Data Science ist gescheitert

Zusammenfassung

Eine fokussierte Sitzung darüber, warum die unternehmensweite Data Science in supply chains oft nicht die erhofften Ergebnisse erzielt hat und wie man dies schnell beheben kann. Wir werden den wahren Zweck von Data Science-Teams untersuchen, wie man sie effektiv einsetzt und wie man ihren Einfluss ab heute verstärkt.

Volles Transkript

Conor Doherty: Dies ist Supply Chain Breakdown, und heute werden wir aufschlüsseln, warum wir glauben, dass die unternehmensweite Data Science gescheitert ist.

Eine weitere unkontroverse Einschätzung hier bei Lokad. Mein Name ist Conor; ich bin Kommunikationsdirektor hier bei Lokad.

Und zu meiner Linken, wie immer, Lokad-Gründer Joannes Vermorel. Bevor wir jedoch in die Diskussion einsteigen, kommentiert unten: Seid ihr sofort mit unserer Einschätzung nicht einverstanden? Hat die unternehmensweite Data Science insgesamt versagt?

Das werden wir im Verlauf der Diskussion herausfinden. Schickt eure Fragen und Kommentare ein. Alexey leitet heute den Live-Chat – sagt Hallo, Alexey.

Und damit, Joannes, kommen wir gleich zur Sache. Also, an oberster Stelle: die unternehmensweite – entschuldigung – Data Science ist gescheitert. Das ist eine provokante Aussage. Sie passt sehr zu unserem Image, aber ist sie übertrieben?

Joannes Vermorel: Aus meiner eigenen Sicht nicht. Ich hatte die Gelegenheit, mit, denke ich, etwa 200 Unternehmen zu sprechen – darüber, was sie in Bezug auf supply chain und Data Science tun – und bisher würde ich sagen, dass die Quasi-Totalität von ihnen keinen einzigen durchschlagenden Erfolg mit Data Science vorweisen kann.

Genauer gesagt spreche ich von Nicht-Tech-Unternehmen – abgesehen von den großen Tech-Unternehmen wie Microsoft, Amazon etc. Ich meine Nicht-Tech-Unternehmen, die umfangreiche supply chains betreiben. Und wenn ich sage „Data Science ist gescheitert“, meine ich das unternehmensinterne Team, das unter dem Namen des Data Science-Teams agiert.

Hat dieses Team etwas geliefert, das tatsächlich zur Rentabilität des Unternehmens beiträgt? Ein Prüfstein dafür ist: Wenn diese Unternehmen dieses Team über Nacht auflösen würden, wäre ihre Rentabilität erheblich beeinträchtigt – im Extremfall würden sie sogar bankrottgehen?

Wenn Data Science wirklich signifikanten Mehrwert liefern würde, dann müsste das Entfernen des Teams das Unternehmen erheblich schädigen. Meiner Ansicht nach könnten wir bei buchstäblich allen Unternehmen, die ich gesehen habe, das Data Science-Team entfernen und es wäre kaum ein Aufwand.

Conor Doherty: Okay – aber definier das Problem so, wie du es siehst. Wie siehst du eine Data Science-Abteilung? Was siehst du als Mandat – als Aufgabenbereich – bei dem sie deiner Meinung nach versagen?

Joannes Vermorel: Das ist das Problem: Data Science ist ein Mittel, kein Selbstzweck. Wenn wir eine Analogie nehmen – Ende des 19. Jahrhunderts – dieses großartige neue Phänomen, Elektrizität. Elektrizität ist fantastisch; man kann so viele Dinge damit machen. Es ist eine Erfindung, die das nächste Jahrhundert definieren wird.

Stellen Sie sich nun ein Unternehmen vor, das eine „Elektrizitätsabteilung“ einführt. Man sieht, dass die Einführung einer Elektrizitätsabteilung falsch ist – nicht, weil Elektrizität schlecht ist, sondern weil die Elektrizitätsabteilung an sich falsch ist. Das ist mein Punkt in Bezug auf Data Science.

Ich behaupte nicht, dass Data Science als Teilgebiet der Informatik gescheitert ist. Unglaubliche Dinge werden mit Modellen, Techniken und Perspektiven zur Bewältigung von Daten erreicht – das ist ein Raketenstart, und GenAI ist nur die neueste Iteration dieses Raketenstarts.

Wenn man jedoch eine Data Science-Abteilung einführt, endet man mit demselben Unsinn wie mit einer Elektrizitätsabteilung im Unternehmen. Das ist ein Mittel, kein Selbstzweck. Man will nicht Elektrizität um der Elektrizität willen; man will, was man damit machen kann – und das wird extrem verteilt sein.

Für Fabriken im Gegensatz zur Finanzwelt hat es eine völlig andere Bedeutung. Leute in der Fabrik würden sagen: „Elektrizität ist großartig; wir können Motoren haben, die schwere Dinge bewegen.“ Die Finanzabteilung würde sagen: „Wenn wir eine sehr ausgefeilte Rechenmaschine haben – das ist IBM – können wir vielleicht für uns rechnen.“ Es ist wieder Elektrizität, aber völlig anders.

Genauso ist es bei Data Science. Die unternehmensweite Data Science scheitert, weil, wenn man sie in eine eigene Abteilung isoliert, am Ende etwas entsteht, das nie wirklich in der Lage ist, etwas wirklich Bedeutendes zu liefern – weil sie nie wirklich das Mandat erhalten, dies zu tun. Sie sind nicht in einer Abteilung, die bereits eine Mission hat.

Sie befinden sich weder in der Finanzabteilung noch im Marketing. Und die Fälle, in denen es funktioniert, sind jene, in denen Menschen innerhalb einer bestehenden Abteilung mit klarem Mandat arbeiten.

Conor Doherty: Es gibt zwei Möglichkeiten, das zu betrachten: negativ und positiv. Fangen wir mit dem an, was konkret falsch läuft. Wie siehst du aktuell den Einsatz von Data Science-Teams – und warum ist das falsch?

Joannes Vermorel: Das Archetypische ist: Das Top-Management sieht in der Presse, dass Data Science angesagt ist. Das macht die Leute sehr aufgeregt: „Besorgt mir etwas AI!“ Der Vorstand kommt zusammen und sagt: „Wir dürfen das nicht verpassen. Wir brauchen das.“

Sie stellen eine Menge sehr kluger, technisch versierter Leute ein, und diese sagen: „Schaut euch all die glänzenden Open‑Source-Projekte an: pandas, PyTorch – was auch immer.“ Es gibt all diese glänzenden Spielzeuge. Lasst uns diese Open‑Source-Projekte einbringen; sie sind von unglaublich hoher Qualität und bringen Raffinesse mit sich.

Diese Tools waren maßgeblich daran beteiligt, dass Big Tech durchschlagende Erfolge erzielt hat. Also sagen die Leute: „Wir haben alle Zutaten: unglaubliche Open‑Source-Projekte und kluge Leute – wir werden Big Tech nachahmen.“ Die Folge: Es klappt nicht.

Die Leute bauen Dinge. Das typische Muster ist ein äußerst ausgefeilter, vielversprechender Prototyp – in nur ein paar Wochen. Drei Wochen später: bam, ein sehr ausgefeilter Prototyp, beeindruckend. Ein Jahr später ist er noch nicht in Produktion. Fünf Jahre später gibt es aus dieser Abteilung immer noch nichts Produktionsreifes – und sicherlich nichts, was das Spiel verändert.

Ja, hier und da gibt es kleinere Dinge, die datengetrieben sind, aber auf Französisch würde man sagen, es ist das fünfte Rad am Wagen: etwas, das nicht entscheidend wichtig ist.

Conor Doherty: Du hast „Produktion“ erwähnt, und ich möchte auf das Pilot-Purgatorium zurückkommen. Aber du hast auch Zweck, Ziel, Richtung, Funktion erwähnt – Wörter, die in die Teleologie gehen. Also, was siehst du als Ziel eines Data Science-Teams – warum existiert es, wenn es überhaupt existiert?

Joannes Vermorel: Das ist das Problem – es existiert aus demselben Grund, aus dem es in Ihrem Unternehmen eine „Elektrizitätsabteilung“ geben würde. Betrachtet man es so, sieht man das Problem: Es klingt daneben, weil es ein Mittel ist, kein Selbstzweck – selbst wenn man ein Stromanbieter wäre.

Sogar EDF, ein nationaler Stromanbieter in Frankreich, hat keine „Elektrizitätsabteilung“. Das gesamte Geschäft dreht sich um Elektrizität. Man muss sich überlegen, was man erreichen möchte. Zum Beispiel, wenn das Marketing sagt: „Wir wollen die Ausgaben für Google Ads optimieren“, dann optimiert man die Ausgaben für Google Ads.

Sie betreiben nicht „Data Science“; sie führen diese Optimierung durch. Es stellt sich heraus, dass eine Menge Daten involviert ist. Sobald man eine operative Perspektive einnimmt, hört es auf, Data Science genannt zu werden. Deshalb sage ich, dass die unternehmensweite Data Science gescheitert ist: Jedes Mal, wenn ich ein Team sehe, das immer noch „Data Science“ heißt, spiegelt es Menschen wider, die sich verirrt haben. Sie haben keinen Zweck – und in der Produktion ist in der Regel auch nichts Bedeutendes vorhanden.

Sie werden ein paar Widgets hier und da haben, aber wenn sie seit einem Jahrzehnt existieren und man außerhalb von Big Tech schaut, habe ich noch nie gesehen, dass diese Teams das Schicksal des Unternehmens in ihren Händen hielten. Bestenfalls ist es extrem zweitrangig.

Conor Doherty: Du hast Tech-Unternehmen geprüft und warst in kleineren Unternehmen – nicht in FAANG – tätig. Du hast vermutlich erfolgreiche Data Science-Teams gesehen. Was unterscheidet die guten Teams von der gescheiterten unternehmensweiten Data Science insgesamt?

Joannes Vermorel: Ich habe über 100 Startups geprüft. Es ist völlig anders, wenn ich ein Unternehmen prüfe, das Betrugserkennung betreibt.

Offensichtlich ist das das Ziel: Betrug zu erkennen. Dann segmentieren sie die Betrugsarten; sie könnten ein Team haben, das sich mit pig‑butchering-Betrügereien befasst, mit spezifischen Heuristiken und Algorithmen, um diese zu erkennen, anzugehen und effektiv an die zuständigen Behörden zu melden.

Data Science in diesen Tech-Unternehmen funktioniert, weil es buchstäblich ihr raison d’être ist. Sie beginnen mit einem Problem, das sie lösen wollen – sagen wir Betrugserkennung oder Anomalieerkennung im Maschinenbau. Um das Problem anzugehen, greifen sie zu einem bestimmten Zeitpunkt auf ausgefeilte Werkzeuge zurück.

Sie beginnen nicht damit zu sagen: „Wir haben dieses schicke Open‑Source-Paket; das sollten wir nutzen.“ Sie starten mit einem großen, bislang unzureichend adressierten Problem. Sie sehen, dass einfache Lösungen scheitern, und nachdem sie das validiert haben, holen sie die Big Guns heraus, um es anzugehen.

Oft erkennen sie, dass das Problem ungelöst bleibt, weil alles Verfügbare unzureichend ist. Open source ist fantastisch, aber unzureichend für ihr spezifisches Problem. Daher entwickeln sie ihre eigene technologische Lösung und als Nebenprodukt Open‑Source-Komponenten, die Teilsegmente ihrer Lösung sind.

Genau wie Big Tech es bei großen Problemen handhabt – dann entscheiden sie sich, Teile ihrer Lösung als Open Source freizugeben. Zum Beispiel Airflow – von Facebook – ist ein groß angelegtes, verteiltes Task-Scheduling-System mit Abhängigkeiten; sie haben es intern entwickelt, und irgendwann war es nur ein Teil einer größeren Lösung, die sie als Open Source veröffentlicht haben.

Typischerweise ist das der Weg, den diese Technologien durchlaufen. Falsch ist es zu denken, dass man diese Teile einfach nehmen und in einem großen Unternehmen wiederverwenden kann, auch wenn der Weg dorthin völlig anders ist. Diese technologischen Komponenten sind hervorragend, stammen aber aus spezifischen Entwicklungen.

Die meiste Zeit werden sie für ein großes Unternehmen, das ganz andere Probleme als Big Tech – etwa ein Unternehmen wie Meta – hat, nicht geeignet sein. Die überwiegende Mehrheit der Unternehmen auf der Welt hat überhaupt nichts mit den Problemen von Meta zu tun.

Conor Doherty: Jeder, der mit Lokads Inhalten vertraut ist, weiß, dass du oft mit der Art und Weise, wie in Unternehmen Budgets ausgegeben werden, nicht einverstanden bist. Gibt es etwas besonders Verderbliches – einzigartig Negatives – daran, wie Geld für Data Science ausgegeben wird, über bloße Verschwendung hinaus?

Joannes Vermorel: Nein – wieder einmal mangelnde Konsequenz. Aufgrund des Stereotyps, dass Data Science-Teams extrem isoliert sind, gibt es fast keine Folgen zweiter Ordnung. Sie verschmutzen nicht den Rest des Unternehmens; der Schaden beschränkt sich weitgehend auf das Geld, das für das Team verschwendet wird.

Sie sind so isoliert, dass sie nicht einmal viel Kapazität des Top-Managements in Anspruch nehmen; vielleicht ein oder zwei Meetings im Jahr. Die gute Nachricht ist, dass es sich um ein begrenztes Problem handelt: verschwenderische Ausgaben, die darüber hinaus nicht gehen.

Conor Doherty: Sie sind so isoliert – was meinst du damit?

Joannes Vermorel: Man könnte sich andere Phänomene vorstellen – Tugend‑Signalisationstrends –, die alle beschäftigen und die geistige Bandbreite des Führungsteams belasten. Das ist sehr schädlich. Data Science ist nicht so. Es ist super isoliert und keine kognitive Belastung für das Top-Management.

Für mich ist dies eine lange Tradition; sie wiederholt sich mit wechselnden Schlagwörtern. Vor fünfundzwanzig Jahren war das Schlüsselwort „Data Mining“. Unternehmen haben Data‑Mining‑Teams gegründet. Dann kamen „Digitalisierungs“-Teams, „Innovations“-Teams, nun „Data Science“-Teams – und bald „generative AI“-Teams.

Wenn man ein unternehmensinternes Team nach einem Mittel benennt – wie „Elektrizität“ – statt nach einem Zweck – wie „Betrugserkennung“ –, ist das falsch. Man sollte kein Team nach einem Mittel benennen; es sollte nach dem Zweck benannt werden.

Die Benennung ist wichtig: Sie bestimmt, wie die Menschen ihre Arbeit angehen, welche Art von Menschen man einstellt und wie sie ihre Roadmap gestalten. Wenn man ein „Data Science“-Team hat, werden sie – ratet mal – eine Data Science-Roadmap erstellen. Wenn man hingegen von einem „Betrugserkennungsteam“ spricht, wird die Roadmap lauten: „Wie beseitigen wir diesen Betrug?“

Bei Lokad haben wir vor einem Jahrzehnt tatsächlich aufgehört, „data scientists“ einzustellen. Wir stellen jetzt „supply chain scientists“ ein. Es mag wie eine kleine Wendung klingen, aber bei der Einstellung sagen wir den Kandidaten buchstäblich: Wenn Sie zu uns kommen, wird es Ihre Mission sein, die supply chains unserer Kunden so reibungslos wie möglich laufen zu lassen.

Wir geben Ihnen die besten Werkzeuge und Schulungen; Sie werden nicht allein gelassen. Aber letztlich, wenn Sie es mit grundlegender Arithmetik und ein paar Heuristiken schaffen – großartig. Wir sind nicht hier, um wissenschaftliche Arbeiten über ausgefeilte Algorithmen zu veröffentlichen. Wenn eine unglaublich einfache Heuristik das Problem löst, gut gemacht; die Wartung wird einfacher.

Im Gegensatz dazu widersprachen die Leute, als wir noch „data scientists“ einstellten: „Wir können das nicht mit einer super‑dummen Methode lösen – das ist nicht auf dem neuesten Stand der Technik. Ich brauche deep learning für meinen Lebenslauf.“ Für uns: Nein, das brauchen Sie nicht. Wenn etwas wesentlich Einfacheres als deep learning das Problem löst, benötigen Sie deep learning nicht.

Conor Doherty: Bevor ich weitermache, wir stellen supply chain scientists ein. Wenn Sie interessiert sind, senden Sie Ihren Lebenslauf an unseren Recruiting Manager.

Um etwas Kontext hinzuzufügen: Quellen wie Gartner berichten, dass nur 48% der digitalen Initiativen die angestrebten Geschäftserfolge erreichen oder übertreffen, und mehrere Umfragen zeigen, dass AI/ML-Projekte vor der Produktion ins Stocken geraten. Es gibt eindeutig ein „Pilot-Purgatorium.“ Ich behaupte nicht, dass dies ein univariates Problem ist – aber in diesem multivariaten Problem, wie viel Gewicht misst ihr den Data Science-Abteilungen bei diesem Phänomen bei?

Joannes Vermorel: Es ist überwältigend. Üblicherweise, wenn man eine digitale Initiative zur Digitalisierung – also zur Einführung eines Systems of Record – startet, funktioniert es. Zum Beispiel, wenn Ausgaben über Tabellenkalkulationen und E-Mails verwaltet werden: Man richtet ein Ausgabenmanagementsystem ein. Sechs Monate später sind die App und die Prozesse implementiert, und es funktioniert.

Systems of Record sind quasi-null-Risiko-Initiativen – auch wenn manchmal Anbieter alles andere als gut sind. Im Gegensatz dazu scheitert im Bereich der Systems of Intelligence quasi die Gesamtheit. Wenn sie von einem Data Science-Team stammt, ist meine Erfahrung, dass sie immer scheitert.

Bei Lokad hatten wir sogar Kunden mit parallelen Setups: Lokad, das supply‑chain-Entscheidungen generiert, und das interne Data Science-Team, das dies bereits ein halbes Jahrzehnt vor uns getan hatte – immer noch vorhanden, Dinge generierend, die nicht genutzt werden, sondern einfach ignoriert bleiben. Die unternehmensinterne Komplexität hält sie am Leben.

Data Science ist extrem nützlich – wie Elektrizität. Es ist ein vielseitiges Werkzeug, wo es Daten gibt – und heutzutage ist das überall. Ist es interessant? Absolut. Aber es rechtfertigt kein eigenes Team. Es muss in jedem Team vorhanden sein, in dem es Daten gibt: Marketing, Finanzen, Produktion, Einkauf, Planung usw.

Conor Doherty: Seien wir konstruktiv. Basierend auf dem, was du gesagt hast, schlägst du vor, dass sich jedes Teammitglied in Data Science weiterbildet; oder dass jedes Team ein Data-Science-Mitglied haben sollte; oder dass ein zentrales Team Mitglieder auf Ticket-Basis verleiht? Welches Modell empfiehlst du?

Joannes Vermorel: Für jede Funktion im Unternehmen gibt es Potenzial, Daten zu nutzen, um das, was die Funktion leistet, besser und schneller zu erreichen. Nehmen Sie ein einfacheres Beispiel als supply chain: Marketingbudget für Google Ads.

Google Ads sind komplex: Man kann für Tausende von Keywords unterschiedliche Gebote abgeben; Leistung, Kosten pro Klick und Kosten pro Ergebnis verfolgen. Es ist ziemlich technisch. Diese Kompetenz kann man intern mit echten Experten aufbauen oder sie vollständig an eine Agentur auslagern, die die Optimierung übernimmt.

Beide Ansätze sind gültig, solange irgendwo echte Kompetenz vorhanden ist – intern oder extern. Man braucht Menschen mit einer echten Affinität zu allem, was unter dem Data-Science-Dach liegt. Ein tiefes Verständnis kann man nicht umgehen – es muss durch die Perspektive der Funktion gesehen werden, die man optimiert.

Conor Doherty: Eine Frage, die ich privat erhalten habe – als Advocatus Diaboli zu Joannes: Ist „Scheitern“ nicht zu hart, wenn Analysen dennoch Meetings und Berichte informieren? Wenn das Management sich besser informiert fühlt, bringt das nicht einen Mehrwert?

Joannes Vermorel: Genau so ein Fall, in dem Data Science isoliert ist und keine negativen Konsequenzen hat – außer dass es hier schlimmer ist: Man lenkt Führungskräfte mit Wohlfühlberichten ab. Wenn das, was man will, beschreibende Statistiken für das Top-Management sind, ist das die Aufgabe von BI.

Ihr habt bereits ein Business-Intelligence-Team; ihr müsst das Budget für Data Science nicht verdoppeln. Übrigens haben auch BI-Abteilungen ihre Probleme. Das Marketing sollte die Verantwortung für die Erstellung eigener Indikatoren tragen; das sollte nicht an Data Science ausgelagert werden.

Wenn das einzige Ergebnis Metriken sind, die das Management gut fühlen lassen – bestenfalls ist es redundant mit BI – dann verschmilzt es wieder mit BI; eine separate Abteilung braucht man nicht. Mein Kriterium ist streng: Würde dem Unternehmen messbar finanzieller Schaden entstehen, wenn das Data-Science-Team wegfiele?

Die Verbesserung der Moral des Managements ist schön, aber mich interessiert die Gewinn- und Verlustrechnung – wie viele zusätzliche Dollar wir dem Unternehmen einbringen. Tausende oder Millionen von Zahlen pro Tag zu produzieren, ist super einfach und unterhaltsam; täglich zehn lesenswerte Zahlen zu produzieren, ist äußerst schwierig.

Produzieren Sie diese zehn Zahlen? Meiner Erfahrung nach: nein. Sie produzieren Metrik-Wände, ja – aber nicht die präzise wertvollen, deren Wegfall dem Unternehmen schaden würde.

Conor Doherty: Viele dieser Metriken kommen von oben. Marketing ist eine Abteilung; Vertrieb ist eine Abteilung. Sie sind nicht verantwortlich für Indikatoren, die ihnen aufgezwungen werden. Und wenn ihr bereits BI habt, das beschreibende Statistiken erstellt…

Joannes Vermorel: Genau – im besten Fall ist es redundant. Führt es in BI zusammen; eine separate Abteilung ist nicht nötig.

Conor Doherty: Noch eine Frage aus einer privaten Nachricht: „Ich kann mein Data-Science-Team nicht einfach entlassen. Wie kann ich bereits am ersten Tag Verbesserungen erzielen?“ Realistisch betrachtet, was kann getan werden?

Joannes Vermorel: Ich habe das bei einigen ziemlich großen E-Commerce-Anbietern gemacht. Ich habe vorgeschlagen, das Team aufzuteilen und in andere Abteilungen einzugliedern. Wenn ihr ein halbes Dutzend Leute habt: Zwei in der Finanzabteilung, zwei im Marketing, zwei in der Planung. Sagt den Managern, dass sie nun für diese kompetenten Mitarbeiter und deren produktiven Einsatz verantwortlich sind.

Wenn ihr diese Einheit leitet und ein Held sein wollt, überzeugt das obere Management, die Kompetenz aufzuteilen und in den Abteilungen zu verteilen. Der beste Ansatz, den ich gesehen habe – aber er funktioniert nur bei sehr großen Unternehmen – ist, das zentrale Team in Coaches und Mentoren für Data Science in jeder Abteilung zu verwandeln.

Vergesst es, ein funktionsfähiges Prototyp für das Marketing zu liefern; fünf von euch werden das Marketing coachen, damit sie interessante Dinge mit Daten machen können; ebenso den Vertrieb coachen. Das funktioniert in Unternehmen mit 5 Mrd. € und mehr – groß genug, um ein Team nur zur Evangelisierung zu unterstützen. Es sollte befristet sein – 12, 18, 24 Monate, maximal zwei Jahre – und dann aufgelöst werden.

Andernfalls endet man mit einer halb versteckten Bürokratie, die Geld verschwendet.

Conor Doherty: Fragen aus dem Chat. Von Neil Knight: Glaubst du, Data Scientists werden ignoriert, weil sie intern sind – oder weil sie nicht nützlich sind? Ich finde, dass Berater oft gehört werden, weil sie zu denselben Schlussfolgerungen kommen wie das Management (McKinsey, Bain, Accenture etc.). Was meinst du?

Joannes Vermorel: Es gibt ein französisches Sprichwort: Niemand ist in seinem eigenen Land ein Prophet. Außenseiter zu sein hilft, aber den Beratern gebührt das nicht allein. Eines, das sie richtig machen, ist, sich intensiv mit echten, wichtigen Problemen auseinanderzusetzen.

Bei den technischen Fähigkeiten zur Problemlösung mag man unterschiedlicher Meinung sein, doch wenn es darum geht, das, was dem Top-Management wirklich wichtig ist, ins Blickfeld zu rücken, sind sie gut. Genau das macht Data Science nicht. Weil sie isoliert sind, können sie Probleme mit hohem Ertrag nicht in Angriff nehmen – diese erfordern große Transformationen.

Ich habe gesehen, wie Data-Science-Teams Lieblingsthemen wählen, die unbedeutend sind. Wir machen eine Schnellrechnung und stellen fest, dass daneben ein zwanzigmal größeres Problem existiert. Sie sagen: „Ja, aber dieses Problem ist heikel; wir bräuchten Zustimmungen über mehrere Ebenen; wir könnten damit Reibungen verursachen.“

Da gewinnen gute Berater: Sie konzentrieren sich auf das, was wirklich zählt, und nicht auf Lieblingsthemen, denen wir aus dem Weg gehen. Selbst wenn das, was sie tun, rudimentär ist, fokussieren sie sich auf sehr reale Dinge. Data Science, die am Rande steht – nicht als Teil von Marketing, Finanzen etc. –, bekommt nie die Autorität, das Unternehmen so zu transformieren, dass es Daten effektiv nutzt.

Nehmen Sie Betrugserkennung: Wenn Sie einen Betrug feststellen, müssen Sie die Befugnis haben zu sagen: „Wir bedienen diesen Kunden nicht; lehnen Sie die Zahlung sofort ab.“ Es wird Fehlalarme geben – ehrliche Kunden, die dadurch benachteiligt werden. Die Frage ist das Gleichgewicht zwischen Fehlalarmen und korrekten Treffern.

Wenn Sie dem Data-Science-Team sagen: „Solange es auch nur einen Fehlalarm pro Jahr gibt, dürfen wir das nicht in Produktion nehmen“, wird es niemals in Produktion gehen. Das ist ein Kompromiss. Man braucht die Autorität, zu sagen: „Insgesamt ist es sehr gut; die negativen Aspekte sind unter Kontrolle“, und dann die Methoden zu verfeinern.

Conor Doherty: Danke, Joannes. Weiter zu Amarinder: Wie siehst du die Rolle des Produktmanagers oder des Produktwissenschaftlers? Ist das ein besserer Weg, den von dir angesprochenen Endwert zu liefern?

Joannes Vermorel: Produktmanager bewegen sich hauptsächlich im Bereich der Systems of Record. Produktmanagement ist dort entscheidend, weil es hinsichtlich der Features keine Grenzen gibt; man braucht eine Roadmap und Priorisierung und muss auch „Nein“ sagen, um eine monströse App zu vermeiden.

Für Systems of Intelligence – unbeaufsichtigte Entscheidungsprozesse wie etwa die Spam-Erkennung – gibt es Fehlalarme bzw. Fehlklassifizierungen, die verbessert werden müssen. Das lässt sich nicht allein durch Diskussionen mit den Nutzern oder das Austarieren von Features verbessern. Ein weiteres Beispiel ist das Suchranking – wie verbessert man die Ergebnisseite von Google? Sehr schwierig; es geht nicht um Features.

Produktmanagement ist wichtig, gehört aber zu den Systems of Record. Data Science, die wirklich Wirkung zeigt, muss sich auf Entscheidungen konzentrieren – also auf Systems of Intelligence. Produktmanagement oder „Management Scientists“ spielen eine Rolle, allerdings ist diese untergeordnete und kommt von der Seite der Systems of Record.

Conor Doherty: Eine Vorschau für die nächste Woche: Wir widmen die Episode den Systems of Record, Systems of Reports und Systems of Intelligence. Schaut euch die Promo an und nehmt teil.

Abschließender Gedanke, Joannes. Ein Aufruf an alle, die dir zustimmen: Was ist mein erster Schritt – was soll ich jetzt tun, um etwas zu verändern?

Joannes Vermorel: Grundsätzlich: Mit euren Daten könnt ihr viel erreichen. Der Großteil der Unternehmen nutzt seine Daten nicht ausreichend. Die Intuition hinter Data Science kommt aus einem guten Grund: Es gibt so viele Daten, die nicht genutzt werden, um das Geschäft zu verbessern.

Bei Lokad geht es um predictive optimization von supply chains – das ist, was wir tun – aber es gibt viele andere Ansätze. Ein weiterer interessanter Aspekt ist „mechanical sympathy“: Menschen, die die technische Seite annehmen, sodass es nicht nur um fundierte Vermutungen geht – Menschen mit echter Affinität zur Herausforderung.

Schlecht ist es, dies zu nehmen und zu sagen: „Ich muss eine Abteilung gründen.“ Das ist falsch – ein Anti-Pattern; ein fauler Ansatz, das Problem anzugehen. Denken Sie an die „Elektrizitätsabteilung.“ Elektrizität sollte für alle Abteilungen von großer Bedeutung sein – genauso wie Data Science.

Als Führungskraft fordern Sie jede einzelne Abteilung heraus, das Beste aus den Daten, die im Unternehmen für ihre Funktion existieren, herauszuholen. Jeder Abteilungsleiter muss dafür verantwortlich sein, das Optimum für seine Funktion zu erzielen. Dies erfordert Data-Science-typische Fähigkeiten – intern, extern, mit oder ohne Berater.

Es ist eine schwierigere Botschaft, denn Führungskräfte werden mit etwas Unangenehmem konfrontiert. Denken Sie an Elektrizität und Fabrikhallen: Mit Glühbirnen kann man nachts arbeiten. Es verändert alles. Werden Sie es tun? Eine Menge Fragen – aber Sie müssen innerhalb der Funktion die Antworten finden.

Bringen Sie die Leute zusammen, aber Sie können der Tatsache nicht entkommen, dass Technologie das, was Sie tun, auf so tiefgreifende Weise transformiert, dass Sie das Problem nicht realistisch an eine andere Abteilung auslagern und es damit als erledigt betrachten können.

Conor Doherty: Letzte Frage, Joannes: Wir können jetzt aufhören oder eine Frage aus einem langjährigen Fan beantworten. Gehen wir’s an. Joshua fragt: Aus deiner Erfahrung mit „supply chain as a service“, wenn die meisten Kunden immer noch ERPs, Tabellenkalkulationen und Richtlinien haben, die stillschweigend den Alltag regeln – wie sehr verschiebt Lokad tatsächlich den Fokus der Entscheidungsfindung? Was braucht es, damit die analytische Ebene zum Entscheidungsträger wird und nicht nur ein weiterer Berater bleibt?

Joannes Vermorel: Bei Lokad bestehen wir darauf, unbeaufsichtigte Entscheidungen zu liefern. Wir haben numerical recipes, die unbeaufsichtigte Entscheidungen generieren. Solange wir Zahlen anpassen müssen, iterieren wir an der Rezeptur, sodass wir nichts manuell einstellen müssen; danach führen wir Wartungsarbeiten durch, damit sie unbeaufsichtigt weiterläuft.

Es erfordert monatelange Parallelläufe, insbesondere bei großen Unternehmen, um Vertrauen zu gewinnen – produktionstaugliche Entscheidungen Tag für Tag. In einem großen Unternehmen wird es Monate dauern. Mit fortschreitender Umsetzung erkennen alle, dass wir nun viel interessantere Fragen stellen können: Zum Beispiel, was bedeutet „Quality of Service“?

Wenn Sie mir sagen, dass Quality of Service gleichbedeutend mit „service level“ sei, stimme ich nicht zu – es ist nicht service level. Für das Verteidigungsministerium wäre das „operational readiness“. Für ein gegebenes Budget: Welches Spektrum an Operationen ist machbar und welches nicht? Das sind schwierige Fragen.

Wenn wir diesen Ansatz ausrollen, haben die Menschen die Zeit, tiefer über diese Fragen nachzudenken. Die Auswertung der Daten bringt viele Aspekte in die Diskussion ein: Ganze neue Kategorien von Fragen können in den Daten Antworten finden.

Im Gegensatz zu einem Data-Science-Team, das versucht, eigenständig Antworten zu finden, wird hier der Betrieb getrieben: „Wir wollen das tun; wir haben einen Engpass.“ Schauen Sie sich die Daten an; analysieren Sie den Engpass; erzielen Sie eine bessere Allokation; dann den nächsten Engpass. Wenn Sie Data Science isolieren, erhalten Sie eine Lösung, die nach einem Problem sucht.

Menschen entwickeln eine Lösung und suchen dann nach einem Problem, das annähernd passt. Bei einer operativen Funktion – sagen wir, der Zuweisung von Geldern für Flugzeugteile – haben Sie eine konkrete Herausforderung. Sie iterieren über bessere Lösungen für ein reales Problem.

Conor Doherty: Eine Anschlussfrage von Joshua: Wenn dieser Wandel in Richtung deiner Perspektive geschieht, wie viel Politikänderung ist typischerweise erforderlich, damit sich ein Kunde verpflichtet? Handelt es sich meist um eine kleine Anpassung oder um ein grundlegendes Umdenken, wie supply‑chain Entscheidungen gesteuert werden?

Joannes Vermorel: Es ist Letzteres, aber man muss nicht alles an einem Tag erledigen. Für einige Branchen haben wir sogar Zeugnisse – Transformationen, die seit einem Jahrzehnt andauern und immer noch in vollem Gange sind.

Bei komplexen Organisationen – die Wartung von Großraumflugzeugen ist äußerst komplex – braucht es Zeit. Bei Air France Industries ist die Transformation ein Jahrzehnt in die Zukunft gerichtet. Wir haben die Entscheidungsspielräume nacheinander in Angriff genommen; ich glaube, wir haben dort über zwanzig verschiedene Bereiche.

In der Regel dauerte es ein paar Monate, bis jeder Bereich ausgerollt und produktionsreif gemacht wurde. Das ist dokumentiert – Fallstudien und Interviews mit Direktoren.

Conor Doherty: Ich hoffe, das hat geholfen. Wir sind zwar etwas knapp bei der Zeit, aber es war gut, alle Fragen zu beantworten. Danke, Joannes, für deine Zeit – und an alle anderen: Vielen Dank für eure Teilnahme und eure Fragen.

Einige Leute bevorzugen es, privat per DM zu schreiben; sie kommen live zu mir, und wie ihr seht, werde ich sie in genau der Formulierung an Joannes weiterleiten, die mir vorliegt. Wenn ihr Fragen habt, schreibt uns eine DM oder postet in den Kommentaren.

Wir werden bleiben und sie beantworten. Einen schönen Abend noch. Wir sehen uns nächste Woche zur nächsten Episode. Und… zurück an die Arbeit.