[0:12]Guten Morgen alleseits und willkommen zum unserem Brainpoint Talk hier im Impact Hub Zürich. Mein Name ist Nikolas Trigg, ich bin Teil des Management Teams bei BearingPoint und euer Gastgeber heute. Ich möchte euch erstmal meine Gäste vorstellen. Wir haben hier Laura Meier. Sie trägt als Head of Digital Distribution und Analytics zusammen mit einem tollen Team die strategische und operative Verantwortung für den digitalen Vertrieb, sowie für die Entwicklung und Umsetzung von Advanced Analytics in diesem Bereich. Als Co-Head Center of Excellence with Data Analytics bei UBS Schweiz ist Laura zudem für die funktionsübergreifende Implementierung von Data Analytics verantwortlich. Dazu gehört auch der Auf- und Ausbau einer Data Analytics Fakultät. Zu meiner Linken Thomas Kust, bei BearingPoint verantwortlich für die Big Data und Smart Analytics Praxis in der Schweiz, in Italien und in Österreich. Er leitet seit über 18 Jahren BI und Analytics Projekte. Sein Fokus liegt auf datengetriebenen und strategischen Business Insight Initiativen. Und für Finanzdienstleister hat er besonders bei der Entwicklung und beim Aufbau von Analyseplattformen unterstützt. Der heutige Talk trägt den Titel Boosting Client Focus with Analytics. Es geht also um die Nutzung von Daten, um stärker denn je auf Kunden einzugehen. Das Thema ist hochaktuell, wie allen bekannt sein dürfte. Ich habe gestern ein paar Zahlen zusammengetragen. Gemäß Market Research Future wird der globale Markt für Big Data Analytics bis 2023 eine Größe von 275 Milliarden US-Dollar haben. Recht eindrücklich. Und jede Woche werden Analytics Firmen akquiriert. Ich habe im Index von The Next Web geschaut, in den ersten vier Wochen dieses Jahres zählen sie schon neun Transaktionen. Alibaba hat Data Artisans gekauft, 19 Millionen. Player hat 200 Millionen ausgegeben für Kurvo, also da geht auch schon einiges dieses Jahr. Und die Investitionen widerspiegeln sich auch in den Stellinseraten. Rund 8 % oder über 1500 aller gestern auf Jobs.ch ausgeschriebenen Stellen haben einen Bezug zu Analytics. Schweizer Firmen suchen zurzeit nach mehr als 300 Data Scientists und Data Analysts. Also ich war schon beeindruckt, was zurzeit abgeht in der Schweiz und im Ausland. Und Laura, UBS hat vor einem Jahr, Anfang 2018, bekannt gegeben, dass in Mono bestehende Business Center zu einem Kompetenzzentrum für künstliche Intelligenz, Datenanalyse und Innovation auszubauen. Data Analytics scheint also auch bei UBS Schweiz sein ganz wichtiges Thema zu sein, oder? Ja, Banking ist ja per se und schon seit langem ein sehr datengetriebenes Geschäft. Sonst könnte man gar nicht alle Zahlungen, Investment, Auftragung und so weiter in Sekundenschnelle abwickeln. Und insofern produziert Banking eigentlich seit langem viele Daten. Dazu kommt, dass die Techplayer neue Standards setzen für UX und und Services Produkte generell. Und das beeinflusst natürlich auch die Erwartungshaltung von unseren Kunden. Dem können wir nur gerecht werden, wenn wir Daten sinnvoll und vor allem für den Kunden Mehrwert stiftet einsetzen. Und ja, Data Analytics, das ist eine strategische Priorität für uns. Für verschiedene Use Cases, also Fraud Detection zu weiteren Erhöhung der Sicherheit von unserem digitalen Lösungen, Compliance, Produktentwicklung, clever Investment Vorschläge und so weiter. Thomas, wo steht BearingPoint? Ja, BearingPoint hat auch seinerseits sehr früh erkannt, eigentlich, dass das Thema Dato und Analytics ein sehr wichtiges und ein interdisziplinäres Thema ist. Und hat bereits vor Jahren eigentlich Akquisitionen und Investments getätigt, wie z.B. in die Firma HyperCube mit eigenen Advanced Analytics Methoden oder Tribe mit Peer-to-Peer Insurance, als auch kürzerer Zeit Firma namens Impuls, die spezifisch für Data Management quasi die Experten sind.
[4:04]Und darüber hinaus bieten wir unseren Kunden auch Analytics Service Subskriptionsmodelle an, welche unseren Kunden immer mehr aufgrund der Attraktivität in Anspruch nehmen. Ein weiterer Grund ist, dass der organisatorische Aufbau von Data und Analytics Einheiten bei einzelnen Firmen, die nicht unbedingt eine große oder Größe haben, ein sehr langwieriger Prozess sein kann. Auf der europäischen Ebene bündeln wir die Kompetenzen und zusaganten Key Focus Areas und konzentrieren uns immer mehr auf datengetriebene Geschäftsmodelle. Hierbei ist unter anderem auch Data Driven Banking Operations ein konkretes Beispiel, welches zum Ziel hat, den also für die Kunden im Bereich Intelligent Automation und AI auch in eine neue Dimension zu führen. Spannend, also das zeigt, das ist ein wichtiges Thema für euch. Es würde mich aber sehr stark interessieren, wie geht man denn das Thema an? Was bewährt sich, wie welche Vorgehensweisen haben sich bewährt? Ja, also wir arbeiten sehr stark Use Case basiert, das heißt, wir definieren einen Case, der einen großen Businessnutzen verspricht und setzen ein kursfunktionales Team dazu auf und testen dann möglichst schnell ein erstes Modell. Und das optimieren wir in einem agilen Setup und wenn es funktioniert, dann bringen wir es in den operativen Betrieb. Ganz kritisch ist natürlich die Zusammenarbeit mit dem Business, damit am Schluss auch wirklich der gewünschte Impact generiert wird. Und wir haben deshalb die Rolle des sogenannten Translators eingeführt. Das sind Personen, welche an der Schnittstelle zwischen Data Scientists und Business arbeiten. Und halt einerseits die technischen Details verstehen, aber auch ein sehr hohes Businessverständnis und Projektmanagement Skills haben und so Cases ganzheitlich vorwärts treiben können. Ein weiterer Erfolgsfaktor für mich ist, dass wir mit externen Experten zusammenarbeiten für bestimmte Themen und und Capabilities, die wir entwickeln möchten. Du hast es erwähnt, unsere Zusammenarbeit in Monno mit dem ITCI, das ist eine Kooperation, die uns die Möglichkeit gibt, mit allem weltweit führenden Institute zum Beispiel im Bereich Deep Learning zusammenzuarbeiten und so weiterzukommen. Und für unsere Leute ist das natürlich auch einfach eine spannende Entwicklungsmöglichkeit. Dann der letzte Punkt, du hast es auch schon kurz erwähnt, um eben die Themen ganzheitlich vorwärts zu bringen, haben wir in der UBS Schweiz ein Center of Excellence für Data Analytics aufgesetzt, wo wir die Kompetenzen aus den verschiedenen Bereichen bündeln und das ermöglicht uns eben inhaltlich weiterzukommen, aber auch eine starke Community aufzubauen. Und das ist ein weiterer Bestandteil unserer Strategie der fokussierten Weiterentwicklung unser Data und Analytics Maturity. Von unserer Seite eben Data Driven Business ist ja nichts völlig etwas Neues, sondern man hat sich eigentlich in der heutigen Zeit hat man zunehmend mächtigere Methoden und Tools, die auch den Fachbereich befähigen, eben näher zu den Daten zu kommen und schneller und agiler quasi selber Erkenntnisse zu ziehen, ohne jetzt spezifisch die IT zu fragen oder einen Data Scientist zu beauftragen. Stichwort Augmented Analytics, was vor von über einem Jahr eigentlich von Gartner geprägt wurde, bedeutet eigentlich, dass die Datenansicht viel besser durch den Einsatz von Machine Learning, Natural Language Processing quasi zu Automatisierung der Datenaufbereitung für den Business User auch zur Verfügung gestellt wird. Das bedeutet, auf der einen Seite haben wir eigentlich mehr technologische Möglichkeiten, um mehr Geschäftsrelevante Erkenntnisse aufzuspüren. Auf der anderen Seite finde ich es auch wichtig, dass man den strategischen Kontext nicht aus den Augen verlieren. Also wir haben trotz der größeren Datenvielfalt, Detailgrad und Frequenz der Daten müssen wir uns immer noch die Frage stellen, welche strategischen Stellenwert und Mehrwert bringen diese neuen Daten? Und wie ist es quasi auch in die Unternehmenssteuerung zu integrieren? Es geht also zügig vorwärts. Thomas, gibt es denn irgendwelche Use Cases, die dich so in der letzter Zeit beeindruckt haben? Absolut, also ich würde gerne drei von denen nennen. Also einerseits ist es in einem Bündel, also wenn man datengetriebene Produkte oder Services anbietet. Bestes Beispiel, was uns eigentlich auch täglich begleitet ist, wenn man Ski fahren geht und man trifft auf Dynamic Pricing Ski Tickets quasi an und da verbindet man quasi CRM Daten, Social Media, Transaktionsdaten, Geodaten, Geräte, Sensoren und Produktdaten zusammen.
[8:50]Und man sozusagen auch noch von zusätzlichen Drittanbietern von Datenaggregatoren zusätzliche Daten.
[9:00]Und so kann man eigentlich viel bessere Preise individueller gestalten. Zweites Beispiel, was mich auch sehr beeindruckt ist, wenn man eine Kombination von Predictive Maintenance für ein Field Service Support, Unterstützung von Chatbots zusagen ermöglicht. Da werden beispielsweise granular verfügbare IoT Daten mittels prädiktiver Algorithmen in direkt in Field Service Prozesse integriert und eben intelligente Agenten und Chatbots verständigen die Service Ingenieure im Vorfeld, um beispielsweise einen Ausfall von einem Gerät zu verhindern. Und auch ein sehr wichtiges Thema ist Customer Analytics, das das Kernthema des heutigen Tages. Da sind immer noch so viele Anwendungsbereiche, die eigentlich wir noch erweitern nicht ausschöpfen. Also denke ich auch, dass Laura da sehr sehr viele eindrückliche Beispiele auch aus ihrer Was sind denn deine Favoriten, Laura? Ja, da gibt es viele. Ein gutes Beispiel ist Kreditkarten Fraud Prevention. Sicherheit ist natürlich als Bank ein ganz kritisches Thema und deshalb erhält bei uns ein Kunde auch eher mal zu häufig einen Anruf, wenn es seltsam Transaktionen gibt. Und Analytics hilft uns hier sowohl die False Positives, wie auch die False Negatives zu verhindern, bzw. eben, der Kunde hat weniger häufig Fehlalarm und wir haben weniger Betrugsfälle. Und das hat einerseits einen hohen Kundennutzen, ist für uns aber auch effizienzsteigernd. Ja, und dann weitere Beispiele sind Auswertungen zur Verbesserung unserer Produkte. Da haben wir natürlich Nutzungsdaten, aber auch Kundenfeedbacks, die wir analysieren. Wir haben auch Analysen, um das Beratungsmodell für unsere Kunden zu optimieren, aber auch unser Produkt UBS Advice ist eigentlich eine klassische analytische Anwendung. Da werden ja die Portfolios in jede Nacht auf die Ziele überprüft und Abweichungen werden rapportiert. Also und das beeindruckt mich eigentlich immer wieder, wenn man sich das so vorstellt, wie jede Nacht alle Portfolios gescannt werden. Hört sich so an, als würde dir da einiges tun. Was ist denn da? Erzähl mal ein bisschen aus deiner Pipeline. Ja, unsere Pipeline ist natürlich sehr voll mit spannenden Themen. Vielleicht zwei Sachen, die ich erwähnen würde, so als Ausblick. Einerseits NLP und Anwendungen daraus, also eben Chatbots, Smart Chatbots. Und ein weiteres Thema, das heute schon aktuell ist, aber wo ich für die Zukunft noch viel mehr davon erwarte, ist Intelligent Automation. Thomas, was siehst du so in der Pipeline für die Zukunft? Absolut, speziell im Financial Services ist eigentlich Intelligent Automation jetzt im Moment eigentlich das Thema, wo am meisten auch investiert wird. Und da finde ich, das stehen wir noch komplett am Anfang, also wir sind in einer isolierten Automatisierung. Die nächste Stufe ist eigentlich eine integrierte Automatisierung und der beste Ansatz für eine intelligente Automatisierung wäre eigentlich eine autonome Automatisierung, wo man eigentlich eben selbstlernende Systeme und Applikationen anwendet, die eigentlich auch die Prozesseffizienz selber sozusagen auch erkennen und auch optimieren. Was mich auch persönlich immer wieder fasziniert sind Edge und Distributed Analytics Anwendungsfälle. Also eben selbstlernende autonome intelligente und untereinander vernetzte Endgeräte und ein weiteres, das zuvor angesprochen ist Anwendungsfeld sind Smart Data Discovery Funktionalitäten, wie sie beispielsweise auch schon in modernsten Tools selbstverständlich angeboten werden. Ich habe beide Beispiele genannt, wo ihr Anwendungsdaten Kunden Daten verwendet. Finden das denn alle Kunden so cool? Ich meine, da gibt's auch Herausforderungen, wir haben auch regulatorische Änderungen, Anforderungen, die die gekommen sind und noch kommen werden. Wie geht ihr mit diesen Herausforderungen um? Ja, das Kundenvertrauen ist natürlich absolut zentral, und insofern ist auch der richtige und verantwortungsvolle Umgang mit Daten. Der muss eigentlich ein Kernbestandteil von jeder Data und Analytics Strategie sein. Die Herausforderungen sind vielschichtig, das Gebiet ist rechtlich im im Fluss, aber auch das was das Bewusstsein von Bürgern und Kunden anbelangt. Ja, ist es in in Entwicklung und viele Fragen und Antworten sind noch unklar. Wir arbeiten sehr eng mit dem internen Data Protection Officer zusammen und involvieren eigentlich das Team frühzeitig auch bei neuen Themen, bei neuen Cases. Und dann haben wir auch ein Crossfunktionales Advisory Board, welches sich die Frage der Angemessenheit stellt und zwar über regulatorische Anforderung hinaus. Also so ein bisschen eine Art Ethik Kommission. Ein weiterer wichtiger Themenkreis in dem Zusammenhang ist auch Trustworthy AI, also die Robustheit, Fairness und Erklärbarkeit von Modellen. Und am Schluss eigentlich insgesamt die wichtigste Frage ist bei uns immer, gibt's einen Kundenmehrwert? Und wenn das nicht gegeben ist, dann ist es schwierig. Ist das dein NZZ erste Seite Test? Genau. Ja, eben ich finde auch den Punkt von Laura absolut wichtig, wenn wir sozusagen unsere Kunden unterstützen, dann treten wir eben in Analytics Projekten auch häufig in interdisziplinären Teams auf. Das bedeutet, dass eigentlich Subject Matter Experts eben aus dem Bereichen Cloud Advisory, Information Management, Legal und eben manchmal auch Kollegen mit Ethik Hintergrund zusammenkommen. Und nicht nur neben den regulatorischen Herausforderungen gibt es, finde ich nach wie vor bei einigen Algorithmen die Erklärbarkeit und Nachvollziehbarkeit, also wichtigen Punkt. Und nicht zuletzt haben auch sehr große Unternehmen, diese Welt, die sich seit Jahren intensiv mit AI Technologien beschäftigen, eben AI selber als ein Risikofaktor in ihren Jahresberichten erwähnt. Und auch kürzlich WF ist natürlich da auch dahinter, dass eigentlich dieser Analytics Trend auch sauber betrachtet wird. Blick in die Zukunft, 3, 4, 5 Jahre von jetzt. Wo sieht sich die UBS Schweiz in der Zukunft und wie will UBS Schweiz mit all diesen großen Tech Playern und so mithalten? Ja, Sie vielleicht grundsätzlich zu Digitalisierung, der Digitalisierungsgrad. Da haben wir in der Schweiz einen Vorteil, weil insgesamt ist die Schweiz und und auch spezifisch im Banking ist die Schweiz auch nicht sehr digital. Und das bedeutet für uns in der UBS Schweiz, dass wir eine Fast Follower Strategie verfolgen können, das heißt, wir beobachten, was im Ausland bei führenden Digitalbanken oder innovativen Fintech funktioniert und adoptieren das auf den Schweizer Markt. Also diese Strategie ist ehrlich gesagt auch notwendig, weil unser Markt ist halt ziemlich beschenkt. Und dann haben wir noch verschiedene Sprachen, die wir auch eben umsetzen müssen. Das heißt, die Entwicklung pro Kunde ist halt häufig ziemlich teuer. Ja, und unsere Ambitionen jetzt in Bezug auf Data und Analytics ist auf jeden Fall, dass wir auch in Zukunft das einsetzen, um wirklich Kundenmehrwert zu schaffen. Und das werden wir tun natürlich auch mit Investments, einerseits bei uns, aber eben auch durch den Aufbau von einem Ökosystem. Das und Monno ist ein gutes Beispiel dafür, aber auch mit den Investments ist klar, wenn wir das mit Gaffas vergleichen, haben wir keine Chance. Aber dafür haben wir über hundertjährige Expertise in Finanzprodukten, in in Beratung, in Kundenbetreuung. Und wenn wir es schaffen, das zu ergänzen mit exzellenten Insights aus Daten und hervorragenden Service so anbieten können und genauso intuitive Produkte entwickeln können, und glaube ich, ist Digitalisierung für uns auf jeden Fall auch eine Chance, dass wir gestärkt herauskommen werden. Also wenn es für UBS eine Chance ist, ist auch für den Berater eine Chance. Wie geht's weiter mit BearingPoint oder was was macht BearingPoint in den nächsten Jahren? Absolut, also einerseits ist es sehr wichtig, dass man eben auf der globalen Ebene sehr sehr gut die Trends und Entwicklungen verfolgt. Im Moment ist eigentlich ein sehr wichtiger Ansatz auch einen Blick nach Asien zu werfen. Da habe ich mit unseren global aufgestellten Kunden eben völlig neue Ökosysteme kennengelernt, die wir so in der Art und Weise hier eigentlich noch nicht kennen. Beispielsweise eben werden parallel entstehende eben Gesundheitssysteme werden von kleineren Startups, wobei die Startups die sind in unserer Dimension eigentlich schon ziemlich große Erstversicherer werden aufgezogen und über mehr als 80 % der Arztbesuche über Telemedizinische Dienste, sowie hochgradig entwickelte Analytics Funktionalität abgedeckt. Und das ist sehr sehr spannend, wenn man dann auch merkt, dass diese Ökosysteme auch wirklich funktionieren. Und selbstverständlich haben dann solche Unternehmen auch komplett und von ihrer Perspektive funktionierende Blockchain Technologien im Einsatz, wo sie die kompletten Policen, das Policen Management drauf haben. Aber um wieder in der Schweiz zu bleiben, sowie UBS auch, unterstützen wir und sind sehr aktiv auch bei Digital Switzerland in einigen Vertikalen, als auch horizontalen Lösungen und Projekten. Und versuchen spezifisch für die Schweiz eben diese Ökosysteme, wie beispielsweise auch im Healthcare, im Financial Services, auch wirklich auch in eine neue Dimension zu führen. Des Weiteren bringen wir immer weitere datengetriebene Services, eben wie z.B. schon erwähnt Data Driven Banking Operations und noch andere Subskriptionsmodelle an unseren Kunden als mögliche Alternative da. Ich sehe schon, es bleibt spannend. Ich möchte mich bedanken für Ihre Zeit und dass ihr all diese Informationen und Wissen und Erfahrungen mit uns teilt. Ich nutze jetzt vielleicht die Gelegenheit mal ins Publikum zu schauen und ich frage auch mal auf die über den Livestream, über den Live Chat Fragen reingekommen sind. Gibt's etwas, dass Sie, unsere Gäste fragen möchten, liebes Publikum? Thomas, du hast vorhin kurz auch oder ihr alle habt über Trustworthy AI gesprochen. Thomas, das ist eine eine gute Übersicht, was in verschiedenen Industrien läuft und dass das Trustworthy AI bei Banking ein Thema ist, glaube ich, dass erstaunt keinen. Weil Trust das ist irgendwie im Kern so in dem im Kerngeschäft einer Bank. Bei anderen Industrien vielleicht weniger. Wie wie wie vergleicht sich das? Siehst du da Unterschiede in verschiedenen Industrien, wenn du bei bei verschiedenen Kunden unterwegs bist, oder wie wie würdest du das beurteilen? Einerseits, eben wenn man die Entwicklung anschaut und eben die Gaffas Prinzip diese Welt, die experimentieren auch in diesen Algorithmen, wo es wirklich um sehr sehr wichtige Themen geht, wie eben Objekterkennung, selbständig fahrende Autos und da geht's eigentlich, da ist diese Grenze zu der Statistik schon längst überschritten. Und da hat man noch nicht genügend, sage ich mal, Vertrauen eigentlich auch gewonnen, um eigentlich auch richtigen Proof zu erbringen. Man hört immer wieder quasi, dass ich eben auch Wissenschaftler darüber eigentlich nicht ganz einig sind, welche Algorithmen jetzt tatsächlich nachhaltig erklärbar und so weiter sind. Insbesondere nenne ich da diesen ganzen Deep Learning Bereich, der eigentlich sehr ein komplexer ist. Aber ich denke, gerade im Bereich vom Financial Services hat man eben mit mit Deep Learning noch da ist mal eigentlich auch am Anfang eigentlich und man hat eigentlich diese diese Gefahr ist noch nicht so gegeben, als in anderen Industrien, wo eigentlich auch sehr relevante Arten zur Verfügung stehen. Ja, danke, also die Best Practice gibt's eigentlich noch gar nicht zu dem Thema. Nein, nein. Wie viele Leute muss ich bei mir beschäftigen, dass er in dem Bereich selbständig unterwegs sein kann oder ab welcher Größe kann ich selber was machen oder wie ist das, bin ich am besten beraten, das Ganze aus zu sourcen? Also was ist da die kritische Größe für Mitarbeitenden in dem Bereich, damit ich wirklich was bewegen kann? Ich glaube es kommt immer auf das Businessmodell an, was man eigentlich machen möchte, oder? Wir haben Unternehmen, wo so diese kritische Größe irgendwo bei 20 liegt, also wenn ich wirklich ein sehr schlagkräftige quasi Analytics Truppe haben möchte, muss ich durchaus ein ein Team von 20 auch nicht notwendigerweise 100 % Data Scientists, sondern eben auch ein Anteil Data Engineers, aber auch Leute, die wirklich ein Verständnis haben zum Business, was möchte ich aus den Daten eigentlich ziehen? Und ich denke, aber in in kleineren Unternehmenskontexten ist es auch schon mit 5 Data Scientists eigentlich schon ein sehr sehr guter Start. Also persönlich glaube ich, es lohnt sich relativ schnell. Klar, bei der OBS haben wir den Luxus, wir haben eine bestimmte Anzahl Personen, aber am Schluss ist eigentlich den meisten Business noch vor auch einfach das Datenverständnis ist ein großer Teil der Aufgabe. Und das muss man bei Beratern einfach immer zuerst ein bisschen beibringen und wenn sie weg sind, ist es auch weg. Und insofern glaube ich, wenn man Analytics als strategisch relevant ansieht und das ist wahrscheinlich bei den meisten Companies heute der Fall, dann glaube ich, sollte man ziemlich schnell anfangen auch selber ein Team aufzubauen und das selbstverständlich komplettieren mit Expertise, aber dass man so einen bestimmten bestimmten Grundsatz an Expertise in Haus hat, glaube ich, ist ganz wichtig, um vorwärts zu kommen. Ja, was man nicht unterschätzen darf, ist natürlich einerseits das Setup und dann wenn dann eben die Analytics Use Cases dann also im Betrieb übergehen, das ist ja nicht unbedingt für ein Data Scientist herausfordernd, sondern da muss man dann wirklich auch dafür schauen, drauf schauen, dass dann eigentlich eben diese Operationalisierung der Use Cases eigentlich auch gut funktioniert, ja. Wir haben gerade vom von Leuten geredet, Menschen, ähm wenn wir so ein Data Scientist nehmen als Beispiel ist es besser einen perfekten Data Scientist zu nehmen, der intellektuell hochstehend ist, vielleicht eine Sache noch noch nicht so viel vom Thema kennt, aber sich schnell eindenken kann, oder ist die Erfahrung eher Leute, die schon mal mit einem Fachthema sich auskennen, die zu einem Data Scientist umzupolen? Was ist da die Erfahrung, was besser funktioniert? Ja, ich glaube, es kommt ein bisschen davon, was es für eine Stelle ist. Wir haben jetzt z.B. im Rahmen vom vom Center of Excellence, da suchen wir sehr spezifisch einfach einfach Leute, die sehr spezifische Expertise haben und da ist dann auch weniger wichtig, dass sie Banking sehr gut kennen. Wenn man jetzt aber, ich sage jetzt in einem spezifischen Risk Bereich, Leute sucht, dann hilft es natürlich schon mehr, wenn die das schon mal gemacht haben. Aber ich kann jetzt einfach schauen, wenn wir rekrutieren, dann ist sicher wichtig die fachliche Expertise und Erfahrung, die Persönlichkeit, jemand Drive hat, Freude neue Sachen zu entdecken und neue Dinge auszuprobieren und weniger, das jetzt schon seit ewig im Banking arbeiten. Den eben wir arbeiten in Crossfunktionalen Teams, das heißt die Business Expertise, die können wir eigentlich auch von anderer Seite her einschleusen, aber die Data Science Expertise eben nicht. Und wir haben eigentlich die Erfahrung gemacht, dass es zwei unterschiedliche, also konträre Data Science Profile eigentlich gibt, oder? Die einen sind sehr sehr, sage ich mal, introvertiert unterwegs, sehr sehr quasi, da haben wirklich einen sehr starken Tiefgang. Und es gibt dann Data Scientist die eben viel offener im Bezug auf neue Themen im Bezug auf komplexe Business Themen, sondern Aufnahmefähig sind und sich auch mehr quasi auch exponieren und das ist sage ich mal bei uns in der Beratungsindustrie sehr sehr wichtig, dass man auch adaptiv unterwegs ist, dass man diese adaptive Intelligenz besitzt, auch als Data Scientist quasi wirklich in neue Problemstellungen reingehen zu können. Können Sie noch was sagen zu Analytics als Service bei BearingPoint? Ich finde das irgendwie noch schwer vorstellbar, weil das doch doch sehr individuell, firmenspezifisch ist die Use Cases, auch das Data Management. Und wie kann man sich das so vorstellen Analytics as a Service? Das ist ganz konkret, führen wir das bei einigen Industrieunternehmen ein. Dort geht's in dem Bereich Demand Planning war eigentlich bisher immer die Historie. Es gab sehr sehr viele relativ vereinzelte und und silouierte quasi Applikationen, die zum Teil durch Excel auch Demand Forecasting gemacht haben. Und es gibt Firmen, Mittelsunternehmen, die einfach keine Mittel haben, um an eine Analytics Einheit aufzubauen, um ein Data Scientist zu beschäftigen und für diese Firmen haben wir eigentlich ein Subskriptionsmodell entwickelt, welches dann eigentlich aus den operativen ERP Systemen die kompletten Materialbedarfsplanungen, Planungsdaten übernimmt und mit einem sehr modernen mit Machine Learning Algorithmen angereicherten Ansatz diesen Demand Forecast und und diese prognostizierte Materialbedarfe sozusagen ermittelt und das in einem komplett modernen eigentlich Zugang dann der Firma eigentlich bereitstellt.
[26:52]Das heißt, man spart sich dadurch eigentlich einen sehr aufwendigen Prozess und wir haben da eigentlich verschiedenster Qualitätskriterien. Natürlich geht's da auch um Datenqualität, äh Kontrollen, das kann man eigentlich sehr sehr gut abfangen, wenn man das eben schon mehrfach über verschiedenste ERP Systeme bearbeitet hat. Man kann auch IoT Daten einbinden in diesen Planungsprozess, etc. Das wird immer ständig weiterentwickelt. Also es gibt noch eine Frage. Wie sieht denn so der Alltag aus als Data Scientist bei UBS? Also ich arbeite selber nicht als Data Scientist, aber ich habe das Vergnügen, sehr kompetente Kollegen gerade in der Nähe zu haben und ich versuche möglichst gut zu antworten. Das erste Statement, was wir dazu in den Sinn kommt, ist und da zitiere ich einen Data Scientist aus dem Team, er hat gesagt, es gibt so viel zu tun. Also ich glaube, das ist man so das erste oder wir haben so viele Themen und so viele sehr spannende Themen, also es gibt es gibt viel zu tun, man kann sich wirklich austoben. Also das wäre für mich so ein bisschen der erste Punkt. Der zweite Punkt und ich habe es schon heute schon ein paar mal erwähnt, wir arbeiten in Crossfunktionalen Teams, das heißt, wir sperren unsere Data Scientist nicht ein, sie sind alleine im Kämmerchen, sondern sie arbeiten an Modellen und man schaut sich dann die Outputs zusammen an und diskutiert, was das jetzt eigentlich bedeutet, hat dann Follow-up Fragen, also es ist in sehr engem Austausch. Und vielleicht der dritte Punkt, der mir in den Sinn kommt, ist, auch bei uns ist einfach die Datenbeschaffung ist ist leider immer noch ein großer Bestandteil von der Arbeit. Das heißt, es ist jetzt nicht einfach nur Fancy Modeling, sondern auch einfach wirklich Datenbeschaffung und Vorbereitung etc. Haben wir noch weitere Fragen? Zu dem Punkt, es gibt sehr viel zu tun. Und sie haben auch vorher vor über Tests gesprochen. Wie priorisieren Sie ihre Tests und wie viele machen Sie so im Jahr auf dem Consumer Seite? Na gut, das ist die Frage, wie man einen Case definiert. Wir priorisieren nach Business Impact, also erwartet der Business Impact und zwar wirklich zusammen nach den Abnehmen. Wir schauen uns aber auch an, welche Capabilities wir in einem Thema entwickeln. Also es ist so ein bisschen beides, es ist ein es ist ein Business Impact Assessment. Und es ist aber auch ein Capability Assessment, weil wir wollen ja auch weiterkommen. Ja, was das am belangen und Anzahl Cases ist, ja, das ist schwierig, also das kommt davon, wie man es schneidet. Ja, so etwas in der Mitte.
[29:56]Ja, also wenn es keine Fragen mehr gibt, möchte ich mich noch mal bedanken bei dir, Laura. Vielen Dank, dass du heute da warst, das hat mich sehr gefreut und das war sehr spannend zu hören. Vielen Dank auch Thomas für deine Insights über die Branchen und die Firmen hinweg und das Publikum. Ich bedanke mich auch für ihr Wiederkommen, falls sie schon mal da wart oder ihr erstes kommen und baldiges zukünftiges zurückkommen, dann beim nächsten Event. Lad euch gerne alle noch zum Kaffee ein. Vielen Dank für heute. Merci.
