Zurück zu allen Wissensbeiträgen

Die Sendung mit der Metrik #13: “Data Science: Was du als Analyst dazu wissen musst” mit Kerstin Clessienne

Nimmt der “sexiest job of the 21st century” den Webanalysten die Arbeit ab oder ersetzt er ihre Arbeit sogar? Was machen die Datenwissenschaftler eigentlich genau? Du willst es wissen? Dann höre in die neue Folge #dsmdm mit Maiks Gast Kerstin Clessienne von Rooftop Consulting.

Abonniere auf Android Abonniere auf iTunes

In dieser Folge:

  1. Die Sendung zum Hören
  2. Shownotes
  3. Die Folge zum Nachlesen

Hier hörst du, was du über Data Science wissen solltest.


Lade die Folge runter (Rechtsklick und “Speichern unter”)

Meine Bitte: Wenn dir diese Folge gefallen hat, hinterlasse bitte eine 5-Sterne-Bewertung bei iTunes oder wo immer du abonniert hast, gerne ein Feedback im Blogpost oder bei Facebook und abonniere diesen Podcast. Zeitinvestition: Maximal ein bis zwei Minuten. Dadurch hilfst du mir den Podcast zu verbessern und die Inhalte zu liefern, die du gerne hören möchtest. Ich danke dir jetzt schon dafür. Oder hinterlasse auch gerne einfach einen Kommentar hier.

Wenn du das Ganze lieber lesen möchtest, unten gibt’s das komplette Interview in Textform.

Shownotes

  • Kerstins Consulting unter http://www.rooftop-consulting.com/
  • Kerstins Position Leitung Competence Circle Data Driven Marketing & Decision Support beim Dt. Marketingverband

Kerstin Clessiennes Profile im Netz

Allgemein

Das war die Folge “Was du als Webanalyst über Data Science wissen musst” mit Kerstin Clessienne

Hallo? Die Sendung mit der Metrik, der Webanalyse-Podcast mit Maik Bruns und seinen Gästen. Heute mit Kerstin Clessienne. Viel Spaß! #00:00:20-9#

 

Intro zu „Data Science: Was du als Webanalyst dazu wissen musst“

Maik Bruns: Es gibt in Deutschland mittlerweile recht viele Digital- und Webanalysten. Doch die Zahl wird seit ein paar Jahren immer mal wieder durch Datenwissenschaftler, die Data Scientists, ergänzt, die jetzt in den letzten Monaten, Jahren immer mehr verstärkt in Jobs angeheuert werden. Da ist natürlich jetzt die Frage: Was ist denn so die Erwartungshaltung an diese Datenwissenschaftler und wofür sind sie überhaupt da? Was machen sie vielleicht auch ganz anders als die Webanalysten oder machen sie überhaupt etwas anderes als Webanalysten?

Die Frage ist auch: Sind Webanalysten jetzt schon sowas wie eine aussterbende Rasse? Auf jeden Fall sind Data Scientists mal zum Sexiest Job of the 21. Century gewählt worden und ob das so ist oder nicht, das wollen wir gleich mal versuchen herauszufinden. Ich habe heute mit meinem Gast, mein Gast ist heute Kerstin Clessienne, jemanden, der sich auch recht gut in dem Umfeld auskennt.

Ich habe den Tipp mit Kerstin zu sprechen, mit ihr eine Stunde hier zu palavern, von Anisa Boumrifak bekommen. Die kennt ihr als Gast aus der Folge 4 des Podcast, den solltet ihr euch auch unbedingt mal anhören. Kerstin ist eben jemand, der mir sehr ans Herz gelegt wurde, auch zu diesem Thema. Ich möchte sie euch gerne vorstellen.

Das ist ein sehr illustres Bild, was ich euch jetzt hier aufzeichne. Denn die Kerstin ist Digital Transformation Consultant, Business Coach Interims Manager, ist also mehr oder weniger auch umtriebig unterwegs und eben auch als Freelancer und hat in der Vergangenheit diverse verantwortungsvolle Positionen gehabt. Schaut euch ihr XING-Profil an, dann wisst ihr Bescheid, dann seht ihr auf jeden Fall einiges, was euch interessieren könnte.

Außerdem ist sie beim Deutschen Marketing Verband, ist dort Leader Competence Digital Strategy und im Bereich Data Driven Marketing eben unterwegs, Speakerin bei diversen Gelegenheiten und eigentlich möchte ich gar nicht so viel mehr erzählen, weil den Rest werden wir gleich an euch übermitteln.

Also sage ich erst mal: Hallo und herzlich willkommen, Kerstin Clessienne.  #00:02:44-2#

Kerstin Clessienne: Hallo.  #00:02:44-7#

Maik Bruns: Hallo. #00:02:46-7#

Kerstin Clessienne: Hallo Maik. Hallo Zuhörer. Hallo. Was sagt man da jetzt ne? #00:02:50-3#

Maik Bruns: Sehr schön. Kerstin, jetzt habe ich dich mal ein bisschen vorgestellt, so richtig wissen wir natürlich noch nicht so ganz, woher du kommst oder viele Hörer kennen dich vielleicht auch gar nicht. Es sei denn, sie haben dich mal als Speakerin auf einer Konferenz erlebt und wo du es durchaus auch sehr lebendig auslebst, was du da magst und machst. Ich stell dir einfach mal direkt meine erste Frage, die kommt eigentlich immer in dieselbe Richtung und in diesem Fall ist sie ebenfalls. Wie kamst du eigentlich so zur Webanalyse? #00:03:23-3#

Kerstin Clessienne: Ich habe angefangen im Internet, da waren die Banner noch Gifs, da gab es Mark Zuckerberg noch gar nicht oder hat noch Windeln getragen. Da haben wir die Adserver noch selber gebaut. Das Thema, im Netz, online, digital kann man alles messen, war ja so das Versprechen der ersten Jahre und Analyse der Zahlen bleibt bei einem Job im digitalen Marketing nicht aus. Am Anfang haben wir alle alles gemacht, also von Webanalyse über Search Kampagnen betreuen, Display-Kampagnen. Jetzt ist das Feld so groß geworden, dass die Job Descriptions sich fragmentiert haben. Aber für mich ist es immer gut so eine ganz solide Basis auch aus Praxis Gesichtsgründen zu haben. Ich bin kein Webanalyst, aber ich kann mit jedem Webanalysten mich ausführlich unterhalten, einfach aus der Erfahrung.  #00:04:18-6#

Maik Bruns: Das klingt gut, weil das machen wir ja gerade.  #00:04:22-0#

Kerstin Clessienne: Genau. Ich kann da bestimmt ganz viel von dir lernen, was da in der Zwischenzeit passiert ist, aber Analyse ist in der heutigen Zeit einfach der Kernpunkt für Erfolg und wird zum Glück immer (Maik: Daten sind das neue Gold.) Ja, Daten sind das neue Gold. Genau, 5 Euro in die Phrasenkasse. Gibt’s die hier? #00:04:51-0#

Maik Bruns: Danke, ich brauche noch ein Phrasenschwein. Genau.  #00:04:52-3#

Kerstin Clessienne: Genau. Daten werden uns retten. Nein, aber es ist in der Tat so, dass wir uns Daten anschauen müssen. Was sich verändert hat, aus meiner Sicht, ist, dass die Art wie wir Daten analysieren komplexer und inhaltsreicher geworden ist. Aber ja, ihr seid zentral.  #00:05:09-5#

Maik Bruns: Ja, sind wir das nicht irgendwie alle? (Kerstin: Genau) Du sprachst gerade schon diese Fragmentierung an. Genau. Es gibt diese Fragmentierungen in den Jobs. Deswegen ist es auch überhaupt, das ist auch ein Grund, weshalb wir heute überhaupt über ein Jobprofil sprechen auch, das es vielleicht vor ein paar Jahren so in dem Ausmaß noch gar nicht gab oder was total merkwürdig anmuten würde in damaliger Zeit. Womit beschäftigst du dich denn aktuell täglich? #00:05:34-8#

Kerstin Clessienne: Einmal kurz noch dazu. Die Notwendigkeit ist (Maik: Ja gerne) natürlich durch diese Fragmentierung noch massiv gestiegen. In dem Moment, wo ich ganz viele Kanäle auch einzeln betreut habe und sich die Silos mit Einzel-KPIs beschäftigen, muss es natürlich Stellen geben, die alles zusammenbringen und das auf einer aggregierten Ebene. Was in den letzten Jahren glücklicherweise durch das ganze Thema Programmatic und User Centric und durch soziale Netzwerke etc. groß geworden ist, ist auch die Analyse von wie soll ich sagen einzelnen Touch Points auf der Customer Journey beispielsweise. Man braucht, jetzt wieder so ein Buzzword, einen holistischen Blick auf den einzelnen Nutzer und nicht das Kanal-Silo. Umso wichtiger ist es, dass es Leute gibt und das wird auch in den Unternehmen und in den Agenturen ja immer mehr, die genau das machen. Am Ende eine Geschichte aus den Daten schreiben und nicht Einzelmetriken optimieren. Insofern noch mehr von euch. #00:06:50-0#

Maik Bruns: Ist das denn auch etwas, womit du dich täglich beschäftigen musst aktuell? Vor allen Dingen mit deinem Unternehmen Rooftop Consulting. Das ist das, was du im Wesentlichen, im Kern heute machst. Was ist genau dein Aufgabengebiet dabei? #00:06:59-1#

Kerstin Clessienne: Ich habe sehr viel in den letzten Jahren mich mit Data Science und nutzerzentrierter Kommunikation, aber auch Attribution, Customer Journey beschäftigt. Ich analysiere das nicht selber, aber ich helfe Marketingabteilungen dabei diese ganze Veränderung in der Art wie Marketing arbeitet auch umzusetzen. Das heißt auch Teams aufstellen und die verschiedenen Jobprofile, die man heute braucht für eine gute Marketingplanung und eine gute Marketing-Ausführung plus die Technologien und das ganze Neue, die ganzen neuen Methoden in die Unternehmen und in die Marketingprozesse zu integrieren. Das ist eine tolle Aufgabe und dadurch, dass ich halt diesen Agenturhintergrund habe, viele Kunden betreut habe, kann ich da auch auf einen gewissen Erfahrungsschatz, einmal was die Organisation angeht, die ich brauche, was die Partner angeht, die ich brauche, was die Technologie und die Zusammenarbeit der Technologien angeht, zurückgreifen. Ich würde mich so als Allzweckwaffe in Marketing 2.0 bezeichnen. #00:08:17-2#

Maik Bruns: Was heute überhaupt nicht verkehrt ist, weil durch diese ganze Fragmentierung haben wir eben auch das in Anführungszeichen “Problem”, dass es immer wieder jemanden gibt, der überhaupt Spezialisten bewerten können muss oder überhaupt auch ihr Jobprofil verstehen muss. Da sind wir natürlich dann auch relativ schnell schon bei diesen Data Scientists, (Kerstin: Genau) den Sexiest Job Alive quasi.  #00:08:44-0#

Kerstin Clessienne: Ich halte meinen Job ja für den sexiesten. Aber gut, das muss jeder für sich selber entscheiden. #00:08:50-4#

Maik Bruns: Ja super, ich finde den nämlich auch ziemlich cool.  #00:08:53-0#

Kerstin Clessienne: Ja genau. Das ist genau das Ding. Es geht vor allen Dingen darum Teams zusammenzustellen, Prozesse zu organisieren, Prozesse so neu aufzustellen, dass am Ende ein verändertes und gutes Marketing herauskommt. Da muss man auf der einen Seite heute mit IT-Menschen sprechen können, man muss mit Data-Leuten sprechen können, man muss aber auch Marke und Kommunikation verstehen können. Man muss Brand Kommunikation, davon eine Ahnung haben, aber ich muss auch den ganzen Bereich Performance verstehen. Wenn man mal so 15 Jahre wie ich auf dem Buckel hat, inklusive Social, Mobile, eigentlich in jedem Bereich mal tätig war, dann hat man ein sehr gutes Gefühl dafür wie man die Dinge zusammensteckt und wie man auch verschiedene Kompetenzen zusammenstecken. Ich kann ganz gut identifizieren, was es denn eigentlich noch braucht und wo die Wachstumschancen sind. Es ist eine Mischung aus ganz vielen Skills. Es gibt niemanden mehr, der den ganzen Marketingprozess alleine stemmen kann, sondern da kommen ganz viele verschiedene Disziplinen zusammen. Marketing ist IT geworden, Marketing ist Data geworden, Marketing ist aber nach wie vor auch noch Marke, Kommunikation, Kreation und all das muss vernünftig miteinander verzahnt werden.  #00:10:16-7#

Maik Bruns: Was ist denn jetzt das Spezialgebiet Data Science? Oder was macht eigentlich so ein Data Scientist? #00:10:21-6#

Kerstin Clessienne: Nie zuvor, das ist auch so, 5 Euro in die Phrasenkasse, nie zuvor hatten wir so viele Daten wie jetzt und wir hatten sie auch ganz lange nicht auf einer Nutzerbasis. Theoretisch hätten wir mit den Adservern und mit den Technologien, die schon vor ein paar Jahren da waren genau diese Daten sammeln und analysieren können, aber das wäre unglaublich teuer gewesen. Weil alleine diese Daten zu speichern, dazu gab es die Kapazitäten nicht. Das ist heute einfach alles anders.

Wir haben unglaubliche Mengen an Speicherplatz, wir haben gute Technologien, um diese Daten vorzuhalten. Jetzt braucht es jemand, der mit diesen Daten arbeitet und das ist eine Trilogie aus Data Scientist, aus Big Data Experten, Professionals, Data Engineers und den Datenanalysten. 3 Bausteine, die ich brauche, um ein gutes Backup für eine Marketingabteilung zu bilden. Die Data Scientists, die sind natürlich nochmal von ihrer Ausbildung tief in Methoden, die es zwar schon lange gibt, aber die nicht so viele Anwendungen fanden bisher, also das Thema Machine Learning, Deep Learning, KI, in welcher Form auch immer, ist einfach das Arbeitsfeld eines Data Scientist.  #00:11:42-0#

Maik Bruns: Das klingt jetzt eher nach Physik und Informatik und Mathematik. #00:11:47-0#

Kerstin Clessienne: Ja genau. Also ich hatte auch schon mal, das war ganz spannend, einen Astrophysiker in meinem Team, super spannend.  #00:11:59-0#

Maik Bruns: Ja, das ist es glaube ich. Aber ihr habt euch sicher nicht über das Weltall unterhalten, sondern (Kerstin: Doch) Doch auch? #00:12:06-5#

Kerstin Clessienne: Doch. Wir haben wunderbare Analogien zwischen Cookie-Daten und Universum gefunden.  #00:12:14-5#

Maik Bruns:  Das musst du mir in einer separaten Version mal erzählen.  #00:12:18-4#

Kerstin Clessienne: Ja genau. Gerade, was das Thema Predictions angeht, kann man da ganz viel aus dem Himmel lernen. #00:12:29-0#

Maik Bruns: Wo ist denn genau deine Schnittstelle zu diesen Data Scientists? Dass du ihr Jobprofil kennst, aber du willst auch mit ihnen arbeiten. Was, wann genau?  #00:12:35-5#

Kerstin Clessienne: Am Ende ist die große Veränderung, die es im Marketing gibt, jetzt zu sagen, jeden Nutzer einzeln behandeln. Was natürlich auch so eine relativ einfache Phrase ist, aber das Thema nutzerzentrierte Kommunikation bedeutet, dass ich am Ende zu einem Verständnis des Einzelkontakts komme, also welche Nutzer habe ich in welcher Situation, in einer bestimmten Zeit, einen bestimmten Zeitpunkt vor mir und welche Botschaft braucht der gerade? Das teilweise sogar in Realtime zu berechnen, die Muster zu erkennen und daraus Ableitungen für die Kommunikation zu treffen, ob das dann der Bietpreis ist, den ich habe oder das Bild, was ich ihm zeige, das Angebot, was ich mache.

Viele Kunden beschäftigen oder viele Unternehmen beschäftigen sich ja mit dem Thema Realtime Pricing beispielsweise. Das ist was oder eine Aufgabe, die ganz stark von der Arbeit der Data Scientists beeinflusst wird, also hoch relevant für Marketing das Thema Data Science.  #00:13:37-2#

Maik Bruns: Wie viele gibt es denn überhaupt von denen? Weil das klingt so, also würde hier extrem …  #00:13:39-5#

Kerstin Clessienne: Zu wenige. Deswegen kosten die so viel.  #00:13:42-0#

Maik Bruns: Das habe ich mir gedacht, zum einen ist die Ausführung wahrscheinlich nicht ganz ohne, ich würde mir jetzt nicht gerade so Mathematik, Physik und so weiter ins Studium nehmen muss ich gestehen. Ich glaube, das Anforderungsprofil ist auch mittlerweile gewachsen ein bisschen (Kerstin: Ja) oder beziehungsweise überhaupt die Anzahl der Anforderungen. #00:13:54-6#

Kerstin Clessienne: Ja. Es gibt glaube ich kein Studium, was die Arbeit, wenn wir jetzt über unsere Kategorie nachdenken, über Marketing, über Media, da gibt es kein Studium, was das alles abbildet. Das heißt, wir haben es schon mit entweder Betriebswirtschaftlern zu tun, die sich sehr stark mit IT, Programming beschäftigt haben, die programmieren können, die ein Python können beispielsweise, die einen Schwerpunkte in Statistik und Mathematik haben, die sich aber auch mit Datenbanken auskennen.

Also als Data Scientist muss ich wissen, was ein Hadoop Cluster ist, ich muss SQL können, ich muss über Machine Learning Methoden Bescheid wissen. Das hängt so ein bisschen von der Gestaltung des Studiums ab. Oder ich habe eben Mathematiker, Business-Analysten, Programmierer, ITler, die sich ganz stark auch nochmal außerhalb von Ihrem Feld für Marketing, Media oder dann in vielen anderen Anwendungsfeldern auch Supply Chain oder was auch immer interessieren. Das Studium Data Scientist, was dann auch für alle Branchen und alle Kategorien passt, das gibt es nicht.  #00:15:20-4#

Maik Bruns: Ist wahrscheinlich ähnlich wie im Webanalyse-Bereich auch? Weil auch das Studium gibt’s in dem Falle nicht (Kerstin: Nein), weil es ist auch da ein breites Wissen durchaus von Vorteil. Dann gibt es eben die vielen Autodidakten, die sich dann in ein spezielles Feld rein wagen oder die Leute, die x Seminare besuchen und sich damit dann fortbilden oder die einfach eine große Passion zu dem Ganzen haben. (Kersten: Ja) Grenzen wir doch mal ab oder? Wie ist denn die Abgrenzung so zwischen den Data Scientists und den Webanalysten und wenn wir wollen, dann vielleicht auch noch den Business Intelligence Mann oder Frau. Wie sind da so die Unterschiede? #00:15:53-8#

Kerstin Clessienne: Der Webanalyst greift in der Regel auf vorstrukturierte Daten schon zurück. Das heißt der ist eher dafür da, dass man diese Daten, die dann von den Data Scientists oder Big Data Professionals erhoben wurden, in Insights konvertiert, also Handlungsableitungen macht. Der ist aber nicht unbedingt derjenige, der diese ganzen Daten strukturiert, sie aufbereitet, die Algorithmen da drüber laufen lässt und am Ende ist der Data Analyst meines Erachtens derjenige, der die Strategie aus den Daten entwirft oder Handlungsempfehlungen gibt. Data Analyst oder Web Analyst sind auch echt gut dann im Thema, diese Daten nochmal zu designen, Reports zu generieren, das ganze Thema Visualisierung.

Das, was wir da rausbekommen, muss dann auch für ganz viele Leute verarbeitbar sein. Solch einen riesigen Datensatz, den werde ich dann nicht meinem Chef zeigen, sondern ich werde meinem Chef sagen, was er damit tun soll und was das für Auswirkungen auf das Business hat, was ich gerade mache. Ein Data Scientist ist in der Wertschöpfungskette weiter vorne. Er bekommt diese ganzen Daten und zusammen mit einem Data Engineer strukturierte er sie. Er bringt sie auch in IT-Systeme, beispielsweise ein Hadoop Cluster und stellt dann die Fragen. Im Unterschied zu deterministischen Methoden ist es so, dass wenn man jetzt über Machine Learning nachdenkt, dass die Fragen auch mal sehr explorativ sein können. Damit kann man noch keine Analyse machen.

Das heißt der Data Scientist und der Data Engineer sammeln erstmal alle Daten, strukturieren sie, versuchen sie in eine Form zu bekommen und der Analyst arbeitet am Ende mit einer eher aggregierten Form, aus der man aber dann wirklich Business Impact ableiten kann.  #00:18:12-2#

Maik Bruns: Das heißt er nimmt ihm im Prinzip keine Arbeit ab, sondern eigentlich verschafft er ihm neue? #00:18:18-1#

Kerstin Clessienne: Der Data Scientist dem Webanalyst? Ja klar. Wenn man sich anguckt, was zum Beispiel, was Google Analytics früher konnte und was das heute kann, das muss ja jemand auswerten und dann am Ende auch im Unternehmen zum Arbeiten bringen. Ich muss da neue Entscheidungen treffen. Das macht kein Data Scientist. Also die strategische Arbeit und dann die Business Cases zu designen, das machen dann eher die Analysten. Wobei es natürlich Überschneidungen gibt, klar. Es gibt hervorragende Data Scientists, die auch gleichzeitig tolle Analysten sind und umgekehrt. Aber es ist nicht unbedingt derselbe Job. Die müssen sich, was ich wichtig finde, ist, dass man eine Schnittmenge hat und miteinander sprechen kann. Das heißt man muss die Vokabeln des anderen können. Das weißt du wahrscheinlich auch. Die Analysts, die können auch programmieren und die wissen auch, was ein Python Code ist. Die wissen auch über statistische und mathematische Methoden Bescheid. Sie arbeiten aber vielleicht eher mit dem Ergebnis und briefen unter Umständen nochmal eine Fragestellung ein oder so. #00:19:45-0#

Maik Bruns: Das klingt alles ein bisschen so, als würden Data Scientist diese Marketing-Welt gerade deutlich verändern? (Kerstin: Ja) Oder ist das ein Hype?  #00:19:54-3#

Kerstin Clessienne: Total umkrempeln.  #00:19:55-3#

Maik Bruns: Oder ist das ein Hype? #00:19:54-4#

Kerstin Clessienne: Nein. Nein, das ist überhaupt kein Hype. Ich weiß nicht, ob das die Data Scientist sind, sondern einfach die neuen Methoden wie Media beispielsweise eingekauft wird oder wie Content ausgesteuert wird. Das passiert in real time, das passiert auf Nutzerbasis und irgendjemand muss berechnen, was ist das jetzt gerade für ein Nutzer, der da vor mir ist? Welchen Content braucht der? Möchte ich auf den bieten oder nicht? Das geht nicht ohne Data Science.  #00:20:22-2#

Maik Bruns: Zumindest im Moment noch nicht. Wer weiß wie schlau Tools irgendwann werden können. Aber im Moment sind das … #00:20:27-6#

Kerstin Clessienne: Ja, aber die Tools basieren auf Algorithmen, die Algorithmen muss jemand entwickeln und das muss jemand rechnen. Das ist der Job der Data Science.  #00:20:37-2#

Maik Bruns: Was kann denn so ein Data Scientist vielleicht nicht? Er kann auf jeden Fall eine ganze Menge Daten vorstrukturieren, er kann sie Analyse-bereit machen. Was ist vielleicht genau nicht sein Job? Dass er jetzt nicht unbedingt in die Analyse einsteigt, ist klar. aber gibt es vielleicht andere Dinge, wo vielleicht die Erwartungshaltungen sonst zu hoch sind? #00:20:56-1#

Kerstin Clessienne: Ich glaube, das ist die falsche Fragestellung, was kann der nicht, sondern was ist der Output, den jeder generieren soll? Wenn ein Data Scientist am Ende Business Consulting machen soll, weiß nicht, ob das so sinnvoll ist. Für mich ist Analytics auf jeden Fall Business-Entscheidungen treffen, dazu brauche ich auch einen Hintergrund oder ein Hintergrundwissen aus der Branche, aus der Kategorie und ein Mathematiker muss nicht unbedingt eine betriebswirtschaftliche Ausbildung haben, obwohl er wahrscheinlich in der Arbeit viel dazulernt. Aber es ist ein anderer Hintergrund der Arbeit.  #00:21:50-9#

Maik Bruns: Ich sage in meinen Seminaren eigentlich immer den Webanalysten, die dann da sitzen, Metriken sind auch Menschen.  #00:21:58-9#

Kerstin Clessienne: Was? Nochmal, was? Metriken sind auch Menschen? #00:22:00-5#

Maik Bruns: Metriken sind auch Menschen. Genau.  #00:22:01-3#

Kerstin Clessienne: Inklusive aller Launen und weiß ich nicht. Okay, das musst du mir erklären.  #00:22:04-2#

Maik Bruns: Ganz genau, ja.  #00:22:06-5#

Kerstin Clessienne: Was meinst du damit? #00:22:07-6#

Maik Bruns: Im Endeffekt meine ich damit, dass hinter jeder Metrik, die du in einem Analyse-Tool zum Beispiel siehst, irgendwie erstmal eine Person steht. Das ist jetzt nicht irgendwie nur, das sind nicht nur Daten, das ist jetzt kein Selbstzweck, sondern da steckt ein Mensch hinter, der genauso agiert hat, wie es Menschen eben tun, nämlich extrem unterschiedlich, ohne Schublade möglicherweise auch und so. Es kann halt alles sehr bunt und wild sein. Deswegen sage ich immer, Metriken sind auch Menschen, weil es kann halt alles total unterschiedlich interpretiert werden, wenn man möchte. Würdest du das bei der Data Scientists ähnlich formulieren oder sind bei denen Daten einfach Daten? #00:22:46-9#

Kerstin Clessienne: Nein. Also alleine schon bei der Fragestellung ist, die ich stelle und bei dem Wissen, welche Daten da rein laufen, wir haben es ja mit Verhaltensdaten in der Regel zu tun. Das heißt das ist die Abbildung von menschlichem Verhalten in Millionen, Milliarden von einzelnen Datenpunkten. Der Punkt ist, dass wenn ich dann schon mal auf so einer Dashboard-Ebene bin, dass die schon aggregiert sind und da ist vielleicht auch die Gefahr, dass man dann einfach nur noch Daten anschaut und vergisst, dass das eine Aggregation von ganz vielen unterschiedlichen Verhaltensweisen ist und am Ende eine Tendenz sagt. Wenn ich die Daten als Rohdaten habe, dann sehe ich jeden einzelnen kleinen Punkt. Also beispielsweise, wenn man jetzt mal über Kanal-Optimierung nachdenkt, um das ganze Thema Customer Journey (unv.)  #00:23:49-1#

zustande gekommen ist auf jeder einzelnen ID. Es wäre unmöglich, ohne das zu aggregieren und in irgendeiner Form zu visualisieren, da Ableitungen zu machen beispielsweise über die Verteilung meiner digitalen Marketing-Gelder beispielsweise. Sind einfach unterschiedliche Aggregationsstufen. Aber ich muss trotzdem verstehen, was diese Säulen und Kuchendiagramme und so, was die am Ende sagen.  #00:24:18-8#

Maik Bruns: Das ist auch im Endeffekt das, was du eben schon mal so in Ansätzen (Kerstin: Ja) erwähnt hast, dass die Leute sich untereinander gut verstehen müssen, dass sie also auch irgendwo das Ziel des ganzen Auswertens, des Erhebens der Daten auch nicht aus den Augen verlieren.  #00:24:33-9#

Kerstin Clessienne: Ja. Im Unterschied zu, also viel Analyse ist ja meistens die Korrelation zwischen zwei KPIs beispielsweise, wie hängt der Traffic mit der Uhrzeit zusammen? Ein maschinelles Lernen, da habe ich unglaublich viele Einflussfaktoren und kann da eine Frage rein geben, so bitte sag mir jetzt die Zusammenhänge. Wenn ich die Zusammenhänge kenne, kann ich da nochmal anders rein. Also die Menge an Datenpunkten und Variablen und möglichen Einflussfaktoren macht sicher den Unterschied.  #00:25:20-8#

Maik Bruns: Um jetzt so eine Analyse oder so eine Strukturierung von Daten auch zu treiben, was braucht ein Data Scientist? Braucht der jetzt irgendwo spezielle Vorgaben, braucht der spezielle Fragen, die man ihm stellt? Oder wie sieht seine Arbeit so aus? #00:25:36-9#

Kerstin Clessienne: Zuerst mal, das Wichtigste ist einen super sauberen Datensatz, einen vollständigen Datensatz. Daten sind das neue Gold, ja, aber sie sind echt vermischt mit jeder Menge Müll so gerade. Man muss echt die Nuggets suchen. Das große Problem in Unternehmen ist, dass es wahnsinnig viele Datentöpfe gibt, wahnsinnig viele über das ganze Unternehmen verteilt, in der CRM-Abteilung, BI hat furchtbar viel. Es gibt einfach furchtbar viele Daten. Die erstmal zusammenzubringen, ist eine Wahnsinns-Herausforderung und dann auch vor zu strukturieren, sodass überhaupt ein Lernen möglich ist. Das ist so der Kernpunkt.  #00:26:28-1#

Maik Bruns: Beschäftigen die sich im Endeffekt mit denselben Fragen, denen sich ein Webanalyst stellt? #00:26:32-6#

Kerstin Clessienne: Sag mir, was aus deiner Sicht ein Webanalyst sich für Fragen stellt. Am Ende müssen wir doch alle eins tun, am Ende müssen wir uns fragen, wie können wir den Unternehmenserfolg maximieren? Dann habe ich so ein paar Hypothesen, also in der Analyse gehe ich vielleicht auch eher mal Hypothesen-basiert vor, weil ich einen vorstrukturierten Datensatz habe und über Data-Science-Methoden kann ich vielleicht auch mal explorativ rein gehen und sagen, ich nehme mir jetzt mal diese ganzen Daten, wenn sie gut strukturiert sind, wenn sie vollständig sind, wenn sie alle zur Verfügung stehen, und lass mal, was man versucht gerade, ist das menschliche Lernen nachzubilden und das halt in einem Affenzahn. Mit viel mehr Daten als es das menschliche Gehirn bewusst verarbeiten und wahrnehmen kann.

Da kommt jetzt vielleicht irgendwie so die (Maik: Meta-Ebene) ja genau, diese Meta-Ebene rein, was so das menschliche Gehirn kann und wie es so funktioniert. Das ganze Thema künstliche Intelligenz und Deep Learning ist ein Teilbereich der künstlichen Intelligenz oder wenn ich Natural Language Processing nachdenke, was am Ende auch künstliche Intelligenz ist, um Sprache zu verstehen, siehe Alexa und co., dann versuchen wir gerade einfach die Kapazität an Intelligenz zu erhöhen, dadurch dass wir einfach viel mehr Daten in einem viel schnelleren Zeitraum analysieren und auswerten können. Das kann nicht über eine klassische Analyse nicht. #00:28:18-4#

Maik Bruns: Jetzt, du hattest eben schon erwähnt, dass es jetzt nicht so viele Data Scientists gibt auf dem Markt und die Anforderungen werden oder beziehungsweise die Stellen werden immer mehr.  #00:28:31-2#

Kerstin Clessienne: Ich habe irgendwie vor einem Jahr oder vor zwei habe ich mal gelesen, aber lass mich nicht lügen, dass es irgendwie jetzt schon einen Gap von irgendwie fünfstelligen Zahlen gibt, die eigentlich gebraucht würden, aber gar nicht da sind.  #00:28:42-6#

Maik Bruns: Okay. Da hilft auch Zuzug nicht mehr. Das wird dann eng, das wird dann echt eng. Glaubst du denn, dass alle diese Unternehmen, die solche Data Scientists ausschreiben, auch welche brauchen? #00:28:57-5#

Kerstin Clessienne: Ja. #00:28:59-9#

Maik Bruns: Ja? #00:29:00-6#

Kerstin Clessienne: Ja. Ich kann nicht mehr als Ja sagen. Data Science ist beziehungsweise das Verarbeiten von Daten und überhaupt der verstärkte Umgang mit Daten und die daraus folgende Automatisierung, das ist ja der Punkt, warum wir die brauchen. Alles automatisiert sich, die Kommunikation automatisiert sich, auch Supply Chains automatisieren sich, ganz viele Prozesse sind IT-basiert und das geht gar nicht ohne Data-Scientists. Also ja und selbst, wenn ich es auslagere, wenn ich die Arbeit auslagere, dann brauche ich jemand im Unternehmen, der versteht, was da passiert.  #00:29:45-0#

Maik Bruns: Wenn du jetzt die Wahl hättest, wen würdest du eher einstellen? Was wäre in deiner Hierarchie oder im Fortschreiten oder in der Evolution quasi, was wäre für dich ein sinnvolles Vorgehen? Sich erst einen Data Scientist zu holen oder erst jemand aus der BI oder einen Webanalysten? Wo würdest du sagen, was am ehesten erstmal sinnvoll ist und was ist vielleicht so die höchste Stufe der Erkenntnis? #00:30:26-4#

Kerstin Clessienne: Ich brauche keinen Data Scientist, wenn ich keine Analysten habe. Entweder meine ich es Daten ernst, dann brauche ich ein vernünftiges Team, was zusammenarbeitet, das wird nicht eine Person sein. Oder ich würde mir ein Data Scientist einstellen mit guten Analyse-Fähigkeiten oder eben Analyst mit Data Science Erfahrung. Die sind dann noch schwerer zu finden. Aber Data Science ohne eine Form der Aufbereitung, Aggregation und dann auch Ableitungskompetenz für das Business macht keinen Sinn.  #00:31:03-3#

Maik Bruns: Neben der personellen Frage stellt sich natürlich auch die inhaltliche Frage: Was braucht der Data Scientists dann am Ende, wenn er dann an die Arbeit kommt? Das heißt der findet jetzt ein Unternehmen vor und der hat vielleicht noch gar keine Strukturen, die seine Arbeit überhaupt ermöglichen. Wir hatten vorhin schon auch von Datenqualität mal gesprochen. Daten sollten natürlich Voraussetzung sein.  #00:31:30-6#

Kerstin Clessienne: Ja, aber … Entschuldigung, wenn ich dich gerade … in den meisten Unternehmen gibt es eine BI-Unit und da herrscht eine ganz große Offenheit diesen neuen Methoden gegenüber und eine hohe Relevanz oder man hat verstanden wie relevant das Thema Digitale Daten sind auch in dem BI-Prozess. Das heißt in der Regel, wenn das ein größeres Unternehmen ist, dann fällt es auf fruchtbaren Boden. Ob die Abteilungen gut zusammenarbeiten, also ob jetzt, aus meiner Sicht, ob BI und Marketing gut zusammenarbeiten, das ist nochmal eine andere Frage. Das ist eine Prozess-Frage und eine Organisations-Frage. Aber wenn so ein Data Scientist kommt, dann findet der in der Regel auch schon Teams und Fachleute, die sich seit langem mit den Unternehmensdaten beschäftigen, einfach nur mit anderen Methoden. Wenn da gar nichts da ist, das gibt’s glaube ich nicht mehr. #00:32:37-1#

Maik Bruns: Das wäre jetzt vielleicht auch nicht das Unternehmen, das sich einen Data Scientist aussuchen würde, wenn er denn die Wahl hätte. #00:32:43-5#

Kerstin Clessienne: Nein oder er ist recht abenteuerlustig. #00:32:45-5#

Maik Bruns: Ja genau. Ich mache das jetzt hier. Wir machen das jetzt so mit den Daten. (Kerstin: Ja) Lässt sich so eine Arbeit denn auch outsourcen deiner Meinung nach? #00:32:54-1#

Kerstin Clessienne: Ja.  #00:32:55-3#

Maik Bruns: Ja?  #00:32:55-2#

Kerstin Clessienne: Ja. Wird auch viel gemacht. Also man hat Dienstleister und es gibt großartige Firmen da draußen, die sich einfach mit dem ganzen Datenbereich beschäftigen. Ist ja auch ein Industriezweig, der wahnsinnig gewachsen ist. Wichtig ist trotzdem, dass ich die Kompetenzen im Unternehmen habe das zu bewerten, zu briefen. Es gibt schon den Fall so, machen Sie mal irgendwas mit unseren Daten. Aber das wird zu nichts führen. Ich muss schon wissen als Unternehmen, was ich am Ende erreichen will und wie mir die Arbeit mit Daten helfen soll meine Ergebnisse zu verbessern, Ziele zu erreichen und so gestaltet sich dann die Arbeit.

Als Dienstleister für Daten, Data Science Analyse, das wirst du selber wissen, Big Data, in ein Unternehmen zu kommen, was noch nicht so richtig weiß, was es an Daten hat und was es eigentlich damit machen will, das ist so, machen Sie uns mal eine App und für was brauchen wir die? Weil man die halt jetzt braucht. Das sind auch so die Zyklen, die dann neue Arbeitsfelder so mitmachen. Aber da sehe ich auch eine große Professionalisierung, die immer stärker wird. Eben auch getrieben durch diesen ganzen Wandel im Marketing und in den Organisationen, was Realtime-Kommunikation, nutzerzentrierte Kommunikation, CRM, Marketing Automation, da gibt es ja unglaublich viele Themen, die alle einen anderen Umgang mit Daten erfordern.  #00:34:32-3#

Maik Bruns: Zumindest, also ich das ähnlich, allerdings müsste ich vielleicht einschränken von meiner Seite und das ist das, was ich erlebe, dass das im Wesentlichen bei größeren Unternehmen der Fall ist. Bei kleinen sehe ich das in der Regel eher nicht, weil die kennen die Möglichkeiten noch nicht einmal, die Analysten ihnen bieten. Wenn sie sich jetzt Data Science direkt auseinandersetzen sollten, dann wüssten die glaube ich gar nicht mehr, welche Fragen sie stellen können, weil sie einfach das Themengebiet so nicht bewerten können oder vielfach zumindest nicht.  #00:35:05-0#

Kerstin Clessienne: Ja, dann müssen die uns anrufen. Dafür gibt es dann Consultants.  #00:35:06-1#

Maik Bruns: Die müssen uns anrufen.  #00:35:06-6#

Kerstin Clessienne: Sollen wir eine gemeinsame Telefonnummer jetzt gerade hier kurz …?  #00:35:10-9#

Maik Bruns: 0800. #00:35:11-8#

Kerstin Clessienne: 0800.  #00:35:13-5#

Maik Bruns: Kerstin und Maik, genau. Ich hoffe, hier ruft jetzt keiner an.  #00:35:16-8#

Kerstin Clessienne: Nein, aber das ist dann was ganz anderes. Das sind dann wirklich Change Projekte in Unternehmen. Da arbeitet man dann auch nochmal mit Unternehmensberatungen zusammen, die einfach sich die Organisation angucken. Ich komm rein, wenn klar ist, wir machen was damit und was vielleicht auch.  #00:35:38-1#

Maik Bruns: Ich war übrigens gestern noch bei einem Unternehmen, wo auch wirklich extrem erstmal Aufklärung betrieben werden muss, welche Möglichkeiten über die Webanalyse überhaupt erstmal da sind schon. Da geht es dann auch um so Sachen, wie setze ich denn überhaupt Ziele? Wirklich so grundlegende Dinge, die im Marketing erstmal vorhanden sein sollten, bevor man sich in Data Scientists oder in Data Science stürzt.  #00:36:06-6#

Kerstin Clessienne: Ja, das KPI-Thema ist ein spanndes. Ja. (Maik Bruns: Ja) Ist wirklich ein spannendes. Wie sich auch die KPIs verändert haben. Natürlich haben wir gerade in der Kommunikation, wir haben es ganz viel mit Werbewirkungsmetriken zu tun und Awareness und sowas alles. Aber das ist eben, wenn man jetzt über N-to-N nachdenkt, nur ein Teil der Geschichte und auch Teil der Veränderung in den Unternehmen, dass Marketing und Vertrieb zusammenwachsen. Es ist egal, ob das ein großes Unternehmen oder ein kleines Unternehmen ist. In kleineren Unternehmen ist es sogar meist viel näher beieinander, während in großen Unternehmen müssen die Silos so ein bisschen aufgebrochen werden oft und neue Prozesse der Zusammenarbeit überlegt werden und auch gemeinsame Technologieüberlegungen und alles aus denselben Daten heraus. Das ist vielleicht, wenn man nicht so große Unternehmen und Strukturen hat, noch ein bisschen einfacher. Aber viele neue Business-Modelle beruhen rein auf Daten. Wenn ich mir mal alle Startups angucke, bestimmt 80 Prozent beruhen auf Daten. Da entsteht doch einfach eine ganz neue Form der Industrie.  #00:37:28-9#

Maik Bruns: Das stimmt. Ja. Das ist etwas, was man wirklich erleben kann, dass viele tradierte Dinge sogar ein Stück weit aussterben und sich immer mehr Leute auf Daten stürzen.  #00:37:33-1#

Kerstin Clessienne: Mit dem Aussterben das ist so ein Ding, das ist ja auch sowas typisch deutsches, dass wenn was Neues kommt, dann muss irgendwas anderes irgendwie aufhören. Das war vielleicht so mit den Pferden und den Autos. Aber was ich jetzt sehe, dass so traditionelle Forschungsmethoden zusammenwachsen mit neuen Methoden, mit Data Science Methoden, mit Machine Learning. Es ist ganz wichtig, dass man nicht immer alles irgendwie über Bord wirft, sondern so besser auf all worlds. Gerade, wenn man den Bereich Customer Journey und Attribution anschaut, da wird viel entwickelt gerade und die Attribution beispielsweise, die reine Customer Journey Analyse, die reicht auch nicht aus.

Jetzt kommen die Unified-Ansätze, wo man traditionelle Methoden, wie ein ganz normales ökonometrisches Modell, also ein ökonometrisches Modell zusammenbringt mit Data Science. Weil der Mensch lebt ja nicht nur in der digitalen Welt und ich habe immer noch aggregierte Daten und Panel-Daten und Daten, die eben nicht auf einer Eins-zu-eins-Nutzerebene erhoben werden können. Aber das ist ein Teil der Realität der Menschen, also die sind immer noch draußen unterwegs und hören beispielsweise Radio oder sehen ein Plakat, haben sowas wie Ferien und die Ferien bestimmen irgendwie ihr Reiseverhalten oder so. Da muss man schon gucken, dass wir nicht den Eindruck erwecken, dass die digitalen Daten alles erklären. Es ist schon wichtig da genau hinzugucken und da auch erfahrene Leute in den Unternehmen zu haben, die wissen, wie der Markt ist, wie die Marke aufgestellt ist und dann auch mit wie sagt man, unsere jungen Wilden, zusammenarbeiten.  #00:39:23-0#

Maik Bruns: Ich denke, das wird auch noch eine ganze Weile so bleiben, solange wir uns nicht Chips ins Gehirn einpflanzen lassen, um bessere personalisierte Werbung zu bekommen,  #00:39:29-1#

Kerstin Clessienne: Ja genau. Wir sind auch jetzt da an diesem … #00:39:32-2#

Maik Bruns: Wird das möglicherweise genau das weitergeben.  #00:39:33-4#

Kerstin Clessienne: Ja und wir haben auch diesen Ruf der Strar Trek oder weiß ich nicht, es ist auch so ein bisschen sexy Science-Fiction, was da irgendwie aufgemacht wird und dann guckt man in die Google und Facebook-Welt und dann haben zwei Algorithmen angefangen sich zu unterhalten. Da sind wir in der Unternehmensrealität ja weit weg. Also wir machen unsere ersten Gehversuche.  #00:40:00-3#

Drei Tipps von Kerstin Clessienne zu Data Science

Maik Bruns: Ja. Kerstin, wenn wir jetzt mal darüber reden welche 3 Tipps du vielleicht an Menschen da draußen hast, die sich mit Analyse oder Data Science beschäftigen, was sind so deine 3 Tipps, die du den Leuten geben könntest? Oder vielleicht auch allgemein Online-Marketing zu dem Thema Data Science.  #00:40:29-1#

Kerstin Clessienne: Keine Angst haben, das ist alles gar nicht so wild.  #00:40:35-6#

Maik Bruns: Waren das die 3 Tipps? #00:40:36-6#

Kerstin Clessienne: Also grundsätzlich, Neugier ist so, Neugier und Experimentierwille und der Wille sich auch über den Tellerrand mit anderen Experten auszutauschen ist Key, um dieses ganze Phänomen irgendwie zu fassen. Das ist so auf der menschlichen Ebene. Und dann ist es, ja, alle sollten was von Python, alles das verstehen. Also ich muss einfach verstehen, wie diese Daten verarbeitet werden. Programming, da musste ich auch viel dazulernen, das war spannend, hat sich mir auch nicht gleich so ergeben. Ich gehe davon aus, dass jeder Analyst statistisch und mathematisch safe ist. Die IT-Seite und das ist der 3. Tipp, die IT-Seite ist auch nochmal wichtig, dass ich weiß, was so IT-Infrastrukturen sind, Datenbanken, so die ganzen Frameworks. Auch Datenbanken, nicht nur SQL-Datenbanken, sondern auch mal was Unstrukturierteres. Wir haben es ja mit unstrukturierten Daten zu tun.  #00:41:36-4#

Maik Bruns: Ich finde das gut, dass du gesagt hast, man soll keine Angst haben … #00:41:38-9#

Kerstin Clessienne: Nein. #00:41:39-1#

Maik Bruns: und sich mit den Sachen auseinandersetzen. Es ist genauso wie früher die Leute Angst hatten vor dem Auto. Ich habe mal irgendwo gehört, dass es sogar ärztliche Warnungen gab, als die ersten Autos erschienen sind. Dass das für den Menschen überhaupt nicht tragfähig sei schneller als 50 Stundenkilometer zu fahren, weil dann die Knochen einfach zermalmen würden. Das war so damalige Meinung, als die ersten Autos kamen teilweise. Ich sehe ähnliches, was so den Bereich Daten angeht. Dass also man sich davor verschließt, weil man es noch nicht versteht und nicht auf Anhieb. #00:42:18-6#

Kerstin Clessienne: Das eine das Overhypen und das andere ist so sich davor verschließen, denn man sieht die ganze Diskussion über KI, die jetzt in der Presse geführt wird. Da ist viel Wahres und auch viel Mist dabei. Angst ist immer ein guter Treiber von Aufmerksamkeit. Es ist natürlich auch, das klingt jetzt ein bisschen böse, aber wenn ich so ein Hype-Thema habe, dann ist das natürlich auch immer eine gute Vertriebsplattform. Da muss man die Kirche mal im Dorf lassen. Das ist schon Rocket Science, aber nichts, was nicht die meisten Menschen auch verstehen können.

Ich muss ja nicht den Code lesen können, aber es ist gar nicht so schwierig zu verstehen, was da passiert. Wichtig ist es, dass es dann Leute gibt mit Erfahrung und Leute, die eben diese Offenheit und diesen Forschergeist auch haben und sagen, wir probieren da jetzt mal was aus. Die Unternehmen können natürlich auch dazu beitragen, indem sie einfach aus den Innovationsgeldern genau für diese Bereiche mal ein bisschen freimachen und Pilotprojekte initiieren, wo alle auch mal reinschnuppern können, was da passiert. Dann hat sich das mit der Angst und mit diesem manchmal schon fast voodoo-ähnlich, was dann ein Data Scientist angeblich macht. Am Ende sind es einfach nur richtig, richtig, richtig viele Daten, aber auch nicht mehr.  #00:44:04-1#

Maik Bruns: Vielleicht ist es auch deshalb zum sexiest Job gewählt worden, weil die Leute, die gewählt haben, es vielleicht nicht verstehen? #00:44:08-4#

Kerstin Clessienne: Genau.  #00:44:08-7#

Maik Bruns: Kann sein, ist vielleicht ein Mysterium? #00:44:09-9#

Kerstin Clessienne: Ja, was soll ich noch dazu sagen? Es ist nicht so wild und es ist nicht so schlimm, dass man da Angst vor haben muss. Man muss sich nur dem nähern und auch kritisch nähern und sich da eine eigene Meinung bilden. Nicht alles glauben, was da überall steht und dass das jetzt irgendwie alles ganz böse wird und wir alle unsere Jobs verlieren. Am Ende versucht man ein menschliches Gehirn nachzubauen, weil es einfach schneller ist und mehr Daten, weiß ich nicht mal, ob mehr, und bewusst alle Daten verarbeiten kann. Das kann nur eine Hilfestellung sein.

Der Mensch gibt immer noch den Sinn da rein und stellt die Fragen. So weit sind wir noch lange nicht, dass Maschinen selbst entscheiden können, obwohl alle natürlich jetzt irgendwie davor warnen und die Diskussion dann losgeht. Im Marketing sind wir ganz am Anfang und in der Digitalwelt haben irgendwie Programmatic seit ich weiß nicht 12 Jahren? Jetzt setzt sich so langsam durch, dass es was völlig Normales ist, wir fangen jetzt an über Qualität zu diskutieren. Die Mühlen mahlen da langsam und das ist auch ganz gut, weil dann jeder Zeit zu lernen und sich einander anzunähern. Aber im Marketingstudium sollte schon Programmieren und IT jetzt mal bald eine große Rolle spielen.  #00:45:37-5#

Maik Bruns: Das ist ein schönes, ich würde schon fast sagen, das ist ein schönes Schlusswort. (Kerstin: Okay) Also ich glaube, Kerstin, dass wir vielen Menschen oder den Zuhörern, die haben wir nämlich jetzt hier in meinem Ohr, auch einiges an vielleicht Angst nehmen konnten. Einfach mal ein bisschen aufklären, worum geht es bei Data Science? Was machen diese Leute? Nehmen Sie uns die Jobs weg? Nehmen sie uns Analysten die Jobs weg, uns Online-Marketern die Jobs weg? (Kerstin: Nein) Das tun die alles nicht, sondern es geht einfach nur so, um mal zu erklären, was gerade so State of the Art vielleicht ist und die Sachen mal so ein bisschen näherzubringen und … #00:46:14-4#

Kerstin Clessienne: Und zusammenarbeiten.  #00:46:16-4#

Maik Bruns: Absolut. Ich würde echt sagen, das haben wir ganz gut hingekriegt, du hast es im Wesentlichen gut hingekriegt. Ich bin dir sehr dankbar dafür, dass du das so geschafft hast, weil es muss auch immer in einfache Sprache transformiert werden können erstmal, was da so passiert und ich denke, das ist uns irgendwie gelungen das halbwegs hinzukriegen. Ich sage dir erstmal jetzt schon mal herzlichen Dank dafür, (Kerstin: Ja gerne) dass du dich hier, ich würde schon sagen hingestellt hast und das mal mit mir besprochen hast.  #00:46:51-3#

Kerstin Clessienne: Ich sitze.  #00:46:52-6#

Maik Bruns: Ach so, du sitzt. Ich auch. Das ist gut, wenn man sich mal nicht in die Augen sehen kann, dann sieht man sowas manchmal nicht, was derjenige auf der anderen Seite gerade manchmal macht. Aber das ist ein anderes Thema.

Okay, Kerstin, dann würde ich sagen, habe vielen Dank. Ich möchte dir gerne gleich nochmal das Schlusswort geben und dir lieber Hörer sage ich schon mal, super, dass du bis hierhin durchgezogen hast und dir das ganze Thema mal wirklich angehört hast von vorne bis hinten. Ich glaube, das ist ein total interessantes Thema und wenn du mit Data Scientists jetzt mal in Zukunft zusammenarbeitest oder das vielleicht schon tust, vielleicht verstehst du es jetzt noch ein bisschen besser. Kerstin, wie gesagt, Schlusswort gehört dir. Ich sage allen, Tschüss und bis zum nächsten Mal.  #00:47:25-3#

Kerstin Clessienne: Ja, vielen Dank auch von meiner Seite. Vielleicht nochmal ein ganz persönliches Wort. Wir brauchen auch mehr Mädels in dem Bereich. #00:47:32-4#

 

Abonniere auf Android Abonniere auf iTunes
Maik Bruns
Letzte Artikel von Maik Bruns (Alle anzeigen)

Passend zum Thema:

Die Sendung mit der Metrik #19: “Nimmt uns die künstliche Intelligenz die Analyse-Jobs weg?” mit Tom Alby von Interone Die Sendung mit der Metrik #16 Teil 2: “So starten Unternehmen mit der Webanalyse” mit Markus Vollmert von Lunapark Die Sendung mit der Metrik #21: “Darum ist ein Relaunch ohne Webanalyse gefährlich” Die Sendung mit der Metrik #44 “Warum du einen Analytics Audit immer in Betracht ziehen solltest”

Noch mehr Insights

Was ist Unassigned Traffic in GA4, wo finde ich ihn und wie lässt er sich beheben?

Keine klare Zuordnung des Traffics zu Kanälen, kein direkter Zusammenhang zu euren Marketing-Maßnahmen – und dementsprechend keine Aussagekraft, ob eure Kampagnen wirken oder nur Geld verbrennen und euren ROI runterdrücken. Nervig, oder? Genau das passiert in vielen Setups, die wir sehen, durch den sogenannten “Unassigned”-Traffic. 

Dadurch verliert ihr wertvolle Einblicke, weil GA4 euren Traffic nicht eindeutig zuordnen kann.

Mehr erfahren >
Top