Dr. Julia Zukrigl - Data Driven is dead #98

00:00:01: Das heißt, gibt Bauchgefühlsentscheidungen, wo keine Ratio vorkommt.

00:00:05: Es gibt aber keine Entscheidungen, die rational sind, wo keine Emotion mitspielt.

00:00:10: Data Driffen bedeutet nicht, wir stellen den Leuten mehr Daten zur Verfügung, sondern Data Driffen erfolgreich bedeutet, wir stellen den Leuten kuratiert weniger Daten zur

00:00:19: Verfügung, dass sie tatsächlich eine Chance haben, eine datengestützte Entscheidung zu treffen.

00:00:29: Herzlich willkommen zu Business Unplugged, dem Treffpunkt für Tradition und Zukunft.

00:00:34: Mein Name ist Johannes Pohl und ich spreche mit Unternehmerinnen, Gründerinnen und stillen Heldinnen des Business Alltags, die unsere digitale Zukunft formen.

00:00:43: Business Unplugged ist die Bühne für Visionäre der Digitalisierung und soll Brücken zwischen Start-ups und etablierten Unternehmen bauen.

00:00:51: Hier erhältst du wertvolle Impulse und Inspiration.

00:00:55: Hallo meine Lieben, ich habe wieder jemanden aus meiner Heimat zu Gast und zwar

00:00:59: Dr.

00:00:59: Julia Zukrigl.

00:01:01: Julia ist promovierte Verhaltensforscherin und Gründerin des Data Story Labs und wir erörtern die Bedeutung von Daten, Kommunikation und Storytelling in der

00:01:10: Entscheidungsfindung bei Datenprojekten.

00:01:13: Julia erklärt, wie emotionale Faktoren die Wahrnehmung von Datenprojekten beeinflussen und dass Data Scientists lernen müssen, das Bauchgefühl zu umarmen.

00:01:23: Denn Bauchgefühl und Intuition haben eine große Bedeutung in Daten.

00:01:29: Entscheidungen.

00:01:30: Dies bedeutet einen Paradigmenwechsel in der Data Science, der auch mal schmerzhaft sein kann.

00:01:35: Julia und ich sprechen darüber, wie das Konzept des Data Storytelling als Schlüssel zur Verbindung von Emotionen und Daten dienen kann und was dies konkret für die Organisationen

00:01:45: bedeutet.

00:01:46: Ich habe ziemlich viel für mich und meine Arbeit mitgenommen und ich bin mir sicher, ihr werdet es auch.

00:01:51: Viel Spaß beim Hören der neuen Folge.

00:01:54: Liebe Julia, herzlich willkommen zu Business on Plugt und ganz liebe Grüße in meine Heimat nach Österreich.

00:02:00: Hallihallo.

00:02:02: Hallo Johannes, schön, dass ich da sein darf.

00:02:05: Sehr gerne, ich freue mich darüber.

00:02:07: Julia, du bist promovierte Verhaltensforscherin, warst in der Marktforschung bei diversen Unternehmen als Analystin tätig und bist dann aber im Laufe der Zeit zur Data Scientist

00:02:19: geworden.

00:02:20: 2020 warst du im

00:02:22: Founding Board der Initiative Woman in AI Austria, für die du auch noch in Oberösterreich weiterhin aktiv bist und die sich zum Ziel gesetzt hat, mehr Frauen für den Fachbereich

00:02:34: Künstliche Intelligenz zu gewinnen.

00:02:37: 2023 hast du das Data Story Lab in Linz gegründet, nachdem du und bitte korrigier mich, wenn ich jetzt was falsches sage oder falsch wiedergebe.

00:02:48: dich auf deine Verhaltensforschungswurzeln zurückbesonnen hast, als du dich gefragt hast, warum denn so manche Datenprojekte einfach nicht zu den EntscheiderInnen, UserInnen,

00:03:00: Stakeholder, wem auch immer durchdringen und damit auch scheitern.

00:03:05: Mit dem Data Story Lab helft ihr Datenprojekte bzw.

00:03:10: Datenprozesse erfolgreich zu gestalten, indem ihr menschliche Entscheidungs- und Informationsverhalten auf die

00:03:18: Datenwelt übertragen und mit entsprechenden Kommunikationspraktiken, wie zum Beispiel dem Storytelling, verknüpft.

00:03:26: Was genau dahintersteckt und warum du auch der Meinung bist, data-driven data culture is dead, wie du im Vorgespräch erwähnt hast, darüber sprechen wir gleich.

00:03:37: Zuerst geht es aber zu den A-B-Fragen, die ich allen meinen Interviewpartnerinnen bei mir im Podcast stelle.

00:03:46: Du weißt, wie es funktioniert?

00:03:47: AB Fragen?

00:03:48: Ja, ich bin schon gespannt, was da kommt.

00:03:51: Okay, es sind nur fünf Stück.

00:03:52: Ganz einfach.

00:03:53: Wir starten.

00:03:54: Du entscheidest dich immer für eine Variante.

00:03:57: Bildung online oder offline?

00:04:01: Eher offline.

00:04:03: Automatisierte oder menschliche Entscheidungsfindung?

00:04:08: Kommt darauf an.

00:04:11: Komplexe Entscheidungen, menschliche Entscheidungsfindung.

00:04:14: Stärkere Regulierung oder mehr Freiheiten für Unternehmen?

00:04:20: Mehr Freiheiten für Unternehmen.

00:04:22: So, jetzt kommt eine lange Frage.

00:04:24: Achtung, vollkommener Schutz persönlicher Daten oder weniger Datenschutz zur Wahrung der Sicherheit und des Wohls der Allgemeinen?

00:04:34: Boah, da gibt es kein AB.

00:04:37: Okay, also es ist eine Mischung.

00:04:42: Last but not least, die ist wieder einfach.

00:04:44: Webmeetings oder persönliche Treffen?

00:04:46: Persönliche Treffen.

00:04:49: Spannend, hast, ich schaue mal, da es aufgeschrieben, überall B gewählt bis auf die vierte Frage, da ist eine Mischung.

00:04:56: Warum Offlinebildung?

00:04:59: Naja, also wir...

00:05:01: machen unsere Trainings bieten wir sowohl online und offline an und online auch mit Überzeugung.

00:05:07: Aber nothing beats offline, weil wir lernen einfach, wie soll ich sagen, sind halt haptische Wesen und wir lernen mit körperlichen Erfahrungen.

00:05:17: Und deswegen ist es so viel einfacher in Offline-Settings zu lernen als online.

00:05:24: Wir geben uns online auch wirklich Mühe und wir schaffen wirklich, wir kommen nachher dran.

00:05:28: Aber es ist nichts.

00:05:29: Du hast

00:05:31: Es schlägt nichts, die wirklich die Leiferfahrung.

00:05:36: Schöner Ausdruck, körperliche Erfahrung finde ich gut.

00:05:38: Ja, kannst du jetzt runter vorstellen, was du gerne möchtest.

00:05:43: Wir können gerne noch darauf eingehen, was ich tatsächlich damit meine.

00:05:47: Ich verstehe voll und ganz.

00:05:49: Ich bin da der gleichen Meinung.

00:05:52: Online finde ich super in gewissen Sachen, aber wenn man es dann selber erfährt und spürt, wie Sachen funktionieren, da schlage ich in die gleiche Kerbe.

00:06:03: Dann hast du dich auch für die menschliche Entscheidungsfindung entschieden.

00:06:08: Wieso?

00:06:08: Weil wir uns heute auch intensiv darüber unterhalten werden.

00:06:11: Ich glaube, gibt automatisierte Entscheidungsfindungen in operativen, wie soll ich sagen, routinehaften Dingen, wo es ja-nein-Entscheidungen gibt, wo es einfache Entscheidungsfahre

00:06:27: gibt.

00:06:28: Da kann man immer automatisieren.

00:06:30: Sobald es komplexe Entscheidungen geht, wo es

00:06:34: Wo mehr Dinge Berücksichtigung finden, menschliche Entscheidung.

00:06:38: Und das wird heute unser Thema werden.

00:06:41: Du wirst das sehen und du wirst das hören und du wirst das füllen.

00:06:45: Da wir wieder zum Online- und Offline-Thema.

00:06:48: Sehr gut.

00:06:50: Dann hast du dich zum Thema mehr Freiheiten entschieden.

00:06:56: dann auch bei Punkt 4 warst du sowohl als auch...

00:07:03: Kannst du das noch mal kurz ausführen?

00:07:05: Da ging es um vier Unternehmen, mehr Regulierung, mehr Freiheit.

00:07:11: Ich glaube, damit wir als Gesellschaft alle gut zusammenkommen und in friedlicher Coexistenz leben können, braucht es ein gewisses Rahmenwerk, wo sie Unternehmen einfügen.

00:07:24: Aber so wie wir es jetzt erleben, mit Bürokratie aufwenden auch für Kleinunternehmen oder mittelständische Unternehmen.

00:07:32: Also da hat die Regulatur gegen du eine Ende.

00:07:36: Und bei dem Thema Schutz persönlicher Daten und weniger Datenschutz zur Wahrung der Sicherheit?

00:07:44: Ja, es ist immer ein Trade-off.

00:07:46: Man kann nicht sagen, sind beides wunderbare Ziele und es ist beides schützenswert.

00:07:54: Man muss es halt immer anschauen und abwägen und alles im Leben ist eine Verhandlung.

00:07:59: Deswegen kann ich jetzt nicht sagen, dass eine oder das andere, weil das würde irgendwie gar keinen Sinn machen für mich.

00:08:03: Okay.

00:08:05: Und last but not least, hast du dich für persönliche Treffen entschieden?

00:08:08: Ja sowieso.

00:08:11: Und das war total lustig, weil zum Beispiel, wie da an Covid vorbei ging, da hab ich einige Leute, kennt man dann nur online.

00:08:17: Dann triffst du die Leute das erste Mal und denkst dir vorher so, bitte, bitte riech nicht schlecht oder was, keine Ahnung.

00:08:26: Also außergewöhnlicher Geruch, keine Ahnung, aber...

00:08:31: Ich glaube, viele Menschen oder für alle Menschen irgendwie, ganz Intensives, eine ganz intensive Wahrnehmung.

00:08:38: Und da habe ich immer mal gedacht, man hofft nicht, stinkt er nicht, oder die?

00:08:42: Aber sag es keinem, das muss jetzt nur von uns zwei bleiben.

00:08:47: Aber ich habe eine ähnliche Erfahrung, ich eine Interviewpartnerin vom Podcast getroffen habe auf einer Veranstaltung und die schaut mich an und sagt, boah, du bist ja voll groß.

00:09:01: Ich bin ja 1989, aber die hat mich irgendwie, du siehst das ja online überhaupt nicht.

00:09:07: dann so, oh krass, ist ganz witzig.

00:09:12: Ja super, dann Julia, gehen wir in medias raise auch zu den anderen Fragen.

00:09:18: Ich habe es bereits ja ein wenig angeteasert in der Vorstellung, wie es zum Data Story Lab gekommen ist, aber vom guten Storytelling.

00:09:28: um das wirklich packend zu beschreiben und zu erklären, bin ich weit davon entfernt, im Gegensatz zu dir, die ja damit zu tun hat.

00:09:39: Daher meine erste Frage, wie ist es denn eigentlich zur Gründung gekommen?

00:09:46: Also das Data Story Lab als Brand gibt es jetzt seit 2023.

00:09:51: Data Storytelling und den Geist dahinter, mit dem arbeiten wir schon seit fünf, sechs Jahren.

00:09:57: und eigentlich darüber hinaus.

00:10:00: Du hast es schon angemerkt, ich bin Verhaltenswissenschaftlerin.

00:10:04: Ursprünglich, also ich habe mich auf der Uni und auch in Unternehmen damit beschäftigt, wie treffen den Menschen Entscheidungen in Gruppen, individuell, wirtschaftliche

00:10:14: Entscheidungen, Konsumentscheidungen vielleicht auch.

00:10:17: Da ist es auch immer darum gegangen, genau wie viele Informationen sind einer guten Entscheidung zuträglich und so.

00:10:23: Und irgendwann rund 2010 ist es super uncool geworden, dass man die Leute mit Fragerbögen bombardiert.

00:10:29: Also ihr könnt das vielleicht verstehen, warum.

00:10:32: Und da haben wir damals begonnen, auf großen E-Commerce-Daten setzen zu arbeiten, sowohl in der wissenschaftlichen Forschung als auch in Instituten und in den Unternehmen.

00:10:44: Da bieten sich E-Commerce-Daten an, Kunden-Datenbanken.

00:10:48: wo man sagt, okay, man schaut, denn eigentlich dieses Entscheidungsverhalten, man das prognostizieren kann, etc.

00:10:56: Genau, und so bin ich dann in die Unternehmen rausgegangen, zuerst beratend, dann in Unternehmen drinnen, wo ich für den Aufbau dieser Datenfunktion auch teilweise zuständig

00:11:06: war.

00:11:07: Und da ist es mir dann immer wieder passiert, obwohl man, wenn man sagt, okay, es geht die erste malige Nutzung, strategische Nutzung, taktische Nutzung von Daten.

00:11:16: Da kann man auf die grüne Visa schnell mal Quickwin-Projekte stellen, wo man auch mal argumentieren kann, dass das auch nützlich ist und wo man mit den ersten 20 Prozent Weg

00:11:26: gleich einmal 80 Prozent des Nutzens auch mal erreichen kann.

00:11:30: Und das Spannende war, die Leute und Entscheidungsträger waren zu Beginn begeistert.

00:11:34: Ja, wir machen jetzt das mit den Daten oder später dann ja, wir machen jetzt das mit der KI.

00:11:40: Und es ist aber dann im, also noch

00:11:43: Wie es dann die richtige Arbeit gegangen ist, schwierig geworden.

00:11:46: Entscheidungen wurden aufgeschoben.

00:11:50: Es ist Widerstand ausgebrochen.

00:11:51: Vor allem haben wir politische Themen, Hauptdiskussionen, die vorher nicht absehbar waren, zumindest aus meiner Perspektive damals.

00:12:00: Ich habe mir gedacht, das gibt es jetzt nicht.

00:12:02: Sie verstehen es nicht, Sie wollen es nicht.

00:12:03: Am Anfang wollten Sie es unbedingt.

00:12:05: Und ich bin dann damals zu meiner kleinen, feinen Selbsthilfegruppe gefahren.

00:12:09: Das war zu dem Zeitpunkt des Data Science Meetup in Linz, in meiner Heimatstadt in Österreich.

00:12:15: Und wir haben uns ausgetauscht, also nach den Vorträgen und sind dabei am Getränk zusammen gestanden.

00:12:20: Und die anderen haben auch gesagt, die Entscheider, es stockt, sie wollen es nicht, sie verstehen es nicht.

00:12:27: Und sie haben uns wunderbar gegenseitig bemitleidet.

00:12:29: Ja, es war sehr schön, aber auch

00:12:31: Es ist ein familiäres Gefühl, aber es hat uns nicht wirklich weitergebracht.

00:12:35: Nennen wir das Kind beim Namen.

00:12:37: Und einen Sommerabend bin ich dann von einem dieser Meetups nach Hause gefahren und ich fahre da so der Donau einlang, ich gehe den Westen in den Sonnenuntergang und lasse den

00:12:47: Blick so schweifen.

00:12:49: Und dann denke ich mir, Julia, du müsstest doch eigentlich genau wissen, warum denn die Leute, die Entscheider, die Datenlieferanten, die User?

00:13:00: so das zu herausfordernd sehende eine Datenprojekte, Entscheidungen aufschieben, nicht mit der Komplexität umgehen können, wo der Widerstand herkommt.

00:13:08: Und das war vor gut 7, 8 Jahren mehr oder minder so die geistige Geburtsstunde des heutigen Data Story Lab, ich dann die Prinzipien und die auch wissenschaftlichen

00:13:19: Erkenntnisse aus den Verhaltenswissenschaften, aus der Entscheidungstheorie umgelegt habe auf meine tägliche Arbeit mit Datenprojekten.

00:13:27: Und das war dann so für mich so

00:13:29: Das hat auf einmal alles Sinn gemacht, mehr oder minder, also auch mein ganzer eigener Wehrgang.

00:13:37: hat dann dazu geführt, dass meine Datenprojekte erfolgreicher wurden.

00:13:41: Hat dann auch dazu geführt, dass meine Selbsthilfegruppen-Kollegen auch das ausprobiert haben und für die hat es auch ganz kurz funktioniert.

00:13:48: Und dann, wie ich mich dann selbstständig gemacht habe, habe ich immer schon Trainings in diese Richtung angeboten, quasi auch für Sales von KI-Start-Up.

00:13:59: etc.

00:14:00: Dass man sagt, wie kann man denn Datenprojekte so erklären, so begreifbar machen, dass sie Entscheidungen angestoßen werden, dass die Leute auch wirklich verstehen.

00:14:11: Und da ist eine der wesentlichen Methoden eben dieses Data Storytelling.

00:14:17: Du hast es jetzt schon bisschen angesprochen, die Datenprojekte waren nicht erfolgreich.

00:14:21: habt es alle irgendwie

00:14:24: unter denselben Themen gelitten.

00:14:26: Ich drücke es jetzt mal so aus, leidet man wahrscheinlich als Data-Signist, wo man sagt, cool, was wir alles können.

00:14:30: Es läuft dann irgendwie nicht.

00:14:32: Der Algorithmus ist so toll und fancy und könnt so viele Sachen und stirbt einen tot in der Schublade.

00:14:40: Genau.

00:14:41: Was waren denn die, bevor wir dann darauf zu sprechen kommen, was ihr im Data-Story Lab dann genau macht, was waren denn so die Probleme, denen ihr gegenüber gestanden seid oder

00:14:50: denen ihr auch aktuell gegenüber steht?

00:14:53: die ihr dann auch mit dem Data Story Lab löst.

00:14:57: Verständnisprobleme der Führungsriege, du hast irgendwie auch angesprochen.

00:15:01: Entscheidungsschwäche, was sind das so?

00:15:05: Ich würde das gar nicht Entscheidungsschwäche nennen, das wäre zu stark.

00:15:09: Tatsächlich ist es so, dass wir glauben, wenn wir über rationale Dinge sprechen, rationaler Input, ich spreche über mein Datenprojekt, dann muss das im Gehirn des

00:15:18: Gegenübers automatisch der Teile anspringen, der für rationales Denken zuständig ist.

00:15:23: Das wäre sehr schön, aber das ist leider nicht so.

00:15:27: Tatsächlich würde unser Gehirn explodieren, alle Informationen, die wir den ganzen Tag aufnehmen, diesen Teil des rationalen Denkens vordringen würden.

00:15:35: Und aus diesem Grund, in aller Kürze, ist in unserem Gehirn ein Filtermekanismus etabliert, der alle Informationen, also alle Informationen von allen Sinneseindrücken,

00:15:46: Gerüche, Geschmäcker, was wir sehen, was wir hören, was wir ertasten.

00:15:51: die alle diese Informationen aussortieren.

00:15:56: Aus diesem Grund ist es so, dass sehr häufig Leute, bevor wir überhaupt in eine sachliche Diskussion kommen über rationale Dinge, zuerst einmal mit Widerstand reagieren oder

00:16:07: irgendwie irrational auf diese Datenprojekte reagieren und das hat einen ganz bestimmten Grund.

00:16:12: Nämlich, wenn wir uns Filtersystem im Gehirn anschauen, dann ist die erste Filter-Ebene statt.

00:16:19: im Stammhirn, wo das Stammhirn an jeder Information die Verwaage stellt, ist diese Information, die ich hier von mir sehe, bedrohlich?

00:16:28: Ja oder nein?

00:16:30: Und das ist noch aus der Zeit, als meine Ururururur

00:16:44: und sich überlegt, welche Taktik wäre jetzt beste Strategie, überlebensfähig zu sein, sondern dagegen es schnell Entscheidungen zu treffen.

00:16:53: Und genau dieser gleiche Mechanismus funktioniert auch oder wirkt auch, wenn wir ein Datenprojekt vorstellen.

00:17:00: Da denken sich dann oder automatisch denkt sich das Gehirn unseres Gegenübers, ist diese Information für mich bedrohlich?

00:17:07: Ja oder nein?

00:17:08: Und wenn ich jetzt zum Beispiel aus dem Controlling komme oder aus einer Controlling-Funktion und in eine Fachabteilung gehe und sage, unsere Zahlen zeigen aber,

00:17:16: dass da irgendein Prozess optimiert werden könnte bei euch, das Lämpchen, Information wird ausgeschieden, Kämpfen, Flüchten, Todstellen wird angestellt und wir haben irrationale

00:17:27: Reaktionen auf sehr rationale Zahlen.

00:17:30: Das gleiche funktioniert, wenn wir sagen, wir stellen einer Vertriebsorganisation ein KI-Tool zur Verfügung und möchten, die gerne damit arbeiten.

00:17:43: Da werden wahrscheinlich die einen oder anderen Vertriebsmitarbeiterinnen und Vertriebsmitarbeiter dann auch in Widerstand übergehen, weil es ist womöglich als

00:17:49: Bedrohung Wahrnehmung für den eigenen Job, für die eigene Rolle, für das eigene Selbstverständnis.

00:17:56: Und das ist mehr oder minder so diese erste Filterhürde.

00:18:01: die eben auch Entscheidungsaufschub politischen Widerstand generiert.

00:18:06: Und dann das zweite, warum wir häufig mit unseren Datenprojekten nicht so weit kommen in Organisationen, ist, dass die zweite Filterebene in einem Teil des Gehirns stattfindet, in

00:18:16: dem Emotionen und auch Entscheidungsvorbereitung, Evaluierung, große Rolle spielt, nämlich im limbischen System.

00:18:23: Also wenn unser Datenprojekt nicht als bedrohlich wahrgenommen wurde, sondern dann im limbischen System anlangs

00:18:30: Dann wird die Filterfrage gestellt, ist denn diese Information für mich relevant?

00:18:34: Ja oder nein?

00:18:37: Und was das limbische System eigentlich mit dieser Filterfrage meint, ist, emotionalisiert mich diese Information in irgendeiner Art und Weise.

00:18:45: Und nur, nur allein.

00:18:47: Wenn irgendwo in meinem Körper eine emotionale Wahrnehmung feststellbar ist fürs Gehirn, dann weiß das limbische System, die Information könnte so relevant sein,

00:18:59: dass wir sie tatsächlich in den Teil des Gehirns vorlassen, wo Rationalistenken stattfindet.

00:19:06: Das bedeutet sehr viele dieser Phänomene, wir im Unternehmen haben, von, ja, können denn die Daten stimmen?

00:19:14: Das ist jetzt schön, was du gerechnet hast, aber wir wollen da jetzt eigentlich nicht weitergehen.

00:19:19: Ist denn dieses Datenprojekt jetzt wirklich die Lösung?

00:19:21: Wollen wir wirklich data-driven sein?

00:19:23: Ja oder nein?

00:19:24: Hat man jetzt so alle erst mit dieser

00:19:27: mit diesem Filter im Gehirn zu tun, wenn wir vermeintlich rationale Informationen auf uns einpasseln, mehr oder minder.

00:19:35: Das bedeutet, dass wir, wenn wir Daten kommunizieren, Emotionen mitdenken müssen.

00:19:42: Auch Entscheidungsheuristiken, also einfache Entscheidungsmechanismen und das, was wir auch so häufig unter Bauchgefühl titulieren, müssen wir ein Stück weit umarmen.

00:19:53: Ich denke, da werden wir heute ein bisschen drüber sprechen, weil das ist sehr

00:19:56: counter intuitive, weil wir als Datenexpertinnen und Datenexperten kämpfen ja eigentlich ständig gegen Bauchgefühlentscheidungen an.

00:20:04: Das ist auch der Grund, warum wir so mittelmäßig erfolgreich sind.

00:20:07: Wir müssen Bauchgefühl, Intuition ein Stück weit umarmen und in unserer Arbeit mitdenken.

00:20:14: Spannend, weil das sind ganz, wenn du das jetzt so gerade schon beschreibst, ich finde es super spannend auch für meine Arbeit, ich das sehe, was ich da jetzt rausziehe, einfach

00:20:23: diese Themen auch als

00:20:26: aus Verhaltensforschungssicht zu verstehen.

00:20:29: Das ist bei mir auch immer bei meinen Projekten, wo die Leute denken, man erarbeitet etwas Neues.

00:20:36: Dann ist immer so die, ich habe jetzt alles falsch gemacht die letzten Jahre, wenn ich mir das jetzt so anschaue.

00:20:42: das zu vermitteln, du hast nichts falsch gemacht, alles gut, das hat einen ganz gewissen Grund, warum du so gemacht hast, wie es gemacht hast.

00:20:48: Aber es heißt nicht, dass wir nicht noch dran arbeiten können.

00:20:51: Das ganz spannend.

00:20:53: Muss ich mir für mich auch mitnehmen.

00:20:55: Ja, nochmal da mal tiefer einsteigen bei meinen Projekten diesbezüglich.

00:21:00: Dann lass uns doch mal dann auf das Data Story Lab kommen.

00:21:05: Du hast jetzt ganz beschrieben, was wichtig ist oder was die Probleme waren oder Probleme sind, denen man begegnet oder denen ihr in der Vergangenheit, also heute begegnet.

00:21:16: Was macht ihr denn mit dem Data Story Lab konkret?

00:21:20: Was darf man sich darunter vorstellen, um das zu lösen oder das zu überwinden, diese Hürden?

00:21:27: Auf der einen Seite geht es tatsächlich darum, um diese Bedrohlichkeitshürde zu überwinden.

00:21:33: diese Bedrohlichkeitsschranke im Gehirn oder diese Relevanzschranke im Gehirn ist, dass wir sehr nüchterne Datenprojekte in einen emotionalen Kontext setzen und ohne dass zu

00:21:45: viele Schlagwörter bedienen zu müssen.

00:21:47: würde ich sagen, wir machen es greifbar für die Leute, was denn dieses Datenprojekt für sie in ihrer täglichen Arbeit bedeutet, indem wir ihnen erzählen, wie denn ein Arbeitstag

00:21:56: in der Zukunft ausschaut, mit dem Datentool und ohne das Datentool.

00:22:01: Also was das für sie wirklich fachlich, emotional bedeutet, wo sie einen Vorteil drinnen haben und der Unterschied zur üblichen Argumentation, warum eine Datenanwendung, ein

00:22:13: Report, ein Dashboard, Machine Learning

00:22:17: App oder wie auch immer nutzt, üblicherweise argumentieren wir mit wirtschaftlichem Nutzen.

00:22:25: Oder mit technischem Nutzen.

00:22:27: Oder mit technischer Qualität.

00:22:29: Das sind so die Nutzenkategorien, mit denen wir arbeiten.

00:22:32: Und früher am Institut hatte ich Kollegen, sich mit dem Thema Nutzwert und Nutzenargumentation intensiv auseinandergesetzt haben.

00:22:42: Und die sind halt auch immer

00:22:43: irgendwie angestoßen und diese Wirkung dieser Nutzenargumente ist über ein gewisses Level nicht hinausgekommen.

00:22:52: Und heut weiß man, dass die eigentlichen Nutzenkategorien, die wirklich ziehen, ist, emotionalen Nutzen auch mit einzupacken, psychologische Sicherheit in die Zukunft

00:23:05: gerichtet, dass wir

00:23:07: den Leuten nicht nur erzählen, was sie da jetzt an Euros mehr haben könnten oder was da jetzt der Return und Invest ist fürs Unternehmen, sondern dass wir denen ganz klar

00:23:15: erzählen und relevant machen, was das für sie in ihrer täglichen Arbeit bedeutet.

00:23:19: Dann können sie es mitfühlen, dann können sie die Relevanz besser einschätzen, dann ist es für sie greifbarer, dann ist es nicht mehr so ein abstraktes Ding, das sie vielleicht gar

00:23:28: nicht verstehen können, weil es zu komplex ist, wo die Leute auch oft Angst haben, dass sie quasi Datenprojekte nicht einschätzen können, weil sie

00:23:36: sich nicht kompetent genug fühlen, weil sie zu wenig Statistik können, weil sie nicht wissen, was die Täter seien, die es jetzt wirklich gerechnet oder gedreht haben.

00:23:45: Aber da müssen wir sie gar nicht mitnehmen in die Komplexität, weil wir die Komplexität ihnen nie vollständig erklären und fühlbar machen können.

00:23:54: Es geht darum, ihnen zu kommunizieren.

00:23:55: Was ist die Auswirkung?

00:23:57: Wie fühlt sich das an?

00:23:58: Und das ist ganz andere Nutzen Argumentation, als wir es gewöhnt sind, als es üblich ist.

00:24:05: sagenhaft wirkt und das bieten wir einerseits an als Training für Datenexpertinnen und Datenexperten und auf der anderen Seite begleiten wir auch ganz konkret große Data

00:24:16: Governance Initiativen und KI-Initiativen beim Rollout durch Organisationen, wo wir eben auch sagen auf der einen Seite, wie können wir die Leute mitnehmen?

00:24:29: Angewähnt ist Data Storytelling, also wie kann diese Kommunikation aussehen?

00:24:33: dass es die Leute besser greifen können.

00:24:36: Aber auch wie kann auf der menschlichen Seite einfach wirklich so eine Transformation aussehen, dass wir es schaffen, eine datengestützte Organisation zu werden, dass wir es

00:24:46: schaffen, eine KI-gestützte Organisation zu werden.

00:24:50: Und da braucht man ein paar mehr Dinge als nur Kommunikation.

00:24:55: Genau, also das sind so die beiden Dinge.

00:24:57: Zusammengefasst würde ich sagen, wir machen so die human side of

00:25:01: Data change, data and the eye change.

00:25:04: Also wie wir Menschen mitnehmen in die Datenzukunft, in die KRI Zukunft.

00:25:10: Wenn ich jetzt ein Unternehmer bin und bei euch anklopfen und sage, ja, hallo Julia, ich habe gehört, ihr macht da sowas, ich habe da ein Problem.

00:25:19: Ich sehe jetzt, ihr macht Workshops, ihr macht Trainings und so weiter und so fort und ihr wollt es da halt emotionalisieren.

00:25:24: Wie geht es ihr denn konkret vorhin zu Projekten?

00:25:27: Also wenn ich jetzt sage, ok, pass auf, ich habe da jetzt ein Datenprojekt, ich möchte das zum Erfolg machen.

00:25:31: Julia Machmal.

00:25:33: Julia Machmal.

00:25:35: Also ich bin auch Fan davon, die Leute selbst zu befähigen, sage ich jetzt mal, die Datenexperten, sie in ein Umdenken mitzubringen.

00:25:42: Deswegen starten wir oft mit Training.

00:25:44: Aber tatsächlich ist es so, dass wir uns zuerst organisational anschauen, wo wollen denn die Leute überhaupt hin?

00:25:50: Was verstehen sie denn?

00:25:51: Und sehr häufig wird Data Driven genannt, wir wollen eine Data Driven Organisation werden.

00:25:55: Aber das ist auch ein sehr großes Passwort, wo sehr viel hineininterpretiert wird und wo sich oft die Organisation selbst oder die Leute, die da mitarbeiten, gar nicht so klar

00:26:04: sind, was wollen wir denn jetzt eigentlich von den Leuten.

00:26:07: Und sehr häufig, gerade wenn wir vielleicht heute schon das Thema einsteigen wollen, höre ich eben so Data-driven Organisationen, ja wir wollen Data-driven werden und wir sollen,

00:26:17: unser Entscheider oder unser Unternehmen ähnlich vom Bauchgefühl weggeht und wir endlich wirklich rationale Entscheidungen treffen.

00:26:25: Das sind meine Lieblingsprojekte.

00:26:31: da haben wir als verhaltenswissenschaftlichen Sicht eine besondere Perspektive und Position ein, weil wir den Organisationen aufzeigen, dass man das zielgenau formen muss.

00:26:46: Wir wollen weg von Bauchentscheidungen hin zu rationalen Entscheidungen.

00:26:53: Den Weg gibt es nicht.

00:26:56: Das ist eine Illusion, die immer mitschwingt, wenn wir Data Drift Organizations denken.

00:27:01: Deswegen sage ich auch hin und wieder, dass das Konzept oder die Idee von Data Drift ist eigentlich die falsche Vorannahme für unsere Projekte.

00:27:10: Wir setzen daraus, dass wir mit rationalen Menschen zu tun haben, die formal rational Entscheidungen treffen können.

00:27:18: Das ist aber biologisch gar nicht möglich.

00:27:21: Wir können nicht ohne Emotionen Entscheidungen treffen.

00:27:24: Wir können nicht rein rational Entscheidungen treffen.

00:27:28: Wir brauchen aus bestimmten Gründen immer auch ein Stück weit Intuition, vertrauensvoll Entscheidungen treffen zu können.

00:27:35: Genau.

00:27:36: Und du hast mir jetzt gefragt, wie gehen wir da rein?

00:27:38: Wir schauen uns zuerst eben an.

00:27:40: Ja, was wollen denn die Leute wirklich erreichen?

00:27:41: Also quasi wirklich Analyse und auch ein Stück weit halt so diese so ein Cultural Assessment, sage ich jetzt mal.

00:27:50: Wie ticken die im Kontext von Datenanalyse?

00:27:55: Wie gehen die mit abstrakten Dingen um?

00:27:57: Wie sind da Entscheidungsmechanismen im Unternehmen?

00:28:01: Und dann schauen wir uns an, wie wir denn solche Initiativen begleiten können und sind mehr oder minder, ja, bieten Sparing an entlang so Data Governance Rollouts, KI Rollouts,

00:28:12: wo wir das umdenkend begleiten.

00:28:16: Ich würde gerne auf den Punkt noch einmal zurückkommen, den du gerade sehr

00:28:19: was du begonnen hast, anzuschneiden, das ganze Thema Data Driven.

00:28:23: du hast gerade gesagt, wir brauchen Intuition, um vertrauensvolle Entscheidungen zu treffen.

00:28:32: Kannst du das noch mal ein bisschen ausführen?

00:28:34: Wieso und weshalb?

00:28:36: war jetzt...

00:28:38: Data Driven ist, wir wollen dorthin, aber irgendwie ist das Verständnis nicht richtig da und wir brauchen, biologisch gesehen geht es gar nicht anders, ja.

00:28:46: Aber irgendwie, wo man sagt, okay,

00:28:49: dass man das Greifbauch noch einmal verständlich erklärt, was es wirklich bedeutet.

00:28:54: Intuition, Bauchgefühl, wo du auch schon gesagt hast, da dreht es am Detatant, es manchmal so dem Magen, zu sagen, Bauchgefühl, wollen ja eigentlich Daten, wir haben ja alles.

00:29:06: Genau, ich habe da unterschiedliche Beispiele mit.

00:29:10: Ich möchte ganz gern zuerst mit einem kleinen wissenschaftlichen Exkurs starten, also eine Minute, seit ich mir hoffentlich vergönnt.

00:29:18: Es gab im Beginn der 80er Jahren einen spannenden Forschungspult, einen Herrn Ambrosio, der untersucht hat Leute, im Bereich des Gehirns, wo Emotionen angesiedelt sind,

00:29:44: Verletzungen hatten durch Unfälle, durch einen Schlaganfall.

00:29:48: Und der hat beobachtet, dass diese Leute, eben da rund dieses emotionale Zentrum Verletzungen hatten, dass die auch massiv Probleme hatten, Entscheidungen zu treffen.

00:29:57: Also jetzt nicht irgendwie komplexe Dinge, Lebensentscheidungen, sondern es ging wirklich um, trinke ich jetzt Kaffee oder Tee?

00:30:03: Gehe ich heute aus dem Haus oder nicht?

00:30:05: Ziehe ich heute eine Hose an oder lasse ich es lieber bleiben?

00:30:07: Ja, die waren restlos überfordert damit.

00:30:09: Und das war im Endeffekt so der Start einer Forschungsrichtung, die sehr beeindruckend bewiesen hat, dass

00:30:18: Um entscheiden zu können, brauchen wir rein biologisch, neurowissenschaftlich, physikalisch die Emotionen, weil sonst unser Gehirn gar nicht kann Entscheidungen treffen.

00:30:29: Also diese Idee vom rationalen Menschen, dieser Homo economicus, er früher in der Volkswirtschaft gelehrt wurde, vielleicht heute auch noch, den gibt es de facto nicht.

00:30:40: Was, also vielleicht definieren wir auch noch kurz, was meinen wir oft, wenn wir von rationalen Entscheidungen sprechen?

00:30:47: Sehr häufig meinen wir darunter, wir treffen Entscheidungen unter Einbezug vollständiger Informationen.

00:30:57: Und dann unter Einbezug vollständiger Informationen treffen, wählen wir die eine beste Alternative aus, wo wir den meisten Nutzen maximiert Der Verhaltenswissenschaftler in der

00:31:07: Beistrache, in welcher Richtung das wir da sprechen natürlich, natürlich auch in der Argumentationsrichtung von Behavioral Economics und Nobelpreisträger Kahnemann.

00:31:17: der eben eine andere Variante von aufzeigt, wie er in unseren Gierenscheidungen trifft.

00:31:22: Und ich hätte da zu veranschaulichen ein bisschen mit zwei Freunde von mir, zwei meiner Homies.

00:31:30: Wer von euch kennt Mr.

00:31:31: Spock?

00:31:34: Ist dir ein Begriff, Johannes?

00:31:36: Ist mir ein Begriff, klar.

00:31:37: Wofür steht Mr.

00:31:38: Spock oder was sind seine Eigenschaften?

00:31:43: Ich habe es nicht viel geschaut, aber...

00:31:47: Der ist sehr kühl.

00:31:51: Er ist sehr kühl, er ist sehr rational.

00:31:54: Rational, genau.

00:31:55: Im Wesentlichen so das Abbild des Homo economicus, also des volkswirtschaftlichen Konzepts.

00:32:04: Volkswirtschaftlichen Konzept ist ein Menschen treffen wirtschaftliche Entscheidungen rein rational.

00:32:10: So, jetzt schicken wir den Mr.

00:32:12: Spock mal los.

00:32:12: Sagen wir, er hat nach dem Mittagessen einen süßen Gusto und möchte gerne Donuts.

00:32:17: Ja, ein Stück Donut hätte er gerne und er macht sich auf den Weg, das, quasi das beste Stück Donut zu finden, damit er wirklich seinen süßen Gusto stillen kann.

00:32:26: Jetzt wohne ich in einer Stadt, Linz, die hat 69 Bäcker rein.

00:32:31: Was macht er?

00:32:32: Da misst er Spock, da denkt er sich, ah 69 Bäcker rein, ich bin schlau, ich ziehe mir die guten Wanderschuhe an und nehme mir ein Klemmbrett mit.

00:32:40: Denn ich muss ja vollständige Informationen sammeln, damit ich meine Entscheidung veröffnen kann.

00:32:45: Das bedeutet...

00:32:46: Er geht raus, in die erste Bäckerei, notiert sich auf seinem Klemmbrett Sorten, Donutsorten, zur Verfügung stehen, der Preis, angeschrieben ist, vielleicht auch noch den

00:32:57: Geruch oder so, den Eindruck, er von der Qualität hat.

00:33:01: Und wenn er das notiert hat, dreht er sich um, geht aus der Bäckerei raus und geht in die nächste Bäckerei und macht das Gleiche wieder.

00:33:11: Meine Frage lautet jetzt, was würde

00:33:15: Huma Simpson tun.

00:33:17: Würde Huma Simpson in 69 Bäcker Wein gehen, den einen perfekten Donut zu finden?

00:33:25: Da würde er nicht machen, würde ich mal sagen.

00:33:28: Huma Simpson geht in die erste Bäcker Wein, schaut, was dafür ihn da ist und nur wirklich, wenn er wirklich den Eindruck hat, nein, die schauen alle nicht gut aus, dann geht er

00:33:36: vielleicht noch in die zweite Bäcker Wein.

00:33:39: Oder er geht einfach ein Bier trinken.

00:33:40: Oder er ein Bier trinken, wenn nach drei Bäckereien das alles nur quasi nicht ausschaut, dann tippt er vielleicht auf und denkt sich, lass mir das gut sein.

00:33:50: Das Bissle was man essen kann, das kann man in flüssiger Form zu sich nehmen.

00:33:54: kann natürlich auch sein.

00:33:56: Worauf ich hinaus will, der Mr.

00:33:59: Spock repräsentiert natürlich diesen Homo economicus.

00:34:02: Und zeigt ein bisschen auf, was wir wirklich definitorisch und einer rationalen Entscheidung sehen.

00:34:09: Vollständige Informationen oder möglichst viele Informationen sammeln und zur Verfügung stellen, denn dann gehen wir davon aus, dass Entscheidungen, Business-Entscheidungen

00:34:18: besser werden.

00:34:20: Die etwas counterintuitive Wahrheit ist, je mehr Informationen wir den Menschen zur Verfügung stellen, umso schlechter werden Business-Entscheidungen.

00:34:29: Warum?

00:34:30: Weil das für das menschliche Gehirn eine viel zu hohe kognitive Last ist.

00:34:34: Ab dem Moment, wo wir zu viele Informationen haben, treffen wir entweder keine Entscheidungen mehr,

00:34:39: Oder wir gehen auf einfache Bauchgefühlshoristiken zurück, wie zum Beispiel das mittlere Angebot wird schon das Beste sein.

00:34:47: Wo wir dann nicht mehr datengestürzt wirklich Entscheidungen treffen.

00:34:50: Und das Spannende ist, der erste Schritt, den bei uns eben Datenexperten lernen oder wo wir sie auch durch einen fast oft schmerzhaften Prozess führen, ist, wir kriegen das

00:35:02: Bauchgefühl nicht weg, wenn wir mit mehr und mehr Daten argumentieren, wenn wir den Leuten mehr und mehr Daten zur Verfügung stellen.

00:35:09: Data Driven bedeutet nicht, wir stellen den Leuten mehr Daten zur Verfügung, sondern Data Driven erfolgreich bedeutet, wir stellen den Leuten kuratiert weniger Daten zur Verfügung,

00:35:20: dass sie tatsächlich eine Chance haben, eine datengestützte Entscheidung zu treffen.

00:35:25: Und das ist ein schwieriges Umdenken, sage ich jetzt einmal, das beobachten wir.

00:35:29: Aber das ist der einzige Weg, wie wir wirklich dorthin kommen, dass wir die Leute dazu hinführen, auch die Radio

00:35:38: in die Entscheidung mit einfließen zu lassen.

00:35:41: Weil oft stellen wir uns ja auch vor oder gerade so am Anfang, wenn wir das immer diskutieren in neuen Unternehmen, dass wir da so ein Adventdiagramm haben, also zwei so

00:35:48: Quas, die sich oft überschneiden.

00:35:53: Und da sehen wir links einen Kreis, da ist das Bauchgefühl, wir nennen es auch Intuition, aber Bauchgefühl ist eher der Hassbegriff.

00:36:05: Und dann mit großem Abstand rechts davon stellen wir uns vor, da ist dann so ein Kreis, wo wir sagen, das ist das rationale Entscheidend und wir wünschen uns, kommen dorthin.

00:36:14: Aber diese Reise gibt es nicht, denn diese Reise ist schon eigentlich ganz anders aus.

00:36:17: Denn jede Entscheidung braucht grundsätzlich Emotion und ein Teil von Intuition.

00:36:23: damit wir überhaupt fähig sind, eine Entscheidung zu treffen.

00:36:26: Das heißt, wir haben diesen großen Kreis von Intuition, Emotionen und vielleicht ein Stück weit Bauchgefühl.

00:36:32: Und da drinnen ist ein kleiner Kreis von rationalen Entscheidungen.

00:36:36: Das heißt, es gibt Bauchgefühlsentscheidungen, wo keine Ratio vorkommt.

00:36:42: Es gibt aber keine Entscheidungen, die rational sind, wo keine Emotion mitspielt.

00:36:47: Das bedeutet, wir müssen uns damit abfinden, dass wir Menschen in ihrer Emotionalität

00:36:54: mit ihren Befürchtungen, vielleicht auch mit den Biases, oder Verzerrungen, quasi aus ihren Vorerfahrungen entstehen, dass wir das annehmen und dass wir mit dem arbeiten, damit

00:37:05: wir dort hinkommen, dass sie mit unseren Daten Entscheidungen treffen, auch wenn ein bisschen Intuition bleibt.

00:37:12: Aber wir müssen ihnen quasi die kognitive Last dosieren, damit es eine rationale Komponente gibt.

00:37:19: Das bedeutet natürlich auch viel Vertrauensarbeit aufzubauen in die Daten selbst, in die Datenarbeit, aber auch in die eigene Rolle als Datenexperte.

00:37:30: Und Vertrauensarbeit klingt jetzt auch nicht so richtig nach den Leidenschaftsthemen eines Datenexperten oder einer Datenexpertin.

00:37:38: Aber auch da müssen wir ein Stück weit hinein arbeiten.

00:37:42: Und einer der Lehrsätze oder der Prinzipien, nachdem wir oder Glaubenssätze die bei uns selbst

00:37:49: in uns selbst sehr stark verankert sind, ist, dass jede Form von Daten bedeutet in erster Linie mal nicht nur Abstraktion, sondern bedeutet immer Change.

00:38:01: Jedes Datum, jede KPI, die relevant ist, weil sie irgendwas aufzeigt, weil sie irgendeinen Veränderungsbedarf aufzeigt, bedeutet immer Change.

00:38:11: Und deswegen ist es auch so wichtig, dass die Leute, die Datenexpertinnen und Datenexperten nicht nur wissen, wie sie quasi auch

00:38:18: ihre nüchternen Themen in einen emotionalen Kontext setzen, zum Beispiel mit einem Storytelling-Ansatz, mit dem es sehr leicht geht.

00:38:27: Sondern ich bin auch Verfechterin dessen, dass jeder Datenexperte zumindest die Basics von Change- und Transformationsmanagement versteht, weil letzten Endes sind diese

00:38:36: Datenprojekte immer auf einer kleinen Skala oder auf einer sehr großen Skala immer Change-Projekte.

00:38:42: So jetzt haben wir schon sehr viele Themen angerissen.

00:38:44: Jetzt bin ich gespannt, wie wir da jetzt wieder rauskommen.

00:38:48: Ja, wir kommen gut raus.

00:38:50: Ich habe das super spannend gefunden und ich habe da ganz viele Sachen auch wieder.

00:38:53: Es ist heute ein massiv lehrreicher Podcast für mich.

00:38:57: Kann ich alles in meine Vorlesungen mit reinpacken?

00:38:59: bitte gerne.

00:39:00: Ich komme auch gerne noch dabei.

00:39:02: Finde ich echt super.

00:39:04: Du hast jetzt gerade einen Begriff genannt.

00:39:07: Data Storytelling oder Storytelling ist so ein Thema, um da rauszukommen.

00:39:11: Dann lass uns doch das gleich einmal nutzen und uns das anzuschauen.

00:39:14: Was verstehst du denn unter Data Storytelling?

00:39:18: es, sag ich mal, vergleichbar mit diesem, ich drücke es jetzt mal unter Anführungszeichen, klassischem Storytelling?

00:39:25: Hat es die gleichen Elemente irgendwie, also emotionale Verbindungen?

00:39:29: Ja, aber irgendwie, sagst, okay, ich habe auch einen Protagonisten, irgendwie so einen Helden, eine Botschaft, die ich sende und...

00:39:38: das mit Authentizität und vielleicht auch nochmal mit entsprechender multimedialer Unterstützung dran.

00:39:45: Was?

00:39:45: Was?

00:39:45: Laser Show.

00:39:46: Inklusive Laser Show und Laser Show.

00:39:48: Ja, volles Programm.

00:39:49: Ja, die richtige Musik dazu.

00:39:54: Jetzt lachen wir noch, wenn ich dir jetzt sage, ja, das haben wir auch schon gemacht.

00:39:57: Ja, glaube ich, also, finde ich spannend.

00:40:02: Das ist total spannend und da möchte ich jetzt ein bisschen offen sprechen.

00:40:06: Es geht tatsächlich Storytelling.

00:40:10: Storytelling heißt dann bei uns in Österreich, ihr tut ja nur Geschichteldrucken.

00:40:16: Also Geschichteldrucken bedeutet, und da haben wir viel Aufklärungsarbeit, die wir da leisten müssen, wir verwässern das gute, rationale, wissenschaftliche Ergebnis oder gut

00:40:29: gerechnete Ergebnis aus den Daten.

00:40:32: und ablenken oder heute mehr oder minder vielleicht auch ohne Datenbasis irgendwas Lustiges erzählen, die Leute unterhalten und substanzlos mehr oder minder zu einer

00:40:41: Entscheidung bewegen.

00:40:43: Und das ist mein das überhaupt nicht.

00:40:45: Also und das tun wir auch aus Überzeugung nicht, weil ich bin data person genauso wie alle, die mit uns arbeiten.

00:40:51: Also wir wie wie la data und natürlich lieben auch Menschen quasi deswegen schlagen wir die Brücke.

00:40:58: Aber es geht immer darum.

00:41:01: dass wir diesen Datenprojekten einfach die Chance geben wollen, dass sie wirklich im richtigen Teil des Gehirns ankommen und da brauchen wir diesen emotionalen Kontext und das

00:41:10: bedeutet, wir erzählen tatsächlich, wenn ich jetzt sage Stories, meistens sind es Anekdoten von einem Arbeitstag in der Zukunft.

00:41:19: Wie sich der anfühlt für die Leute.

00:41:21: Das ist eigentlich wirklich das Rezept.

00:41:23: Da erzählen wir Geschichten von Leuten aus uns oder

00:41:27: Also unsere Zielgruppe, Leute mit denen sprechen, von zukünftigen Usern, von Entscheiderinnen und Entscheidern, vielleicht auch von Kundinnen und Kunden, wir die einen

00:41:34: Prozess dann erleben, es einfach wirklich greifbar zu machen, wovon sprechen wir hier und was bedeutet das für mich nicht nur jetzt faktisch, dass zum Beispiel mein, dass ich dann

00:41:46: mehr oder minder die Kennzahl meiner Abteilung geht irgendwie rauf, wenn wir effizienter arbeiten, wenn wir mehr Kunden ansprechen können.

00:41:54: sondern auch, dass mein Tag in der Zukunft dadurch im besten Fall Konflikt ärmer wird, dass ich es mal schaffe, nicht ständig Überstunden zu machen, einfach wieder in der

00:42:04: Kontrolle bin und meinen Arbeitstag viel besser so gestalten kann, ohne dass ich da jetzt mit irgendwelchen Prozessen, nicht mehr so laufen, oder irgendwelchen Dingen, die mir

00:42:18: bisher nicht angegangen ist und mich da weiter abkämpfen muss.

00:42:21: diese Geschichten, die wir da gestalten und da haben wir

00:42:24: eine sehr, wie soll ich sagen, detaillierte Methode, wo wir die Leute durchführen, weil es einfach so fremd ist für Datenexpertinnen und Datenexperten.

00:42:30: Wo wir uns zuerst ansehen, was wollen wir denn eigentlich wirklich erreichen mit unserem Datenfolger?

00:42:38: Und da sagt jetzt die Datenanalystin in mir oder hat meistens gesagt, ja, wir wollen, dass die Leute verstehen, dass sie irgendwie das Budget umschichten müssen oder so.

00:42:48: Wir wollen, dass sie was verstehen.

00:42:50: Aber tatsächlich müssen wir ein Stück weit weitergehen und sagen, eigentlich wollen wir nicht nur, dass die Leute uns zuhören und sich quasi mitdenken können, sondern wir wollen

00:42:57: eigentlich die Leute zu einer bestimmten Handlung bewegen, dass sie den Prozess ändern.

00:43:01: Also das müssen wir uns im ersten Schritt wirklich sehr konkret werden.

00:43:04: Was wollen wir denn wirklich, was der nächste Schritt sein muss in diesem Daten oder in dem Projekt in der Fachabteilung?

00:43:10: Das müssen wir uns visualisieren und üblicherweise gehen wir da als Datenexpertinnen nicht weit genug.

00:43:15: Also das erste ist, wir beantworten die Frage, was wollen wir denn wirklich wirklich erreichen?

00:43:20: Und dann schauen wir uns weiter an und machen wirklich eine spannende und tiefgehende Analyse.

00:43:27: Mit wem haben sie es denn da eigentlich zu tun?

00:43:30: Was sind denn die Bedürfnisse der Leute?

00:43:31: Was sind denn ihre Sorgen?

00:43:33: Was sind denn die Herausforderungen, denen die Leute wirklich stehen?

00:43:36: Und da müssen wir uns ein bisschen mehr unsere Zielgruppe Gedanken machen, es nur über die Zielgruppe im Kontext unseres Projektes was denn wir jetzt de facto finden, dass da jetzt

00:43:45: ihr Vorteil aus deinem Projekt ist.

00:43:47: sondern wir müssen uns zuerst wirklich in die Gefilde unseres Gegenübers, der Fachabteilung, der Datendifferanten bewegen, damit wir überhaupt verstehen, was ist denn

00:43:55: da jetzt eigentlich im System los.

00:43:57: Das machen wir mit denen.

00:43:59: Und dann schauen wir, okay, was?

00:44:02: Dann haben wir in Datenprojekten sehr häufig sehr viel Information mit und ich habe heute schon einmal gedroppt, dass viel Information nicht zu besseren Entscheidungen, sondern zu

00:44:10: schlechteren Entscheidungen führt.

00:44:12: Dann schauen wir uns an, wie können wir denn die,

00:44:14: die ganzen Dateninformationen so korrektieren, dass wir das Wichtigste auf den Punkt kriegen und entscheiden uns, welche Message formen wir, was sind denn die wichtigsten

00:44:27: Informationen, die wir den Leuten mitgeben.

00:44:30: Da streichen wir nicht was eine Datenbestände oder Erklärungen willkürlich weg, sondern oft ist es auch so, dass wir einfach die Informationen über unser Datenprojekt über die

00:44:41: Zeit strecken.

00:44:42: Wir dosieren es besser.

00:44:45: Das sind die Vorstufe, das ist auch schon die Hälfte der Arbeit.

00:44:48: Und dann überlegen wir uns, über wen können wir denn welche Geschichte erzählen.

00:44:52: Also da überlegen wir uns, wer könnten den Heldinnen und Helden unserer Geschichte sein.

00:44:57: Es können Kunden sein, es können Mitarbeiter sein, es können Entscheider sein, es können Datenanalysten selbst sein.

00:45:03: Und dann überlegen wir uns, welchen Geschichtsverlauf wählen wir denn.

00:45:06: Und da arbeiten wir tatsächlich mit Storyboards aus dem guten alten Griechenland und aus Hollywood.

00:45:12: Wir erzählen Gremis, erzählen Geschichten von Freundschaften, wir erzählen Heldenreisen.

00:45:17: Also quasi Heldenreise, da gibt es so quasi ein ganz stables Format, wie hier Rocky Balboa und Kawate Kid aufgebaut sind, solche Heldengeschichten auch nach diesem Format, weil das

00:45:28: gute Schablonen sind, die wir unsere Datenprojektgeschichten gut einfügen können.

00:45:33: Und dann erzählen wir diese Geschichten tatsächlich in Meeting-Presentationen, bei Keynotes, in Reports.

00:45:39: in Videos über unsere Machine Learning Anwirnungen, die wir im Internet zur Verfügung stellen.

00:45:44: Das ist spannend.

00:45:46: Das klingt aber auch, oder nicht klingt, aber das ist ja dann auch ein kompletter Change in der Arbeitsweise von den Data Scientists.

00:45:54: Das klingt ja nach sehr viel Interviews führen, Gespräche führen, eintauchen in, wie du schon sagst, Ängste, Sorgen, Gefühle.

00:46:07: Das ist ja dann

00:46:09: Ja, ganz entspannendes Thema da, oder?

00:46:12: Das ist, glaube ich, gar nicht so einfach, oder?

00:46:13: die Data Scientists.

00:46:15: Ja, das stimmt, weil es ist ein Paradigmenwechsel.

00:46:20: Es ist aber schon der erste Paradigmenwechsel gerade bei Data Scientists, findet schon dort statt in Wie definiere ich denn ein erfolgreiches Data Science Projekt?

00:46:29: Wenn sie von der Uni kommen und toll ausgebildet sind.

00:46:33: Dann definieren Sie das zwangsläufig so, ein gutes Data Science Projekt ist ein Algorithmus, der super fancy ausschaut, möglichst viele neue Methoden beinhaltet und

00:46:43: ordentlich performt.

00:46:45: Wie definiert, wie muss ein Unternehmen ein gutes Data Science Projekt definieren?

00:46:50: Eine Data Science App, die von möglichst vielen genutzt wird.

00:46:56: Das ist der erste Paradigmenwechsel und da kommt man nur durch.

00:46:58: Also das muss man schmerzhafte Erfahrungen machen als Datenexperte.

00:47:01: Das wirkt so?

00:47:04: Oder das klingt so?

00:47:06: Ja, ich würde das sogar jetzt bisschen spicy formulieren, weil man oft in der Ausbildung an der Uni und sie werden für Grundlagenforschung ausgebildet und das ist auch wichtig und

00:47:15: hat einen Stellenwert und die können tolle Sachen.

00:47:19: Nur wenn man sagt, okay, man möchte die Unternehmen auf die KI und Dato Science mitnehmen.

00:47:25: sind es die falschen Zielsetzungen, mit denen die ihre Projekte trimmen.

00:47:29: Da könnte man jetzt auch noch sehr lange drüber sprechen, aber das ist mehr oder minder so diese erste gedankliche Change.

00:47:37: Den kriegt man nur hin, wenn man die ersten hoch getrimmten Modelle mehr oder minder in der Schublade hat verenden sehen.

00:47:45: Das ist eine persönliche Entwicklung, die man da durchgehen muss.

00:47:50: Vorher sucht man nicht nach anderen Lösungen.

00:47:53: Und dann ist es so, dass wir sagen, es gibt fertige Data Science Projekte, wir jetzt nach außen kommunizieren, womit man Leute jetzt nicht mitgenommen hat in der Entwicklung.

00:48:02: Dann kann man sagen, da kommt man auch mit Data Storytelling und anderen Adoption Methoden relativ weit.

00:48:09: Aber das eigentliche Ziel ist ja das, dass man wie in so einem Lean Startup Prozess oder in einem Design Thinking Prozess von Anfang an die User in ein Data Science Projekt

00:48:20: mitnimmt.

00:48:21: Es gibt immer noch sehr viele

00:48:22: Data Science, Data Science-Disk und Datenanalysen, die mit so Design-Thinking ansetzen, nur keine Berührung gehabt haben und irgendwie für die das auch fremd ist, dass man jetzt

00:48:31: da wirklich irgendwie, weil man macht ja immer irgendwie ein Briefing-Gespräch mit den zukünftigen Entscheiderinnen und Entscheidern und sitzt dann oft

00:48:43: sehr schnell die Erwartung auf, dass man das jetzt alles voll und fänglich verstanden hat, weil man auch gesprochen gehabt hat.

00:48:47: Und eigentlich müsste aber der Prozess von einem Data Science Projekt oder auch von einem Datenanalyse Projekt oft einfach iterativer aufgesetzt werden mit mehreren Schleifen mit

00:48:56: der Zielgruppe.

00:48:58: Wer muss denn da so kommunizieren?

00:49:00: Das sind ja nicht nur die Data Scientists.

00:49:01: Eigentlich müssen sie ja dann alle bis zum Management drauf, oder?

00:49:04: Bitte nochmal.

00:49:05: Also wenn ich jetzt so ein Data Science Projekt mache, dann

00:49:11: muss ich das natürlich kommunizieren, damit das erfolgreich ist und das Data Storytelling ein Tool dafür.

00:49:16: Aber das reicht ja nicht, wenn nur die Data Scientists diese Methode oder dieses Tool verwenden, sondern eigentlich muss es dieses ganze Management drauf verwenden, oder?

00:49:25: Ja, vielleicht frameen wir mal noch ganz kurz, was ist denn so ein Projekt?

00:49:27: Wenn jetzt von einem Data Science Projekt spricht und schwingt bei mir mit, das habe ich mir selbst noch gar nicht so verbildlich gehabt, dann meine ich damit ein Datenprodukt.

00:49:35: Also zum Beispiel eine Anwendung, ein Recommender System für ein Vertrieb, ein Machine Learning Produkt.

00:49:40: Und dann gibt es natürlich auch so größere Initiativen, wo ich sage, als ganze Unternehmen, wir bestimmen jetzt die strategischen Stoßrichtungen, wir möchten gerne als

00:49:48: ganzes Unternehmen Data Driven werden oder KI-Initiativen, also alle quasi mit KI umgehen lernen.

00:49:54: Also das hat einen ganz unterschiedlichen Scope.

00:49:57: Und tatsächlich ist es so, wenn wir sagen, wir wollen jetzt unser kleines, feines, komplexes Machine Learning Projekt.

00:50:05: im Unternehmen gut ankommt, dann müssen wir als Datenexpertinnen und Datenexperten idealerweise soweit sein, dass wir eine Story formen, die wir natürlich auch dem

00:50:14: Management mitgeben können, weil das Management muss dahinterstehen, hinter dem Rollout, muss das auch kommunizieren können.

00:50:20: Und das Management kann aber nur Dinge kommunizieren, an die sie sich zumindest basishaft verstehen und Dinge, die sie erinnern können.

00:50:29: Wenn ich jetzt sage, ich gebe jetzt dem Manager mit, dass er beim nächsten großen Firmen-Events sagt, das wird ein geiles Produkt, bitte nehmen wir das alle, dann kann ich

00:50:38: ihm natürlich meine technische Beschreibung zur Hand geben, aber wird schon alleine da waren scheitern, dass er sich nicht mehr genau erinnern kann, oder sie sich nicht mehr

00:50:45: genau erinnern kann, wie das jetzt alles, wie ich es ihm beschrieben habe.

00:50:50: Ich muss ihm eine Geschichte mitgeben, die sehr nah an einem Alltagserlebnis dran ist, an das er sich erinnern kann, dass er sich vervisualisieren kann.

00:50:58: damit er diese gute Story über mein Datenprojekt überhaupt weitertragen kann.

00:51:05: Deswegen, da, deswegen wegen der Erinnerbarkeit, wegen dem Flurfunk oder wegen der Kommunikation, wegen, andere Leute in die Kommunikation des Datenprojektes zu involvieren,

00:51:18: brauchen wir auch deswegen einfache Geschichten, weil sich sonst die Leute gar nicht merken können.

00:51:23: Wie kann man so etwas eigentlich am besten lernen, neben dem, dass man bei euch natürlich eine Schulung macht und ein Training macht und das lernt.

00:51:30: Aber es ist ja immer so, Übung macht den Meister.

00:51:33: Hast du da ein paar Tipps auch für Zuhörerinnen, die jetzt mal bisschen Blut geleckt haben oder dann bei euch eine Schulung machen oder was?

00:51:39: Ja, sag's dir dann, auf, du weißt, wie das ist.

00:51:43: Wenn ich es nicht anwende, dann habe ich bei euch eine Schulung gemacht, ein Training gemacht, ist alles schön und gut.

00:51:49: Aber irgendwann ist es dann auch wieder weg.

00:51:51: Ja, das passiert aber bei uns Landbrennungs nicht, das sag ich dir.

00:51:55: Ah, okay.

00:51:58: Weil nämlich, sprichst, ich möchte nicht so sehr in die Eigenwerbung gehen, aber ich war selbst so oft in Seminaren in Weiterbildungen.

00:52:06: Und dann irgendwie atmet man so dieses Gefühl ein oder denkt sich, ja, spannend.

00:52:11: Und dann geht man ins Büro zurück und dann erschlägt einen der Arbeitsalltag wieder.

00:52:16: Ja, genau.

00:52:17: deswegen würde ich jedem

00:52:21: Bildungsanbieter empfehlen, vielleicht klingt das jetzt nicht so nach Werbung, klingt das neutral, sich zu überlegen, wie kann ich denn ein eigenes Projekt schon im Training

00:52:31: bearbeiten.

00:52:34: deswegen der Transfer ist wichtig, dass man quasi so eine eigene Daten, eine Data Story für ein eigenes Datenprojekt schon macht.

00:52:42: Im Training, das machen wir auch.

00:52:43: Die Leute gehen raus mit einem Kommunikationskonzept für ihr Projekt und sie können gleich ausprobieren, wie denn das funktioniert.

00:52:49: Und meistens ist die Wirkung wirklich spektakulär.

00:52:52: Oft ist gut und oft ist es auch spektakulär.

00:52:55: Und dann machen sie unmittelbar ihre eigenen Erfahrungen und das speichert sie wahnsinnig gut im Gehirn ab.

00:53:02: Das eine ist, Klärme anzuwenden natürlich oder sich auch einfach mal was auszuprobieren.

00:53:09: Wie denn das so, wenn ich es anders erzähle.

00:53:11: Aber oft ist es einfach

00:53:12: Ich sagen, braucht es ein paar so einfache Hacks.

00:53:15: Ich sage, dass Geschichten wirklich funktionieren.

00:53:18: Ich habe schon oft gehört, ich habe schon mal probiert, Geschichte zu erzählen, aber die Leute haben überhaupt nicht darauf reagiert.

00:53:24: Das ist dann meistens, wenn ich sage, da war einmal ein Mitarbeiter, der hatte ein Problem, der wollte etwas verkaufen und das hat sich nicht geglückt.

00:53:35: Versus, stell dir vor, der Hubert Franz.

00:53:39: Unser erfahrener Vertriebsmitarbeiter ist letzte Woche 9 Uhr in der Früh zum Kunden gefahren und hat sich auf den Termin gefreut, weil er war super vorbereitet und hat das

00:53:47: Produktportfolio mit gehabt.

00:53:49: Und dann ist aber XYZ passiert.

00:53:53: Damit Geschichten ins Ohr gehen und funktionieren, müssen sie sehr konkret sein und erzählt sein wie tatsächliche Alltagssituationen.

00:53:59: Und jetzt ist es so, wir, wenn wir sagen wir jetzt im Training, wir unterrichten Data Storytelling, dann formen wir zuerst Geschichten, die wir ein Stück weit erfinden, aber

00:54:07: an tatsächlichen Alltagssituationen orientieren, die im Unternehmen stattfinden könnten.

00:54:13: Weil wir brauchen diese Erzählebene, dass sie möglichst konkret ist und möglichst authentisch ist.

00:54:19: Und der eigentliche Heck, wie wir unsere Datenprojekte kommunizieren und wie wir diese Authentizität in den Stories bekommen, ist ja, dass wir Geschichten von unseren

00:54:30: Testimonials, von unseren Beta-Usern erzählen, diese echte Anekdoten, die wirklich stattgefunden sind.

00:54:36: Das ist der nächste Schritt.

00:54:38: Und deswegen ist es auch so wichtig, abgesehen von Storytelling-Methoden überhaupt, dass ich mir unglaublich gut überlege, wer ist denn mein Better User für ein

00:54:48: Maschinen-Learning-Produkt zum Beispiel?

00:54:50: Oder mit wem, wenn ich sage, ich möchte jetzt datatriffen, datengestützte, heißt datengestützte unter Entscheidungen treffen und wir machen das jetzt mal, wir rollen das

00:54:59: auf, auf eine Fachabteilung oder auf einen bestimmten Preis, wer sind denn die Leute da drin?

00:55:03: Ich habe früher Better User random ausgesucht.

00:55:07: Entweder die Leute, die sowieso affin sind für bestimmtes technologisches Thema.

00:55:12: Oder die Leute, die zufällig am Flur reinklaufen.

00:55:16: Die in der Kaffeeküche angle, ohne dass sie sich wehren können.

00:55:20: Eigentlich müsste man strategisch umgehen, weil diese Better User sind meine Kommunikationsassistenten.

00:55:27: Deren Anekdoten erzähle

00:55:30: mit denen ich quasi einem breiten Publikum, einer breiteren Gruppe an Usern das ermögliche, dass es sich auf mein Datenprojekt einlässt oder zumindest das ausprobieren.

00:55:41: Spannend.

00:55:41: Jetzt habe ich alle meine Geheimnisse erzählt.

00:55:43: Ja, wollte gerade sagen, jetzt komme ich aber, jetzt kommen noch die letzten drei Geheimnisse raus, weil jetzt kommen wir tatsächlich zur letzten Frage, zur obligatorischen

00:55:52: letzten Frage.

00:55:53: Drei Learnings, die du hast, die du den Zuhörerinnen mitgeben möchtest, die können

00:55:58: private Natur sein können, auch berufliche Natur sein.

00:56:01: Du kannst es dir aussuchen.

00:56:03: Toi Learnings.

00:56:04: Ich möchte vielleicht die Dinge, die wir schon besprochen haben, nochmal wiederholen und hervorheben.

00:56:09: Jedes Datenprojekt bedeutet Change.

00:56:11: Egal, ob ich das als Datenexperte draufschaue oder als Geschäftsführer oder als Entscheider.

00:56:18: Jedes Datenprojekt bedeutet Change.

00:56:20: Deswegen müsste ich eigentlich jedes Datenprojekt mit einer Change-Brille anschauen.

00:56:26: Was haben wir noch gehabt?

00:56:28: Wenn deine EntscheiderInnen dein Datenprojekt nicht verstehen, dann brauchen sie nicht mehr Informationen, dann brauchen sie weniger davon.

00:56:37: Das klingt total counterintuitive, aber da liegt eine große Portion Wahrheit drinnen und das ist ein wichtiges, das muss man verstehen, um Datenprojekte erfolgreich machen zu

00:56:47: können.

00:56:48: Und Learning Nummer 3.

00:56:50: Es ist total unterhaltsam, mir anders in den Podcast zu kommen.

00:56:53: Ich kann es an jeden empfehlen.

00:56:55: Das freut mich zu hören.

00:56:58: Das freut mich zu hören.

00:56:59: du hast jetzt schon ein paar Learnings von mir schon vorweggenommen, weil ich habe das auch sehr spannend gefunden.

00:57:08: Entschuldigung.

00:57:11: Auch das Thema zu verstehen, wenn man rationale Informationen bekommt, dass das durch zwei Filter läuft.

00:57:17: Der erste ist so, oh, Bedrohung, Angst.

00:57:20: hm, hm, dann kommt schon mal Widerstand.

00:57:23: Wenn dem doch nicht so ist, ist er so der zweite Filter, bringt mir das Ganze was.

00:57:31: Und dann daraus entsteht, okay, wir müssen halt Emotionen mitdenken und wir müssen aber auch wissen, ...

00:57:44: Bauchgefühlsentscheidungen getroffen werden können, auch ohne rationalen Gedanken, aber rationale Entscheidungen nie ohne Bauchgefühl getroffen werden können.

00:57:54: Und somit macht es Sinn, so wie du schon gesagt hast, zweiten Learning halt kuratiert die Daten zur Verfügung zu stellen, weil weniger oftmals besser ist, weniger ist mehr in der

00:58:09: Hinsicht.

00:58:09: Und last but not least, ich halt wirklich, wenn ich solche Projekte mache, eben Emotionen auslösen muss und das durch Heldengeschichten, E-Pros, wie auch immer man das dann

00:58:24: gestalten möchte, an real life stories darbringt und nicht die Geschichte aus der Grundschule, die man dann schreibt, ja, die Märchengeschichte, es war einmal und so

00:58:35: weiter.

00:58:37: Julia, es war...

00:58:39: Meine Freude.

00:58:40: Es hat echt Spaß gemacht.

00:58:41: habe echt so viel mitgenommen, muss ich dir sagen.

00:58:46: Auch wieder ein paar super Beispiele für meine Vorlesungen mit dem Spock und dem Homer Simpson, Sachen zu erklären.

00:58:53: Wenn es den Homo economicus geht, der immer wieder dann ja auch bei Grundlagen der Volkswirtschaftslehre oder sowas angesprochen wird.

00:59:02: Herzlichen Dank für deine Zeit.

00:59:05: Herzlichen Dank für die Einblicke.

00:59:09: war super, es auf den Punkt zu bringen.

00:59:13: Hat Riesenspaß gemacht.

00:59:18: Also, dann wünsche ich dir noch einen schönen Tag und wir sehen uns hoffentlich bald mal in Linz oder auch wenn du mal in München oder in Deutschland herumwäst, dann freue ich

00:59:29: mich, wenn wir uns live sehen und ich verspreche, ich geh duschen vorher.

00:59:34: Okay.

00:59:38: Bis bald.

00:59:40: Alles klar.

00:59:40: Alles tat Julia.

00:59:41: Bis bald.

00:59:42: Ciao, ciao.

00:59:44: Das war das Interview mit Dr.

00:59:45: Julia Zuckregel.

00:59:46: Infos zu Julia und dem Data Story Lab findet ihr in den Show Notes.

00:59:51: Ich hoffe, ihr hattet genauso viel Spaß wie ich beim Podcast und freue mich, wenn ihr bei der nächsten Folge wieder mit dabei seid.

00:59:58: Liebe Grüße aus München und bis in zwei Wochen.