Felix: [00:00:00] Herzlich willkommen zum AI-First-Podcast. Heute habe ich Timo Buck zu Gast, Head of Data und AI bei Teva Pharmaceuticals die du sicherlich von der Marke RatioPharm kennst. Und Timo hat bei Teva das Thema Data Science und AI vorangetrieben und unter anderem ein Blueprint für eine Datenstrategie Entwickelt, was auch das Kernthema dieser Folge sein wird. Also, wenn du verstehen möchtest, wie wichtig eigentlich Daten für AI-Integration ist und wie du deine Daten auch strukturiert im Unternehmen nutzbar machst, dann wirst du heute sicherlich viel lernen. Timo, schön, dass du da bist. Timo: Danke für die Einladung Felix. Felix: Vielleicht starten wir gleich mal rein. Was ist denn mit deinen Worten eine Datenstrategie und warum brauche ich die als Unternehmen? Timo: ist eine sehr gute Frage als Einstieg weil aus meiner Sicht ist das Thema oder auch das Wort Datenstrategie gar nicht so trivial. Ich würde es so beschreiben, dass eine [00:01:00] Datenstrategie eine Art übergeordneter Felix: Vielen Dank. Timo: muss, um sie am Ende vom Tag zielgerichtet einsetzen zu können und schauen wir uns ein Felix: Vielen Timo: ich habe immer mehr und Felix: Dank Timo: das kann ich natürlich nutzen und das ist ein Mehrwert. Das heißt, um irgendwie in der heutigen Zeit der Digitalisierung Globalisierung Wettbewerbsfähig zu sein, komme ich eigentlich gar nicht drum herum, mich irgendwie mit dem Thema Daten zu beschäftigen und um das Felix: Viele Unternehmen sehen ja jetzt die [00:02:00] Potenziale von künstlicher Intelligenz. Technologie überholt sich am laufenden Band selbst und macht auch viele Versprechungen, dass wir dadurch alle effizienter werden, neue Geschäftsmodelle aufbauen und so weiter. Geht das denn überhaupt, ohne sich vorher wirklich tiefe Gedanken über die eigenen Daten gemacht zu haben und auch erstmal eine Datenstrategie zu entwickeln? Timo: Nein es geht nicht. Also schauen wir uns mal irgendwie die zehn größten Unternehmen der Welt an, irgendwie Felix: Vielen Timo: auch schon künstliche und Data Science sehr erfolgreich ein, aber warum? Weil sie ihre Hausaufgaben schon vor Jahren und Jahrzehnten einfach gemacht haben und eine [00:03:00] Datengrundlage geschaffen haben, um eben auch genau solche KI-Systeme zu Felix: Dank. Timo: Facebook, also mit Meta mit WhatsApp etc., Instagram, da fallen so viele Nutzerdaten an und da ist eben ein Schatz und wenn man den zielgerichtet einsetzen kann und eben KI-Systeme auch darauf basierend trainieren kann, dann kann man eben das volle Potenzial auch von solchen Systemen nutzbar sag ich mal und um eben genau Diese zu sammeln, zu managen auch zu gewährleisten dass die Daten eine gewisse Qualität, eine gewisse Konsistenz haben und auch eine gewisse Zugänglichkeit am Ende vom Tag, ist eben eine Datenstrategie notwendig die eben all diese verschiedenen Aspekte versucht zu beleuchten und eben strategisch konzeptionell auch erfolgreich anzugehen Felix: Und da wollen wir ja [00:04:00] heute mal reingehen denn du hast für eine Unit, glaube ich oder einen größeren Bereich bei Teva ein Blueprint entwickelt, den ihr mittlerweile für eine Datenstrategie den ihr mittlerweile über viele Länder auch ausgerollt habt. Also hast du sicherlich ganz viele Erfahrungen gemacht, wie man dort... Sehr strukturiert vorgehen kann. Datenstrategie klingt ja für mich auch erstmal sehr aufwendig irgendwie sehr theoretisch aber ich würde das jetzt gerne mit dir mal auf eine Handlungsebene bringen, ich denn hier eigentlich Schritt für Schritt muss, um meine eigene Datenstrategie zu erarbeiten und auch in die Umsetzung zu bringen. Was gehört dort alles mit rein? Timo: Am Anfang ist es wichtig, dass Felix: Dank. Vielen Timo: [00:05:00] ich habe einen Katalog an Daten, der angereichert wird mit Metadaten. Eine Felix: Dank. Timo: Attribute von Daten, die diese Daten irgendwie besser im Detail beschreiben. Das bedeutet, okay, der Ist-Zustand, also was habe ich heute schon im Unternehmen und wie verteilt Sind diese Daten, weil wir halt auch bei uns in der Teva, aber auch in anderen Unternehmen, dass wir oftmals heterogene Daten- und Applikationslandschaft haben. Also Daten sind nicht an einem zentralen Ort gespeichert sondern verteilt über viele verschiedene Applikationen Ich habe ein ERP-System für meine Geschäftsprozesse, ich habe ein CRM-System, Felix: Vielen Timo: und und und überall da werden natürlich Daten gespeichert Also ich erstelle einen Datenkatalog, da gibt es auch Technologie, die das Ganze [00:06:00] unterstützt und darauf basierend erstelle ich eine sogenannte Datenlandkarte Dass ich zuerst mal verstehe, okay, was ist wo gespeichert, ich erkenne Zusammenhänge, erkenne vielleicht auch Duplikate welche Daten kaufe ich vielleicht in zwei unterschiedlichen Felix: Vielen Timo: ein, erkenne ein bisschen einfach das Big Picture von meiner aktuellen Reife, von meinem Reifegrad, was ich Richtung Daten habe. Und dieser Reifegrad kann man eben auch objektiv erkennen Messbar machen über ein Reifegrad-Modell, das haben wir gemacht, das heißt als Teil von diesem ersten sogenannten, wir nennen Felix: Dank. Timo: wir ein Reifegrad-Modell entwickelt, was das Thema Daten in der Organisation aus Felix: Vielen Timo: schon Daten, also habe ich sie schon in einem zentralen Ort zusammengebracht oder sind sie sehr heterogen verteilt über meine Applikationslandschaft Wie sieht es denn Richtung [00:07:00] den Governance-Aspekt aus, da kommen wir vielleicht später auch noch zu sprechen, also habe ich eine klare Governance rund um Daten, also klare Prozesse und vor allem auch klare Rollen und klare Verantwortlichkeiten also sind Data-Owner und Data-Stewards gepflegt für gewisse Daten, aber auch beispielsweise, wie werden die Felix: Vielen Dank. Timo: die dann sehr objektiv betrachtet basierend auf den Datenkatalog-Informationen einfach dann einen Reifegrad-Score berechnen können und an dem ich dann sehe, wie gut ich schon unterwegs bin aber auch gleichzeitig Potenziale erkenne, indem ich dann den größten Hebel habe, indem ich Themen rund um Daten einfach dann angehe und vielleicht auch Gaps schließe. Felix: Okay, also wir fangen Erstmal mit dem Ist-Zustand an und verschaffen uns einen Überblick und den Katalog, finden die Zusammenhänge [00:08:00] in den Daten bewerten den Reifegrad. Können wir nochmal in den Datenkatalog gehen, weil damit fängt ja alles an. Wie kann ich denn hier Schritt für Schritt vorgehen? Um auch sicherzustellen, dass ich wirklich alle Daten im Unternehmen erfasse. Ich stelle mir das unfassbar kompliziert vor, denn du hast ja schon gesagt, wir haben unterschiedliche Systeme das bekomme ich vielleicht noch abgedeckt. Dann gibt es vielleicht noch Daten, die wir zukaufen. Dann gibt es ja vielleicht auch noch Daten, die in händischen Formularen in Papierform vielleicht noch irgendwie vorliegen. Wie schaffe ich es denn da wirklich auf 100% Abdeckung zu kommen oder ist das gar nicht der Anspruch? Timo: Ja das ist die Frage, ob man Felix: Vielen Dank Timo: im Business. Und das macht man am einfachsten indem man einfach die Leute... Ins Boot holt und interviewt die tagtäglich das Business verantworten und [00:09:00] Business-Prozesse abbilden und in Business-Prozessen arbeiten. Das heißt, niemand kennt sich besser aus als die Leute, die Felix: Vielen Dank. Timo: IT auch hier ein wichtiger Partner, weil ein IT Felix: Vielen Dank Timo: im Business, wie du gesagt hast, extern eingekauft worden, irgendwie noch eine Marktstudie kurz als PowerPoint zugeschickt oder so, wo oftmals einfach die IT gar nichts mitbekommt. Das heißt, ich überlege mir am Anfang, okay, was ist mein Scope Wenn ich sage, das ganze Unternehmen ist vielleicht ein bisschen zu groß gefasst für den ersten Schritt, ich will sehr schnell vorankommen, will sehr schnell erste Ergebnisse einfach sehen, dann kann ich sagen, ich halte bewusst diesen Scope ein bisschen kleiner, fokussiere mich auf ein paar bestimmte [00:10:00] Business-Einheiten, auf ein paar bestimmte Business-Bereiche und hole da zuerst mal diese sogenannten Subject Matter Export ins Boot, also diese Business-Einheiten Experten und interview die und und frag einfach welche daten sie tagtäglich in ihrem alltag nutzen Also wir haben Interviewtermine durchgeführt und haben einfach dann auch als Vorbereitung eine Art Kommunikation versendet indem wir gesagt haben, schau einfach mal in deinem Alltag da drauf, welche Daten du nutzt und wenn dir was auffällt, dann schreib das bitte einfach auf einen Zettel. Felix: Vielen Dank. Timo: mal ein bisschen, ja, Ich sage mal, den groben Stamm abdecken und dann ist natürlich viel einfach auch im Interview selber quasi in gewisse Themen tiefer reingehen Da gehört dann auch ein bisschen Felix: Vielen Dank. Timo: Man hat ja auch ein gewisses Verständnis vom Unternehmen, von Business-Prozessen, wo man schon weiß, okay, wenn ich dann irgendwie bei uns im Pharma-Kontext beispielsweise arbeite Felix: [00:11:00] Vielen Dank. Timo: 132. Datensatz irgendwie doch noch mit aufzunehmen, der vielleicht von einer einzigen Person alle zwei oder drei Jahre mal angeschaut wird, wenn gerade die Zeit ausreichend ist. Also es geht tatsächlich bei dem Thema Datenstrategie um diese Daten, die auch wirklich einen Business Impact fürs Unternehmen am Ende vom Tag haben und auch haben sollen. Felix: hast du gesagt, dass ihr von den vorhandenen Daten den Reifegrad bestimmt habt. Und ihr habt dafür euer eigenes... Eigenes Modell entwickelt, wie ihr das gemacht habt. Gibt es denn da auch Standardmodelle oder sehr einfach anwendbare [00:12:00] Reifegradberechnungen oder Frameworks, die auch Unternehmen nutzen können, um mal sehr schnell eine erste Einschätzung zu bekommen, wo sie denn eigentlich stehen und das Schöne an so Reifegraden ist ja immer den eigenen Standort zu bestimmen, dann auch zu entscheiden, was wären jetzt eigentlich die nächsten Schritte, die gegangen werden müssen. Timo: Also natürlich kommt es da auch darauf Felix: Vielen Dank Timo: tatsächlich notwendig ist. Ich Felix: Vielen Dank. Timo: ich natürlich wenig Applikationen habe, Und viel Daten, dann ist das ein gutes Zeichen, weil meine Datenlandschaft nicht [00:13:00] so verteilt ist. Wenn ich natürlich sage, ich habe ein Verhältnis zu, ich habe pro Applikation nur ein, zwei Datensätze, also sehr, sehr viele Applikationen wo sehr wenig Datensätze nur gespeichert ist, ist es natürlich eher negativ für den Score, weil es einen sehr großen Aufwand bedeutet, Diese Daten irgendwie alle anzuzapfen am Ende vom Tag. Also das ist eine Dimension, was wir sehr, sehr einfach gemacht haben Richtung dem Thema Data Ownership. Wir haben einen Datenkatalog, eine Spalte die nennt sich Data Owner. Da haben wir nur geschaut ist da ein Name oder ein Team gepflegt ja oder nein, wenn eine Person drinsteht oder ein Team. Bedeutet es, es kümmert sich jemand um die Daten, wenn nichts gepflegt ist, ein Missing Value, bedeutet es, es fühlt sich niemand verantwortlich was wieder den Negativ sich aus diesem Score auswirkt und so kann man eigentlich schon mit sehr einfachen Felix: Vielen Dank. Timo: ich mal, ein sehr gutes Gefühl überhaupt bekommen für diese verschiedenen Unterkategorien wie Data Management, Data Governance, Analytics, also dieses Verhältnis wie viele Dashboards habe ich denn auch auf meinen Daten on [00:14:00] top, die irgendwie diese Daten versuchen smart zu Visuell darzustellen. Felix: Okay, spannend. Ich finde das super, dass du das so pragmatisch beschreibst, weil ich glaube, das brauchen wir gerade heute in einer Welt die eh schon immer komplexer wird. Timo: des  Felix: Schritte, die uns helfen, weiterzukommen, ohne es unnötig zu wissenschaftlich zu machen oder zu verkomplizieren. Und ich habe dann praktisch meinen Ist-Zustand Ich habe einen Datenkatalog über die Landkarte Zusammenhänge in diesen Daten hergestellt und dann mit ersten einfachen Berechnungsgrundlagen einen Reifegrad Und wie mache ich jetzt von dort weiter? Weil jetzt geht ja erst der spannende Teil los nehme ich mal an. Timo: Genau also Felix: [00:15:00] Dank. Timo: darauf vorbereitet ist oder auch ressourcenmäßig einfach auch andere Dinge anstehen. Bedeutet, normalerweise geht man iterativ vor und fängt eigentlich mit an, die... größten Hebel auf die haben. Das heißt, ich muss eine Art Priorisierung machen. Der größte Hebel auf die Unternehmensstrategie oder auch, wo einfach grundsätzlich unabhängig von der Unternehmensstrategie der größte Hebel da ist, dass Daten dem Unternehmen weiterhelfen. Das bedeutet, ich muss Felix: Können wir da mal ein Beispiel machen, um das so ein bisschen besser greifbar zu machen? Fällt mir jetzt noch sehr schwer, das darunter zu verstehen. Timo: jetzt für den Markt Deutschland, ich würde sagen, wir haben eine sehr moderne Geschäftsführung hier, die sehr State-of-the-Art ist wie ein Markt funktioniert, nicht nur im Pharma, sondern wir sind mit Ratio-Farmen in Deutschland eher auch ein bisschen kleiner aufgestellt, nenne ich es mal, und müssen sehr...[00:16:00]  Fast schon wie  Felix: Dank. Timo: und vor allem in der heutigen Zeit, das sehen wir auch bei den Großen, der Kunde ist König also Customer Centricity so als eins der Unternehmensstrategien der letzten Jahre Felix: Dank. Timo: Bedeutet, Kundendaten sind heute schon wichtig geworden, aber natürlich immer wichtiger und das wurde dann in diesem Sinne einfach auch berücksichtigt Das bedeutet, Datensätze, die irgendwie Informationen über Kunden berücksichtigen Beinhalten, waren als Teil der Priorisierung einfach dann höher zur Priorisierung als irgendwelche ich nenne es jetzt mal Daten vom Felix: Dank. Timo: betritt und seinen Ausweis scannt und ich habe quasi einen Log, wenn eine Person ein Gebäude betritt oder so, ist auch ein Datensatz aber natürlich wahrscheinlich jetzt nicht so wichtig, wie wenn ich irgendwie einen Hatchpoint von einem Kunde irgendwie erfasse und eben [00:17:00] Informationen, Insights Wissen über meinen Kunde bekomme, wie ich den Kunde besser beispielsweise ansprechen kann und was der Kunde für Bedürfnisse am Ende vom Tag hat. Felix: Gut, verstanden. Super Beispiel. Danke. Timo: Also wir hatten darüber gesprochen, gut, wir haben nur die Daten priorisiert. gibt es ja, Streams die Felix: Dank. Timo: einen menschlichen Business-Teil der sehr kulturell auch bezogen agieren kann. Vielleicht starten wir mal mit dem technischen Teil. Was ist Felix: Dank Timo: ist es wichtig, dass ich natürlich meine Architekturlandschaft an gewisse Bedürfnisse in der Zukunft ausrichte auch Richtung Daten bedeutet. Ich muss schauen, dass ich [00:18:00] Applikationen habe, in denen ich Daten speichere, vielleicht sogar einen zentralen Ort, in dem ich Daten zusammenbringe, um Felix: Dank. Timo: aus verschiedenen Applikationen zu machen und zu verknüpfen am Ende vom Tag. Was die Erfahrung gezeigt hat, ist, dass Daten oftmals in einer einzelnen Insel einen begrenzten Mehrwert haben und durch die Verknüpfung von verschiedenen Datenquellen aus verschiedenen Applikationen da schaffe ich tatsächlich den Leverage auch in Mehrwertgenerierung. Das ist tatsächlich ein Game Changer auch von dem Business Impact, was Daten Felix: Dank. Timo: Ich weiß nicht, 40, 50 Jahre über Data Warehouse, also ich habe Datenbanken irgendwie zusammengeschalten und wir reden seit, ich weiß nicht, 20, 30 Jahren über Big Data und dann als Folge auch einen Data Lake. Ich habe nicht mehr nur strukturierte Daten in Form von einer Excel, sondern ich kann eben auch semi-strukturierte beziehungsweise sogar unstrukturierte Daten haben und in einem [00:19:00] Data Lake kann ich einfach jede Art von Datenformat Felix: Dank Timo: was sich eher nur auf die strukturierten Daten begrenzt. Und in den letzten Jahren kam dann mehr und mehr hoch, auch basierend auf den Nachteilen von einem Data Lake, dass wenn ich Einfach Felix: Vielen Timo: bekomme ich irgendwann in summen von niemanden hat mir einen überblick und ich habe alles unstrukturiert drin und habe habe keine verknüpfung dass man sagt gut Felix: Dank Timo: vorteile von einem data warehouse und data lake zu verbinden in richtung einem data lake haus also wieder name schon sagt irgendwie so Die einen Warehouse mit einem Lake die Funktionalitäten verknüpft und tatsächlich das Beste von beidem. Gibt es verschiedene Anbieter, sehr bekannter Ansatz mittlerweile, dass ich sage, ich habe einen Lakehouse-Ansatz wo ich jegliche Art von Daten zuerst mal in ein sogenanntes Browse-Layer integrieren kann, ob strukturiert unstrukturiert etc. und da liegen die Daten zuerst mal [00:20:00] einfach so und dann fange ich aber an, Über ein semantisches Layer, diese Daten so anzureichern Qualität zu gewährleisten, Konsistenz zu gewährleisten, Business-Wissen, Domänenspezifisches Wissen hinzuzufügen, dass die Daten in ein strukturiertes Datenmodell überführt werden. Und das findet dann in diesem Silver Layer statt sozusagen. Das bedeutet, ich mache quasi aus Vielzahl von Daten irgendwie ein strukturiertes Datenmodell Wo ich auch gewisse Logiken habe, wie ich Daten aus verschiedenen Quellen dann mappen kann, wo ich klare IDs habe, ich kann die Daten beispielsweise in der dritten Normalform dann auch effizient also speichereffizient ablegen und dann kommt noch das sogenannte Gold Layer, wo ich sage, okay, basierend auf meinem Datenmodell habe ich schon bestimmte Sichten, also sogenannte Views, Auf mein Datenmodell, dass ich sage, ich habe jetzt einen bestimmten Stakeholder oder [00:21:00] Mitarbeitender aus einem Unternehmen, der interessiert sich zum Beispiel im Pharmaumfeld nur für die verschreibungspflichtigen Produkte und auch nur jetzt zum Beispiel für das Land Schweiz und nicht für Deutschland. Das heißt, da mache ich da eine spezifische View auf Land Schweiz, verschreibungspflichtige Produkte und die Person sieht dann eben genau nur das, was sie braucht. Und natürlich braucht so ein Data Lakehouse auch eine gewisse Governance, Wie es aufgebaut ist und auch einfach gewisse Standards, die dann eingehalten wurden, dass da kein Wildwuchs entsteht. Gewisse Prozesse auch, wie kann ich irgendwie Daten, wo ich aktuell noch keinen Zugang habe, irgendwie auch anfragen. Also da kommt dann eben genau dieser Governance-Aspekt ins Spiel. Und mit dem Thema Data Governance sage ich immer, man muss sich das so vorstellen wie ein bisschen wie so eine Art Bibliothek Ich habe ja auch nicht irgendwie Bücher alle auf einem Haufen und muss selber raussuchen, sondern ich habe schöne Kategorien, ich habe Öffnungszeiten von der [00:22:00] Bibliothek, vielleicht darf auch nicht jede Person jedes Buch einsehen, weil vielleicht manche Sachen auch ein bisschen vertrauen, also confidential sind und das heißt, ich habe da einfach klare Standards, klare Regeln, klare Prozesse, wer darf was, wann. Zu welcher Zeit wie denn auch machen und so muss man sich das im Kontext von Daten eben auch vorstellen. Das bedeutet, um das zusammenzufassen, ich brauche einfach klare Prozesse rund um Daten, ich brauche klare Standards rund um Daten und ich brauche vor allem auch klare Rollen und Verantwortlichkeiten rund um Daten. Und diese drei Perspektiven definieren einfach dann auch das Thema Data Governance am Ende vom Tag. Kurz in eigener Sache. Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung. Mit einer Fünf-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns sichtbarer zu werden und AI First [00:23:00] weiterzuentwickeln. Für dich und die gesamte Community. Ich danke dir. Felix: Lass uns doch mal auf die Rollen eingehen denn viele Unternehmen haben sich ja noch nie mit ihren Daten beschäftigt Und da gibt es dann in dem Unternehmen die Business-Teams und vielleicht noch ein IT-Team. Oft ja auch gar nicht In-House-Entwicklungsteam je nachdem, was es für ein Unternehmen ist. Aber oft ist ja auch Entwicklung ausgelagert. Also es gibt ein IT-Team, vielleicht gibt es jemanden im BI, der schon mal so Dashboards und Reports und so etwas erstellt. Mit welchen Rollen fängt man denn da jetzt an? die Kompetenzen erstmal im Unternehmen aufzubauen, um dann beispielsweise den Datenkatalog zu erstellen, die Daten anzureichern, deinen Reifegrad zu bestimmen und dann, was du beschrieben hast mit dem Data Lakehouse, das hört sich für mich natürlich extrem mächtig an, wenn ich diese Infrastruktur einmal habe, Dann kann [00:24:00] ich ja darauf sämtliche andere Technologien auch drauf aufsatteln und sehr super, super effizient effektiv mit diesen Daten arbeiten und viel damit machen. Aber ich habe mich die ganze Zeit gefragt, wer soll, also wer macht denn genau das, diese Infrastruktur aufzubauen? Wen brauche ich dafür? Timo: Also Felix: habe ich dir wieder drei Fragen hingeworfen Das mache ich immer ganz gerne. Timo: Ja, ist ja, also hängt ja alles irgendwie auch zusammen. In dem Sinne versuche ich jetzt Felix: Vielen Dank. Timo: und einen Data Engineer und was weiß ich was, einen Data Scientist was ja heutzutage die großen Big Techs alle massenweise haben, das gibt es vielleicht nicht oder noch nicht. Eigentlich ist es nur wichtig, dass Leute hat, egal was die jetzt für einen Jobtitel haben, ob das jetzt ein BI-Developer ist oder ein [00:25:00] Business-Analyst oder ein Digital-Expert, ist eigentlich alles zweiträngig Wichtig ist, glaube ich, dass man Mitarbeitende in der Organisation hat, die irgendwie versuchen, Felix: Vielen Dank. Timo: alleine getrieben und das Business wird nicht mit einbezogen. Felix: Vielen Timo: Wissen notwendig Dass diese Subject Matter Exports immer essentiell sind, um so etwas aufzubauen. Das heißt, brauche eigentlich immer eine Kombination aus eher den technischeren Leuten, die versuchen, diese Plattform auch [00:26:00] bereitzustellen und einfach dann auch diesen SMEs, dieses Domänenwissen mitbringen und dann auch spezifisch einfach Business-Logik in Form beispielsweise von Datenqualitätschecks anreichern. Also, wenn ich das Thema Datenqualität anschaue, kann aus technisch sehr schnell ja schauen, ob ein Datenwort vorhanden ist, ja oder nein, also ob ich einen Missing Value habe. Aber selbst wenn ich zum Beispiel da ein Wort stehen habe, muss das noch nicht heißen dass dieser Wort überhaupt richtig ist. Die Felix: Vielen Dank. Timo: dieses Wortes nur beurteilt werden, vor allem in komplexeren Umgebungen, wie wir es beispielsweise im Pharmamarkt haben, aber heutzutage in Großteilen von den Industriesektoren einfach gegeben ist, durch die genannten Gründe aufgrund von Digitalisierung, Globalisierung etc. Brauche ich einfach dann domänenspezifisches Wissen um beurteilen zu können, beispielsweise ich habe ein Wort über einen Krankenkassenrabattvertrag, ob das denn sinnvoll sein kann. bei der AOK [00:27:00] Krankenkasse, da brauche ich einfach das Businesswissen dazu. Das kann ein klassischer, technisch ausgebildeter ITler einfach in diesem Sinne nicht beantworten. Das heißt, da ist eine sehr enge Zusammenarbeit einfach auch notwendig. Und ich glaube auch, ich habe das Thema Data Ownership und Data Stewardship angesprochen, dass heutzutage in vielen Unternehmen Felix: Untertitelung ZDF Timo: nicht vollumfänglich aber an einzelnen Stellen auch eine Stewardship betrieben wird. Du hast die Rolle des BI-Entwicklers angesprochen, der irgendwelche Dashboards entwickelt. Diese Personen sind heutzutage oftmals schon Stewards, die schauen, dass die Daten regelmäßig geupdatet werden, dass die Daten eine gewisse Qualität und vor allem auch Konsistenz einfach haben am Ende vom Tag. Das bedeutet, wenn ich mich mit dem Thema Data Governance befasse, Das heißt nicht automatisch, dass nur wenn ich in meiner Organisation nicht den Job des Data Stewards habe, dass ich dann eine neue Person einstellen muss. Das kann [00:28:00] auch oftmals bedeuten, dass ich einfach vorhandene Rollen vielleicht noch ein bisschen upskillen muss oder nicht mal das, dass das Skillset schon vorhanden ist und einfach ein bisschen die Organisationsstruktur noch verfeinern muss, auch vielleicht vom Jobtitel her und dann auch von der Art und Weise, wie ich es meine Organisation kommuniziere. Es ist sehr wichtig, dass auch in dem Kontext von Rollen und Verantwortlichkeiten dass da ein klares Verständnis der Organisation vorhanden ist, wer ist für welche Daten zuständig und wer unterstützt auch welche Art von Daten. Bedeutet, es kann sein dass ein BI-Entwickler Dann einfach seinen Verantwortungsbereich erweitert und die Stewardship für eine gewisse Datenkategorie mitträgt und da muss aber dann natürlich auch vom Topmanagement eine Kommunikation stattfinden, dass tatsächlich auch die Person erster Ansprechpartner beispielsweise für Kundendaten dann auch zukünftig ist. Felix: Okay also keine Zukunft mehr für Unternehmen ohne In-House-Data-Teams, würdest du das [00:29:00] unterschreiben? Fast schon egal, in welcher Größe. Also klar, kleine Startups, obwohl die müssen auch viel mit Daten arbeiten. Gerade im Mittelstand fehlen ja diese Kompetenzen noch oft in Unternehmen. Timo: Also, ich glaube, da kommt es auch darauf an, wie man ein Datenteam definiert. Es muss nicht zwangsläufig jetzt ein Team oder eine zentrale Abteilung in einem Unternehmen Richtung Daten vorherrschen, um das Thema anzugehen und sich mit dem zu beschäftigen. Man kann das auch dezentraler machen, indem man einfach sagt, ich habe gewisse Fachbereiche und in jedem Fachbereich habe ich ein, zwei Fachbereiche Also datenaffine Mitarbeitende, Thema einfach aus den Fachbereichen einfach pushen und ich bringe die Leute in einer Art Community, virtueller Center of Excellence einfach auch regelmäßig zusammen. Das ist vielleicht auch ein Ansatz zum sagen, ich kann vielleicht erstmal ein bisschen ein Gefühl dafür bekommen, in welche Richtung kann das gehen. Ich habe nicht Felix: Vielen Dank. Timo: Invest gemacht Und kann bestehende Ressourcen nutzen, aber das ist schon auch sehr wichtig, dass ich sage, okay, ich brauche ein klares Commitment, ein klares Buy-in von [00:30:00] meiner Geschäftsführung, dass die sagen, das Thema Daten ist wichtig, wir gehen das strategisch an, wir setzen das als eine hohe Priorität im Unternehmen Felix: Dank. Timo: eben auch die Mitarbeitenden versuchen, das Thema zu leben und Bottom-up operativ anzugehen Weil wie gesagt, ich sage das nochmal gerne, niemand kennt sich so gut mit Daten und auch die aktuellen Probleme rund um Daten aus, als die Leute die tagtäglich in diesem Kontext damit arbeiten. Felix: Das ist ja dann wirklich so eine datengetriebene Kultur, oder? Die dann entstehen muss. Das ist ja jetzt auch wieder ein riesengroßes Thema. Was hat da für dich in der Vergangenheit gut funktioniert, um dieses Mindset wirklich bei jedem Mitarbeiter im Team aufzubauen und als Organisation datengetrieben zu werden und Business-Probleme eben nicht aus dem Bauchgefühl heraus [00:31:00] anzugehen und versuchen zu lösen, sondern immer bei den Daten anzufangen? Timo: Jetzt sprichst du ein super wichtiges Thema an. Ich habe ja gesagt, nach der Nach der Überblick- und Priorisierungsphase starten parallel mehrere Stränge. Wir haben jetzt gerade viel über diesen technischen Strang gesprochen, rund um Data Felix: Dank. Vielen Dank Timo: wird oftmals in diesem Fachjargon so auch als Data Literacy, also die Kompetenz mit Daten umzugehen auch ein bisschen beschrieben. Kann man dann auch natürlich weiter fortführen Richtung AI, also Data and AI Literacy Und am Ende vom Tag, du hast auch das Thema Mindset angesprochen, ist elementar. Also für mich ist das Thema Felix: Dank[00:32:00]  Timo: Zum einen das Mindset aber auch zum anderen das Skillset von Mitarbeitenden. Und ich glaube, sehr wichtig ist, dass man mit diesem Mindset anfängt und versucht das ein bisschen zu mobilisieren nenne ich es mal. Also du hast gefragt, was funktioniert da sehr gut? Felix: Dank. Timo: Es ging nicht nur vorrangig um Daten, sondern ein bisschen größer gefasst um Digitalisierungsthemen, dass wir einfach sehr konkret mal Use Cases Beispiele aufzeigen die sehr, sehr greifbar für Mitarbeitende sind. Was ist denn hier möglich? Also da ist viel Aufklärung am Anfang notwendig um einfach auch ein bisschen Felix: Dank. Timo: kreativere Aufgaben zu kümmern und bin nicht mehr den ganzen Tag los, quasi in diesen manuellen stupiden [00:33:00] Tätigkeiten. Also viel Aufklärung und natürlich kann man das Felix: Vielen Dank Timo: steckt eine Angst drin, viele denken immer noch AI, da reden wir immer über Roboter die hier durchs Bürogebäude laufen und sich einen Kaffee holen und so, nein, das ist eben nicht so. In den meisten Fällen, zumindest eher im administrativen Bereich, sind es einfach Softwarelösungen und Algorithmen, die irgendwie versuchen, eigentlich den Menschen zu unterstützen am Ende vom Tag. Wie es Excel vor 30 Jahren irgendwie auch gemacht hat, indem man dann ein bisschen smarter einfach Dinge machen konnte. Und so muss man das einfach als ja fast schon Basistechnologie dann auch sehen. Aber jetzt schweifen wir gerade ein bisschen ab zu dem Thema KI, um jetzt wieder auf das Thema Kultur zurückzukommen. Also wichtig, eine Aufklärung zu betreiben und dann aber natürlich auch meine Organisation abzuskillen Also [00:34:00] wir sehen das heute ja schon vereinzelt dass... Ja in der Grundschule teilweise ja schon Kinder lernen, sehr basic und rudimentär zu programmieren oder zumindest die Voraussetzungen fürs Programmieren. Wo ich noch zur Schule bin, bei mir war das, ich glaube, ein optionales Wahlfach, das Thema Informatik Ich glaube, heutzutage ist in vielen Bundesländern und Schulen auch fast schon Pflicht und so wird das einfach weitergehen. Also zum Beispiel im Finanzbereich ein Controller von heute ist ein Data Scientist morgen, meiner Meinung nach, die müssen viel mit Finanzdaten jonglieren und da ist einfach ein gewisses Skillset auch an Datenkompetenz notwendig wie ich das einfach noch effizienter und vor allem noch effektiver, also mit einer höheren Qualität am Ende vom Tag machen kann. Und da ist ganz, ganz viel Change, ganz, ganz viel Transformation notwendig und das ist natürlich... Eine Challenge, also Leute mitzunehmen, Change Management wird oftmals ein [00:35:00] bisschen vernachlässigt aber ist einer der Erfolgsfaktoren ob dann das Thema tatsächlich erfolgreich in einem Unternehmen eingeführt wird oder nicht. Felix: Ich fasse mal so ein bisschen zusammen. Du hast angesprochen die technische Infrastruktur Daten aus den ganzen Systemen und Quellen zusammenzuführen an einem Ort zugänglich zu machen. Die State-of-the-Art-Infrastruktur dafür ist ein Data Lake House, was die Stärken vom Data Lake und vom Data Warehouse miteinander vereint. Du hast angesprochen, wie wichtig es ist, dann Prozesse, Standards, Regeln umzusetzen Rollen zu etablieren damit fortlaufend auch richtig mit Daten umgegangen werden wird und dass da Klarheit in der Organisation gibt, wie mit Daten gearbeitet werden wird und wer wofür verantwortlich ist. du hattest gerade eben nochmal diesen [00:36:00] kulturellen Aspekt aber auch den Kompetenzaufbau im gesamten Team mit angesprochen. Timo: Genau. Und Felix: fehlt uns noch? Timo: Ja, was gerade auch, Felix: Vielen Dank. Timo: hast mich nochmal ein bisschen daran erinnert gerade bei dem technischen Teil, dieses Daten an einen Ort zusammenbringen. Da ist immer auch die Frage, was habe ich für einen Unternehmenskontext auf welcher Flughöhe bin ich unterwegs? Wenn ich natürlich von einem riesigen Konzern spreche mit, sag mal, Hunderttausenden von Felix: Vielen Timo: zusammenfasse. Irgendwann kann es auch Sinn machen, dass ich an einen verteilten dezentralen Ansatz denke. Da kommt dann so ein Thema Data Mesh ins Spiel. Also ich habe eine Computational Federated Governance, Also ich fange viel technisch ab, aber ich mache viel dezentral. Ich habe aber gewisse Standards, das heißt [00:37:00] Data as a Product ist da ein Stichwort. Also ich biete ganze Datenprodukte Felix: Vielen Dank. Timo: und gegerbernte Inseln die ich dann aber standardisiert auch wieder verknüpfen kann miteinander. Das ist ein modernerer Ansatz würde ich mal sagen. Das sind viele Unternehmen auch nicht, weil es doch auch eine gewisse Reife von der Organisation mitbringt weil am wenigsten Risiko habe ich natürlich, wenn ich alles zentral angehe und ich sage immer, Kontrolle ist besser als Vertrauen so ungefähr. Das gilt dann natürlich da ein bisschen mehr Wenn ich es zentral angehe, aber Felix: Dank. Timo: viel flexibler bin und [00:38:00] doch der Speed-to-Value schneller auf die Straße bringe, indem ich das Ganze dann einfach über einen strukturierten, dezentralen Ansatz umsetzen kann. Felix: Jetzt hast du gerade Speed to Value gesagt und da dachte ich, ja super, damit machen wir weiter, weil am Ende muss all das, worüber wir jetzt gesprochen haben, sich ja auszahlen indem es das erreicht. Oder das Vorantreiben der Unternehmensstrategie das Erreichen der Unternehmensziele positiv beeinflusst. Und ich denke, auch du in deiner Rolle wirst das ja irgendwann nachweisen müssen, dass sich all diese Investitionen auch lohnen. Und ich denke mal, am Anfang wird hier erstmal vorinvestiert bis sich dann auch diese Initiativen auszahlen. Also nimm uns doch mal mit und vielleicht kannst du mal so ein paar Beispiele geben. macht ihr jetzt alles mit Daten? Was für Use Cases sind im AI First Podcast? Also natürlich sind AI Use Cases spannend, aber [00:39:00] viele Use Cases da braucht man ja auch gar keine AI unbedingt für, um dann mit Daten zu arbeiten. Was macht ihr jetzt damit und wie wirkt sich das positiv auf das Business und die Performance aus? Timo: Also ich stimme dir da voll zu. Felix: Vielen Dank. Timo: oder was für  Felix: Vielen Dank. Timo: noch nicht nach zwölf Monaten, die rechnet sich mittel bis langfristig aber da rechnet sie sich richtig. Da habe ich dann natürlich die exponentiellen Wettbewerbsvorteile, wenn ich das Thema richtig angehe. Was man aber machen kann. Wenn man eine Datenstrategie macht, ich habe ja durch den Datenkatalog und durch dieses Reifegrad-Modell ein sehr gutes Gefühl, wo bin ich aktuell schon gut und wo habe ich noch viel [00:40:00] Potenzial nach oben. Das heißt, ich kann sehr schnell auch die sogenannten low-hanging fruits, also diese Quick-Wins identifizieren auch Richtung AI. Also wo sind meine Daten schon in einem zentralen Ort sauber zugänglich wo kann ich sehr schnell mit wenig Aufwand eine AI draufsetzen die vielleicht direkt Business Impact schafft und das rechtfertigt natürlich wieder das Invest und kann auch wieder ein Dosenöffner sag mal, mehr Invest sein und um das Thema größer anzugehen und vielleicht nicht nur in einem kleinen Piloten oder für einen kleinen Geschäftszweig Und so haben wir das tatsächlich auch gemacht, also bei uns ging das so parallel. Wir haben eigentlich, wie wir angefangen haben, wir sind zuerst mit dem Thema Data Science losgelaufen, ja so 2018, 2019 und Felix: Dank. Timo: versucht zu rennen bevor wir überlaufen gelernt haben und haben ziemlich schnell festgestellt, hoppsala, 70 bis 80 Prozent des Aufwands ist ja nicht diese KI aufzusetzen sondern diese Daten aufzusetzen Zu integrieren, zu cleanen zu mappen. Und das war eigentlich der Grund, warum wir[00:41:00]  Felix: Vielen Dank. Timo: einer der ersten KI-Systeme die komplett selbst entwickelt war im ganzen Teva-Konzern. Und da ging es um Preisvorhersage. Wir haben einen generischen Markt, in einer gewissen Marktkonstellation eine Regulatorik dass teilweise nur die vier Felix: Vielen Dank. Timo: vom Listenpreis gemessen her abgegeben werden dürfen in der Apotheke. Und das kann sich alle zwei Wochen ändern. Und wir haben dann ziemlich schnell über Felix: [00:42:00] Vielen Timo: ja, Felix: Dank Timo: will. Also der Mensch bleibt bei der Entscheidung und ich habe ein System, was den Menschen unterstützt. Fehler den wir damals gemacht haben, das heißt, sind wir nach sechs Jahren natürlich deutlich schlauer. Wir haben den Fachbereich damals noch sehr, sehr wenig mit einbezogen Das heißt, wir Felix: Vielen Dank. Timo: die anforderung bekommen haben gesagt lasst uns mal sechs monate machen sind dann irgendwann mit einer lösung wieder zurück zu bekommen und dann kamen ein paar dinge raus ja aber hier ist Das kann so nicht funktionieren. Wir haben hier noch eine zeitliche Felix: Dank. Timo: Das  Felix: Vielen [00:43:00] Dank. Timo: dass wir sagen, wir starten immer mit dem Business-Prozess. Also was ist das Business-Problem? Was ist die Business-Challenge Was will ich aus Business-Seite besser machen? Und schau dann, okay, und wie kann ich das mit Daten und dann auch KI-Systemen tatsächlich nutzen? Und du hast nach ein paar Jahren Beispielen gefragt, also eins der erfolgreichsten Use Cases, was wir umgesetzt haben, auch im deutschsprachigen Raum, mittlerweile Felix: Dank. Timo: England live, in Spanien und in Kanada wird es gerade implementiert, Frankreich ist auf der Liste noch drauf, genauso Italien Dass wir Kundenbestellverhalten vorhersagen, auch über Data Science Methodiken und über KI Algorithmen, also wann bestellt ein Kunde, welches Produkt, in welcher Menge und wenn ich das natürlich datenbasiert antizipieren und vorhersagen kann, dann kann ich darauf basieren, also das So What ist was mache ich damit. auch ein [00:44:00] bisschen meinen Business-Prozess optimieren. Ich kann den Kunde erinnern wenn er dann eben nicht bestellt hat an diesem vorhergesagten Zeitpunkt. Hey, du hättest doch bestellen sollen, dein Lager in der Apotheke ist fast leer. Es kann sein der Kunde ist gerade dabei, zu einem Wettbewerb zu gehen, weil er da vielleicht Felix: Dank Timo: am Markt früh erkennen, zum sagen, wenn vielleicht gerade viele Wettbewerber nicht lieferfähig sind, dass ich schauen muss, dass ich den Bestand was ich habe, nach oben fahre, dass ich mehr produziere, um einfach zu bedienen. Also gerade auch Lieferfähigkeiten Out-of-Stock-Situationen haben wir viel datenbasiert schon gemacht, nicht nur, um das von Wettbewerbern ziemlich früh zu erkennen, sondern um auch quasi unsere Wettbewerber Eigenen internen Outer Stocks besser in den Griff zu bekommen. [00:45:00] Wir haben verschiedene Use Cases rund um auch Marketing, also welche Marketingaktivitäten funktionieren auf welcher Plattform, für welche Zielgruppe solche Sachen. Wir haben erst kürzlich auch Im Pharmakovigilanzumfeld einen Piloten gestartet, der ist mittlerweile, der Proof Concept ist abgeschlossen, indem wir ein KI-System haben, das Nebenwirkungen automatisch erkennt und auch klassifiziert, weil wir als pharmazeutisches Unternehmen verpflichtet sind. Jegliche Art von Nebenwirkungsmeldungen irgendwie zu reporten und das innerhalb von 24 Stunden und wir haben natürlich viele Kanäle. Es kann auf Amazon für unser Produkt ein Feedback gegeben werden, es kann uns eine E-Mail geschrieben werden, wenn wir irgendwo einen Chat-Button-Einsatz haben, sobald da jemand irgendwas Richtung Nebenwirkung quasi reportet und schreibt, sind wir eigentlich verpflichtet das Ganze zu [00:46:00] tracken Zu überprüfen und dann auch weiterzugeben. Und da können natürlich KI-Systeme helfen. Und das waren jetzt nur ein paar Beispiele von Von vielen sage ich mal und um jetzt irgendwie den Kreis noch zu schließen, du hast gesagt, dass es sehr wichtig ist, auch diesen Business Mehrwert irgendwie ja auch zu messen und auch nachzuweisen weil ich mache das ja nicht aus einem Selbstzweck sondern ich nutze ja moderne Technologien wie KI eine davon ist, nicht die einzige, aber eine sehr mächtige und sehr gehypte aktuell. Um das Unternehmen weiterzubringen dass wir Kosten sparen, dass wir mehr Arzneimittel verkaufen. Also dieser Business-Mehrwert kann verschiedene Facetten haben. Und da ist es auch wichtig, dass man sich irgendwann Gedanken macht, wie kann ich das denn standardisiert messen Also wie kann ich schon einen Case, bevor ich ihn mache, einen Business-Case standardisiert rechnen dass ich dann sagen kann, was bringt den Mehrwert? Sonst vergleiche ich ja Äpfel mit Bonnen aber wenn auch dieser Case mal live ist, [00:47:00] wie kann ich das denn nachweisen, dass er wie viel und welche Art von Mehrwert er tatsächlich dem Unternehmen bringt. Ich nenne jetzt keine konkreten Zahlen, aber da haben wir auch in der Vergangenheit auf jeden Fall durchaus nachgewiesen dass da... Dass es funktioniert, wenn man die Daten strategisch angeht und wenn man geskillte Leute hat und offene Leute, auch kulturell mit einem offenen Mindset, dass dann tatsächlich dieses ganze Thema vom Business Case und vom ROI her eigentlich ein No-Brainer ist und so viel mehr Unternehmensmehrwert generiert als es Kosten verursacht. Felix: Dir sofort und ich könnte dir noch stundenlang zuhören, vor allem bei den Use Cases. Zeigt einfach sehr schön, was man alles machen kann, wenn man die Daten Timo: Untertitelung Felix: Stelle in der richtigen Qualität hat. Wahnsinn. Ich glaube, das ist ein enormer Hebel und wie du schon gesagt hast, der Hockeystick, der kommt wahrscheinlich dann wirklich im Laufe der Zeit wird er immer steiler, [00:48:00] weil sich das Investment immer mehr auszahlt, weil alle Bereiche Durch richtige Arbeit mit Daten besser gemacht werden können. Und es zeigt auch, dass es im KI-Bereich noch viel mehr als Large-Language-Models gibt. Auch das ist schön zu hören, dass immer noch ein Großteil der Use-Cases, die auch einen großen Impact aufs Unternehmen haben, dann tatsächlich noch klassische Prediction-Use-Cases sind, die immer noch den größten Teil der AI-Use-Cases da draußen ausmachen, aber immer Daten als Grundlage bedingen. Timo: Ja. Felix: Timo vielen, vielen Dank für deine Zeit und den Durchmarsch wie ihr eure Datenstrategie entwickelt habt. Das ist ein total toller Blueprint und ich glaube, jeder, der zuhört kann das aufs eigene Unternehmen auch mit abstrahieren und dafür sich was mit rausnehmen und Beispiel, dass es sich lohnt den Weg zu gehen. für deine Zeit. Timo: Dankeschön hat sehr viel Spaß gemacht.