Axel Bange

Kamingespräch vom 14. September 2021Knapp 40 Data- und Analytics-Verantwortliche und BARC-Analyst:innen sind zum virtuellen Kamingespräch zusammengekommen. Der thematische Schwerpunkt lag auf KI.Diese Mitschrift enthält eine stichpunktartige Zusammenfassung der wesentlichen Gesprächsbeiträge.Begrüßung durch Dr. Carsten Bange & Neues von BARCAI Solution Map – BARCs neue Marktübersicht, die eine strukturierte und interaktive Anbieter/Produktübersicht über KI-Lösungen und Applikationen abbildet.   Begrüßung Thomas Zeutschler, neuer BARC-Mitarbeiter nach über 20 Jahren bei Henkel. Ab nächstes Jahr Kamingespräch wieder live, am 7. Dezember, 9-11 Uhr, noch online. Thema dann: Data & Analytics Strategie & ArchitekturVortrag – The new normal: Analytics & BI nach der PandemieSprecher: Dr. Carsten BangeBARC Post Covid Survey (Veröffentlichung folgt) zeigt, dass Business-Intelligence-Initiativen aufgrund der Pandemie in Unternehmen zunehmend forciert werden:Data Platforms werden ausgebaut. Planning & Forecasting sind wichtige Themen: Viele Investition gerade im Forecasting. Für schnellere Ergebnisse, bis hin zur Automatisierung von Forecasting. Heißes Thema im CPM: stärkere Automatisierung von CPM-Prozessen Strategien für Data & Analytics werden überdacht und auch Data Governance ist weiterhin im Fokus. In den nächsten zwölf Monaten werden 76% der befragten Unternehmen ihre BI-Initiativen weiter ausbauen. 2. AI/Advanced-Analytics-Initiativen (60%). 3. Data-Governance- / Data-Quality-Initiativen (59%) „Welche Maßnahmen hätten euch während der Pandemie geholfen?“ 27 % der Umfrageteilnehmer antworteten mit „nichts/waren gut aufgestellt“. Im Umkehrschluss waren 73 % nicht gut aufgestellt. Datenqualität wieder mal an erster Stelle (31%). „Wenn wir bessere Datenqualität hätten, wären wir besser durch die Krise gekommen.“ Ressourcen & Trainings sind auch wichtige Kompetenzen, von denen Unternehmen in der Pandemie gerne mehr gehabt hätten. Die Umfrage zeigt, dass nach der Pandemie Unternehmen zunehmend „datengesteuert“ sind (Relevanz 5,9 auf 6,6 von 10).Wichtige Aussagen BARC Post Covid Survey:Pandemie hat Datensteuerung in Unternehmen vorangetrieben BI “back on the map” AI/Analytics kommt zurück Erneuerter Fokus auf Data Governance & Data Quality Flexibilität und Agilität sind extrem wichtigKommentar Teilnehmer: „Es wiederholt sich, was wir 2008 gesehen haben, was ich auch persönlich erlebt habe: Plötzlich gibt es eine hohe Nachfrage nach BI und Daten im Unternehmen: Wie können wir BI in die Kommunikationsprozesse einbinden? Collaborative BI spielt dafür eine wichtige Rolle. Bei uns im Unternehmen verzeichnen wir eine deutlich stärkere interne Nachfrage nach Daten.“Anmerkung Carsten Bange: Neulich hat Douglas im BI or DIE Data Talk berichtet, dass sie im Sinne der Collaborative BI kleine Videos aufnehmen, in denen Sie Kommentierungen bspw. für Reports einsprechen. Das hat in dem Unternehmen wohl super eingeschlagen. Es gibt eine hohe Akzeptanz und Nutzung des Formats. Schönes Beispiel für Collaborative BI.Vortrag – Data Driven Enterprise: It starts with Data and Algorithms but has to succeed with culture Sprecher: Thorsten Kranz, Lead Data Scientist @ Deutsche Post DHL GroupKurze Übersicht Deutsche Post / DHL:Das Unternehmen hat weltweit 550000 Mitarbeiter:innen und ist der größte Paket- und Briefanbieter in Deutschland. 57 Mio. Briefe & 5 Millionen Pakete an einem Wochentag in Deutschland (bis zu 14 Mio Pakete). Internationales Expressgeschäft, 1 Million Express Shipments pro Tag. Air freight und Ocean freight. 13,2 Mio m2 Lagerfläche.Data Analytics Center of ExcellenceDas Data Analytics Center of Excellence gibt es seit 2014. Inzwischen ist es eine hybride Organisationsstruktur mit verschiedenen Data-Science-Teams, die sich durch die Nähe zum Business und zu den Use Cases auszeichnen. Das höchste Steuerungsorgan ist das Analytics Steering Board- Der CEO leitet es und übernimmt massiv Verantwortung in dem Bereich. Dort werden Roadmaps definiert, Investitionsentscheidungen getroffen und Verantwortlichkeiten zugewiesen.Neben dem Kerngeschäft sind die Digitalisierung und Advanced Analytics Kerninvestitionsbereiche im Unternehmen. Bisher 1,2 Mrd Euro Invest. Schon jetzt echten Mehrwert und Impact. Data Science: ca. 100 „echte“ Data Scientists weltweit. 100+ Use Cases. Einsatzbereiche: Forecasting, Optimization, Customer Analytics, Prediction, Finance Topics etc.Forecasting ist ein sehr wichtiges Thema, um Volumina besser abschätzen, zu planen und steuern sowie unsere Ressourcen optimal einsetzen zu können.Finanzielle Themen sind auch extrem wichtig. Optimierung des Cash Flows mit Advanced Analytics/Machine LearningData Culture & CollaborationFür den Erfolg eines Data-Science-Projektes ist es elementar, dass nicht nur Data-Science-Expert:innen, sondern alle im Unternehmen eingebunden werden. Wir müssen also Kollaboration vorantreiben, um die richtigen Use Cases zu identifizieren. Sehr wichtig ist ein „Executive Commitment“. Die Umstellung des Unternehmens zu „data-driven“ muss oben anfangen. Das braucht Geduld, Durchhaltevermögen und hohen Aufwand. Nur dann kann es gelingen. In der Führungsebene muss ein Bewusstsein für Data Analytics da sein und ein klares Commitment zu Data Culture. Von allen Use Cases machen wir kurze Videos, um Interesse an Data Science zu wecken. Gutes Beispiel ist die Ansage des früheren CEOs: „Wer Daten zurückhält, kann sich einen neuen Job suchen!“. Die Aussage hat nachhaltig gewirkt, in dem Sinne, dass das Bewusstsein für Daten geschaffen wurde, weniger aus Angst seinen Job zu verlieren. Das Unternehmen treibt auch stark den informellen Austausch, indem man zwei Leute im Unternehmen matcht, die sich zu Datenthemen austauschen: das ist ein sehr erfolgreiches Projekt.Schulung von Mitarbeiter:innenEs ist wichtig, alle im Unternehmen mitzunehmen. Viele Mitarbeiter:innen auf unteren Ebenen machen das erst mal nicht aus Überzeugung. Hier muss geschult werden, dass es nicht um irgendwelche abstrakten IT-Themen geht, sondern es für sie sehr relevante Prozesse betrifft. Es wurde ein Programm aufgesetzt, mit dem nächstes Jahr 2.000 Manager:innen geschult werden sollen. Das ist ein ganztägiges Training zu den Themen Data Science und Machine Learning mit klarem Fokus darauf, den Mitarbeiter:innen vor Augen zu halten, wie das Business davon profitiert. Es wurden in den letzten Monaten 40 Facilitators ausgebildet, die die Trainings durchführen. Auch wichtig für die interne Kommunikation ist die Präsentationen von erfolgreichen Use Cases. Das Unternehmen macht auch mal größere Events: Zum Beispiel haben sie vor kurzem eine ganze Woche interne Konferenzen zum Thema Data Science durchgeführt. Dort haben einzelne Business Units vorgestellt, was sie tun. Das hat Austausch und Interaktion massiv vorangetrieben. Es gibt auch ein Team Training Programm, das Mitarbeiter:innen jenseits der Management-Ebene durchlaufen können. Dort wird erklärt, warum Data Science und Datenqualität wichtig sind. Das Programm haben bereits 10.000 Teilnehmer:innen abgeschlossen, Ziel: „sechsstellig“. Das Training wurde in sechs Sprachen übersetzt, jeder im Unternehmen sollte das bestenfalls machen. Das Endziel ist aber nicht Trainings durchzuführen, sondern veränderte Verhaltensweisen hervorzubringen. Das versuchen wir zu messen, indem wir ein sehr umfangreiches Tracking von monetären Zielen und in Business Units durchführen. Sonst trackt das Unternehmen bisher nicht, Kranz ist interessiert daran, was man da machen kann, es ist schon ein bisschen Blindflug.Anmerkung Teilnehmer: Was bei uns gut geklappt hat, war uns selbst zurückzunehmen und angebotsorientiert zu arbeiten. Zunächst „Datenservices“ weniger Analytics, und dadurch die Leute reingezogen. Das informelle haben wir auch gemacht.Vortrag – Building an end-to-end data-driven product: it’s about your customers, fool!Sprecher: Sébastien Foucaud, Chief Data Officer @ HRS Hotel Reservation ServiceHRSHRS vermittelt ausschließlich Unterkünfte – „Hotel Reservation Service“ und dies überwiegend an Geschäftskunden und große Unternehmen. Das Online-Portal gibt es seit vielen Jahren. HRS operiert weltweit: 800.000 Hotels, 6.000 Kunden, darunter unter anderem etwa 70% der Fortune 100 Unternehmen.Data Products & Data CultureData Analytics und Datenprodukte werden durch eine Kombination aus Technologie, Talent und Kultur innerhalb des Unternehmens gefördert. Die größte Herausforderung gibt es im Bereich der „Data Culture“. Ein Challenge ist der Disconnect zwischen den Erwartungen der Stakeholder an Data Anaytics und dem tatsächlich Umsetzbaren.Data Science & Machine Learning – Entwicklung von DatenproduktenData Science und Machine Learning sind zuallererst technische Herausforderungen, die komplexe Problemstellungen mit sich bringen: Es braucht die richtige Infrastruktur, die richtigen Ressourcen, Prozesse, Daten, Funktionen, ML, Tests etc. Schlanker Ansatz insbesondere für Machine Learning – man muss seine Modelle trainieren: Hypothese, experimentieren, messen, iterieren, lernen. Sie nutzen den Ansatz des „minimal viable product“: man sollte Diskussionen über Funktionen vermeiden, stattdessen die gesamte Kette der Produktentwicklung adressieren. HRS hat einen Prozess für Data-Science-Projekte aufgesetzt, der den Lebenszyklus des Projekts vom Business Need über Modellierung bis hin zum Deployment abbildet. „Metriken sind die Währung der Produktentwicklung“: Den Erfolg der Produktentwicklung an Kennzahlen messen. Man sollte den Business Impact eines Datenproduktes schätzen und später prüfen, was der tatsächliche Business Value ist/war. Machine Learning sollte nicht nur den Ingenieuren überlassen werden. Leistungsfähige und widerstandsfähige, abteilungsübergreifend Teams sind der Schlüssel. Funktionsübergreifende Teams: ML-Ingenieur, DS, Front-End-Ingenieur, Salesforce, Data Engineer, Marketeer, Product Owner, Back-End-Ingenieur usw.