Datenstrategie bei McDonald's: Von Self-Service BI bis KI – mit Benjamin Diez, McDonald's Deutschland

Auto A fängt da an, Auto A kriegt da sein Essen und das Delta zwischen diesen beiden Zerdabstöten ist eben die Servicezeit, die wir erfassen. Und es ist halt so ganz gut, weil die Systemen sehr zuverlässig ist und die Servicezeiten dadurch, die entsprechend außer Kraft haben, die wir benötigen, um unsere Prozesse einfach zu schärfen. Hallo und herzlich willkommen zum Data Culture Podcast. Ich bin Karsten Bange, Gründe und Geschäftsführer von Barg und mein Gast heute ist Benjamin Dietz. Benjamin ist Head of Data Strategy in Governance bei McDonald's Deutschland. Und wir erfahren einiges über die Datenstrategie, aber auch die Organisation bei McDonald's, wie er sein kleines Data Team aufgesetzt hat und welche Schwerpunkte sehen ihre Tätigkeit haben. Wir unterhalten es etwas auch über die Use-Cases der künstlichen Idegenz, die McDonald schon umgesetzt hat, die sehr stark im Kundeninterface und in der Prozessverbesserung glielen und in Schwerpunkt auch in klassischen KI-Verfahren haben und weniger in Gen/A. Ein weiterer Schwerpunkt des Gesprächs wird das Thema Data Culture sein. Er fängt an mit der Frage, ob 400 Berichte von Unternehmen mit 400 Mitarbeitern zu viel oder zu wenig sind. Sie haben sich entschieden, dass sind zu viele und haben gesagt, Self Service BI ist die Keimzelle für eine Datenkultur. Sondern spannend fand ich seine Einblicke in die Frage, wie er jetzt in den dezentralen Bereiche die Leute einbindet und dieses Self Service dann auch wirklich zum Leben erwerken kann. Und ihr erster Ansatz, ein Team zu bilden aus allen Leuten in der Organisation, die sich mit Daten am besten auskennen, dass dieser Ansatz erst mal gescheit hat und sie dann aber auch einen besseren gefunden haben. Viel Spaß mit der Folge! Hallo Benjamin, schön, dass du heute da bist. Wir wollen uns ein bisschen besseres Bild verschaffen, wie Data & Analytics bei McDonald's Deutschland aussieht, was für Erfahrung ihr gesammelt hat, was ihr gerade macht. Zum Beispiel auch eine Eierumfeld, aber auch eben im Datenkulturumfeld. Ich bin schon super gespannt auf unser Gespräch und wollte dich bitten zum Start, vielleicht uns mal so ein bisschen in Einblick zu geben. Wie sieht Data & Analytics? Wie sieht eure Datenstatige aus bei McDonald's Deutschland? Gerne. Also zum Anfang, kurz als das Klemmer, wir haben vor ungefähr 1,5 Jahren umstrukturiert bei McDonald's. Das heißt, die Abteilung, die ich gerade leite, gibt es erst seit diesen a 1,5 Jahren. Vor ja, war ich schon eine Strategieabteilung und im Feindsbereich, wo ich mich im Data Royals gekümmert habe. Und jetzt kümmer ich mich eben mit dem DataStrategy-Governance, aber natürlich auch Data Culture, Self Service BI. KI, das ist eine extrem große Bandbreite, die wir in dieser Abteilung bearbeiten. Gerade Themen sind vornehmlich Grundlagen zu schaffen für KI-Anwendung irgendwann, aber auch die Firma deutlich mehr Data-Driven zu machen als wir gerade sind. Weil wir können das, glaube ich, alle Flotte sagen, wir sind Data-Driven. Und das ist natürlich immer gut. Aber wirklich Data-Driven sein ist noch mal eine wirklich lange Reise. Und diese Reise haben wir eben angetreten und sind, glaube ich, auf einem ziemlich guten Weg schon. Verretzt uns kurz wie viele Leute in dieser Abteilung sind? Wie groß das ist? Wir sind zu dret. okay. Mich eigentlich lassen. Okay, also überschaubar. Was sind dann die Kernaufgaben? Also, man muss das schon ein bisschen differenzieren, was wir machen in Deutschland und was quasi unsere globale Dach-Unruktion macht. Wir sind für den Markt zuständig und sind da eher als Projektmanager, kann man unsere Aufgaben, glaube ich, verstehen, die mit der globalen Dach-Gesellschaftsammarbeitet aber auf dem Markt gewisse Aufgaben ledig. Was gerade unsere großen Themen sind, wie angesprochen, das Thema Data-Kalscher, was bei uns gerade sich bemerkbar macht, indem wir eben das Thema Selbst-Service BI vorantreiben und unsere Tabolo-Daten-Landschaft aufbauen. Und das die Leute eben, was zum Anfassen haben, wie sie Daten eben erleben können, weil viele sagen Daten sehr abstrakt. Ich brauche irgendwas greifbar, und das geben wir eben dadurch, dass wir diese Verbindung einfach herstellen können. Das zweite, was wir machen, ist, dass wir gerade unsere ganzen Daten grundlagen global versuchen zu vereinheitlichen und zu standardisieren. Und da sind wir als deutscher Markt, entweder market zero oder market one für die vielen Initiativen. Und was wir gerade sehr stark im Fokus haben, ist das standardisieren von Stammdaten. Konkretar gesagt, Produktstammdaten, also wir wollen quasi einen Produktstammdaten-Master, Filmeck-Dornels-Global erstellen, den dann eben alle Länder nutzen können. Und da sind wir in der Projektleiterrolle als deutscher Markt und geben da eben unseren Input aus Markt Sicht, was passieren muss, damit es eben nutzbar wird. Das ist ja spannend. Ich hätte jetzt mal erwartet von einer amerikanischen Organisation, dass die Amerikaner erstmal voranpreschen. Man denkt ja auch immer, die sind irgendwie ein bisschen weiter als wir. Wie kommt das, dass ihr da so immer für uns seid? So, Ruderpunkt. Also, wir haben in der Vergangenheit viele Projekte mit global gemacht und haben da auch ein gewissen Ruf uns einfach erarbeitet, dass wir eben was Daten-Themen angeht, relativ viel Ahnung haben und auch eine gewisse Hingabe haben, was die Bearbeitungspurjekten angeht. Und unsere globale Dachgesellschaft ist auch clever genug zu wissen, dass eben nicht alles von oben herunter diktiert werden kann, gesagt, so machen wir es, sondern dass die Leute am Markt deutlich näher am Produkt dran sind an den Rest noch raus und entsprechend besser wissen, was eigentlich sein muss und was wir brauchen. Und das merkt man auch in den Diskussionen, die wir haben, damit global diskutieren, dass wir halt oft sagen, das funktioniert in der Wirklichkeit nicht. Das können wir so nicht machen und das ist ein bisschen kurz gedacht. Vor allem, was zum Beispiel Produktattribute angeht, die Attribute brauchen wir, die brauchen wir nicht. Und jetzt mal ganz banal ist, bei schon mehr Produkt-Hierarchien reden. Kannst natürlich sein, dass die sagen, ja, es ist super wichtig, dass auf der obersten Ebene gibt es halt Food and Drinks, das passt. Und bei Drinks gibt es einen plötzlich ganz oben T, mir sagen T ist halt überhaupt nicht wichtig für uns, und wir sagen, okay, gut, hatten wir so mich auf dem Schirm, jetzt mal ganz platz gesprochen. Und das sind eben diese Market-Inputs, die wir geben, das klingt vielleicht sehr banal, aber wenn man auf die Menge an Produkten guckt, die wir haben und Kategorien und Promotionen, da wird das sehr schnell so übersicht, unübersichtlich, deswegen eben sie mag sich da und platzigt war es. Spannend, aber es ist auch noch gute Nachricht, oder? Es ist eine gute Nachricht, dass wir da aus Deutschland raus dann auch so ein global akzeptiert, eine führende Rolle für Data and Analytics spielen. Das freut mich zu hören. So, das erwähnt Safe Service, wer einer eurer Schwerpunkt-Bereiche auch als Basis für eine Datenkultur, da wollen wir auf jeden Fall später noch darüber sprechen. Du hast das Thema Stammdaten-Hierarchien erwähnt, was macht ihr noch? Was trabt euch noch so um grad? Natürlich ist dieses ganze Thema Data-Gabinance-Unsstabilisierung, es kann selbsts weg. Am Ende des Tages wollen wir natürlich die Daten nutzen. Und da ist natürlich die Safe Service-BI-Eintpunkt davon, aber am Ende des Tages wollen wir eben unsere Daten auch nutzen, um irgendwo dann Richtung KI, anwendung zu bauen, zu nutzen. Und eben aus dem immense Datenschatz, den wir haben, einfach mehrwärts zu generieren. Wenn du mal hochrichtest, wir haben knapp 14.000 Stars. Die machen sagen wir jetzt immer ganz platt, 1000 Transitionen am Tag, dabei 1,5 Millionen Transitionen. Das sind eine Menge Daten, die wir da jeden Tag erheben. Und es wäre ja farlässig, wenn wir die nicht wirklich nutzen würden. Wird es du sagen, diese KI-Aktivitäten laufen parallel zu einem weiteren Ausbau, zum Beispiel einer Reporting-Dash-Borthing Analytics-Danschaft zum Beispiel Richtung Safe Service? Oder ist es so, dass ihr sagt, ne, da haben wir eine gewisse Reife erreicht, da ist ein Grund, der da stand gut. Und jetzt geht's dir nächsten Schritt. Also wir haben am Anfang gedacht, okay, wir machen jetzt erstmal alles schön Stück für Stück, machen erstmal die Datengrundlage, dann kommt man selbst Service, dann kommt es KI. Haben wir recht schnell gemerkt, dass sich die Themen natürlich nicht so aneinander rein lassen, sondern parallel laufen müssen, sonst brauchen wir irgendwie 10 Jahre, bis dann wir wirklich die Pairs auf die Straße kriegen. Deswegen sind es anstrengend, wie wir einfach jetzt auch schon angestoßen haben. Und es gibt bei uns den Spruch "Progressor Perfection", wobei ich jetzt nicht weiß, ob das McDonald's spezifisch ist, aber es ist auf jeden Fall gut, dass wir hier schon mal ein paar Newscasers haben, paar Ideen und das versuchen umzusetzen. Und wenn die Daten dann besser werden, um sie besser, dann hat man schon mal die Vorarbeit geleistet und kann daneben das Ganze nochmal nachschärfen, wenn dann die Zeit reinfällt. Ich glaube von Mark Zuckerberg gibt's diesen Spruch "Fertig ist besser als perfekt" oder so ähnlich. Ich glaube, ich gehe gleich hier, ich glaube, ich glaube, viele Abwanderung von, aber ich glaube nicht, dass wir da Funken haben darf, oder es ist dann doch zu simple. Genau, okay, also gewisser Pragmatismus und dadurch aber lieber Geschwindigkeit behalten oder aufgereiten. Ja, schön. Jetzt KI als einst der wesentlichen Themen, was euch umtreibt. Was, erstmal generell, was würdest du beschreiben, wo ihr da seid? Also früh stadium, erste Proof-of-Concepts oder auch schon einige Dinge live oder vielleicht schon eine höhere Schörenreife gerade, also in vielen Prozessen schon integriert. Da muss natürlich bedenken, dass man als große Organisationen nicht ganz so flexiles wie als Start-Up. Das heißt, wir sind natürlich bewusst, dass es KI gibt. Und dass wir das machen müssen und wir haben auch schon die ersten News-Cases. Ich würde trotzdem sagen, dass wir was unsere Reise angeht. Ich würde mal sagen, sind fortgeschritten anfängern, weil wir ein paar News-Cases haben, euch glaubt, da geht deutlich mehr. Und Tristik. Die Ideen sind zahlreich, was man alles machen kann, so was wie suggestive Selling, was du vielleicht an so einem Stellterminal scanzt, ist eine Möglichkeit. Oder dass wir uns Transaktionsdaten in Zug auf Service hat analysieren, sind alles die Ideen, die wir gerade evaluieren. Okay, da würde ich gerne noch ein bisschen mehr hören, das ist ja mal spannend. Zu hören, was sind so die Use-Cases? Du hast ja auch gesagt, das gab schon ein paar. Okay, also das ist ein Recommender an Point of Sale, hab ich gesehen. Was macht ihr noch? Also was wir zum Beispiel noch machen, ist, dass wir über CTV-Bilderkennung machen und dadurch die Autos eben erfassen, wenn die Person eben Auto die Bestellung aufgibt und dann erfassen, wann die Bestellung eben ins Auto gereicht wird, friezerst, das kann die Kamera kennen und eben diese Zeit stoppen und es ist okay, in der Bestellung hat jetzt so lange gedauert, einfach auch um muss Service-Zeiten zu optimieren. Das geht gar nicht darum, da werden keine persönlichen Daten, kein Nomintern, sondern fast nur es geht einzigem alleine um das, da ich weiß, Auto A fängt da an, Auto A kriegt da sein Essen und das Delta zwischen diesen beiden Zeitabstätten ist eben die Service-Zeiten, die wir erfassen. Und das ist halt so ganz gut, weil man dieses System sehr zuverlässig ist und die Service-Zeiten dadurch, die entsprechenden Ausseilkraft haben, die wir benötigen, um unsere Prozess einfach zu schärfen. Okay, das könnte man ja auch anders erfassen, aber das funktioniert da nicht so gut oder warum macht es jetzt mit einer Kamera? Also natürlich kann man das in das Thema fassen, aber uns ist klar, dass Leute im Store sehr viel Stress haben und dass man dann vielleicht nicht immer einen richtigen, knopfzurichtigen Zeit drückt oder vielleicht auch einfach mal vergisst, die Bestellung abzuschließen, dann hast du plötzlich Service-Zeiten vor, lasst mich lügen, 2025 Minuten, obwohl das Essen wahrscheinlich schon längst gegessen ist und eben um diesem Faktor Menschen ein bisschen entgegenzukommen, die zentlasten, was den eben auch den Druck angeht und den KPIs sind wir eben auf diese automatische Lösungen gegangen, weil die Zahlen einfach zuverlässiger sind, haben wir gemerkt. Okay, hatte ich jetzt so verstanden, das heißt, ihr habt KI-Uscase, die sich quasi am Kundeninterface, zum Beispiel Entfehlungen und dann habt ihr einen starken Fokus auf das Thema Prozesse, Prozesse, Egliciansoffen, richtig? Genau, also wir sind ja eine sehr, sehr gut durchgeplant in dieser Zone, also ich muss ja auch jedes Jahr einen mal einen Tag im Store verbringen und wenn du anfängst bei uns auch eine ganze Woche, und da sieht man erst mal, wie krass durchgetackt in diese ganzen Operation sind, all das da steht, wo es stehen muss, dass ich bloß keiner auf die Füße tritt in der Küche und so weiter, das ist wirklich sehr, sehr gut durchdacht und natürlich wollen wir immer erreichen, dass unsere Prozesse einfach besser werden, dass Leute schneller wie Produkte zu bereiten, oder dass sich einfach die richtigen Dinge in einer richtigen Stelle befinden. Als solches ist es auch wichtig zu wissen, für uns, welches Produkte sind zum Beispiel extrem komplex, also wenn ich jetzt einen Bürger habe, der sich am Städt 3, 4, 5 Minuten braucht, im Zuhall zu werden, ist es ein deutlich zu lange, vor allem wenn er hier mal drei Stück bestellt davon. Deswegen ist auch eingedanke, dass wir ein Hand des Service Zeiten, die wir erfassen und in vielen, vielen Millionen an Transakt-Sounds-Daten gucken, okay, was sind denn Tiber für Transaktionszeiten? Es sind bestimmte Produkte, es sind die Tageszeit, es ist der Point of Sale, der hier mit da sind viele Faktoren einfach, die das beeinflussen können. Und anhand dieser Faktoren wollen wir eben auch bestimmt perspektiveisch, welches Produkt ist, wie komplex, was die Zubereitungszeit hergeht angeht. Weil du kannst natürlich nicht sagen, okay, ein Handburger dorthin Sekunden, also ein 5 Handburger 50 Sekunden, das ist natürlich ein bisschen kurz gesprochen. Und eben mit diesen Millionen an Transaktionsdaten können wir da wahnsinnig viel raussehen. Sehr spannend. Das war jetzt der Beispiel, die wir jetzt gehört haben, weil so einen klassischer Recommender, das war ein Computer-Vision, macht ja was im Gen-AI umfällt, oder ist das für euch nicht so ein Thema? Wir evaluieren gar die Einsatzmöglichkeiten dafür. Klar, man hat natürlich immer viele Ideen, aber gerade in einer großen Organisation musste immer verschiedene Faktoren drücksichtigen, weil natürlich was Lige-Themen angeht und Datenschutz und so weiter deswegen, gibt es einen extra Center of Excellence bei uns bei Global, und die prüfen eben sie Gen-AI-Uscales und sagen dann was gemacht werden darf. Ich glaube, dass man keine Firmen sind, sieblen Daten in Chatty-BT-Hochladen darf, dass das wurde relativ schnell schon mal in Trainingsform an alle herangetragen, aber jetzt geht es eben darum konkret zu sagen, was dürfen wir eigentlich machen. Aber da sind wir noch sehr stark am Anfang und nutzen zumindest meines Wissens nach, gerade noch nicht die Möglichkeit in Gen-AI-Bitety. Ja, okay, aber ich meine, dass auch das ist aber vielen Unternehmen so. Ich hatte nur gerade so die Analogie im Kopf, dass ihr quasi jetzt mit klassischen AI-Methoden sehr stark die operativen Prozesse anschaut und verbessert, und Gen-AI ist häufig eher ein administrativen Prozessen, dass man eben Tag das verbessert und quasi automatisiert vielleicht. Deshalb wäre das sehr vielleicht Analogie gewesen, aber ich verstanden, kommt vielleicht noch. Mit Sicherheit und natürlich kann ich mir nur für den deutschen Markt sprechen, dass was ich bei Global sehe. Ich weiß, ich habe mit dem Kollegen aus dem anderen Markt gesprochen, der sehr weit fortgeschrittet ist, in seinen Planung vielleicht ein Rackmodell zu nutzen, eben für administrative Themen, was natürlich sehr cool ist und extrem für Einsatzmöglichkeiten bietet voran, bei dem wir an Dokumenten intern haben, etc. Aber was die einzelnen Märkte, sag ich immer, verborgen, wir machen, da habe ich nicht die Einsicht, weil wir über 100 Märkte haben natürlich und nicht mit jedem regelmäßig im Austausch bin. Aber ich bin sicher, dass der Schlummer einiges, das wir so nicht auf dem Schirm haben, aber das wird wahrscheinlich dann in absehbarer Zeit irgendwie durchs Internet getrieben werden. Absolut. Okay. So, dort ist ja gesagt, eins, eine eure Hauptaufgaben dieses zentralen Data Teams ist auch Datenkultur zu fördern. Also letztendlich die Nutzung von Daten. Da würde ich natürlich jetzt gerne noch ein bisschen mehr darüber erfahren. Du hast es gesagt, Safe Service BI, wer so der Schlüssel für euch, wenn ich das richtig verstanden habe. Vielleicht könnt du das noch mal ein bisschen ausführen. Gerne. Also, wir kommen von der Position, dass wir vor, na, zum Zeitpunkt Umstrukturungen, also Anfang letzten Jahres, mal so ein Assessment gemacht haben, wie viele Reports haben wir eigentlich, und wie viele Zeit wird eigentlich aufgewendet, um eben diese Reports zu stellen zu pflegen. Und wir kam dann bei ca. 400 Reports raus, bei einer knapp 400 Mann Personfirma. Das ist natürlich ein extrem viel. Und es hat natürlich eine gewone Wettbewegung geschlossen, dass man einfach seine Reports kriegt, mal gucken rein, mal gucken, vielleicht auch nicht rein. Und wenn man dann mal so etwas braucht, was nicht von diesen Reports abgedeckt wird, dann ruft man einfach die entsprechenden Leute an, die natürlich nicht immer Zeit haben und dann bleibt es liegen und dann dauert es einfach ein paar Tage, bis man dann zahlen hat und dann geht es natürlich darum, wer hat es am Eiligsten, wer braucht es am dringsten und belagert es zu so immer dieselben Leute, die dann eben für dich Daten aufbereiten müssen. Und eben um dem Abhilfe zu schaffen, ging unser Gedanke in die Richtung, machen wir eine Self-Saus, die Eilandschaft in Tablo, in dem Fall, eben um Leuten die Möglichkeit zu geben, Daten nicht nur zu konsumieren, sondern auch zu nutzen. Da und ein Hergeht natürlich auch die entsprechende Schulungen, weil ich nicht einfach jeden aus Tablo der Sport loslasse und sage, warum guck, was dir gefällt, ziehe, runter, was gut aussieht, weil ich glaube, das entwickelt sehr schnell in Eigenleben und wir haben ja fahren gemacht, die wahrscheinlich die meisten Leute, die in die Richtung gehen, dass sowas auch schnell in Eigenleben entwickeln kann, wenn die Leute nicht richtig geschult werden und Daten dann, ich nenne es mal so kreativ auslegen. Und in herangehensweise bei der Self Service BI-Gings, uns darum erst mal so die großen Zeitfresser-Reports und die Reports geben, für eigentlich die ganze Firma interessant und relevant, sind abzudecken. Denn wenn ich jetzt irgendwie einen Nieschen der Sport aufbauen, dann ist es vielleicht für sechs Leute interessant und da bist du nicht wirklich, der hätte dürfen, wenn du sechs Leute hast, die erst den lesen. So eine Witz, der versuchen möglichst schnell möglichst viele Leute aufzugleisen, damit sich diese Kultur eben entwickeln kann. Und das haben wir gemacht. Wir haben mal die wichtigsten und drängsten Fragen in mehrere der Sports gepackt und eben auf dem Software-Fügler gemacht, dass die Leute eben nicht nur im Braus darauf gucken können, sondern z.B. auch über Tablet, weil das ein sehr populärer Kanal ist. Okay. Jetzt hast du gesagt, ihr habt's aufgebaut und die Leute können zugreifen. Ist das der Self Service oder können die dann noch mehr damit machen? Gut, erstmal geht es darum, dass die Leute einfach von diesen Reporting Gedanken so ein bisschen weckern, dass ihre Standard-Reports kriegen und sich die Zahl nehmen, selbst zu sorgen können. Natürlich geht es auch darum, sich Informationen, die sie benötigen, ziehen zu können. Also, du musst nicht mehr im Controlling angucken und sagen, "Ich brauche die Zahlen und bitte schnell." Und wenn du ein Krix sagst, du ja, eigentlich wärst geiles nochmal pro Tag zu sehen und dann kriegst du es und sagst aber eigentlich wärst geiles auch nochmal auf Talistide oder Reborn zu kriegen. Und dieses Eteratier geht eben weg, weil sich Leute eben alles selbst besorgen können. Das geht natürlich deutlich schneller, weil du nicht auf unsere begrenzter Ressource, Controlling oder Business Insights zurückgreift, sondern eben alles selbst besorgen kannst. Dazu musst du natürlich wissen, welche Informationen finde ich wo. Und genauso musst du auch wissen, was habe ich da eigentlich vor mir. Und da würde ich ganz gerne kurz in Bogen zum Thema Data Catalog spannend, an dem wir auch arbeiten. Denn wir haben auch festgestellt, wir wären wie den Data Catalog mit klang allen Tabellen, Atributen, aber auch mit Data-Linisch und unsere ganze Tablo der Sports, aber auch die ganzen KP-Eis und Meträgen haben wir in diesem Bereich. Data Catalog. Und während wir diesen Catalog gebaut haben, ist uns aufgefallen, dass wir teilweise nicht mehr als selber Verständnis haben, was KPIs angeht. Die einen definieren so, die anderen so. Und zwar am einfaches Beispiel, wir haben immer mal gehört von Globalisagen, eure digitalen Sales in extrem nie recht. Und dann gesagt eigentlich, eigentlich ist das eine ganz gute Zahl dafür, dass die App noch oder das Leute beraten recht neu ist. Finden wir so lieb, denn die sagen, also werden das doppelte Erwartet. Und dann kam raus, also zu uns sind digitales Sales eben, alle Sales über die App laufen und dafür ist es gut. Und Global versteht digitales Sales eben als Appverkäufe, als Delivery Verkäufe und alles was über die Bestellterminin ins Store passiert. Und das ist natürlich dann erstmal der Punkt, wo du großartigst, da ist okay, wir müssen vielleicht vorher noch mal drüber sprechen, wie wir unsere KPIs definieren. Und das ist natürlich bei meisten, es ist ein Standard. Bei vielen ist es aufgefallen, okay, das sieht da eine so der andere so und die wurden dann eben vereinheitlich. Und das war auch ein wichtiger Punkt, weil wenn im Termin zwei Leute von derselben Kenntsausprechen, aber verschiedene Berechnungen haben, dann hast du ein Problem. So gut. Hier ist eine besondere Einladung für euch, lieber Hörerinnen und Hörer. Und zwar führen wir den ersten Data-Kaltressammel durch, am 28. Januar in Darmstadt bei Merck. Die wundervolle Steffernibabga hosted das event als Community event für alle die Data-Kaltcher in Organisationen vorantreiben. Wir hören Best Practices, zum Beispiel von Merck, aber auch Roch und anderen. Und können uns aber auch austauschen. Der Erfahrungsaustausch in Roundtables in Workshops steht auch im Mittelpunkt des Programms. Ich freue mich möglichst viele von euch dort zu sehen. Der Platz ist leider limitiert, deshalb meldet euch bald an und dann sehen wir uns da. Ich freue mich drauf. Wie habt ihr das Selbstverwistern umgesetzt? Also, du hast jetzt 400 Personen geschult im Unternehmen oder wie hast du es organisiert? Stück für Stück. Also natürlich muss ich auch dazu ganz ehrlich sagen, wir haben uns auch inspirieren lassen von anderen Firmen. Also ich bin natürlich viel im Austausch, sei es auf Konferenzen oder einfach ein persönliches Netzwerk, dass ich mit Leuten, die eine ähnliche Position haben will ich einfach mal ich auf den Kaffee treffe oder mein Teams-Koll rein setz, einmal Quatsch und sagt okay, die hat die erste gemacht. Weil ich glaube viele ähnliche Probleme haben und du musst das Rad ja nicht neu erfinden jedes Mal. Wir haben da unsere Lönnens gemacht. Wir haben irgendwann das erste Dashboard gemacht und eine immerum geschrieben sagt hier ist das erste Dashboard. Guckt es euch an und gebt uns Feedback und haben noch ein zweites Dashboard, das eben Track wie viele Leute auf das Dashboard zugreifen. Der häufig ist nur zureich und dann kann man jetzt Teammitglieder mit jeweils drei bis vier zugriffen und dann kann noch zwei weitere und das war eigentlich alles was auf das Dashboard zu ökern. Und das ist natürlich nicht das was wir uns erhofft haben und mehrere Möglichkeiten also zum einen klar man kann immer darauf verweisen sagen wir haben jetzt ein Dashboard-Kog rein aber auch dass wir so langsam anfangen eben Reports auszuschleichen und sagen ja den Informationen haben wir das hier ist der link guckst ihr an aber und das muss ich ganz ehrlich sagen haben wir auch im Gespräch mit anderen Data-Intosiasten rausgefunden das wird zum Beispiel in Reports oben links immer so ein kleiner Button im PDF da steht hier siehst du die zahlen im Dashboard und dann aufklicken land man im Dashboard und die letzten Seite ist eben ein falls du noch kannst du uns zu tablo hast hier ist das vom larms zu beantragen also du rückst den Leuten das immer so ein bisschen auf dass es eben überall präsent ist dass sie den okay vielleicht soll ich mir das doch mal anschauen und natürlich gibt es dann auch noch den punkt wo wir schulung halten wo wir bestimmte Teams eben abholen das wir ein Teams kommen machen so okay das ist das der sport das neu vorteil weil am endes tag ist es kein selbst weg und du wirst die Leute nicht abholen mit dass es voll cool ja das den die vielleicht anders sondern die frage die sich die Leute immer stellen es whats in it for me und du musst eben diesen Vorteil verkaufen nämlich dass du dadurch deine information viel schneller hast du kannst viel mehr in z detaillieren heißt du musst nämlich irgendwie lang überlegen was genau du im controlling fragen willst und dann mit scharmsrüten noch mal fragen sag ich habe vergessen ich möchte es eigentlich nochmal in der eben herunter so ein du machst es einfach einigust du selbst siehst und es geht schneller ist besser du kannst screen shots machen du kannst exportieren du bist halt super schnell was was deine sleiz angeht wenn du es präsentieren musst du spaste Zeit du kannst früher nach Hause gehen oder kannst halt Zeit für andere Sachen haben ich glaube da ist jede mit geholfen wenn wenn man ihnen die vortal eben auf sagt absolut genau jetzt brauche ich aber häufig auch verschiedene skillz also mehr daten orientiert mehr data engineering mehr analytisch etc bringt ihr das auch in den fachbereichen zusammen oder habt ihr auch zentrale services wie ist das zusammen spielter also so gute frage wir sind gerade sind ein bisschen in diesem prozess das ganze aufzubauen wir haben natürlich eben durch unsere ganz organizations struktur haben wir viele globale ressourcen auf dem mit zurückgreifen können wir haben eine globale reporting factory die uns unglaublich unterstützt beim baut dieser dash sports bei wir eben die skills in der in der qualität einfach noch nicht haben das du wirklich ein team mit dem du eben sagst nicht braucht das und das und diese kpis und so was aussehen und die bauen das natürlich mit mit feedback hin und her bauen die anders wir haben einige leute sich mit data engineering auskennen klar aber wir haben jetzt skills richtung data engineering haben wir auch aber eben noch nicht auf das skala die ich gerne hätte für die zukunft deswegen ist es jetzt ein Thema dass wir eben das für dieses kils aufbauen und die leute halt dahin bringen auch den merred darin zu erkennen ich werde nicht jeden nicht jeden daten enthusejasten zum data engineer ausbüllen können da fehlen natürlich die die expertise das so aufzudröseln aber da fehlen die leuten auch die zeit und die motivation jetzt so von sag ich mal jemand der sich mit zahlen auskennen zum data engineer zu werden klar aber nichts ist so trotz gucken wir das verschieben eine rollen ausfüllen dass wir leute haben die sich besser mit den daten auskennen und die auch vielleicht mal einfache etl pipeline sei es für mir sind databrix oder ein alter x zustande kriegen und da so ein bisschen uns entlassen kann wir gerade sind wir drei man team ist natürlich immer irgendwann bottleneck und klar mein tager hat auch nach stunden oder vielleicht neun aber ich kann auch nur so zu machen mein team eben so und deswegen versuchst du sich so ein bisschen frei zu schauf und den du leute sag ich mal sind plöre aufgaben übergibst die mit fortschreiten da komplexer werden können weil sie er war und das ganz ein bisschen auf mir verschuldern zu verteilen wie hast du die leute da ausgesucht die jetzt quasi dazu unterstützung oder vielleicht als wir haben die nennen in den bereichen dann braucht um das Thema daten voranzubring gute frage also wir haben vor anderthalb jahren angefangen mit etwas das wird data champions genannt haben das heißt wir haben uns aus den einzelnen fachbereichen die person rausgesucht die sich am besten mit daten auskennen das heißt bei all den fachbereichen die wir haben hatten wir am ende knapp 25 leute die an kostfunktionale eben in den data champion purgland sind haben darauf gepocht dass die an unseren inzertiven miterweiten das hat auch ganz gut angefangen denn wir hatten am anfang reich guten plan unser plan der erst mal so so ein assessment zu machen was haben wir an datenquellen was haben wir ein tuls was haben die an der sports report in einzelner teile und haben dann eine riesige data landscape erstellt wo eben alle daten aus der firma irgendwie mit in einem falt ins feldnis gesetzt wurden und welcher data champion eben für welches tool oder welchem das reich ihr zuständig ist also ein sehr sehr großes pdf wo du wirklich auf 400 prozent ran so musst was lesen zu können aber eigentlich aber schon ist sehr sehr cool über sich und danach haben wir gemerkt dass wir diese data champion so langsam ein bisschen verlieren weil wir keine konkreten tudousmerten oder aufgaben die jetzt alle betroffen haben bei eigentlich waren sage dake das wir siloes runterbrechen und die daten collaborationen ganz firmer stärken hat aber so mäßig geklappt weil eben manche thema nur einzelbereiche betroffen manche themen waren für alle irgendwie so mäßig interessant und haben da gemerkt dass so das engage man einfach einfach runter geht und haben natürlich ein paar mal anpassen müssen okay wie können wir jetzt wie können wir jetzt schaffen dass die data champions also die leute die wirklich die meiste an und von daten haben das wir die bei er stange halten und haben dann so ein bisschen rumprobiert haben mal ab und zu von projekten erzählt die wir gemacht haben das fanden manche spannend manche auch nicht wenn du wie wir beide eine brille trägst die so halt auch bei team dass die man gerade was anderes macht um sich das in brinlers spiegelt aber nächstes dass er trotz mussten wir halt irgendwie kreativ werden haben dann aber okay vielleicht wenn wir so ein bisschen mehr in die in die endes schien dass wir in leuten ob es was beibringen also zum Beispiel was ist k.e. was kann k.e. was für daten typen gibt es also einfach mal so eine überblick zu schaffen was ist eigentlich möglich mit der technik heute und vielleicht auch mal diese inspirations zu wecken was könnte das für meinen bereich bedeuten ist auch ja hat auch funktioniert aber nicht so wie es uns gedacht haben und dann habe ich mal einen guten spruch und habe den mal eine andere. den Kopf gehen lassen und der Spruch war, heuer vor Additut und Teach for Skills. Und das war so ein Learning, das uns wirklich vorangebracht hat. Weil nur weil jemand am meisten Ahnung von Daten hat, ist es nicht unbedingt, derjenige, der auch am meisten Bock drauf hat, diese Projekte voranzutreiben. Und das war dann so ein Learning, das wir bei der Auswahl der Champions vielleicht ein bisschen blauig gesagt haben, der am meisten Ahnung hat auch am meisten Bock, aber das ist halt eben nicht immer der Fall. Und deswegen ging es ja in die Richtung zu gucken, okay, der hat einen Bock. Und als zweites Learning, das wird vielleicht nicht 25 Leute holen und dann Calls von 25 Leuten machen, wo sowieso. Die meisten Zuren, das wär's mal eine sehr kleine, sehr lesene Gruppe von Leuten, die von denen wir wissen, dass die Ahnung und Bock haben, nehmen und den die ersten Use Cases aufbauen. Ich glaube, du kannst wär's in der ersten Schritt ungefähr 30 Prozent mit auf die Reise nehmen, die ja wirklich motiviert sind und was voranbringen wollen. Und dann wenn du wirklich die ersten Datenprodukte an den Start bringst, werden dann die nächsten 30, 40 Prozent sagen, okay, es ist eigentlich ziemlich geil. Das ist was. Ich würde gerne mitmachen, wenn ich noch darf. Und dann holst du die eben die nächsten ran und baust das so sukzessive auf. Und dieses Learning, dass du eben nicht 100 Prozent von Anfang an mitnehmen kannst, war recht wichtig für uns. Weil das war so einer unserer größten Erkenntnisse. Weil es einfach so enttäuschend war, dass wir es nicht verantworten geschafft haben. Aber ich glaube, es ist auch nicht möglich, von Anfang an 100 Prozent zu begeistern, außer du verteidst irgendwie Kananung Geld für jeden, der mit den Auftrags. Ja, ja. Ich finde das ein super Erfahrung. Ich glaube, man kann das sogar generalisieren für so Communitys auch. Das im Hunde wahrscheinlich die funktionieren, wo die Leute darin sind, die da Lust zu haben. Und die Community ist diese quasi verpflichtest, Quarfunktion oder Rolle im Unternehmen, das die dann eher dann leiden an genau den Themen, die du gerade erwähnt hast. Genau. Und einen Punkt noch. Es ist natürlich auch das Problem, dass ich, ich bin jetzt zwischen acht Jahren in der Bahn, ich kenne die Firma ganz gut, aber ich kenne eben nicht die Herausforderungen der einzelnen Bereiche. Und wenn jemand halt eben Bock hat, der hatte noch Ideen, wie man seinen Bereichen eben durch KI oder Daten verbessern kann, dann sagt, ey, können wir nicht das denn das ausprobieren, wo ich eben nie darauf gekommen wäre als Fachbereitsrender. Und das ist eben dieser Gedanke der Data Champions, dass wir eben nicht nur unsere Agenda runderspuren, sondern dass wir das eben in der Bereich einfach Ideen sammeln und kriegen, wie wir das vorantreiben können, wie wir Daten einfach viel besser nutzen können. Ja, absolut. Lass uns zur Schlüssel nochmal einen kleinen Ausblick wagen. Wo geht's bei euch hin? Was sind so die nächsten großen Schritte oder Initiativen, die ihr vorhabt? Also eine Initiative, die wir haben, ist natürlich mit global weiter an unseren Data Quarltittern zu arbeiten und so Daten einfach besser zu machen, mehr Daten zu sammeln. Da meine ich jetzt gar nicht mal Kunden, sondern einfach Daten aus dem Restaurant, Markforschungsdaten, die wir jetzt bisher immer nämlich in Exel Tabellen haben, vielleicht die in unsere Systeme zu kriegen, um die einfach nur zu machen. Das ist ein großes Thema. Und nächstes Thema ist eben aufbauen, auf dem was wir, was ich eben gesagt habe, dass wir eben dieser lesende Gruppe an motivierten Leuten haben, dass wir überlegen oder dass wir eigentlich schon der Malen, dass wir Richtung Data Mesh gehen. Und eben dieses Datenprodukt Domänen denken, vorantreiben. Und ich habe gesagt, wir sind irgendwo gerade das Bordel weg als Datenantrag einfach, weil wir so wenig sind. Und um diese ganzen Skills und dieses Datenprodukt denken, in die einzelnen Domänen zu treiben, haben wir uns diesen Data Mesh Ansatz genau anguckt und werden jetzt mit der ersten Domäne anfangen, Datenprodukte zu entwickeln. Weil wir haben Bereiche, die sehr, sehr stark abhängig sind von gewissen Produkten, die es einfach noch nicht gibt, weil sie vorher zu komplex waren. Und das ist natürlich auch irgendwo dieses politische Thema, das wir nicht nur einfach da einfach debauen und es selbst zu erklären, dass wir auch Leute einfach mit an Bord holen, weil wir sagen, wir haben dieses coole Produkt gebaut und dies hier, und habt ihr euch gebraucht. Und die Leute sehen, den mehr wert und tragen das natürlich weiter und holen dann den nächsten ab. Und das ist dann hoffentlich so ein bisschen in den Lavinen, dass der einen nimmt den zwei weitere mit, den wir ja zwei weitere mit. Und dann haben wir auch nicht irgendwann eine große Gruppe an enthuseasten, die unsere Datenprodukte nutzen möchten. Sehr schön. Benjahr mir Ihnen ganz herzlich ein Dank für diesen Einblick, den Überblick, die Erfahrung und ich fand super spannend. Sofern wünsche ich euch alles Gute auf dem Wald und Weg hier. Der Austausch, das es erwähnt, ist natürlich dann auch weiter wichtig. Insofern freue ich mich, dass wir uns da auch weiter sehen, auf diversen Park oder anderen Veranstaltungen. Und kann für heute nur sagen, tschüss oder alles Gute. Ciao.