pendelkosten sind u.a.
• 16:51
  Speaker 0: aber ein Drittel der Fahrten ist gar nicht für den Weg zur Arbeit, sondern halt zu Freunden, Einkauf, Freizeit, Urlaub, was auch immer.
• 16:59
  Speaker 0: Das heißt, eigentlich sind die echten Kosten nur u.a.
• 17:04
  Speaker 0: für ÖPNV, wenn man pendelt, werden systematisch überschätzt und autosystematisch unterschätzt.
• 17:10
  Speaker 0: Genau.
• 17:13
  Speaker 1: Aber das wäre ja auch eine natürliche Antwort, weil viele nicht auf diese Kosten achten.
• 17:18
  Speaker 1: So Standardkosten, die monatlich nicht auffindbar sind.
• 17:21
  Speaker 1: Wenn du einmal im Jahr, Januar oder Februar deine Versicherung zahlst oder sonst irgendwas, dann wird es nicht mit einberechnet.
• 17:29
  Speaker 0: Ja, also es ist ein schönes Beispiel.
• 17:32
  Speaker 0: Zielsetzung dieses Projektes, also deutsche Zentrum für Schienenverkehrsforschung hat natürlich die Motivation, den Schienenverkehr zu stärken und die Leute eher auf die Schiene zu bringen.
• 17:42
  Speaker 0: Und es ist natürlich genau das, was du sagst.
• 17:46
  Speaker 0: Die Leute unterschätzen das und selbst wenn man ihnen den echten Wert gibt an der Stelle, hast du nicht so einen psychologischen Effekt, den man erst mal knacken muss an der Stelle.
• 17:57
  Speaker 1: Jetzt haben wir ja schon ein bisschen über diese klassische Forschung gesprochen.
• 18:04
  Speaker 1: Ihr hört sich so an, immer mehr in die Basswort-Themen rein, AI-unterstützte Modelle.
• 18:12
  Speaker 1: Entsteht da nicht die Gefahr und das ist euer größter Asset, dass die Aussagen nicht mehr validiert werden können?
• 18:21
  Speaker 0: Also Vertrauen ist natürlich essentiell an der Stelle und wir arbeiten mit ganz vielen Kunden auch über Jahre zusammen.
• 18:29
  Speaker 0: Und das, was du gerade beschreibst, also manchmal kann man dieses Problem gar nicht lösen.
• 18:35
  Speaker 0: Also wenn wir jetzt für nischigen Markt die Marktgröße abschätzen, da kennt ja keiner die Wahrheit.
• 18:40
  Speaker 0: Also da müsstest du ja dann die Wettbewerber fragen, was die für einen Umsatz machen, das werden sie jetzt... Wer mich
• 18:46
  Speaker 1: geschätzt, ist es richtig.
• 18:49
  Speaker 0: Also solche Versuche gibt es teilweise dann auch, also dass dann halt so eine Kooperation entstehe und dann unternehmend Daten austauschen, aber das ist halt die absolute Ausnahme.
• 19:00
  Speaker 0: Wo es natürlich geht, ist, wenn wir über lange Zeitraume zusammenarbeiten und zum Beispiel auch versuchen, in die Zukunft zu schauen, was auch immer schwer ist, dann ist immer eine Glaskugel, die man ja hat an der Stelle.
• 19:11
  Speaker 0: Wenn wir die Chance haben, dann gemeinsam mit Kunden das über längere Zeitraume zu machen, dann kannst du natürlich wenig sehen.
• 19:17
  Speaker 0: Wo lagst du daneben?
• 19:18
  Speaker 0: Warum gemeinsam nachzujustieren?
• 19:23
  Speaker 0: Das ist immer eine Herausforderung, bei der wirklich neue Daten für ganz spezifische Kundenanforderungen generieren.
• 19:32
  Speaker 1: Ja, dann wird es natürlich auch schwer, das zu validieren.
• 19:34
  Speaker 1: Hast du technisch eine Idee, was ihr da macht?
• 19:40
  Speaker 1: Überprüft ihr sowas zweimal, dreimal?
• 19:42
  Speaker 1: Gibt es da auch wieder AI-Möglichkeiten?
• 19:48
  Speaker 1: Diese Annahme irgendwie zu validieren.
• 19:51
  Speaker 0: Also es sind halt oft diese Prozesse, die wir schon kurz angerissen hatten.
• 19:57
  Speaker 0: Also wo wir dann beispielsweise immer AI nutzen, um Daten zu strukturieren, dann guckt wieder ein Mensch drauf, dann justieren wir nach.
• 20:07
  Speaker 0: Das sind so typische Vorgehensweisen in solchen Projekten, damit man nicht am Ende dann ein Ergebnis hat, was man gar nicht mehr erklären kann.
• 20:17
  Speaker 0: Das würde uns natürlich auch für große Herausforderungen für unseren Kunden stellen, sondern diesen Prozess halt relativ eng begleitet an der Stelle.
• 20:28
  Speaker 1: Weil wir besprechen bei AI-Modellen ja immer viel vom Bayes.
• 20:33
  Speaker 1: Die Gefahr gibt ja, dass mit den Trainingsdaten der large language Modelle, die ihr vielleicht auch nutzt, schon eine Verzerrung stattfindet.
• 20:44
  Speaker 0: Also wenn du halt nur die Trainingsdaten nutzt, auf jeden Fall, also um dir ein Beispiel aus einem Projekt zu geben, wir haben für Merz eine Logistikstudie gemacht, die Trends in der Logistik und haben erst mal angefangen, halt ganz viele verschiedene Trends zu identifizieren und dabei auch dann die Trainingsdaten... genutzt.
• 21:06
  Speaker 0: Und wenn du jetzt dann fragen würdest, was sind so die wichtigsten Trends, dann hätte man Ergebnisse bekommen, die wir dann aber durch den Prozess, wie wir ihn gemacht haben, dass wir dann Schritt für Schritt uns vorangearbeitet haben und dann auch KI immer wieder genutzt haben auf diesem Weg, um Daten zu strukturieren, zu klassifizieren.
• 21:27
  Speaker 0: Also beispielsweise haben wir dann geschaut, gibt es Patente zu Trends, Stehen die in wissenschaftlichen Publikationen, werden die in Earnings Calls von Unternehmen genannt.
• 21:40
  Speaker 0: Und wo wir dann KI genutzt haben, ist dann um so ein Transkript von einem Earnings Call, von einem Logistikunternehmen oder von dem Unternehmen aus irgendeiner Industrie, die über Logistik sprechen, dann halt zu gucken, welche Themen und welche Trends kann man da identifizieren.
• 21:57
  Speaker 0: war halt relativ eng, einen relativ engen Rahmen dann der KI gesetzt haben, was sie in jedem Schritt genau tun soll und halt gar nicht gefragt haben, sag mir mal, was sind die spannendsten Trends in der Logistik?
• 22:11
  Speaker 0: Weil man dann entweder das bekommt, was alle sagen, was aber nichts wegen richtig sein muss oder auch verzerrte Ergebnisse.
• 22:21
  Speaker 1: Also, ich glaube, Frederik hat es auch gesagt gehabt, so human in the loop, also immer wieder zu validieren, was die Ergebnisse da sind.
• 22:28
  Speaker 1: Das heißt, ihr nutzt zwar AI, habt aber trotzdem weiterhin natürlich die relevanten und auch erfahrenen Personen sitzen, die das überprüfen.
• 22:38
  Speaker 0: Genau.
• 22:38
  Speaker 0: Und das Entscheidende sind halt wirklich die Daten.
• 22:42
  Speaker 0: Also wir setzen halt in den seltensten Fällen, will ich nur auf den Trainingsdaten auf.
• 22:48
  Speaker 0: sondern schauen, was ist ein relevanter Datensatz.
• 22:51
  Speaker 0: Und es kann ganz unterschiedliche Dinge sein.
• 22:54
  Speaker 0: Es kann sein, was steht irgendwo im Internet, in irgendwelchen Blocks, auf irgendwelchen Medienseiten, was auch immer, Social Media,
• 23:03
  Speaker 1: das
• 23:04
  Speaker 0: können auch ganz unterschiedliche andere Quellen sein und nutzen dann wirklich KI eher, um diese Daten zu klassifizieren, zu analysieren.
• 23:15
  Speaker 0: um dann halt Schritt für Schritt Ergebnisse zu produzieren.
• 23:20
  Speaker 1: Jetzt verantwortest du oder bist du schon nah beim Kunden und steckst du wahrscheinlich viel in Projekten drin.
• 23:27
  Speaker 1: Was mich total interessieren würde ist mal so ein bisschen, was waren für dich so die überraschendsten Erkenntnisse aus den letzten Projekten oder vielleicht auch in deiner Zeit jetzt bei Statista, die du so aus so Kundenprojekten rausgezogen hast.
• 23:45
  Speaker 0: Also ein Beispiel, eins habe ich schon genannt, das war das mit dieser systematischen Unter- und Überschätzung.
• 23:52
  Speaker 0: Das war zum Beispiel sehr plakativ an der Stelle.
• 23:57
  Speaker 0: Ein anderes Beispiel ist, wo auch dann Effekte, die selbst unser Kunde gar nicht auf dem Schirm hatte, dann auch zu großen Verzerrungen geführt.
• 24:09
  Speaker 0: haben.
• 24:09
  Speaker 0: Also wir haben beispielsweise ein Projekt durchgeführt für einen Hersteller von weißer Ware, Kühlschränke, Geschirrspieler und ähnliches.
• 24:18
  Speaker 0: Und die wollten ein Modell haben für einen taktischen Umsatzvorkast.
• 24:23
  Speaker 0: Also wo sie so ein halbes Jahr in die Zukunft schauen können, wie viele Waschmaschinen und Geschirrspieler werden wir verkaufen, um danach dann Produktion und Vertriebsplanung zu machen.
• 24:33
  Speaker 0: Und haben dann lange Zeitreihe analysiert von Daten.
• 24:39
  Speaker 0: Und dann auch Sensionalität rausgearbeitet, Trends rausgearbeitet und hatten aber ganz, ganz große Herausforderungen, so einzelne große Peaks zu erklären und sind dann halt tiefer mit unserem Kunden da eingestiegen.
• 24:52
  Speaker 0: Und es hat sich rausgestellt, dass der Kunde sich selber verursacht hat, weil das waren Preiserhöhungen, die dann angekündigt wurden.
• 24:59
  Speaker 0: Also nächstes Quartal erhöhen wir die Preise um acht Prozent.
• 25:02
  Speaker 0: Ja,
• 25:02
  Speaker 1: und dann haben wir alle vorhergekommen.
• 25:04
  Speaker 0: Und dann haben sich die ganzen Großhändler und Händler natürlich die Lager voll gemacht.
• 25:08
  Speaker 0: Und da wäre natürlich der nächste naheliegende Schritt gewesen, zu versuchen, diesen Effekt rauszurechnen, was dann daran geschreitert ist, dass diese Daten beim Kunden nicht gut genug gepflegt waren.
• 25:19
  Speaker 0: Also einfach diese historischen Preiserhöhungen aus den letzten zehn Jahren einfach nicht in den Systemen waren.
• 25:24
  Speaker 0: Also es kommt immer wieder auf den Punkt zurück, es sind einfach gute Daten, die dann den Unterschied machen.
• 25:33
  Speaker 1: Jetzt wissen es viele ja viel besser.
• 25:38
  Speaker 1: Ich kann mir gut vorstellen, dass ihr oft auch vielleicht in Runden sitzt und eure Datenerkenntnisse präsentiert und irgendwie so ein bisschen das interne Bauchgefühl sagt, nee, so ist es nicht.
• 25:55
  Speaker 1: Hast du, wie reagiert ihr da?
• 25:58
  Speaker 0: Also ich finde es eigentlich über eine schöne Situation.
• 26:01
  Speaker 0: Also ich finde es schön, wenn es intern passiert, wenn es beim Kunden passiert, ist es schwieriger, weil wir uns natürlich, also wir entwickeln Hypothesen am Anfang von unserem Projekt, was wir erwarten.
• 26:13
  Speaker 0: Und wenn dann die Ergebnisse den Hypothesen widersprechen, dann hat man entweder spannende Erkenntnisse generiert oder man hat irgendwie ein Problem im Laufe des Prozesses.
• 26:24
  Speaker 0: Und es ist dann eine Chance, normativherein zu gehen.
• 26:26
  Speaker 0: Also es ist dann genau so ein Punkt, wo man natürlich dann schaut, passt das alles zusammen, kann man es erklären.
• 26:32
  Speaker 0: Und ich mich dann immer frag, kann ich dann die Geschichte?
• 26:36
  Speaker 0: Erzählen, also kann ich mich vor den Kunden stellen, das erzähle ich dann auch den Analysten bei mir im Team.
• 26:42
  Speaker 0: Wenn du so einen Punkt hast, stell dir vor, du bist jetzt im Kunden-Meeting und musst diesen Datenpunkt erklären.
• 26:48
  Speaker 0: Und wenn du dann keine Geschichte hast, dann haben wir ein Problem an der Stelle.
• 26:54
  Speaker 1: Also Geschichte für Begründung, warum Daten?
• 26:56
  Speaker 0: Genau.
• 26:58
  Speaker 0: Aber natürlich gibt es da herausfordernde Situationen.
• 27:06
  Speaker 0: wo auch dann bei unseren Kunden natürlich da auch unterschiedliche Interessen vorliegen.
• 27:11
  Speaker 0: Also für mich persönlich herausfordernde Situation war beispielsweise, als wir den Markt für Flip Flops mal abgeschätzt haben, unterschiedlichen Märkten.
• 27:25
  Speaker 0: Und die Vertriebsorganisation des Kunden halt immer der Meinung war, wir schätzen den Markt ... viel zu groß an der Stelle.
• 27:37
  Speaker 1: Weil sie dann noch viel mehr machen müssten.
• 27:38
  Speaker 0: Weil sie dann noch viel machen müssten, genau.
• 27:40
  Speaker 0: Und sie eigentlich schon dreißig Prozent Marktanteil haben und da gar nichts mehr zu holen ist.
• 27:44
  Speaker 0: Und wie ihr aber gesagt habt, der Markt ist viel größer, ihr habt nur zehn Prozent Marktanteil.
• 27:48
  Speaker 0: Und da haben wir natürlich viel Gegenwind bekommen an der Stelle und mussten dann sehr, sehr... deutlich machen und die Qualität, mit der Qualität des Ansatzes, ich versuche zu überzeugen, was dann auch genug ist am Ende, aber das sind ja schon Situationen, wo man natürlich viel Gegenwend auch bekommt.
• 28:08
  Speaker 1: Ja, spannend.
• 28:09
  Speaker 1: Ich glaube, das ist da immer immer dieser, was die über ich gut über Jahre aufgebaut hat, ist natürlich dieser Trust.
• 28:15
  Speaker 1: Aber Daten über eine Geschichte zu erzählen, ist natürlich immer der, oder kann ein großer Erfolgsfaktor sein.
• 28:21
  Speaker 1: Und auf der anderen Seite sitzen natürlich trotzdem Leute, die auf Basis ihres Bildungsgangs, ihrer ehemaligen Erfahrung bei anderen Arbeitgebern, auf Basis von was auch immer das Gefühl haben, die Daten müssen wie folgt sein oder die Ergebnisse müssen wie folgt sein.
• 28:37
  Speaker 1: Und dann arbeitest du ja schon gegen den Bayes, um erstmal zu begründen, warum die innere Überzeugung von Menschen eigentlich falsch
• 28:44
  Speaker 0: ist.
• 28:45
  Speaker 0: Also ein typisches Beispiel geht in eine ähnliche Richtung, wenn wir jetzt im Marktentwicklung zum Beispiel abbilden und die Situation beim Kunden selber nicht rosig ist, denkt er natürlich auch, also ich schrumpfe mit dem Markt.
• 29:00
  Speaker 0: Der Markt ist schlecht und wenn wir dann sagen, ich wächst der Markt und du schrumpfst, auch keine schöne Situation.
• 29:09
  Speaker 1: Aber soll ja Job natürlich die Sachen auch, so wie ihr sie wahrnimmt, zu kommunizieren?
• 29:15
  Speaker 1: Genau.
• 29:17
  Speaker 1: Was mich so interessieren würde, Eike, ist, wie lange bist du bei Statista?
• 29:22
  Speaker 0: Sieben Jahre.
• 29:23
  Speaker 1: Wie lange gibt es Statista Plus?
• 29:25
  Speaker 0: Das ist durch unterschiedliche Entwicklungsphasen gegangen.
• 29:29
  Speaker 0: Also eigentlich relativ schnell, weil es ganz am Anfang von Statista einfach ein Weg war, ein bisschen Geld zu verdienen an der Stelle mit Projekten.
• 29:39
  Speaker 0: Also Statista Plus, also die Marke gibt es noch nicht so lange, aber... Dieses Projektgeschäft gibt es eigentlich seit der Gründung von Städten.
• 29:48
  Speaker 0: Ja,
• 29:48
  Speaker 1: weil was mich interessieren würde, was sind typische Projekte jetzt versus der Vergangenheit?
• 29:56
  Speaker 1: Also wie hat sich euer Geschäft verändert?
• 30:00
  Speaker 0: Also die Projekte sind deutlich größer und komplexer geworden.
• 30:05
  Speaker 0: Also selbst vor sieben Jahren, als ich angefangen habe, gab es immer noch viele Projekte, die dann Man googelt mal fünf Tage ein bisschen rum, schreibt's mal auf drei PowerPoint-Seiten.
• 30:21
  Speaker 0: Und das ist dann das Projekt.
• 30:23
  Speaker 0: Da hat mir ganz viele Projekte, die so rostrukturiert waren.
• 30:29
  Speaker 1: Woher einfach sozusagen, weil du es jetzt so schnell gesagt hast, aber woher eigentlich klassische Research-Arbeit gemacht habt.
• 30:36
  Speaker 1: Genau.
• 30:37
  Speaker 0: Und solche Themen gibt's fast nicht mehr.
• 30:39
  Speaker 0: Weil das natürlich Themen sind.
• 30:41
  Speaker 1: Die internen beim Kunden sind oder die ... durch eure Plattform abgedeckt werden oder wie?
• 30:46
  Speaker 0: Ja, oder auch durch alle Lamps an der Stelle.
• 30:48
  Speaker 0: Also dafür gibt einfach niemand mehr Geld aus, heutzutage, weil irgendwas zu verkaufen als Neuigkeit, was irgendwo mit der Net steht.
• 30:58
  Speaker 1: Obwohl du, du musst fair, aber da müssen die Leute doch verstehen, wie sie zu prompten haben.
• 31:03
  Speaker 1: Also ich habe immer noch das Gefühl an vielen Stellen, dass, wie du sagst, du hast ja vorhin gesagt, gab das Large Language Model... ist gebeilst.
• 31:10
  Speaker 1: Im Worst Case gibt es Quellen an, die gar nicht existiert haben und du kannst ja nicht mit der Management Summary irgendwo eine Story erzählen, obwohl sie gar nicht stimmt.
• 31:21
  Speaker 1: Also ich glaube schon, dass ich euch unterstellen würde, dass man stets das schon nochmal hingeht, um wirklich eine validierte Aussage zu bekommen.
• 31:29
  Speaker 1: Vielleicht macht es Sinn, bietet ihr ja auch an auf der Webseite, ich habe ja so einen Testzugang mal bekommen, die Research AI.
• 31:40
  Speaker 1: Weil man den Trust hat, man hat es von euch.
• 31:42
  Speaker 0: Ja, also ich war jetzt natürlich bei unserem Projektgeschäft an der Stelle.
• 31:48
  Speaker 0: Natürlich ist Statista eine Quelle, die valide ist an der Stelle, wo wir ja auch die Strategie beispielsweise dann geändert haben.
• 31:59
  Speaker 0: Vorher waren wir halt sehr, sehr offen mit unseren Daten, damit wir gut bei Google gefunden werden.
• 32:06
  Speaker 0: dann landen natürlich viele Daten in LLMs an der Stelle und jetzt deutlich restriktiver sind an der Stelle.
• 32:15
  Speaker 0: Aber die Projekte, die wir jetzt unserem Projektgeschäft machen, sind einfach deutlich größer und komplexer geworden, weil die Zahlungsbereitschaft deutlich... kleiner ist für diese kleineren Themen.
• 32:29
  Speaker 0: Also ich gebe dir... ...sobald
• 32:30
  Speaker 1: man sie selber machen kann.
• 32:31
  Speaker 0: Genau.
• 32:32
  Speaker 0: Oder weil zumindest die Vermutung besteht, dass man sie selber machen kann.
• 32:37
  Speaker 1: Hast du ein Beispiel für ein plakatives Projekt?
• 32:42
  Speaker 1: Hast du ja eigentlich gerade schon genommen damals, aber für eine Größe an Volumen am Projekt jetzt?
• 32:47
  Speaker 1: Also sind die Unternehmen... Daten informierter geworden, also lassen sie sich mehr Informationen von euch geben um relevante strategische Entscheidungen zu treffen.
• 33:03
  Speaker 0: Also die Bandbreite ist natürlich groß von Projekten.
• 33:11
  Speaker 0: Also es gibt auch Projekte, die dann so ein, wir haben auch hier so ein Research Service, also der jetzt nicht Daten von unserer Plattform nur bereit steht, sondern noch extern.
• 33:22
  Speaker 0: Da kann man Pakete kaufen.
• 33:24
  Speaker 0: Das ist das Einstiegsprodukt sozusagen.
• 33:28
  Speaker 0: Dann gibt es aber auch Projekte, die dann mittleren, sechsstelligen Umfang haben.
• 33:35
  Speaker 0: Also wo dann wirklich ein großes Team über Monate arbeitet.
• 33:40
  Speaker 0: Und auf dessen Basis dann Kunde wirklich relevante strategische Entscheidungen trifft.
• 33:45
  Speaker 0: Also ich gehe in einen neuen Markt rein oder ich entwickelne neue Produktlinie oder ähnliches.
• 33:52
  Speaker 1: Das ist auch rechtfertig, dass man da so viel Spending rein.
• 33:55
  Speaker 1: Auf
• 33:55
  Speaker 0: jeden Fall.
• 33:55
  Speaker 0: Ja.
• 33:56
  Speaker 1: Jetzt habe ich dich viel über Vergangenheit und heute gefragt, wie, wenn du eine Glaskugel vor dir stehen hast, wie siehst du dann die nächsten Jahre?
• 34:07
  Speaker 0: Also, ich habe schon eine extreme Beschleunigung gefahren genommen.
• 34:11
  Speaker 0: Also, was super spannend ist an der Stelle, aber wo wir natürlich auch Herausforderungen haben.
• 34:21
  Speaker 0: KI auch einfach ein Wettbewerber ist, natürlich.
• 34:25
  Speaker 0: Und solche Themen wie wir haben vorhin über synthetische Daten, synthetische Populationen gesprochen, das ist schon ein Thema, was glaube ich jetzt nicht nur ein Hype und Bass ist, sondern was auch bleiben wird.
• 34:39
  Speaker 0: Weswegen wir aber auch viele andere in der Industrie sich damit auseinandersetzen.
• 34:44
  Speaker 0: Also ich glaube, das wird schon ein Element sein, was klassische Marktforschung zumindest ergänzen.
• 34:50
  Speaker 0: wird und damit auch wieder neue Möglichkeiten schafft.
• 34:54
  Speaker 0: Also meine Perspektive wäre, dass man einfach viel schneller verschiedene Variationen mal schnell prüfen kann.
• 35:05
  Speaker 0: Also du hast zwanzig Ideen für Kampagnen beispielsweise, dann jagst du die durch so eine synthetische Befragung durch und kannst halt relativ schnell die siebzen Ideen ausschließen, die einfach quatsch.
• 35:17
  Speaker 0: Und dann halt bei den drei, die die Potenzial haben, dann halt in die Tiefe gehen und dann da auch dann mehr Geld ausgeben.
• 35:26
  Speaker 0: und dann bin ich auch mit echten Menschen in die Tiefe gehen.
• 35:29
  Speaker 0: Ja, das
• 35:29
  Speaker 1: habe ich auch vorhin gedacht gehabt.
• 35:30
  Speaker 1: Als ihr gesagt habt, ihr habt sozusagen die deutsche Bevölkerung dargestellt, eigentlich könnten Parteien von, ich teste meine Wahlwerbung, was natürlich nicht so cool wäre.
• 35:44
  Speaker 1: Zweck so Richtung Beeinflussung.
• 35:46
  Speaker 1: Aber viele Unternehmen könnten ja extrem Produkte testen, Marketing, Kampagnen testen, um immer wieder Feedback zu bekommen und dann natürlich mit großen Kampagnen dann die Möglichkeit zu haben, validiert auf dem Markt zu gehen.
• 35:59
  Speaker 1: Also diesen AB-Test zu machen, den man sonst vielleicht nicht hat.
• 36:02
  Speaker 0: Ja, und das wird kommen und das gibt es auch schon.
• 36:05
  Speaker 0: Das steckt noch in den Kinderschuhen und alle oder viele behaupten, sie können das schon.
• 36:12
  Speaker 0: Aber es bewegt sich sehr, sehr schnell.
• 36:15
  Speaker 0: Und ich glaube, da ist schon eine Richtung, auch in die sich Marktvorstellung entwickeln wird.
• 36:21
  Speaker 0: Und will ich dann diese schnellen Tests zu machen, Schnellergebnisse zu haben, was natürlich auch eine Erwartungshaltung dann immer weckt.
• 36:28
  Speaker 0: Ja,
• 36:29
  Speaker 1: spannend, sehr spannend.
• 36:35
  Speaker 1: Jetzt gibt es nicht alle Unternehmen, die so sehr Daten getrieben sind oder Daten informiert, Daten inspiriert sind, also die drei Begriffe, die man so ein bisschen verwenden kann.
• 36:49
  Speaker 1: Was können Unternehmen, die heute dennoch klassisch so ein bisschen die Daten erheben, Marktforschung machen, von euch lernen, um den nächsten Schritt in den Bereich zu machen?
• 37:02
  Speaker 0: Also ich glaube, dass man mit, wir hatten vorhin das Thema so gute Promps, damit kann man schon sich eine gute Basis schaffen und sich mal ein Thema erschließen.
• 37:13
  Speaker 0: Das ist sicherlich auch nichts, was jeder... kann, aber ich glaube, was jetzt auch, also wenn ich jetzt meine Tochter sehe, die ist, die ist vierzehn, die kann das inzwischen.
• 37:22
  Speaker 0: Also ich glaube, das wird einfach... Gute Broms
• 37:24
  Speaker 1: schreiben.
• 37:24
  Speaker 0: Gute Broms schreiben, um sich mal für eine Klassenarbeit vorzubereifen.
• 37:30
  Speaker 0: Und ich glaube, also das wird nicht mehr zu stoppen sein und wird sich dann sicherlich einfach spätestens mit der nächsten Generation etablieren.
• 37:39
  Speaker 0: Aber das ist natürlich nur der Anfang und einfach, ja, also... Ich glaube, es geht immer wieder auf die Qualität der Daten zurück.
• 37:51
  Speaker 0: Und das ist halt dann auch nichts, wo die KI dir helfen kann.
• 37:55
  Speaker 0: Also wenn deine eigenen Daten schlecht sind, wenn die nicht zur Verfügung stehen, dann kannst du da so viel Analysepower drauf werfen, wie du möchtest.
• 38:07
  Speaker 0: Da kommst du dann nicht besonders weit.
• 38:10
  Speaker 0: Also einfach eine Offenheit zu haben, wir hatten ganz am Anfang diese Situation vor dem Whiteboard an der Stelle, zu gucken, welche Daten habe ich intern, welche Daten gibt es extern, die ich nutzen kann für die Fragestellung, die ich habe.
• 38:28
  Speaker 1: Ja, ich glaube, der wichtigste Punkt ist und deswegen funktioniert, glaube ich, euer Business auch gut, weil er damit früher angefangen hat, ist das Thema gebraust weiterhin vertrauenswürdige Quellen der Daten.
• 38:41
  Speaker 1: Und das zu verifizieren, dass die nicht, sozusagen synthetisch hergestellt wurden, dass die nicht manipuliert wurden, dass die kein Beis sind.
• 38:51
  Speaker 1: Natürlich habt ihr auch das Problem, aber ihr habt natürlich auch schon gute Beziehungen zu vielen der Datenquellen, die ihr schon habt.
• 38:59
  Speaker 1: Das wird, glaube ich, der Punkt sein.
• 39:01
  Speaker 1: Ich glaube, wir haben jetzt diesen aus, also AI Modelle funktionieren gut bei der Auswertung vielleicht, bei dem Schritt.
• 39:10
  Speaker 1: die Daten dann zu aggregieren und zusammenzuführen.
• 39:12
  Speaker 1: Aber du brauchst eben diesen ersten Punkt valide Daten und dann perspektivisch raus, dieses ohne einen Zwangsweisen bei es zu haben, Empfehlungen daraus abzuleiten.
• 39:23
  Speaker 1: Und das heißt, eigentlich geht in der Wertschöpfung, die ihr jetzt in der vollen Breite abgedeckt habt, zum kleineren Teil vielleicht raus, was aber auch okay ist, weil ihr selber ja auch diese Technik nutzen könnt.
• 39:35
  Speaker 1: Und dann geht es, glaube ich, in die richtige Richtung.
• 39:37
  Speaker 1: Bis die Teile der qualifizierten Datenquellen rausgeht und auch dieser Inzalt sich, glaube ich, dafür brauchen wir noch sehr, sehr lange.
• 39:46
  Speaker 0: Ja.
• 39:47
  Speaker 0: Also ein schönes Beispiel ist die synthetische Population, um da nochmal darauf zu kommen, wo wir, also was wir als Basis nutzen, sind einfach Zensusdaten, also öffentliche Statistiken, die wir dann desaggregieren an der Stelle.
• 40:02
  Speaker 0: Also wir wissen in der Gemeinde leben zehn Männer zwischen dreißig und vierzig, das wären halt zehn in die Welt Männer, die dann dreißig, fünfund dreißig, siebenund dreißig sind.
• 40:12
  Speaker 0: Aber dann halt auch andere Daten anreichern, zum Beispiel aus, aus Umfragen und muss halt immer, muss die Quelle kennen, muss wissen, was ist Valide, wo kommt's her?
• 40:22
  Speaker 0: Also schönes Beispiel ist PKW-Besitz.
• 40:28
  Speaker 0: wo wir gesehen haben, die Umfragen sind so Premium-Marken, Audi, BMW, Autos, die die Leute gerne fahren würden, immer leicht überrepräsentiert und so Marken wie Skoda, Dacia sind dann eher so leicht unterrepräsentiert.
• 40:45
  Speaker 0: Und was wir dann konkret machen ist, dass wir dann diese Daten nehmen, aber dann mit offiziellen Zulassungsstatistiken vom Grafverbundesamt abgleichen und matchen.
• 40:54
  Speaker 0: Und das ist dann halt viel Arbeit, diesen Matching-Prozess zu machen, weil dann halt hast du eine sehr, sehr valide Datenbasis.
• 41:04
  Speaker 1: Die zwei klassischen Fragen, die jedem Gast stellen, nämlich was machst du privat noch mit Daten, machst du da überhaupt noch was, nachdem du dich den ganzen Tag auch mit Kunden beschäftigst und deren Daten und Marktdaten?
• 41:15
  Speaker 1: und welchen Filmtitel würdest du denn unserer Folge geben?
• 41:19
  Speaker 0: Also ein Thema, wo ich mich privat noch mit Daten auseinander setze, ist ein Kapitalmärktebörse.
• 41:26
  Speaker 1: Ein Anleger, also?
• 41:27
  Speaker 1: Ja,
• 41:27
  Speaker 0: genau.
• 41:28
  Speaker 0: Weil ich einfach diese Mischung aus, du hast unendlich viele Daten, aber Psychologie spielt auch eine große Rolle, extrem spannend finde.
• 41:36
  Speaker 0: Und mich da dann privat noch mal mit Daten ein bisschen ausdrehen.
• 41:40
  Speaker 0: Und Filmtitel, also ich... Bezeichne eigentlich immer das Bild, was ich im Kopf habe oder auch Skiziere für die Art und Weise, wie wir an diese Projekte reingehen.
• 41:54
  Speaker 0: So ein großes Puzzle.
• 41:56
  Speaker 0: Also fängst halt an mit vielen Teilen und fängst dann an, die Schritt für Schritt zusammen zu puzzeln.
• 42:02
  Speaker 0: Also das Puzzle oder die Riddle, also das wäre so die Idee, die ich hätte.
• 42:11
  Speaker 1: Vielen, vielen Dank für die Folge.