Data Science, die Erschließung von Wissen aus Daten, ist kein neues Phänomen. Doch angesichts der Digitalisierung, IoT-Geräten wie dem Thermomix® und den erforderlichen riesigen Datenmengen hat diese Wissenschaft eine neue Dimension und Relevanz erreicht. Marcel Hellmann kann diesen Wandel bei Vorwerk Digital hautnah miterleben. Er hat zusammengefasst, mit welchen Herausforderungen er als Data Scientist tagtäglich konfrontiert wird und gibt praktische Tipps, um die Welt der Daten wirklich zu verstehen.
Big Data, Smart Data, Data Mining, Data Engineering, Predictive Analytics – wenn es um Daten geht, wird die Liste der Schlagworte lang und verwirrend. Andererseits besteht kein Zweifel daran, dass „Daten“ mehr als nur ein Schlagwort sind, sondern einen echten Wert darstellen. Doch die Erschließung dieses Werts erfordert einiges an Aufwand. Zunächst einmal muss das unheimliche Dunkel des „Datendschungels“, der über die Jahre angewachsen ist, erhellt und strukturiert werden. Der Knackpunkt besteht darin, Tonnen abstrakter Daten in fassbare Informationen umzuwandeln. Genau hier setzt Data Science an. Und entgegen der landläufigen Vorstellung zermartern sich hier keine „Brainiacs“ in den dunklen Tiefen eines Unternehmenslabors ihr Gehirn über Bergen von Statistiken, um Prozesse effizienter zu gestalten. Data Science ist viel mehr als das. Sie muss äußerst konkreten Output in Form von Erkenntnissen und „Datenprodukten“ liefern, der dann von interdisziplinären Teams aufbereitet und weiterverarbeitet werden kann.
studierte Physik in Aachen und Heidelberg und promovierte am Deutschen Krebsforschungszentrum in Heidelberg. Nach sechs Jahren als Business Analyst im Konzernbereich IT bei der HeidelbergCement AG kam er 2017 als Senior Data Scientist zu Vorwerk Digital.
Bei Data Science für den Thermomix® erlangen wir nicht nur Erkenntnisse zu Marketingzwecken, sondern ziehen auch Schlussfolgerungen, um das Gerät selbst zu verbessern und smarter zu machen. Wir können beispielsweise Interaktionsmuster während des Kochens untersuchen. Nehmen wir einmal die Zubereitung von Zwiebeln: Anhand unserer Daten können wir sehen, dass Kunden häufig eine bestimmte Reihenfolge von Funktionen verwenden, z. B. erst Zwiebeln schneiden und dann anbraten. Für die Zukunft könnten wir uns also überlegen, bestimmte Interaktionsabfolgen zu Einzelaktivitäten zusammenzufassen. Das spart einige Klicks ein und vereinfacht das Kocherlebnis. Dies ist nur ein einfaches Beispiel dafür, wie Data Science zur Verbesserung eines echten physischen Produkts beitragen kann.
Bevor ein Problem mit den Mitteln der Data Science beurteilt werden kann, müssen natürlich einige Voraussetzungen erfüllt werden. Selbstverständlich ist ein profundes Verständnis der Daten von großer Bedeutung: „Welche Datenquellen werden herangezogen?“ „Welche Qualität haben die Daten?“ „Wie können wir ein umfassenderes Bild vermitteln, indem wir Daten aus anderen Quellen nutzen?“ – Das sind nur einige der Fragen, die beantwortet werden müssen. An diesem Punkt möchte ich drei Erkenntnisse an Sie weitergeben, die mir bei meiner eigenen Arbeit als Data Scientist geholfen haben.
Bei Data Science geht es darum, die richtigen Fragen zu stellen. Da ein Einzelner nie alle relevanten Fragen da draußen kennen kann, muss ein Data Scientist versuchen, Fragesteller zu finden, die ein Problem aus unterschiedlichen Blickwinkeln betrachten. Dies kann das Produktmanagement, die Technik oder ein Außendienstmitarbeiter sein. In meiner Kollegin Maria Coronado habe ich beispielsweise eine kompetente Fragestellerin auf dem Gebiet Marketing & Kundenforschung gefunden.
Wenn man innovativ und datenbasiert arbeiten möchte, braucht man eine Umgebung, in der man Neues ausprobieren und Prototypen rasch entwickeln kann. Denn üblicherweise erfordern die komplexen Probleme der digitalen Welt einen iterativen Ansatz. Ich habe das Privileg, bei Vorwerk Digital in einem startup-ähnlichen Umfeld zu arbeiten, das eine flexible, agile Arbeitsweise ermöglicht. So können Ergebnisse schneller vorgelegt und das Konzept noch während des Prozesses angepasst werden, um neue Erkenntnisse einzubeziehen und nah am Bedarf zu bleiben.
Es sollten möglichst wenig technische Hindernisse im Wege stehen, d. h. man muss geeignete Tools finden, um die Grenzen zwischen verschiedenen Datenquellen zu überwinden und alle relevanten Daten jederzeit zur Verfügung zu stellen. Bei Vorwerk haben wir einen Big Data Technologie-Stack basierend auf MapR zur Verarbeitung und Aufbereitung riesiger Datenmengen eingerichtet. Hiervon ausgehend werden die Ergebnisse als Datenprodukte für andere Serviceleistungen bereitgestellt, z. B. um dem Kunden Empfehlungen zu geben. Um Erkenntnisse leichter zu generieren, nutzen wir QlikSense als „Schaufenster“, in dem wertvolle Informationen in übersichtlichen Dashboards angezeigt werden.
Meine wichtigste persönliche Erkenntnis ist: Da physische Produkte und digitale, datengestützte Serviceleistungen zunehmend zu einem einzigen Kundenerlebnis verschmelzen, ist eine nahtlose Zusammenarbeit zwischen Digitalbereich und Produktmanagement unabdingbar, um dem Kunden den größten Mehrwert zu bieten. Hinzu kommt eine wachsende Nachfrage nach interdisziplinärem Denken.