59,99 €
Mehr erfahren.
- Herausgeber: Carl Hanser Verlag GmbH & Co. KG
- Kategorie: Wissenschaft und neue Technologien
- Sprache: Deutsch
- Bietet einen umfassenden Überblick über die verschiedenen Anwendungsbereiche von Data Science und KI
- Mit Fallbeispielen aus der Praxis, um die beschriebenen Konzepte greifbar zu machen
- Mit praktischen Beispielen, die Ihnen helfen, einfache Datenanalyseprojekte durchzuführen
- Neu in der 3. Auflage: Generativ KI und LLMs, KI und Klimawandel, ML Ops und ML Security, Zahlreiche Kapitel wurden von Grund auf überarbeitet
- Ihr exklusiver Vorteil: E-Book inklusive beim Kauf des gedruckten Buches
Data Science, Big Data und künstliche Intelligenz gehören derzeit zu den Konzepten, über die in Industrie, Regierung und Gesellschaft viel gesprochen wird, die aber auch am häufigsten missverstanden werden. Dieses Buch erklärt die Konzepte und vermittelt Ihnen das praktische Wissen, um sie zu nutzen.
Das Buch nähert sich den Themen Data Science und KI von mehreren Seiten. Es zeigt, wie Sie Data-Plattformen aufbauen und Data-Science-Tools und -Methoden einsetzen können. Auf dem Weg dorthin hilft es Ihnen zu verstehen – und den verschiedenen Interessengruppen zuerklären –, wie Sie mit diesen Techniken Mehrwert generieren können. So kann Data Science in Unternehmen dabei helfen, schnellere Entscheidungen zu treffen, Kosten zu senken und neue Märkte zu erschließen.
Darüber hinaus werden die grundlegenden Konzepte von Data Science, einschließlich Statistik, Mathematik sowie rechtliche Überlegungen erklärt.
Praktische Fallstudien veranschaulichen, wie aus Daten generiertes Wissen verschiedene Branchen langfristig verändern wird.
Das Autor:innenteam besteht aus Datenexpert:innen aus der Wirtschaft und aus dem akademischen Umfeld. Das Spektrum reicht von strategisch ausgerichteten Führungskräften über Data Engineers, die Produktivsysteme erstellen, bis hin zu Data Scientists, die aus Daten Wert generieren. Alle Autor:innen sind im Vorstand oder Mitglieder der Vienna Data Science Group (VDSG). Diese NGO hat sich zum Ziel gesetzt, eine Plattform für den Wissensaustausch zu etablieren.
AUS DEM INHALT //
- Grundlagen der Mathematik: ML-Algorithmen verstehen und nutzen
- Machine Learning: Von statistischen zu neuronalen Verfahren; von Transformers und GPT-3 bis AutoML
- Natural Language Processing: Werkzeuge und Techniken zur Gewinnung von Erkenntnissen aus Textdaten und zur Entwicklung von Sprachtechnologien
- Computer Vision: Erkenntnisse aus Bildern und Videos gewinnen
- Modellierung und Simulation: Modellierung des Verhaltens komplexer Systeme, z. B. der Ausbreitung von COVID-19. Was-wäre-wenn-Analysen
- ML und KI in der Produktion: Vom Experiment zum Data- Science-Produkt
- Ergebnisse präsentieren: Grundlegende Präsentationstechniken für Data Scientists
Das E-Book können Sie in Legimi-Apps oder einer beliebigen App lesen, die das folgende Format unterstützen:
Seitenzahl: 1607
Veröffentlichungsjahr: 2025
Ähnliche
Katherine Munro, Stefan Papp, Zoltan C. Toth, Wolfgang Weidinger, Danko Nikolić, Barbora Antosova Vesela, Karin Bruckmüller, Annalisa Cadonna, Jana Eder, Jeannette Gorzala, Gerald A. Hahn, Georg Langs, Roxane Licandro, Christian Mata, Sean McIntyre, Mario Meir-Huber, György Móra, Manuel Pasieska, Victoria Rugli, Rania Wazir, Günther Zauner
Handbuch Data Science und KI
Mit Machine Learning und Datenanalyse Wert aus Daten generieren
3., aktualisierte und erweiterte Auflage
Print-ISBN: 978-3-446-47937-1E-Book-ISBN: 978-3-446-48072-8Epub-ISBN: 978-3-446-48357-6
Alle in diesem Werk enthaltenen Informationen, Verfahren und Darstellungen wurden zum Zeitpunkt der Veröffentlichung nach bestem Wissen zusammengestellt. Dennoch sind Fehler nicht ganz auszuschließen. Aus diesem Grund sind die im vorliegenden Werk enthaltenen Informationen für Autor:innen, Herausgeber:innen und Verlag mit keiner Verpflichtung oder Garantie irgendeiner Art verbunden. Autor:innen, Herausgeber:innen und Verlag übernehmen infolgedessen keine Verantwortung und werden keine daraus folgende oder sonstige Haftung übernehmen, die auf irgendeine Weise aus der Benutzung dieser Informationen – oder Teilen davon – entsteht. Ebenso wenig übernehmen Autor:innen, Herausgeber:innen und Verlag die Gewähr dafür, dass die beschriebenen Verfahren usw. frei von Schutzrechten Dritter sind. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt also auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benützt werden dürften.
Aus Gründen der besseren Lesbarkeit wird auf die gleichzeitige Verwendung der Sprachformen männlich, weiblich und divers (m/w/d) verzichtet. Sämtliche Personenbezeichnungen gelten gleichermaßen für alle Geschlechter.
Die endgültige Entscheidung über die Eignung der Informationen für die vorgesehene Verwendung in einer bestimmten Anwendung liegt in der alleinigen Verantwortung des Nutzers.
Bibliografische Information der Deutschen Nationalbibliothek:Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet unter http://dnb.d-nb.de abrufbar.
Dieses Werk ist urheberrechtlich geschützt.Alle Rechte, auch die der Übersetzung, des Nachdruckes und der Vervielfältigung des Werkes, oder Teilen daraus, vorbehalten. Kein Teil des Werkes darf ohne schriftliche Einwilligung des Verlages in irgendeiner Form (Fotokopie, Mikrofilm oder einem anderen Verfahren), auch nicht für Zwecke der Unterrichtgestaltung – mit Ausnahme der in den §§ 53, 54 UrhG genannten Sonderfälle –, reproduziert oder unter Verwendung elektronischer Systeme verarbeitet, vervielfältigt oder verbreitet werden.Wir behalten uns auch eine Nutzung des Werks für Zwecke des Text- und Data Mining nach § 44b UrhG ausdrücklich vor.
© 2025 Carl Hanser Verlag GmbH & Co. KG, MünchenKolbergerstraße 22 | 81679 München | [email protected]: Sylvia HasselbachCopy editing: Jürgen Dubau, Freiburg/ElbeCoverkonzept: Marc Müller-Bremer, www.rebranding.de, MünchenCovergestaltung: Tom WestTitelmotiv: gettyimages/ValeryBrozhinskyHerstellung: le-tex publishing services GmbH, LeipzigSatz: Eberl & Koesel Studio, Kempten
Inhalt
Titelei
Impressum
Inhalt
Vorwort
Danksagungen
1 Einführung
Stefan Papp
1.1 Über dieses Buch
1.2 Die Halford Group
1.2.1 Alice Halford – Vorsitzende
1.2.2 Analysten
1.2.3 „CDO“
1.2.4 Vertrieb
1.2.5 IT
1.2.6 Sicherheit
1.2.7 Leiter der Produktion
1.2.8 Kundenbetreuung
1.2.9 HR
1.2.10 CEO
1.3 Kurz und bündig
2 Das A und O der KI
Stefan Papp
2.1 Die Datenverwendungszwecke
2.1.1 Bias
2.1.2 Datenkompetenz
2.2 Kulturschock
2.3 Ideenfindung
2.4 Entwurfsprozessmodelle
2.4.1 Design Thinking
2.4.2 Double Diamond
2.4.3 Durchführung von Workshops
2.5 Kurz und bündig
3 Cloud-Dienste
Stefan Papp
3.1 Einführung
3.2 Cloud-Essentials
3.2.1 XaaS
3.2.2 Cloud-Anbieter
3.2.3 Native Cloud-Dienste
3.2.4 Cloud-native Paradigmen
3.3 Infrastructure as a Service
3.3.1 Hardware
3.3.2 Verteilte Systeme
3.3.3 Linux Essentials für Datenexperten
3.3.4 Infrastructure as Code
3.4 Platform as a Service
3.4.1 Cloud Native PaaS-Lösungen
3.4.2 Externe Lösungen
3.5 Software as a Service
3.6 Kurz und bündig
4 Datenarchitektur
Zoltan C. Toth und Sean McIntyre
4.1 Übersicht
4.1.1 Maslowsche Bedürfnishierarchie für Daten
4.1.2 Anforderungen an die Datenarchitektur
4.1.3 Die Struktur einer typischen Datenarchitektur
4.1.4 ETL (Extrahieren, Transformieren, Laden)
4.1.5 ELT (Extrahieren, Laden, Transformieren)
4.1.6 ETLT
4.2 Datenerfassung und -integration
4.2.1 Datenquellen
4.2.2 Traditionelle Dateiformate
4.2.3 Moderne Dateiformate
4.2.4 Welche Speicheroption soll ich wählen?
4.3 Data Warehouses, Data Lakes und Lakehouses
4.3.1 Data Warehouses
4.3.2 Data Lakes und Cloud-Datenplattformen
4.4 Data Transformation
4.4.1 SQL
4.4.2 Big Data & Apache Spark
4.4.3 Cloud-Datenplattformen für Apache Spark
4.5 Workflow-Orchestrierung
4.5.1 Dagster und der Modern Data Stack
4.6 Ein Anwendungsfall und seine Datenarchitektur
4.7 Kurz und bündig
5 Data Engineering
Stefan Papp
5.1 Abgrenzung zum Software Engineering
5.2 Programmiersprachen
5.2.1 Code oder kein Code?
5.2.2 Auswahl der Programmiersprache
5.2.3 Python
5.2.4 Scala
5.3 Software-Engineering-Prozesse für Daten
5.3.1 Konfigurationsmanagement
5.3.2 CI/CD
5.4 Datenpipelines
5.4.1 Gemeinsame Merkmale einer Datenpipeline
5.4.2 Datenpipelines in der Unified Data Architecture
5.5 Speicheroptionen
5.5.1 Datei-Ära
5.5.2 Datenbank-Ära
5.5.3 Data-Lake-Ära
5.5.4 Serverless-Ära
5.5.5 Polyglotte Speicherung
5.5.6 Data-Mesh-Ära
5.6 Tooling
5.6.1 Batch: Airflow
5.6.2 Streaming: Kafka
5.6.3 Transformation: Databricks Notebooks
5.7 Gemeinsame Herausforderungen
5.7.1 Datenqualität und unterschiedliche Standards
5.7.2 Skewed Data
5.7.3 Überlastete operationelle Systeme
5.7.4 Operative Legacy-Systeme
5.7.5 Plattform- und Informationssicherheit
5.8 Kurz und bündig
6 Data Governance
Victoria Rugli, Mario Meir-Huber
6.1 Warum brauchen wir Data Governance?
6.1.1 Beispiel 1: Mit Data Governance Klarheit schaffen
6.1.2 Beispiel 2: Die (negativen) Auswirkungen einer mangelhaften Data Governance
6.2 Die Bausteine der Data Governance
6.2.1 Data Governance erklärt
6.3 Menschen
6.3.1 Data Ownership
6.3.2 Data Stewards
6.3.3 Data Governance Board
6.3.4 Change Management
6.4 Prozess
6.4.1 Verwaltung von Metadaten
6.4.2 Management der Datenqualität
6.4.3 Datensicherheit und Datenschutz
6.4.4 Stammdatenmanagement
6.4.5 Datenzugang und Suche
6.5 Technologie (Datenmanagement-Tools)
6.5.1 Open-Source-Tools
6.5.2 Cloud-basierte Data-Governance-Tools
6.6 Kurz und bündig
7 Machine Learning Operations (ML Ops)
Zoltan C. Toth, György Móra
7.1 Übersicht
7.1.1 Umfang von MLOps
7.1.2 Datenerhebung und Exploration
7.1.3 Feature Engineering
7.1.4 Modelltraining
7.1.5 In der Produktion eingesetzte Modelle
7.1.6 Bewertung des Modells
7.1.7 Model Understanding
7.1.8 Modellversionierung
7.1.9 Modellüberwachung
7.2 MLOps in einer Organisation
7.2.1 Die wichtigsten Vorteile von MLOps
7.2.2 Erforderliche Fähigkeiten für MLOps
7.3 Verschiedene gängige Szenarien im MLOps-Bereich
7.3.1 Integration von Notebooks
7.3.2 Features in der Produktion
7.3.3 Modelleinsatz
7.3.4 Modellformate
7.4 MLOps-Werkzeuge und MLflow
7.4.1 MLflow
7.5 Kurz und bündig
8 Cybersicherheit von Machine-Learning-Systemen
Manuel Pasieka
8.1 Einführung in die Cybersicherheit
8.2 Angriffsfläche
8.3 Angriffsmethoden
8.3.1 Model Stealing
8.3.2 Datenextraktion
8.3.3 Data Poisoning
8.3.4 Adversariale Angriffe
8.3.5 Backdoor-Angriffe
8.4 Sicherheit von großen Sprachmodellen durch maschinelles Lernen
8.4.1 Datenextraktion
8.4.2 Jailbreaking
8.4.3 Prompt Injection
8.5 KI-Bedrohungsmodellierung
8.6 Verordnungen
8.7 Wie geht es jetzt weiter?
8.8 Zusammenfassung
8.9 Kurz und bündig
9 Mathematik
Annalisa Cadonna
9.1 Lineare Algebra
9.1.1 Vektoren und Matrizen
9.1.2 Operationen zwischen Vektoren und Matrizen
9.1.3 Lineare Transformationen
9.1.4 Eigenwerte, Eigenvektoren und Eigendekomposition
9.1.5 Andere Matrixzerlegungen
9.2 Kalkulus und Optimierung
9.2.1 Ableitung
9.2.2 Gradient und Hessian
9.2.3 Gradientenabstieg
9.2.4 Eingeschränkte Optimierung
9.3 Wahrscheinlichkeitsrechnung
9.3.1 Diskrete und kontinuierliche Zufallsvariablen
9.3.2 Erwartungswert, Varianz und Kovarianz
9.3.3 Unabhängigkeit, bedingte Verteilungen und Bayes-Theorem
9.4 Kurz und bündig
10 Statistik – Grundlagen
Rania Wazir, Georg Langs, Annalisa Cadonna
10.1 Daten
10.2 Einfache lineare Regression
10.3 Multiple lineare Regression
10.4 Logistische Regression
10.5 Wie gut ist unser Modell?
10.6 Kurz und bündig
11 Business Intelligence (BI)
Christian Mata
11.1 Einführung in Business Intelligence
11.1.1 Definition von Business Intelligence
11.1.2 Rolle in Organisationen
11.1.3 Entwicklung von Business Intelligence
11.1.4 Data Science und KI im Kontext von BI
11.1.5 Daten für die Entscheidungsfindung
11.1.6 Verstehen des geschäftlichen Kontextes
11.1.7 Business-Intelligence-Aktivitäten
11.2 Grundlagen des Datenmanagements
11.2.1 Was sind Datenmanagement, Datenintegration und Data Warehousing?
11.2.2 Datenbeladung – Der Fall von ETL oder ELT
11.2.3 Datenmodellierung
11.3 Reporting und Datenanalyse
11.3.1 Reporting
11.3.2 Berichtsarten
11.3.3 Datenanalyse
11.3.4 Visuelle Datenanalyse
11.3.5 Trends in Reporting und Datenanalyse
11.4 BI-Technologien und Werkzeuge
11.4.1 Relevante BI-Technologien
11.4.2 Verbreitete BI-Werkzeuge (BI-Tools)
11.5 BI und Data Science: Ergänzende Disziplinen
11.5.1 Unterschiede zwischen BI und DS
11.5.2 Gemeinsamkeiten von BI und DS
11.5.3 Synergien bei BI und DS
11.6 Ausblick für Business Intelligence
11.6.1 Erwartungen an die Entwicklung von BI
11.7 Kurz und bündig
12 Maschinelles Lernen
Georg Langs, Katherine Munro, Rania Wazir
12.1 Einführung
12.2 Grundlegendes: Feature Spaces
12.3 Klassifizierungsmodelle
12.3.1 K-Nearest-Neighbor-Klassifikator
12.3.2 Support Vector Machine
12.3.3 Entscheidungsbäume
12.4 Ensemble-Methoden
12.4.1 Bias und Varianz
12.4.2 Bagging: Random Forests
12.4.3 Boosten: AdaBoost
12.4.4 Die Grenzen der Merkmalskonstruktion und -auswahl
12.5 Unüberwachtes Lernen: Lernen ohne Etiketten
12.5.1 Clustering
12.5.2 Manifold Learning
12.5.3 Generative Modelle
12.6 Künstliche neuronale Netze und Deep Learning
12.6.1 Das Perzeptron
12.6.2 Künstliche neuronale Netze
12.6.3 Deep Learning
12.6.4 Convolutional Neural Networks
12.6.5 Training von Convolutional Neural Networks
12.6.6 Rekurrente neuronale Netze
12.6.7 Long Short-Term Memory Networks
12.6.8 Autoencoder und U-Nets
12.6.9 Adversariales Training
12.6.10 Generative Adversarial Networks
12.6.11 Cycle-GANs und Style-GANs
12.7 Transformer-Modelle und Aufmerksamkeitsmechanismen
12.7.1 Die Transformer-Architektur
12.7.2 Was der Aufmerksamkeitsmechanismus leistet
12.7.3 Anwendungen von Transformer-Modellen
12.8 Reinforcement Learning
12.9 Andere Architekturen und Lernstrategien
12.10 Validierungsstrategien für Techniken des maschinellen Lernens
12.11 Schlussfolgerung
12.12 Kurz und bündig
13 Großartige künstliche Intelligenz erschaffen
Danko Nikolić
13.1 Wie KI mit Data Science und maschinellem Lernen zusammenhängt
13.2 Eine kurze Geschichte der KI
13.3 Fünf Empfehlungen für die Entwicklung einer KI-Lösung
13.3.1 Empfehlung Nummer eins: Seien Sie pragmatisch
13.3.2 Empfehlung Nummer zwei: Erleichtern Sie Maschinen das Lernen – schaffen Sie induktive Verzerrungen
13.3.3 Empfehlung Nummer drei: Analysen durchführen
13.3.4 Empfehlung Nummer vier: Hüten Sie sich vor der Skalierungsfalle
13.3.5 Empfehlung Nummer fünf: Hüten Sie sich vor der Verallgemeinerungsfalle (so etwas wie ein kostenloses Mittagessen gibt es nicht)
13.4 Intelligenz auf menschlicher Ebene
13.5 Kurz und bündig
14 Signalverarbeitung
Jana Eder
14.1 Einführung
14.2 Abtastung und Quantisierung
14.3 Frequenzbereichsanalyse
14.3.1 Fourier-Transformation
14.4 Rauschunterdrückung und Filtertechniken
14.4.1 Rauschunterdrückung mit einem Gaußschen Low-pass-Filter
14.5 Analyse des Zeitbereichs
14.5.1 Signalnormierung und Standardisierung
14.5.2 Signaltransformation und Merkmalsextraktion
14.5.3 Techniken zur Zerlegung von Zeitreihen
14.5.4 Autokorrelation: Verstehen der Signalähnlichkeit über die Zeit
14.6 Analyse des Zeit-/Frequenzbereichs
14.6.1 Kurzzeit-Fourier-Transformation und Spektrogramm
14.6.2 Diskrete Wavelet-Transformation
14.6.3 Gramian Angular Field
14.7 Die Beziehung zwischen Signalverarbeitung und maschinellem Lernen
14.7.1 Techniken für das Feature Engineering
14.7.2 Vorbereitung auf maschinelles Lernen
14.8 Praktische Anwendungen
14.9 Kurz und bündig
15 Basismodelle
Danko Nikolić
15.1 Die Idee eines Basismodells
15.2 Wie trainiert man ein Basismodell?
15.3 Wie verwenden wir Basismodelle?
15.4 Ein Durchbruch: Das Lernen hat kein Ende
15.5 Kurz und bündig
16 Generative KI und große Sprachmodelle
Katherine Munro, Gerald A. Hahn, Danko Nikolić
16.1 Einführung in die „Gen-KI“
16.2 Generative KI-Modalitäten
16.2.1 Methoden für das Training generativer Modelle
16.3 Große Sprachmodelle
16.3.1 Was sind LLMs?
16.3.2 Wie wird so etwas wie ChatGPT trainiert?
16.3.3 Methoden zur direkten Verwendung von LLMs
16.3.4 Methoden zur Anpassung von LLMs
16.4 Schwachstellen und Grenzen von Gen-KI-Modellen
16.4.1 Einführung
16.4.2 Prompt Injection und Jailbreaking-Angriffe
16.4.3 Halluzinationen, Konfabulationen und Begründungsirrtümer
16.4.4 Urheberrechtliche Bedenken
16.4.5 Bias
16.5 Erstellen robuster, effektiver Gen-KI-Anwendungen
16.5.1 Kontrollstrategien während der gesamten Entwicklung und Nutzung
16.5.2 Guardrails
16.5.3 Sicherer und erfolgreicher Einsatz generativer KI
16.6 Kurz und bündig
17 Natürliche Sprachverarbeitung (NLP)
Katherine Munro
17.1 Was ist NLP und warum ist es so wertvoll?
17.2 Warum „traditionelles“ NLP im „Zeitalter der großen Sprachmodelle“ lernen?
17.3 NLP-Datenaufbereitungstechniken
17.3.1 Die NLP-Pipeline
17.3.2 Konvertierung des Eingabeformats für Machine Learning
17.4 NLP-Aufgaben und -Methoden
17.4.1 Regelbasiertes (symbolisches) NLP
17.4.2 Machine-Learning-Ansätze
17.4.3 Neuronales NLP
17.4.4 Transfer Learning
17.5 Das Wichtigste in Kürze
18 Computer Vision
Roxane Licandro
18.1 Was ist Computer Vision?
18.2 Ein Bild sagt mehr als tausend Worte
18.2.1 Das menschliche Auge
18.2.2 Das Bildaufnahmeprinzip
18.2.3 Digitale Dateiformate
18.2.4 Bildkomprimierung
18.3 Ich sehe was, was du nicht siehst …
18.3.1 Computergestützte Fotografie und Bildmanipulation
18.4 Computer-Vision-Anwendungen und zukünftige Richtungen
18.4.1 Image-Retrieval-Systeme
18.4.2 Objekterkennung, Klassifizierung und Verfolgung
18.4.3 Medizinische Computer Vision
18.5 Menschen sehen lassen
18.6 Kurz und bündig
19 Modellierung und Simulation – Erstellen Sie Ihre eigenen Modelle
Günther Zauner, Wolfgang Weidinger
19.1 Einführung
19.2 Allgemeine Aspekte
19.3 Modellierung zur Beantwortung von Fragen
19.4 Reproduzierbarkeit und Lebenszyklus des Modells
19.4.1 Der Lebenszyklus einer Modellierungs- und Simulationsfrage
19.4.2 Parameter- und Output-Definition
19.4.3 Dokumentation
19.4.4 Verifizierung und Validierung
19.5 Methoden
19.5.1 Gewöhnliche Differentialgleichungen (ODEs)
19.5.2 Systemdynamik (SD)
19.5.3 Diskrete Ereignissimulation
19.5.4 Agentenbasierte Modellierung
19.6 Beispiele für Modellierung und Simulation
19.6.1 Dynamische Modellierung von Eisenbahnnetzen zur optimalen Wegfindung mit agentenbasierten Methoden und Reinforcement Learning
19.6.2 Strategien zur agentenbasierten Covid-Modellierung
19.6.3 Deep-Reinforcement-Learning-Ansatz für eine optimale Nachschubpolitik in einer VMI-Umgebung
19.6.4 Valide Lösungen für ein ressourcenbeschränktes Projektplanungsproblem mithilfe von bestärkendem Lernen und Bewertung der Robustheit mit diskreter Ereignissimulation
19.6.5 Zusammenfassung und Lessons Learned
19.7 Kurz und bündig
20 Visualisierung von Daten
Barbora Antosova Vesela
20.1 Geschichte
20.2 Welche Tools Sie verwenden sollten
20.3 Arten von Datenvisualisierungen
20.3.1 Streudiagramm
20.3.2 Liniendiagramm
20.3.3 Säulen- und Balkendiagramme
20.3.4 Histogramm
20.3.5 Tortendiagramm
20.3.6 Box Plot
20.3.7 Heat Map
20.3.8 Baumdiagramm
20.3.9 Andere Arten von Visualisierungen
20.4 Wählen Sie die richtige Datenvisualisierung
20.5 Tipps und Tricks
20.6 Präsentation der Datenvisualisierung
20.7 Kurz und bündig
21 Datengetriebene Unternehmen
Mario Meir-Huber, Stefan Papp
21.1 Die drei Ebenen eines datengesteuerten Unternehmens
21.2 Kultur
21.2.1 Unternehmensstrategie für Daten
21.2.2 Die Analyse des aktuellen Stands
21.2.3 Unternehmenskultur und Organisation einer erfolgreichen Datenorganisation
21.2.4 Kernproblem: der Fachkräftemangel
21.3 Technologie
21.3.1 Die Auswirkungen von Open Source
21.3.2 Cloud
21.3.3 Auswahl des Anbieters
21.3.4 Data Lake aus der Unternehmensperspektive
21.3.5 Die Rolle der IT
21.3.6 Data Science Labs
21.3.7 Revolution in der Architektur: das Data Mesh
21.4 Business
21.4.1 Daten kaufen und teilen
21.4.2 Implementierung des analytischen Anwendungsfalls
21.4.3 Self-Service Analytics
21.5 Kurz und bündig
22 Leistungsstarke Teams schaffen
Stefan Papp
22.1 Neue Teams, neues Glück
22.2 Storming
22.2.1 Szenario: 50 Shades of Red
22.2.2 Szenario: Retrospektive
22.3 Norming
22.3.1 Change Management und Transition
22.3.2 RACI-Matrix
22.3.3 SMART
22.3.4 Agile Prozesse
22.3.5 Kommunikationskultur
22.3.6 DataOps
22.4 Forming
22.4.1 Szenario: Eine neue Morgendämmerung
22.4.2 Wachstumsgedanken
22.5 Kurz und bündig
23 Gesetz über künstliche Intelligenz
Jeannette Gorzala, Karin Bruckmüller
23.1 Einführung
23.2 Definition von KI-Systemen
23.3 Anwendungsbereich und Zweck des KI-Gesetzes
23.3.1 Der risikobasierte Ansatz
23.3.2 Unannehmbare Risiken und verbotene KI-Praktiken
23.3.3 Hochriskante KI-Systeme und Compliance
23.3.4 Mittleres Risiko und Transparenzverpflichtungen
23.3.5 Geringes Risiko und freiwillige Selbstverpflichtungen
23.4 KI-Modelle mit allgemeinem Verwendungszweck
23.5 Zeitplan und Anwendbarkeit
23.6 Sanktionen
23.7 KI und zivilrechtliche Haftung
23.8 KI und strafrechtliche Haftung
23.9 Kurz und bündig
24 AI in verschiedenen Branchen
Stefan Papp, Mario Meir-Huber, Wolfgang Weidinger, Thomas Treml, Marek Danis
24.1 Automobilindustrie
24.1.1 Vision
24.1.2 Daten
24.1.3 Anwendungsfälle
24.1.4 Herausforderungen
24.2 Luftfahrt
24.2.1 Vision
24.2.2 Daten
24.2.3 Anwendungsfälle
24.2.4 Herausforderungen
24.3 Energie
24.3.1 Vision
24.3.2 Daten
24.3.3 Anwendungsfälle
24.3.4 Herausforderungen
24.4 Finanzen
24.4.1 Vision
24.4.2 Daten
24.4.3 Anwendungsfälle
24.4.4 Herausforderungen
24.5 Gesundheit
24.5.1 Vision
24.5.2 Daten
24.5.3 Anwendungsfälle
24.5.4 Herausforderungen
24.6 Regierung
24.6.1 Vision
24.6.2 Daten
24.6.3 Anwendungsfälle
24.6.4 Herausforderungen
24.7 Kunst
24.7.1 Vision
24.7.2 Daten
24.7.3 Anwendungsfälle
24.7.4 Herausforderungen
24.8 Produktion
24.8.1 Vision
24.8.2 Daten
24.8.3 Anwendungsfälle
24.8.4 Herausforderungen
24.9 Öl und Gas
24.9.1 Vision
24.9.2 Daten
24.9.3 Anwendungsfälle
24.9.4 Herausforderungen
24.10 Einzelhandel
24.10.1 Vision
24.10.2 Daten
24.10.3 Anwendungsfälle
24.10.4 Herausforderungen
24.11 Anbieter von Telekommunikation
24.11.1 Vision
24.11.2 Daten
24.11.3 Anwendungsfälle
24.11.4 Herausforderungen
24.12 Transport
24.12.1 Vision
24.12.2 Daten
24.12.3 Anwendungsfälle
24.12.4 Herausforderungen
24.13 Lehre und Ausbildung
24.13.1 Vision
24.13.2 Daten
24.13.3 Anwendungsfälle
24.13.4 Herausforderungen
24.14 Die digitale Gesellschaft
24.15 Kurz und bündig
25 Klimawandel und KI
Stefan Papp
25.1 Einführung
25.2 KI – ein Klimaretter?
25.3 Messung und Verringerung von Emissionen
25.3.1 Basislinie
25.3.2 Datenanwendungsfälle
25.4 Sequestrierung
25.4.1 Biologische Sequestrierung
25.4.2 Geologische Sequestrierung
25.5 Vorbereiten auf die Auswirkungen
25.6 Geoengineering
25.7 Greenwashing
25.8 Ausblick
25.9 Kurz und bündig
26 Mindset und Community
Stefan Papp
26.1 Data Driven Mindset
26.2 Data-Science-Kultur
26.2.1 Start-up oder Beratungsunternehmen?
26.2.2 Labs statt Konzernpolitik
26.2.3 Keiretsu statt Einzelkämpfertum
26.2.4 Agile Softwareentwicklung
26.2.5 Firmen- und Arbeitskultur
26.3 Antipatterns
26.3.1 Abwertung von Fachwissen
26.3.2 Die IT wird es schon richten
26.3.3 Widerstand gegen Veränderungen
26.3.4 Besserwisser-Mentalität
26.3.5 Schwarzmalerei
26.3.6 Pfennigfuchserei
26.3.7 Angstkultur
26.3.8 Kontrolle über die Ressourcen
26.3.9 Blindes Vertrauen in die Ressourcen
26.3.10 Das Schweizer Taschenmesser
26.3.11 Over-Engineering
26.4 Kurz und bündig
27 Vertrauenswürdige KI
Rania Wazir
27.1 Rechtlicher und Soft-Law-Rahmen
27.1.1 Normen
27.1.2 Verordnungen
27.2 KI-Stakeholder
27.3 Fairness in der KI
27.3.1 Bias
27.3.2 Fairness-Metriken
27.3.3 Unerwünschten Bias in KI-Systemen reduzieren
27.4 Transparenz von KI-Systemen
27.4.1 Dokumentieren der Daten
27.4.2 Dokumentieren des Modells
27.4.3 Explainability (Erklärbarkeit)
27.5 Schlussfolgerung
27.6 Kurz und bündig
28 Epilog
Stefan Papp
28.1 Halford 2.0
28.1.1 Umwelt, Soziales und Governance
28.1.2 HR
28.1.3 Kundenzufriedenheit
28.1.4 Produktion
28.1.5 IT
28.1.6 Strategie
28.2 Letzte Worte
28.3 Kurz und bündig
29 Die Autor:innen
Dieses Vorwort wurde NICHT von ChatGPT (oder Ähnlichem) geschrieben.
Während ich diese Aussage treffe, frage ich mich, wie oft sie in Zukunft für Texte oder andere Medienformen gelten wird. In den letzten zwei Jahren hat dieses KI-gestützte Tool enorme Popularität erlangt und Data Science und KI einen unglaublichen Bekanntheitsgrad verschafft. Infolgedessen sind die Erwartungen an Künstliche Intelligenz exponentiell gestiegen und haben solche Höhen erreicht, dass man sich fragen könnte, ob sie jemals erreicht werden können.
Das Thema KI folgt dem bekannten Hype-Zyklus. Einige dieser hohen Erwartungen sind wohlverdient: Diese leistungsstarke Technologie wird die Art und Weise, wie wir leben und arbeiten, in vielerlei Hinsicht verändern. Um ein Beispiel zu nennen: Einige Universitäten erwägen, von ihren Studenten keine Seminararbeiten mehr zu verlangen, da es nicht möglich ist zu überprüfen, ob sie von einem KI-Tool geschrieben wurden.
Aber wir müssen uns auch auf einige Enttäuschungen in der Zukunft gefasst machen, da die KI unweigerlich die überzogenen Erwartungen mancher Leute nicht erfüllen kann. Selbst wenn die Vorstellungen vernünftig sind, ist der Zeitrahmen, den diese Menschen und Organisationen für die Umsetzung von KI-Projekten im Sinn haben, oft nicht realistisch. Dies führt zu weiteren Enttäuschungen, wenn die erhoffte Wirkung und der erhoffte Wert nicht innerhalb des gewünschten Zeitrahmens erreicht werden können.
Die ersten Anzeichen dafür sind bereits zu erkennen, denn ChatGPT und ähnliche Tools liefern eine Fülle von wortgewandten und kohärenten – aber nicht korrekten – Informationen. Die neue Welle von „KI-Experten“, die immer haarsträubendere Versprechungen über die von ihnen oder ihren Unternehmen erfundenen Tools machen, die nur schwer zu halten sein werden, trägt nicht zu mehr Vertrauen bei. Im Grunde genommen verkaufen sie digitales „Schlangenöl“.
All dies erhöht den Druck auf die Data Scientists, mit diesen Erwartungen umzugehen und gleichzeitig weiterhin das gleiche Ziel zu erreichen, das sie seit Jahrzehnten verfolgen:
verständliche Antworten auf Fragen anhand von Daten zu geben.
Aus diesem Grund sind neutrale Organisationen wie die Vienna Data Science Group (VDSG, www.vdsg.at), die den interdisziplinären und internationalen Wissensaustausch zwischen Datenexperten fördert, so notwendig und wichtig. Wir engagieren uns nach wie vor stark für die Entwicklung des gesamten Data-Science- und KI-Ökosystems (Ausbildung, Zertifizierung, Standardisierung, Studien zu den gesellschaftlichen Auswirkungen usw.) in Europa und darüber hinaus. Dieses Buch ist nur eine unserer Bemühungen, um dieses Ziel zu erreichen. Denn trotz all des Hypes und der Übertreibungen in der KI- und Datenlandschaft bleibt Data Science dasselbe: eine interdisziplinäre Wissenschaft, die eine sehr heterogene Gruppe von Spezialisten versammelt. Sie setzt sich aus drei großen Strömungen zusammen, und wir sind stolz darauf, dass wir in jeder von ihnen Experten haben:
Informatik und IT
Mathematik und Statistik
Fachwissen in der Branche oder dem Bereich, in dem Data Science und künstliche Intelligenz angewendet werden.
Die VDSG (www.vdsg.at) hat schon immer einen ganzheitlichen Ansatz für Data Science verfolgt, und das ist auch in diesem Buch nicht anders: Ab Kapitel 1 stellen wir ein fiktives Unternehmen vor, das datengetriebener werden möchte, und begleiten es im Laufe des Buches bis zum Ende seiner Datentransformation in Kapitel 28. Auf dem Weg dorthin gehen wir auf viele Herausforderungen ein und bieten Ihnen so praktische Einblicke, die nur dank des regen Austauschs in unserer großen Data-Science- und KI-Community möglich waren.
Das Ergebnis ist eine stark erweiterte Ausgabe unseres Data Science & AI-Handbuchs mit zehn neuen Kapiteln zu Themen wie Aufbau von KI-Lösungen (Kapitel 13), Foundation Models (Kapitel 15), Large Language Models und generative KI (Kapitel 16) sowie Klimawandel und KI (Kapitel 25). Ergänzend dazu werden auch die grundlegenden Themen Datenarchitektur, Engineering und Governance (Kapitel 4, 5 und 6) behandelt und mit Machine Learning Operations (MLOps, Kapitel 7) abgerundet, das sich zu einer eigenen, sehr wichtigen Disziplin entwickelt hat.
Um eine solide Grundlage zu schaffen, die Ihnen hilft, all dies zu verstehen, haben wir wieder eine Einführung in die zugrunde liegende Mathematik (Kapitel 9) und Statistik (Kapitel 10), die in Data Science verwendet werden, sowie Kapitel über die Theorie hinter Machine Learning, der Signalverarbeitung und der Computer Vision (Kapitel 12, 14 und 18) aufgenommen. Wir haben auch Themen behandelt, die mit der Wertschöpfung aus Daten zu tun haben, wie z. B. Business Intelligence (Kapitel 11) und Data Driven Enterprises (Kapitel 21), sowie wichtige Informationen, die Ihnen helfen, Daten sicher zu nutzen, einschließlich Kapiteln über das neue EU-KI-Gesetz (Kapitel 23) und vertrauenswürdige KI (Kapitel 27).
Diese umfangreiche Erweiterung des Opus Magnum der VDSG dient vor allem einem Zweck:
ein realistisches und ganzheitliches Bild von Data Science und KI zu vermitteln.
Data Science und KI entwickeln sich derzeit in einem unglaublich schnellen Tempo, und das gilt auch für ihre Auswirkungen auf die Gesellschaft. Das bedeutet, dass die Verantwortung, die auf den Schultern der Data Scientists lastet, ebenfalls gewachsen ist, und damit auch die Notwendigkeit für Organisationen wie die VDSG, sich zu engagieren und diese Herausforderungen zu bewältigen.
Packen wir’s an!
Sommer 2024
Wolfgang Weidinger
Danksagungen
Wir, die Autoren, möchten diese Gelegenheit nutzen, um unseren Familien und Freunden, die uns geholfen haben, unsere Gedanken und Einsichten in diesem Buch auszudrücken, unseren aufrichtigen Dank auszusprechen. Ohne ihre Unterstützung und Geduld wäre diese Arbeit nicht möglich gewesen.
Ein besonderer Dank aller Autoren geht an Katherine Munro, die viel zu diesem Buch beigetragen und viel Zeit und Mühe in die Bearbeitung unserer Manuskripte investiert hat.
Für meine Eltern, die immer gesagt haben, dass ich alles schaffen kann. Wir hätten nie erwartet, dass es so etwas sein würde.
Katherine Munro
Ich möchte mich bei meiner Frau und der Vienna Data Science Group für ihre kontinuierliche Unterstützung auf meinem beruflichen Weg bedanken.
Zoltan C. Toth
Wenn ich an die Menschen denke, die mich am meisten unterstützt haben, möchte ich mich bei meinen Eltern bedanken, die immer an mich geglaubt haben, egal, was passiert ist, und bei meiner Partnerin Verena, die in den letzten Monaten wieder sehr geduldig war, während ich an diesem Buch gearbeitet habe.
Darüber hinaus bin ich sehr dankbar für die Unterstützung und Motivation, die ich von den Menschen erhalten habe, die ich durch die Vienna Data Science Group kennengelernt habe.
Wolfgang Weidinger
Stefan Papp
„Ich möchte CDO werden anstelle des CDOs.“
Iznogoud (angepasst)
Fragen, die in diesem Kapitel beantwortet werden:
Wie könnte ein fiktives Unternehmen aussehen, das vor seiner Transformation in ein datengesteuertes Unternehmen steht?
Welche Herausforderungen muss ein Unternehmen bewältigen, um datengesteuert zu werden?
Wie werden die Kapitel in diesem Buch Ihnen, dem Leser, helfen, solche Herausforderungen in Ihrer eigenen Organisation zu erkennen und zu bewältigen?
Dieses Buch bietet einen praktischen, erfahrungsbasierten Einblick in verschiedene Aspekte von Data Science und künstlicher Intelligenz. In dieser, unserer dritten, Auflage tauchen die Autoren auch tief in einige der aufregendsten und sich schnell entwickelnden Themen unserer Zeit ein, darunter Large Language Models und generative KI.
Das vorrangige Ziel der Autoren ist es, dem Leser einen ganzheitlichen Zugang zu diesem Bereich zu vermitteln. Aus diesem Grund ist dieses Buch nicht rein technisch: Die Reife von Data Science und KI hängt ebenso sehr von der Arbeitskultur ab, insbesondere vom kritischen Denken und evidenzbasierter Entscheidungsfindung, wie von den Kenntnissen in Mathematik, neuronalen Netzen, KI-Frameworks und Datenplattformen.
In den letzten Jahren sind sich die meisten Experten einig geworden, dass künstliche Intelligenz unsere Arbeits- und Lebensweise verändern wird. Für eine ganzheitliche Betrachtung müssen wir auch den Status quo betrachten, wenn wir verstehen wollen, was getan werden muss, um unsere vielfältigen Ambitionen mithilfe von KI zu erfüllen. Ein nützlicher Rahmen dafür ist es zu untersuchen, wie Menschen mit den Herausforderungen der Datentransformation aus einer organisatorischen Perspektive umgehen. Aus diesem Grund werden wir dem Leser ein fiktives Unternehmen vorstellen, das am Anfang seiner Reise steht, evidenzbasierte Entscheidungsfindung in seine Unternehmensidentität zu integrieren. Wir werden dieses fiktive Unternehmen, in dem vieles datenorientierter sein könnte, als Modell verwenden, um mögliche Herausforderungen zu skizzieren, denen Organisationen begegnen können, wenn sie datenorientierter werden wollen. Am Ende dieses Buches wird unser hypothetisches Unternehmen auch als Modell dafür dienen, wie ein datengesteuertes Unternehmen aussehen könnte. In den dazwischen liegenden Kapiteln gehen wir auf viele dieser Herausforderungen ein und geben praktische Ratschläge, wie man sie bewältigen kann.
Falls Sie als Leser lieber keine Prosa über ein fiktives Unternehmen lesen möchten, um etwas über solche typischen organisatorischen Herausforderungen zu erfahren, empfehlen wir Ihnen, dieses Kapitel zu überspringen und mit einem Kapitel zu beginnen, das Ihren Interessen entspricht. Als ganzheitliches Buch über dieses Gebiet behandeln die Autoren künstliche Intelligenz, maschinelles Lernen, generative KI, Modellierung, Verarbeitung natürlicher Sprache, Computer Vision und andere relevante Bereiche. Wir behandeln Engineer-Themen wie Datenarchitektur und Datenpipelines, die für die Umsetzung datengetriebener Projekte in die Produktion unerlässlich sind. Schließlich gehen wir auch auf kritische soziale und rechtliche Fragen im Zusammenhang mit der Nutzung von Daten ein. Jeder Autor geht sehr detailliert auf sein Fachgebiet ein, damit Sie einen großen Nutzen daraus ziehen können.
Wir bitten die Leser, sich direkt mit uns in Verbindung zu setzen und uns mitzuteilen, wie wir unser ehrgeiziges Ziel erreichen können, die Standardliteratur für einen ganzheitlichen Ansatz in diesem Bereich zu werden. Wenn Sie der Meinung sind, dass einige neue Inhalte in einer der nächsten Ausgaben behandelt werden sollten, können Sie die Autoren über berufliche Netzwerke wie LinkedIn finden.
In diesem Sinne, fangen wir an.
1.2Die Halford GroupBob betrat das Bürogebäude der Halford Group, einem Hersteller von Konsumgütern, zu denen auch die meistverkaufte Gummiente gehörte. Nachdem er die Bürotüren passiert hatte, fühlte er sich in die Achtzigerjahre zurückversetzt. Die Besucher mussten sich am Eingang anmelden, Formulare ausfüllen, um im Falle eines Unfalls haftbar zu werden, und versprechen, keine Fotos zu machen – und das war nur der erste Schritt. Als Bob den Aufzug mit seinen Messingknöpfen und dem glänzenden Mahagonidekor betrat, hätte er schwören können, dass er die Kulisse des Films „The Wolf of Wall Street“ betreten hatte.
Im Büro der Geschäftsführung sah es ähnlich aus. Den bräunlichen Teppichen sah man ihr Alter an, und die Tapeten sahen aus, als hätten sie den Rauch vieler Marlboro-Männer aus den Achtzigern eingeatmet. Die abgenutzten Ledersofas und der wuchtige Holzschreibtisch (wieder aus Mahagoni) schienen eine Erinnerung an eine große, aber ferne Vergangenheit zu sein. Bob konnte sich vorstellen, wie sein Vater – ein Mann, der immer stolz darauf gewesen war, im Verkauf tätig zu sein und den Lehren von Zig Ziglar zu folgen – in jungen Jahren mit dieser Firma Geschäfte gemacht hatte.
Dieses Bild in Bobs Vorstellung wurde unterbrochen, als eine junge Frau den Raum betrat, und Bob wurde sofort in die Gegenwart zurückgeworfen. Mit entschlossener Miene schritt sie auf Bob zu und griff nach seiner Hand. Etwas verblüfft betrachtete er den platinblonden Haarschopf und die Tätowierungen, die von ihrem maßgeschneiderten Anzug nicht ganz verdeckt wurden, und hob seine Hand als Antwort. Die Frau lächelte.
1.2.1Alice Halford – Vorsitzende„Ich bin Alice Halford“, sagte sie, „ich bin die Enkelin von Big Harry Halford, dem Gründer dieser Gruppe. Er hat sein Imperium von Grund auf aufgebaut.“
Bob hatte alle Legenden über den alten Halford-Boss gelesen. Aus jedem Artikel über ihn ging hervor, dass er nicht auf viele Leute hörte. Stattdessen war „Big Harry“ ein stolzer, entschlossener Kapitän, der den Kurs vorgab und von seinem Team absoluten Gehorsam verlangte. Soweit Bob wusste, wurde in den Wirtschaftsmagazinen noch nicht viel über Alice geschrieben. Allerdings hatte er in Vorbereitung auf dieses Treffen einen Artikel gelesen. Alice sei anders als der große alte Familienpatriarch, hieß es darin. Sie hatte sich in einem erbitterten Kampf gegen drei ehrgeizige Brüder durchgesetzt und war vom Vorstand zur Vorsitzenden gewählt worden, weil sie große Pläne hatte, die Firma in ein modernes Unternehmen umzuwandeln, das dem Zeitgeist des 21. Jahrhunderts entsprechen würde.
„Obwohl er erfolgreich war, würde die heutige Generation meinen Großvater als Dinosaurier bezeichnen, der nur genug Fußspuren hinterlassen wollte, damit die nächste Generation weiß, dass er da war“, sagte Alice. „Besonders in seinen letzten Lebensjahren stand er Veränderungen skeptisch gegenüber. Viele Chefberater angesehener Unternehmen kamen hocherhobenen Hauptes in unsere Büros und erklärten uns, dass unsere langfristige Existenz davon abhängen würde, ein datengesteuertes Unternehmen zu werden. Aber mein Großvater hatte immer ein Sprichwort: In dem Moment, in dem ein Computer entscheidet und nicht mehr ein Gründer, der sich auskennt und seinem Bauchgefühl folgt, ist es vorbei. All die einst stolzen Berater und ihre Unterstützer aus dem Unternehmen dachten, sie könnten jede Führungskraft davon überzeugen, ihre Vorstellungen von einem modernen Unternehmen zu übernehmen, aber letztendlich zogen sie den Schwanz ein und gingen.“
Alice lächelte Bob an und fuhr fort: „Der Ruhestand meines Großvaters war längst überfällig, aber schließlich zwangen ihn seine exotischen kubanischen Zigarren und seine Gewohnheit, teuren Whiskey zu trinken, dazu, sein Arbeitsleben zu beenden. Ich habe den Vorsitz des Verwaltungsrats übernommen. Ich möchte alle Gerüche des letzten Jahrhunderts beseitigen. Als ich antrat, stellte ich fest, dass Teile des Unternehmens hochgradig toxisch waren. Meine Strategieberater wiesen mich darauf hin, dass jede große Organisation ein gewisses Maß an organisatorischer Arroganz und Ineffizienz aufweist. Sie ermahnten mich auch, meine Erwartungen niedrig zu halten. Während viele Enthusiasten behaupten, dass KI die Welt für immer verändern wird, ist jedes große Unternehmen wie ein lebender Organismus mit vielen verschiedenen Unterteilungen und Eigenschaften. Die Veränderung der Unternehmenskultur ist ein langer Prozess, und viele Unternehmen stehen vor ähnlichen Herausforderungen. Letztlich wird jedes Unternehmen von Menschen geführt, und niemand kann Menschen über Nacht ändern. Einige mögen mit Veränderungen einverstanden sein, einige wenige wünschen sich vielleicht sogar, dass sie zu schnell erfolgen, aber die meisten Menschen werden sich auf die eine oder andere Weise gegen Veränderungen sträuben.
Gleichzeitig ist mir klar, dass uns die Zeit davonläuft. Wir haben gelernt, dass unsere Hauptkonkurrenten uns voraus sind, und wenn wir nicht aufholen, werden wir schließlich nicht mehr mithalten können. Unser derzeitiger CEO kommt aus dem Finanzbereich und braucht daher die Unterstützung eines Datenstrategen. Bob, Sie wurden uns als hervorragender Experte für die Umwandlung eines Unternehmens in ein datengesteuertes Unternehmen empfohlen, das die traditionellen Geschäftsmodelle auf den Kopf stellt. Sie können mit jedem reden, Sie haben alle Freiheiten, die Sie brauchen. Danach bin ich neugierig auf Ihre Ideen, das Unternehmen von Grund auf zu verändern.“
Bob nickte enthusiastisch. „Ich liebe Herausforderungen. Ihre Sekretärin hat mir bereits gesagt, dass ich am Nachmittag keine weiteren Termine haben sollte. Können Sie mich Ihrem Team vorstellen? Ich würde gerne mehr darüber erfahren, wie es arbeitet und welche Anforderungen es hat.“
„Ich dachte mir, dass Sie das tun wollen. Zuerst werden Sie die Analysten David und Anna kennenlernen. Dann treffen Sie Tom, den Vertriebsleiter. Es wäre am besten, wenn Sie auch mit dem IT-Manager Peter sprechen würden …“ Alice unterbrach sich, seufzte und fuhr fort: „Schließlich habe ich für Sie ein Treffen mit unserem Produktionsleiter, der Reklamationsabteilung, unserem Sicherheitschef und schließlich mit unserer Personalabteilung arrangiert. Ich werde Ihnen unseren neuen CEO vorstellen, der heute einfliegt, um beim Abendessen Einzelheiten zu besprechen. Ich habe einen Tisch in einem guten Restaurant in der Nähe reserviert. Aber es macht Sinn, wenn man zuerst mit allen anderen Beteiligten spricht. Ich habe meine Kollegen gebeten, jeweils ein persönliches Gespräch mit Ihnen zu vereinbaren. Das wird ein anstrengender Nachmittag, Bob.“
1.2.2AnalystenAls Alice den Raum verließ, erschienen in der Tür ein Mann, offenbar Mitte vierzig, und eine etwa gleichaltrige Frau. Das mussten die Analysten David und Anna sein. Als keiner der beiden bereit schien, den Raum zu betreten, winkte Bob sie herein. Er fühlte sich an ein Empowerment-Seminar erinnert, das er vor einigen Jahren besucht hatte: Der Trainer war wild entschlossen gewesen, aus allen Teilnehmern starke Führungspersönlichkeiten zu machen, hatte aber davor gewarnt, dass nur die Tatkräftigen die Welt beherrschen würden. Diese Analysten schienen das genaue Gegenteil zu sein. David lachte nervös, als er eintrat, und Anna hielt ihren Blick gesenkt, als sie sich auf den nächstgelegenen Platz begab. Beide schienen nicht gerade begeistert zu sein, dort zu sein; Bob wollte sich gar nicht ausmalen, wie sie in dem „Urschrei“-Test des Seminars abgeschnitten hätten.
David und Anna setzten sich, und Bob versuchte, mit Fragen über ihre Arbeit das Eis zu brechen. Es dauerte eine Weile, aber schließlich begannen sie zu reden.
„Nun, wir erstellen Berichte für die Geschäftsführung“, sagte David. „Wir bemühen uns um Genauigkeit und versuchen, unsere Berichte pünktlich einzureichen. Das hat sich zu einem gewissen Ruf entwickelt“, fügte er hinzu.
Bob erkannte, dass er, wenn er sie zum Reden bringen wollte, seine berühmte Rede halten musste, die er folgendermaßen zusammenfasste: „Ihre Aufgabe in dieser Besprechung ist es, über Ihr Problem zu sprechen. Meine Aufgabe ist es zuzuhören.“ Schließlich musste er das Unternehmen Halford in ein datengesteuertes Unternehmen umwandeln, und sie waren diejenigen, die am engsten mit den Daten des Unternehmens arbeiteten.
Bob beendete seine Rede mit Elan, aber Anna zuckte nur mit den Schultern. „Die Geschäftsleitung will viel wissen, aber unsere Möglichkeiten sind begrenzt.“
Bob bemühte sich, beiden in die Augen zu sehen, doch Anna wandte sich schnell ab. „Aber was hindert Sie daran, Ihre Arbeit uneingeschränkt zu tun?“
„Unsere größte Herausforderung ist der Batch-Prozess aus der Hölle“, meldete sich David plötzlich zu Wort. „Dieser berüchtigte tägliche Job läuft über Nacht und extrahiert alle Daten aus den operativen Datenbanken. Er ist ungeheuer komplex. Ich habe aufgehört zu zählen, wie oft dieser Job im Laufe der Zeit fehlgeschlagen ist.“
Ich habe sie, dachte Bob und nickte ermutigend.
„Und niemand weiß, warum dieser Job scheitert“, schaltete sich Anna ein. „Und wenn er scheitert, wissen wir nicht, ob die Daten korrekt sind. Bis jetzt gab es noch nie ein Problem, wenn wir einen Bericht mit fragwürdigen Zahlen abgaben. Aber das liegt wahrscheinlich daran, dass die meisten Manager die von uns gelieferten Fakten und Zahlen ohnehin ignorieren.“
„Genau!“ David hob dramatisch seine Hände. Bob begann zu befürchten, dass er in ein Wespennest gestochen hatte.
„Wenn ein Job scheitert, bin ich es, der zur IT-Abteilung gehen muss“, sagte David. „Ich kann es einfach nicht mehr hören, dass den Nerds der Speicherplatz ausgegangen ist und dass DevSecOps mal wieder einen Firewall-Port geschlossen hat. Alles, was ich will, sind die Daten, um meine Berichte zu erstellen. Ich kämpfe auch oft mit unserer Sicherheitsabteilung. Manchmal sind ihre Prozesse so streng, dass sie eine Innovation fast sabotieren. Gelegentlich habe ich den Eindruck, dass sie den Zugang zu Datenquellen absichtlich sperren, um uns zu ärgern.“
„Oft werden wir gefragt, ob wir etwas Anspruchsvolleres machen wollen“, sagt Anna und schüttelt frustriert den Kopf. „Es ist immer das gleiche Muster. Ein Manager besucht ein Seminar und kommt zu uns, um uns zu fragen, ob wir ‚KI‘ machen können. Wenn Sie mich ehrlich fragen, würde ich gerne etwas Anspruchsvolleres machen, aber wir haben Angst, dass das ganze System auseinanderbricht, wenn wir etwas ändern. Deshalb bin ich froh, wenn wir der Geschäftsleitung die Daten vom Vortag zur Verfügung stellen können.“
„Verstehen Sie uns nicht falsch, ML und KI wären fantastisch. Aber unser Unternehmen muss sich noch die Grundlagen erarbeiten. Ich glaube, die meisten unserer Manager haben keine Ahnung, was KI bewirkt und was wir damit machen könnten. Aber werden sie es zugeben? Auf keinen Fall.“
Anna lehnte sich verärgert zurück. Bob brauchte sie nicht zu fragen, um zu wissen, dass sich beide bereits bei anderen Unternehmen bewarben.
1.2.3„CDO“In der Mittagspause stürmte ein hagerer Mann in einem schwarzen Rollkragenpullover ins Büro. Er wirkte nervös, als ob jemand hinter ihm her wäre. Seine Augen huschten durch den Raum und vermieden den Blickkontakt. Sein ganzer Körper zappelte, und er konnte seine Hände nicht ruhig halten.
„Ich bin der CDO. Mein Name ist Cesario Antonio Ramirez Sanchez; nennen Sie mich Cesar“, stellte er sich mit spanischem Akzent vor.
Bob war überrascht, dass dieses Treffen nicht angekündigt worden war. Währenddessen näherte sich sein unerwarteter Besucher immer wieder einem Stuhl und entfernte sich wieder von ihm, als könne er sich nicht entscheiden, ob er sich setzen sollte oder nicht.
„CDO? Ich habe diese Position im Organigramm nicht gesehen“, antwortete Bob ruhig, „ich habe einen Cesario Antonio Rami gesehen …“
„Nein, nein, nein … Das ist nicht mein offizieller Titel. Es ist das, was ich tue“, sagte Cesar dramatisch. „Ich verändere das Unternehmen von Grund auf, verstehen Sie? Wie ein Guerillakrieg. Ohne Leute wie mich wäre diese Firma noch in der Steinzeit, verstehen Sie?“
„Ich bin an der Meinung aller interessiert“, antwortete Bob, „aber ich bin Alice unterstellt und kann mich nicht an Geheimoperationen beteiligen.“
„Nein, nein, nein …, alles ist ganz einfach. In dieser Firma laufen nur Schwachköpfe herum …“ Cesar hob den Finger, holte tief Luft, nickte zweimal und fuhr fort. „Ich weiß … die Personalabteilung sagt mir immer, ich soll freundlich zu den Leuten sein und keine bösen Worte sagen. Aber wir haben in dieser Firma nur Data Warehouses. Nicht einmal einen Data Lake. Catastrófica! Es ist das 21. Jahrhundert, und diese Dinosaurier arbeiten wie in Lateinamerika hace veinte años. Increíble!“
Er holte noch einmal Luft und fuhr dann fort: „Modernisieren wir diese Bruchbude! Fangen wir bei null an. Es gibt so viel zu tun. Zuerst müssen wir diese alten Geräte auf den Müll werfen, verstehst du? Und sie durch streaming-fähige PLCs ersetzen. Dann streamen moderne Edge-Computing-Dienste alles mit Kafka an verschiedene Datenspeicher. Alle Probleme sind gelöst. Und dann haben wir eine Echtzeit-Analyseschicht auf einem Data Mesh.“
Bob starrte sein Gegenüber an, das nicht in der Lage zu sein schien, seine Augen oder seinen Körper länger als einen Moment ruhig zu halten. „Es tut mir leid, ich verstehe nicht.“
„Sie sind ein Experte, Sie haben einen Doktortitel, oder? Sie sollten verstehen: moderne Fabrik, IoT, Industrie 4.0, Factory of the Future.“
Bob beschloss, nicht zu antworten. Stattdessen zog er die Augenbrauen hoch und wartete darauf, was Cesar als Nächstes sagen würde.
„So viel Potenzial“, fuhr Cesar fort. „Und alles wird vergeudet. Warum redet die Personalabteilung immer über die Gefühle der Menschen? Alles ist so einfach. Diese alte Firma muss modern werden. Wir brauchen keine Künstler, wir brauchen Leute mit Verstand. Wenn ich Kunst will, höre ich mir Mariachi in Cancún an. Wenn die jetzigen Leute Schwachköpfe sind, stellt neue Leute ein. Kluge Leute, mit Doktortitel und Erfahrung. Meine alten Chefs in Lateinamerika, das können Sie sich nicht vorstellen, hätten alle gefeuert, auch die Personalabteilung. Lassen Sie uns später reden; ich bin in der IT-Abteilung en la cava.“
Bob hatte keine Zeit, zu antworten. Cesar verließ den Raum so schnell, wie er ihn betreten hatte.
1.2.4VertriebEin großer, schlanker, grauhaariger Mann betrat den Raum, nahm am Ende des Tisches Platz, lehnte sich zurück und schenkte Bob ein Verkäuferlächeln, für das Colgate Millionen bezahlt hätte.
„Ich bin Tom Jenkins. Meine Freunde nennen mich ‚die Lawine‘. Denn wenn ich für eine Wiedervorlage zum Telefon greife, kann mich niemand mehr aufhalten. In den Neunzigern habe ich an einem einzigen Tag vier Verkäufe gemacht. Können Sie sich das vorstellen?“
Ich verstehe schon, du bist ein Held, dachte Bob. Halte mal den Ball flach.
„Mein Name ist Bob. Ich bin ein Berater, der diesem Unternehmen helfen soll, datenorientierter zu werden.“
Toms gewinnendes Lächeln verschwand, als Bob „Daten“ erwähnte.
„Ich habe zu viel von den Daten gehört“, sagte Tom. „Keine Analyse kann Bauchgefühl und Erfahrung ersetzen. Verstehen Sie mich nicht falsch. Ich liebe genaue Daten über meine Verkaufszahlen, aber man sollte einem erfahrenen Mann vertrauen, dass er seine eigenen Entscheidungen trifft. Kein Computer wird mir jemals sagen, welchen potenziellen Kunden ich anrufen soll. Wenn ich an meinem Schreibtisch sitze, weiß ich, was so richtig durchstarten wird.“
„Bei allem Respekt. Ich kann Ihnen viele Beispiele dafür zeigen, wie ein evidenzbasierter Ansatz Kunden zu mehr Einnahmen verholfen hat.“
„Haben Sie sich gerade selbst gehört?“ antwortete Tom, „evidenzbasiert …! Man gewinnt Verkäufe nicht mit klugen Reden. Man muss an den Emotionen und Beziehungen der Menschen arbeiten. Kein Computer wird jemals bessere Geschäfte machen als ein Verkäufer mit einem gewinnenden Lächeln. Ich gebe Ihnen ein Beispiel: Eines Tages zeigten unsere Verkaufsdaten, dass wir in unserer wichtigsten Region weniger Produkte verkauften. Einige Datenanalysten erzählten mir etwas über demografische Veränderungen. Was für ein Blödsinn!
Also bin ich losgezogen und habe mit den Leuten gesprochen. Ich kenne meine Leute da draußen. Sie sind alle großartige Menschen. Alles tolle Leute! Sehr klug und hemdsärmelig. Ich liebe das. Wir aßen Steaks und tranken Bier, dann stellte ich unsere neue Produktlinie vor. Raten Sie mal, wer danach Verkäufer des Monats war?
Kein Computer muss mir sagen, wie ich auf meine Kunden zugehen soll. Solange die Verkaufsberichte stimmen und wir die Provisionen berechnen können, ist alles in Ordnung. Es ist der Verkäufer, nicht der Computer, der ein Geschäft abschließt.“
Damit erhob sich Tom, die „Lawine“, wieder. Er lud Bob in ein fantastisches Restaurant ein – „Ich kenne den Besitzer, und glauben Sie mir, er macht die besten Steaks, die Sie je probiert haben“ – und war weg.
1.2.5ITZehn Minuten nach dem geplanten Beginn der Sitzung wartete Bob immer noch auf das Teammitglied, von dem er im Vorfeld am meisten gehört hatte: den IT-Leiter Peter. Sein Name war von verschiedenen Leuten mehrfach erwähnt worden, aber immer, wenn Bob nachgefragt hatte, wollten die Leute nicht antworten oder seufzten nur und sagten ihm: „Sie werden schon sehen.“
Schließlich stürmte Peter atemlos und schwitzend in den Raum. „Der Weg von meinem Büro im Keller in dieses Stockwerk ist ein Albtraum“, sagte er zwischen zwei Atemzügen. „Man trifft im Aufzug so viele Leute, die etwas wollen. Ich stehe ständig unter Stress, das können Sie sich nicht vorstellen! Hier, ich habe uns ein paar Sandwiches mitgebracht. Ich habe ein kleines Nebengeschäft in der Gastronomie. Man braucht so ein Hobby, um hier zu überleben. Ohne ein Hobby wird man in diesem Geschäft verrückt.“
Peter war ein untersetzter, rotgesichtiger Mann, der schon mit Halford zusammen war, als er noch viel jünger war und viel mehr Haare hatte. Er saß etwas zu bequem in seinem Stuhl, mit dem Selbstbewusstsein eines Mannes, der schon so lange dabei war, dass er praktisch zum Mobiliar gehörte.
An Selbstvertrauen mangelt es ihm nicht, das ist sicher, dachte Bob. Ich frage mich, wie viele schmutzige Geheimnisse dieser Mann im Laufe der Jahre erfahren hat, die nur er kennt.
„Okay, dann lassen Sie uns über IT reden“, seufzte Peter, nachdem Bob die Sandwiches abgelehnt hatte. „Meine Kollegen aus dem Vorstand und die Führungskräfte verstehen immer noch nicht, was sie täglich von mir verlangen. Wenn sie mich zu Besprechungen einladen, tauche ich oft nicht mehr auf. Wir sind ein großes Unternehmen, aber niemand will in die IT investieren. Ich bin unterbesetzt; wir schaffen es kaum, das Unternehmen am Laufen zu halten. Wollen wir eine Zigarette rauchen gehen?“
„Nein, danke“, sagte Bob, aber Peter hatte bereits ein Päckchen aus seiner Hosentasche gekramt. Er plapperte den ganzen Weg zum Raucherraum und sprang von einem Thema zum anderen. Bob erfuhr alles über Peter, von seinem Lieblingsessen über sein Privathaus bis hin zu seinem Leistenbruch, der offenbar immer schlimmer wurde. Nachdem Peter die erste Zigarette in den Mund gesteckt hatte, wandte er sich wieder dem Thema zu, das Bob wirklich interessierte.
„Die Schlipsträger wollen etwas, ohne die Konsequenzen zu kennen. Auf der einen Seite wollen sie, dass alles sicher ist, aber auf der anderen Seite wollen sie moderne Datenlösungen. Oft fragen sie mich an einem Tag nach einer Sache, und am nächsten Tag priorisieren sie etwas anderes. Um es ganz offen zu sagen: Ich hatte schon viele Gespräche mit diesen externen Beratern. Wenn ich ihnen erlauben würde, das zu tun, worum sie mich bitten, könnte ich gleich alle unsere Daten auf einen Dateiserver legen und Hacker einladen, sie direkt herunterzuladen. Um die Dinge am Laufen zu halten, muss man das gesamte Unternehmen mit einer Firewall versehen!“ Peter drückte seine Zigarette aus und griff nach einer neuen.
Bob nutzte die Gelegenheit, um sich einzuklinken. „Können Sie mir mehr über Ihre IT-Abteilung erzählen? Ich war auf der Suche nach einer Dokumentation über die IT-Landschaft. Ich habe nicht viele Informationen über Ihre internen Dateifreigaben gefunden. Welchen Cloud-Anbieter nutzen Sie derzeit?“
Peter lachte und fing dann an zu husten. Mit Tränen in den Augen antwortete er: „Ich sagte doch, ich bin unterbesetzt. Glauben Sie wirklich, dass ich Zeit für eine Dokumentation habe?“ Er deutete auf seinen Kopf. „Keine Sorge, hier oben in den grauen Zellen ist alles gespeichert. Und wir haben eine No-Cloud-Strategie. Cloud ist nur eine Marketing-Sache, wenn Sie mich fragen. Wenn wir Lösungen selbst bauen, ist es sicherer, und wir haben alles unter Kontrolle. Wenn ich nur mehr Leute hätte … Haben Sie schon einen meiner Jungs kennengelernt, Cesar? Er ist in Ordnung, wenn er nicht redet. Das kommt leider nur selten vor. Ich mag es nicht, wenn Leute denken, sie seien schlauer als ich. Er kennt die zwei Regeln von Peter noch nicht. Regel Nummer 1: Geh deinem Chef nicht auf die Nerven. Regel Nummer 2. Befolge Regel Nummer 1.“
Peter lachte, schnippte die zweite Zigarette auf den Boden und holte eine Tüte aus seiner anderen Tasche. Sie war voll mit Karamellbonbons: Peter steckte sich eine in den Mund und fuhr laut kauend fort. „Alice hat mich gefragt, ob ich Ihnen Bill, meinem leitenden Ingenieur, vorstellen darf, aber ich habe abgelehnt. Dieser Typ hat den Verstand eines Fuchses, aber die Kommunikationsfähigkeit eines Esels. Außerdem wird er nervös, wenn man ihm direkt in die Augen sieht. Ich mache mir immer Sorgen, dass er sich in die Hose macht – oder bin ich schon wieder zu politisch inkorrekt? Unsere Personalabteilung sagt mir ständig, dass ich freundlicher sein soll. Aber in dieser Klapsmühle lernt man, seinen Stress abzubauen, indem man sagt, was man denkt. Also entschuldigen Sie bitte meinen Sarkasmus. Ich bin die letzte Person, die zwischen dem Chaos und einer funktionierenden IT-Landschaft steht, das Management nervt mich ständig mit dummen Anfragen, und zu guter Letzt macht sich die Personalabteilung mehr Gedanken darüber, wie ich kommuniziere, als darüber, wie sie die Leute finden, die mir helfen könnten, unser Unternehmen am Laufen zu halten.“
Es bedurfte einiger Versuche, bis Bob sich endlich von Peters Gemecker lösen konnte, um zu seinem nächsten Treffen zu gehen. Sogar als er ging, forderte Peter Bob immer wieder auf, ihn einmal in seinem Lebensmittelgeschäft zu besuchen, wo sie unter vier Augen etwas trinken könnten und Peter seine „Kriegsgeschichten“ über Halford offener erzählen könnte.
1.2.6SicherheitWährend er auf den Vertreter der Personalabteilung wartete, erhielt Bob eine Sprachnachricht von Suzie Wong, der Leiterin der Datensicherheit. Als Bob sie abspielte, hörte er im Hintergrund Verkehrsgeräusche.
„Entschuldigung, dass ich nicht gekommen bin. Die Schule hat mich einbestellt, weil eines meiner Kinder krank geworden ist. Ich hoffe, eine Sprachnachricht ist in Ordnung. Ich bin Suzie Wong. Ich arbeite schon seit Jahren bei Halford. Man nennt mich die menschliche Firewall gegen Innovation. Ich fasse das als Kompliment auf, weil es irgendwie bedeutet, dass ich meine Arbeit gut mache. Könnte ein Unternehmen mit einer Sicherheitschefin zufrieden sein, die ihren Job leichtnimmt? Mein Vorgänger war viel entspannter als ich. Er war in den Fünfzigern und hatte es sich ein wenig zu bequem gemacht, weil er dachte, er würde sich mit einem sicheren Job zur Ruhe setzen. Und dann eines Tages … gab es diese Sicherheitslücke. Sein Kind ist immer noch in der Privatschule, er ist plötzlich ohne Job und, nun ja, ich erspare Ihnen die Details.
Die Leute denken oft, dass ich nur da bin, um ihre Anfragen zur Datenfreigabe abzunicken, aber meine eigentliche Aufgabe ist der Schutz der Privatsphäre unserer Kunden. Data Scientists müssen mir beweisen, dass die Daten unserer Kunden sicher sind, wenn sie mit ihnen herumspielen wollen. Leider nehmen das zu viele zu leicht.
Wenn der Antragsteller das Verfahren befolgt, könnte ein Privacy Impact Assessment innerhalb einer Woche durchgeführt werden. Ich werde Ihnen später einen Link zu unserem Sicherheitsportal schicken, damit Sie es überprüfen können. Sie werden selbst sehen, dass wir nichts Unmögliches verlangen.
Ich bin die letzte Verteidigungslinie, die dafür sorgt, dass wir keine saftigen Geldstrafen zahlen müssen, weil jemand dachte, es handele sich nur um Daten, mit denen er herumspielt. Manche Leute nennen mich auch scherzhaft ‚Frau Nein‘, denn das ist meine übliche Antwort, wenn sie nicht erklären können, warum ich ihnen Sicherheitsausnahmen gewähren oder Zugang zu Daten mit privaten Kundeninformationen geben sollte. Manche Leute beschweren sich, dass es auf diese Weise Monate dauern kann, bis eine Sicherheitsgenehmigung erteilt wird. Aber solange Ingenieure und Data Scientists noch nicht wissen, wie man Sicherheitsfragen richtig angeht, ist es mir egal, ob es Jahre dauert, bis ich mein endgültiges OK gebe. Wie auch immer, entschuldige mich jetzt, ich bin in der Schule …“
1.2.7Leiter der ProduktionBob hatte noch etwas Zeit bis zu seinem nächsten Treffen und suchte online nach seinem nächsten Gesprächspartner. Er entdeckte einen Mann mittleren Alters mit einer langen Geschichte in den sozialen Medien, einschließlich einiger fragwürdiger Fotos seines jüngeren Ichs in einem Che-Guevara-T-Shirt. Bob schmunzelte. Dieser junge Mann konnte froh sein, dass ihr Gespräch nicht in den Zeiten des Kalten Krieges stattfand.
Schließlich betrat Bobs Gesprächspartner den Raum. Er war muskulös, und sein buschiger schwarzer Bart zeigte die ersten Anzeichen von Grauwerden.
„Mein Name ist Hank. Freut mich, Sie kennenzulernen“, sagte er mit tiefer Stimme.
„Ich habe gehört, Sie sind neu in Ihrer Position“, sagte Bob.
„Ja. Alice hat meinen Vorgänger gefeuert, weil er ein Tyrann war. Ich bin jetzt einer der ersten der, wie sie es nennt, ‚neuen Generation‘. Ich habe zugesagt, weil ich hier jetzt etwas verändern kann. Lassen Sie mich auf den Punkt kommen: Was haben Sie hier vor?“
Bob lächelte und sagte: „In Fabriken geht es oft darum, maschinelles Lernen für die Automatisierung einzusetzen. Denken Sie an Prozesse, bei denen Menschen die Qualität eines Artikels manuell prüfen. Stellen Sie sich vor, Sie könnten das alles automatisieren. Eine Kamera prüft jedes Teil, und fehlerhafte Teile – die wir ‚Ausschuss‘ nennen – werden automatisch herausgefiltert.“
Hank versteifte sich. „Meine Aufgabe ist es, Arbeitsplätze zu schützen, nicht ihre Beseitigung zu unterstützen. Einige unserer Fabriken befinden sich in Dörfern, wo sie die einzige Quelle für Arbeit sind.“
„Fast jedes Land durchläuft einen demografischen Wandel. Können Sie garantieren, dass Sie in der Lage sein werden, genügend Arbeitskräfte zu halten, um die Fabriken am Laufen zu halten? Wie wäre es, das Gleiche mit weniger Menschen zu tun?“
„Aber wenn man darum bemüht, ein paar Leute wegzuoptimieren, können in so einem Projekt auch viele Menschen arbeitslos gemacht werden“, sagte Hank. „Was ist, wenn man in ein paar Jahren überhaupt keine Arbeiter mehr braucht? Ich möchte nicht die Tür zu einem System öffnen, das die Bourgeoisie reicher macht und den einfachen Proletarier arbeitslos werden lässt.“
„Das ist sehr unwahrscheinlich“, sagte Bob. „Ich sehe, Sie sind solidarisch mit Ihren Mitarbeitern, Hank. Haben Sie daran gedacht, Anwendungsfälle zu erforschen, um sie zu schützen? Wir können zum Beispiel mithilfe von Computer Vision erkennen, ob Fabrikarbeiter Helme tragen.“
Hank schaute Bob tief in die Augen. Bob konnte nicht genau sagen, ob das ein gutes oder ein schlechtes Zeichen war, aber eines wurde ihm klar: Diesem Mann würde er nicht gerne auf einer dunklen, leeren Straße begegnen.
„Ich verstehe, dass es für meine Kollegen von Vorteil sein könnte“, sagte Hank. „Ich will nur kein trojanisches Pferd öffnen: Ich führe ein IT-System ein, um Unfälle zu vermeiden, und das nächste macht die Arbeiter überflüssig. Aber ich habe Alice versprochen, dass ich sie unterstützen werde. Sie ist ein guter Mensch. Ich werde mit meinen Kollegen sprechen. Ich muss sie mit ins Boot holen, aber eine Sache ist nicht verhandelbar: Wir werden niemals ein System tolerieren, das die Arbeitsplätze von Menschen vollständig ersetzt.“
1.2.8KundenbetreuungDie nächste Gesprächspartnerin, eine ältere Frau mit perfekt glänzendem, silbernem Haar, betrat den Raum. Sie setzte sich und fuhr vorsichtig mit den Fingern über ihren klassischen Dutt, um sicherzugehen, dass kein einziges Haar fehl am Platz war.
„Ich bin Annie von der Beschwerdestelle“, sagte sie in einem etwas aristokratischen Ton. Sie schien sich mehr für ihre sauber manikürten Nägel zu interessieren als für Bob, als sie fortfuhr: „Ich weiß ehrlich gesagt nicht, warum Sie mit mir sprechen wollen.“
„Nun, Teil eines datengesteuerten Unternehmens ist oft auch eine kundenorientierte Strategie. Wir können die Kundenabwanderung und andere Metriken anhand von Daten messen. Die meisten meiner Kunden wollen Daten nutzen, um ihren Erfolg zu maximieren. Sie haben ihre Abteilungen sogar in ‚Abteilung für Kundenzufriedenheit‘ umbenannt, um dies zu unterstreichen.“
„Aha“, sagte Annie. Es herrschte eine unangenehme Stille, während sie mit ihrem anderen Ärmel das Zifferblatt ihrer antiken Uhr polierte.
Bob räusperte sich, um ihre Aufmerksamkeit zu gewinnen. „Wären Sie daran interessiert, anhand von Daten mehr über Ihre Kunden zu erfahren?“
„Warum sollte ich?“
„Um ihre Kunden besser zu betreuen?“
„Wir haben solide Produkte. Die meisten Beschwerden entbehren jeder Grundlage. Wir glauben, je weniger Geld wir für verwirrte Kunden ausgeben, desto mehr haben wir übrig, um unsere Produkte zu verbessern. Das nenne ich den echten Kundennutzen, den wir bieten.“
Aha. Bob erkannte das berühmte Argument gegen Investitionen in eine Domain, die nicht direkt zu Einnahmen führt. Wahrscheinlich bekommt sie einen Bonus, wenn sie die jährlichen Kosten niedrig hält, dachte er und sah eine Chance.
„Und wie halten Sie die Kosten im Moment gering?“
„Wir haben ein Offshore-Callcenter. Dort werden etwa 80 % der Anrufe bearbeitet, wonach viele dieser Kunden einfach aufgeben. Die verbleibenden 20 % werden an ein kleines Team von fortgeschrittenen Kundendienstmitarbeitern weitergeleitet. Ich weiß, das klingt hart, aber Sie können sich nicht vorstellen, wie viele verwirrte Menschen versuchen, uns anzurufen, ohne überhaupt ein Problem zu haben. Einige – so scheint es – rufen uns nur an, um zu reden.“
„Richtig. Und haben Sie an die Möglichkeit gedacht, Kosten zu senken, indem Sie Chatbots mit generativer KI entwickeln? Es gibt auch viele Möglichkeiten, Data Science zu nutzen, um Kundenbeschwerden zu filtern. Wenn sie richtig geschult sind, erhalten Ihre Kunden einen besseren Support, und Sie senken die Kosten.
„Würde es ausreichen, das Offshore-Zentrum zu schließen?
Erwischt. „Wenn man es richtig macht, ja.“
Zum gefühlt ersten Mal sah Annie Bob direkt an. „Wie viel würde es kosten?“
„Im Moment ist es noch schwer abzuschätzen.“
Annie dachte eine Weile nach und stand dann auf, um zu gehen. An der Tür hielt sie inne. „Sobald Sie es wissen, rufen Sie mich sofort an.“
1.2.9HR„Ich bin … ich bin Pratima“, sagte eine Frauenstimme an der Tür. Sie ging auf Bob zu, schaute ihn mit einem einladenden Lächeln an und fragte: „Wie kann ich Ihnen helfen, Bob?“
„Hallo, Pratima. Setzen wir uns doch. Wie Sie wissen, bin ich hier, um dieses Unternehmen in ein stärker datenorientiertes Unternehmen umzuwandeln. Ich habe auf LinkedIn gesehen, dass Sie zuvor für sehr moderne Unternehmen mit einer starken Datenkultur gearbeitet haben. Wie ist es jetzt, für ein Unternehmen zu arbeiten, das noch am Anfang seiner Reise steht?“
„Alice bat mich, Ihnen gegenüber offen zu sein. Ich habe diesen Job als Karriereschritt angenommen, um in eine Führungsposition aufzusteigen. Diese Entscheidung hat mich jedoch vor mehr Herausforderungen gestellt als erwartet. In meinem vorherigen Job hatten wir die richtige Atmosphäre, um neue Talente anzuziehen. Es war ein Umfeld, das für Spitzenleistungen prädestiniert war: schicke Büroräume, eine moderne Arbeitskultur mit flachen Hierarchien, coole Produkte, an denen man arbeiten konnte, und viele talentierte, vielfältige Kollegen. Die Rekrutierung war einfach, weil neue Kandidaten den Geist unserer Gemeinschaft spürten.“
Pratima seufzte.
„In diesem Unternehmen können wir aber nicht verbergen, dass wir beim Übergang erst am Anfang stehen. Die Bewerber haben in der Regel viele Angebote, aus denen sie wählen können. Manchmal müssen wir zusehen, wie perfekte Kandidaten weggehen, weil wir noch kein warmes und einladendes Umfeld für Datenexperten bieten.
Wenn Manager über KI und die Umstellung auf Daten diskutieren, übersehen einige vielleicht den menschlichen Aspekt. Was ist, wenn Sie die perfekte Datenstrategie entwickeln, aber nicht genügend Talente finden? Viele Unternehmen sind mit diesem Problem konfrontiert, und immer steht ein Elefant im Raum. Um ein datengesteuertes Unternehmen zu werden, müssen Sie ein Umfeld schaffen, das Menschen anzieht, die anders denken, und das bedeutet, dass Sie Ihre Kultur ändern müssen.“
„Glauben Sie, dass die Unternehmensleitung Angst hat, zu viele Veränderungen voranzutreiben, weil sie fürchtet, alles zu verlieren?“
„Ich verstehe, dass einige erfahrene Mitarbeiter enttäuscht sein und sogar kündigen könnten, wenn sich ihre gewohnte Umgebung zu modernisieren beginnt. Aber wenn man sich überhaupt nicht verändert, steckt man im Schlamm fest, und die Konkurrenz wird einen überflüssig machen. Der Dalai Lama sagt, wir sollten die Veränderung sein, die wir uns wünschen.“
„Richtig. Und ich glaube, es war Seneca, der einmal sagte: ‚Nicht, weil die Dinge schwierig sind, wagen wir sie nicht. Sondern weil wir es nicht wagen, sind sie schwierig.‘“
„Stimmt! Aber ich muss jetzt gehen. Ich freue mich darauf, unser Gespräch fortzusetzen.“
1.2.10CEOAlice und Bob trafen sich am Abend in einem Fusion Restaurant in der Innenstadt. Alice stellte Bob Santiago vor, den langjährigen CFO, der zum neuen CEO wurde. Nach einem ausgezeichneten Essen bestellten sie den berühmten armenischen Cognac und begannen mit der eigentlichen Diskussion.
„Ich will ehrlich zu Ihnen sein, Bob“, begann Santiago. „Alle Ihre Ideen zur Umgestaltung von Halford klingen fantastisch, aber als Ökonom und Zahlenmensch ist meine erste Frage: Wie viel wird das alles kosten?“
Oh Mann. Bob war auf diese Frage vorbereitet, aber er wusste, dass Santiago die Antwort nicht gefallen würde. „Es kommt darauf an“, sagte er, und Santiago sah genauso unzufrieden aus, wie Bob es erwartet hatte.
„Ich verstehe, dass jeder auf die Kosten schaut“, fuhr Bob fort, „aber die Geschichte ist voll von Unternehmen, die es versäumt haben, innovativ zu sein, und in Konkurs gegangen sind, während ihre Konkurrenten voranschritten. Wenn man das gesamte Spektrum der künstlichen Intelligenz betrachtet, wird kaum ein Unternehmen am Ende so arbeiten wie bisher.
„Einige Unternehmen empfehlen, dass wir mit Workshops zur Data Literacy beginnen, um Führungskräfte in die Lage zu versetzen, Daten und Zahlen effizient zu interpretieren. Literacy hört sich so an, als wollten sie uns wieder das Lesen und Schreiben beibringen – und das natürlich für viel Geld. Verstehen Sie mich bitte nicht falsch. Ich verstehe, dass wir innovativ sein müssen, aber wenn ich alles genehmige, was die Berater mir vorschlagen, sind wir bald pleite.“
„Aber wenn Ihr Führungsteam nicht ‚in Daten denken‘ kann“, sagte Bob und deutete dabei Anführungszeichen an, „wie soll es dann an unserem geplanten Strategie-Workshop teilnehmen, in dem wir spezifische Data-Science-Optionen für unsere Geschäftsziele erkunden?“
„Worin besteht der Unterschied?“
„In den Data-Literacy-Workshops wollen wir ein Verständnis dafür schaffen, wie man Daten interpretiert. Im Strategie-Workshop erstellen wir eine Liste von Anwendungsfällen zur Verbesserung der Prozesse in Ihrem Unternehmen und priorisieren diese, um neue Datenlösungen schrittweise zu integrieren.“
„Ich weiß, dass wir ein paar harte Nüsse zu knacken haben. Einige unserer Mitarbeiter glauben nicht daran, dass wir datengesteuert arbeiten wollen, und wir müssen möglicherweise massiv in Enablement investieren. Wir haben einmal externe Unternehmen gebeten, uns bei der Modernisierung unserer IT zu helfen. Kein Beratungsunternehmen hat mir ein Angebot mit einem Festpreis für ein Umstellungsprojekt gemacht. Sie sagten immer, wir stünden vor einem Loch ohne Boden. Führung ist der einzige Weg, um voranzukommen. Wenn das Führungsteam überzeugt ist und sich anpasst, kann sich diese Kultur ausbreiten.
Ihre betriebliche IT muss allmählich reifen und modernisiert werden. Seien Sie sich jedoch bewusst, dass eine analytische Schicht auch außerhalb der Unternehmens-IT aufgebaut werden kann. Ein Risiko besteht darin, Daten zu einem reinen IT-Problem zu machen. Die IT ist ein Teil einer Transformation, aber ein datengesteuertes Unternehmen zu werden, ist weit mehr, als einigen Ingenieuren einen Job zu geben, um Plattformen zu bauen.“
„Für mich ist die Sache klar“, sagte Alice. „Entweder wir modernisieren uns, oder wir verschwinden allmählich von der Bildfläche. Bob, was brauchst du, um uns zu helfen?“
Bob schaute von einem zum anderen und überlegte sorgfältig, was er als Nächstes sagen sollte. „Datenorientiert zu werden bedeutet nicht, dass man einen Haufen Data Scientists einstellt, die ein bisschen zaubern, und plötzlich verdient das Unternehmen mit KI tonnenweise Geld. Wie gesagt, der erste Schritt besteht darin, die Beteiligten in Einklang zu bringen. Für mich ist das das A und O der KI: die Schaffung einer Datenkultur, die auf kritischem Denken und evidenzbasierten Entscheidungen beruht.“
„Großartig“, antwortete Alice. „Fangen wir damit an.“
1.3Kurz und bündigErwartungsmanagement
Die meisten Unternehmen sehen die Notwendigkeit, datengesteuert zu werden, da sie wissen, dass Organisationen, die die technische Entwicklung ignorieren, meist scheitern.
Einige Mitarbeiter haben vielleicht unrealistische Erwartungen, wie schnell eine Umstellung vonstattengehen kann. Wir weisen darauf hin, dass die Umstellung auf ein datengesteuertes Unternehmen nicht nur eine Änderung von Praktiken und Prozessen bedeutet, sondern oft auch eine kulturelle Überarbeitung der Art und Weise, wie das Unternehmen seine Geschäfte führt.
Viele Mitarbeiter befürchten, dass sie einen Teil ihrer Autonomie aufgeben müssen oder sogar ihren Arbeitsplatz ganz an Computer verlieren, wenn KI in ihrem Unternehmen eingeführt wird. Eine Organisation, die datengesteuert wird, muss sich damit auseinandersetzen.
Technologiefokus und fehlende Strategie
