Was ist ein Data Warehouse und wie baue ich es auf?

Joel Kaczmarek: Hallo und herzlich willkommen zu einer neuen Folge Business Building Podcast mit Joel Kaczmarek. Und neben mir sitzt wieder der Silberrücken, der Kenner der Szene, Mr. Digital Schlechthin. Hallo Florian.   Florian Heinemann: Moin.   Joel Kaczmarek: Meine ich ganz ehrlich, ich sage das immer so, meine ich positiv. Ich habe neulich gelesen, ich weiß aber nicht, ob das nett gemeint wird, da hat jemand gesagt, du seist der Peter Scholl-Latour der Internet-Szene.   Florian Heinemann: Also ich gehe mal davon aus, es war, ich glaube, der Kollege Hüsing. Und wie ich ihn kenne, hat er das mit absoluter Sicherheit sehr nett gemeint.   Joel Kaczmarek: Glaube ich auch, glaube ich auch.   Florian Heinemann: Peter Scholl-Latour ist ja ein Hero meiner Kindergartenzeit, der ist ja schon ein bisschen länger unterwegs.   Joel Kaczmarek: Ja, stimmt, bei meinem Vater auch. Also für mich bist du das wandelnde Wikipedia des Internets, speziell mit Marketing, Venture Building und VC. Und heute haben wir uns ein sehr, sehr spannendes Thema ausgesucht, und zwar Data Warehouses, beziehungsweise Data Warehousing. Also den Bau von Datenlagern und deren Nutzung. Ich glaube, viele haben mal darüber geredet, aber viele kennen es noch gar nicht so. Vielleicht können wir mal ganz initial anfangen, mal einzuordnen, was genau ist ein Data Warehouse und wozu benutzt man es?   Florian Heinemann: Worum geht es? Es geht ja letztendlich darum, jeder spricht ja davon, man will wie eine datengetriebene Firma werden oder datengetriebene Organisation oder datengestützt, um halt Entscheidungsprozesse möglichst stark auf Basis von Fakten und eben Daten zu treffen und damit das vernünftig geht, brauchst du halt irgendeine Stelle im Unternehmen, wo möglichst viele Daten, die halt entscheidungsrelevant sind, an einer Stelle zusammengefasst liegen, konsistent liegen, die sollten irgendwie halbwegs richtig sein. Und das ist ja letztendlich die Idee eines Data-Warehouses. Man spricht auch zum Teil in der MBI vom Data-Warehouse. Single Point of Truth, dass du halt an einem Ort alle Daten ablegst, die in irgendeiner Form entscheidungsrelevant sind und die auch kontinuierlich up-to-date hältst und eben auch zugänglich machst für das Unternehmen. Letztendlich ist ein Data Warehouse nichts anderes als eine Datenbank oder eben eine Gruppe von Datenbanken, wo halt verschiedene Arten von Daten drin liegen. Und das ist jetzt für jedes Unternehmen unterschiedlich. Und in der Regel hast du dann noch irgendeine Art von Analyse-Auswertungssoftware da oben drüber, die es halt erlaubt, auf diese Daten zuzugreifen oder die in einer gewissen Weise darzustellen.   Joel Kaczmarek: Also ich habe mal geguckt, der deutsche Begriff für diesen in den 80ern von IBM, wie ich gelernt habe, von dem Begriff Datenlager. Also das ist ja an sich ganz spannend. Jetzt fragt man sich so ein bisschen, wie muss ich mir das in der Praxis vorstellen? Und vielleicht machen wir auch mal so ein bisschen Abgrenzung von Begriffen, weil du hast gerade auch schon BI gesagt, also Business Intelligence. Was ist denn zum Beispiel die Abgrenzung zwischen Data Warehouse, Business Intelligence und Data Mining? Das sind ja so ein bisschen, ist ja alles irgendwie so eine Suppe, in der wir da schwimmen. Vielleicht sagen wir da mal einen Satz zu und dann tauchen wir ein bisschen ein, wie man sowas konkret baut.   Florian Heinemann: Ja, also ich bin jetzt auch ehrlicherweise nicht der größte Semantikexperte, was diese Themen angeht. Aber ich wage mal einen Versuch. Also für mich ist Business Intelligence der Gesamtkomplex. Also der gesamte Bereich des, ich sammle Daten, ich werte die irgendwie aus und mache die in irgendeiner Form actionable, inklusive der Infrastruktur, die man dafür verwendet. Das würde ich jetzt unter Business Intelligence fassen. Und der zweite Begriff war?   Joel Kaczmarek: Data Warehouse haben wir ja gerade gesagt.   Florian Heinemann: Genau, Data Warehouse ist quasi die physische Lagerstätte, wo das dann drin liegt. Und Data Mining ist ja letztendlich ein spezieller Prozess des Datenauswertens, wo du halt versuchst, Daten, die in irgendeiner Form gegebenenfalls schon attribuiert darliegen, also irgendwelche Datenpunkte hast, die schon Sinn in sich machen, wo du dann versuchst, eben daraus auszuwerten, sinnvolle Dinge zu tun. Also Data Mining geht ja auch in den Bereich Data Science, wo du halt sagst, okay, du hast irgendwelche Daten, die liegen dort und dann versucht man daraus irgendwas Sinnvolles zu tun mit verschiedenen Methodiken. Und das würde ich eben unter Data Mining fassen. Das heißt also der Oberbegriff ist eigentlich Business Intelligence und ein Teil ist ein infrastruktureller Teil, das wäre eben Data Warehouse und Data Mining ist für mich ein Teilbereich des Datenauswertens.   Joel Kaczmarek: So, dann kommt man ja irgendwie übergeleitet zu der Frage, wer braucht sowas und wann? Also wann kannst du sicherlich sagen, ab welchem Zeitpunkt, zum Beispiel auf welcher Reichweite, ab welchem Finanzierungsgrad, ab welcher Firmengröße, aber vielleicht auch in welchem Bereich? Ist das eher was, was für das Marketing relevant ist? Ist das eher für die Produktentwicklung? Was würdest du sagen, was ist der Zeitpunkt und welcher Akteur sollte sich für so ein Thema interessieren?   Florian Heinemann: An sich im Digitalbereich ist ja das Charmante. dass bei digitalen Business-Modellen in der Regel ein Großteil der Wertschöpfung, da lassen sich in der Regel sehr, sehr einfach irgendwo Daten abgreifen, auch relativ zeitnah. Das heißt, in Data Ware aus dem Digitalbereich, da sage ich eigentlich, es macht schon sehr, sehr viel Sinn, eine Vorstufe oder eine Frühstufe davon im Prinzip auch schon in einer sehr, sehr kleinen Organisation zu installieren. Warum? Weil aus meiner Erfahrung es schon leichter ist, wenn man so anfängt, dass dann eben auch die ganze Organisation im weiteren Verlauf sich viel, viel leichter tut, datengestützt zu unterscheiden. Das heißt, deswegen würde ich sagen, eigentlich brauchst du natürlich, wenn du drei Mann bist, brauchst du keinen Data Warehouse. Also jetzt mal rein von der operativen Notwendigkeit.   Ich denke aber, es ist trotzdem sehr, sehr schlau, sich sehr, sehr früh Gedanken dazu zu machen, wie soll irgendwann mal meine Datenhaltungs- und Auswertungsstruktur aussehen und die auch schon recht früh zu implementieren. Weil ich glaube, dann kommst du einfach in eine andere Art des Arbeitens, die nach hinten raus, wenn du dann mal größer bist und so weiter, sich, glaube ich, auszahlt. Wer braucht das? Der offensichtlichste Adressat ist ja eigentlich das Management. Wie viel Umsatz habe ich denn? Und dass du auch versuchst, da irgendwie eine gewisse Cashflow-Planung mit abzubilden. Dass du sagst, du hast irgendeine Art von Finanzkennzahlen-Data-Warehouse und da kannst du im Prinzip sehr zeitnah sehen, wie geht es eigentlich meiner Firma ab. Aber das Spannende finde ich eigentlich eben nicht der Management-Teil, also der ist auch nett und das hat ja eher einen Informationscharakter und wenn es gut läuft auch einen gewissen, da muss ich was tun Charakter.   Ich finde aber eigentlich für mich ist das Zielbild eigentlich immer, dass fast alle Personen in einem Unternehmen, die irgendeine operative Tätigkeit verrichten, gerade auch dezentral, dass die eigentlich dabei unterstützt werden bei ihren Entscheidungen, indem sie die richtigen Daten sehr zeitnah für ihren Teilbereich eben zur Verfügung gestellt bekommen, automatisiert. Und ich glaube, dann kommt eigentlich das richtige Potenzial eines Data Warehouses zum Tragen, wenn du eben sagst, das ist nicht nur was, was irgendwie fürs Management ist oder für die Geschäftsführung oder für die Investoren, noch schlimmer, sondern im Prinzip, es ist für jeden Mitarbeiter, der eigentlich in der Firma in irgendeiner Form was tut und Entscheidungen treffen muss. Und ich glaube, das Charmante bei gut gemachten Data Warehouses oder das ist ja weniger das Data Warehouse, sondern eher die Auswertung, die du darauf triffst, wenn du jeden einzelnen Mitarbeiter in die Lage versetzt, jeden Tag Entscheidungen zu treffen und zu wissen, auf Basis der Zahlen, war ich jetzt eigentlich gestern gut oder war ich schlecht im Sinne der Unternehmensziele.   Das ist ja eigentlich so für mich so die Endvision von einer datengetriebenen Organisation, einer datengestützten Organisation, dass eben nicht Entscheidungen immer hochdelegiert werden müssen zum Management und dann wieder runter, sondern dass im Prinzip jeder einzelne Mitarbeiter auf Basis dessen, was er da sieht, selbst weiß, bin ich auf dem richtigen Weg oder nicht. Weil wenn das gelingt, dann hebst du natürlich das wahre Potenzial von so einem Data Warehouse, dass eben sehr, sehr viele Entscheidungen in die richtige Richtung getroffen werden, weil halt die zugrunde liegenden Zahlen und die hinterlegten Ziele so gut gewählt und gepflegt sind, dass die Mitarbeiter selbst erkennen können, dass sie in die richtige Richtung sich bewegen oder eben nicht. Ich vergleiche das auch häufig mit so einem Trading-Floor bei einer Investmentbank. Da kann man sich jetzt drüber streiten, ob diese Menschen alle sinnvolle Tätigkeiten tun. Aber das Beeindruckende ist bei so einem Trading-Floor, da treffen sehr, sehr viele Menschen unabhängig voneinander Entscheidungen auf Basis von bestimmten Regeln und so und so viel Geld und den und den Bereich und sie bekommen im Prinzip instant Feedback oder direktes Feedback, ob das jetzt gut oder schlecht war. Man kann sich jetzt darüber streiten, ob diese Entscheidungen inhaltlich immer sinnvoll sind, gesellschaftsfördernd oder sonst irgendwas, aber ich glaube, wo man nicht argumentieren kann, ist, dass die Menge von Entscheidungen und die Effizienz von Entscheidungen und die Rückmeldung, das führt zu einem sehr, sehr hohen Maß an Entscheidungseffizienz und ich glaube auch, ehrlicherweise, zu einem hohen Maß an Motivation, weil eben Mitarbeiter selbst entscheiden können und sich selbst auf Basis dessen weiterentwickeln können. Also idealerweise deckst du die komplette Wertschöpfungskette irgendwann mal mit einem Data Warehouse ab.   Das ist eigentlich die Idee und die Endausbaustufe. Wir fangen häufig jetzt hier bei Project A mit Marketing-lastigeren Themen an, weil das, wenn du in der frühen Phase investierst, Wenn du nicht in der Lage bist, irgendwie Kunden zu gewinnen und halbwegs zu binden, dann brauchst du dir jetzt um die Effizienz deiner Organisation oder deiner Operations nicht so Gedanken zu machen. Deswegen fangen wir damit an häufig. Das heißt, wir nehmen, was ich, Daten aus Google AdWords und aus Facebook und so weiter und versuchen das alles zusammenzubringen mit den Kundendaten oder Transaktionsdaten zu verheiraten. Und daraus dann irgendwelche Rückschlüsse zu ziehen. Das heißt, der erste Versuch ist eigentlich, dass die Marketingabteilung oder CM-Abteilung anfängt, damit operativ zu arbeiten. Und dann versuchst du es sukzessive über das Unternehmen auszudehnen. Und das ist eigentlich so die Vision dahinter.   Joel Kaczmarek: Kann es dir denn bei dem Thema passieren, dass du am Anfang Weichen stellst, die dich dann hinterher teuer zu korrigieren kosten? Also kannst du da irgendwie schon früh falsch abbiegen?   Florian Heinemann: Ich glaube, du kannst schon sehr, sehr viel falsch machen. Weil ich glaube, man muss sich schon überlegen, was ist die Endausbaustufe, was das Ding leisten muss. Also nur mal so eine Entscheidung. Wenn man sagt, was soll das Data Warehouse leisten? Also wir sagen ja, es soll eigentlich leisten, diese Reporting-Ebene gegenüber Management und so weiter. Und dann soll es idealerweise eine Reporting-Struktur auf operativer Ebene gewährleisten, also im Marketing-Team, im CRM-Team und so weiter. Dann willst du aber idealerweise auch solche Dinge machen wie Rückmeldung an irgendwelche Marketing-Tools, was jetzt der Kunde gekostet hat und wie viel ich jetzt für diesen Kunden bieten sollte und so weiter. Das heißt also, diese Möglichkeit es zurückzufieden und dann eben auch die Möglichkeit beispielsweise sowas zu machen wie, Eine Kundensegmentierung, die sich dann aber auch in der Applikation im Web oder Mobile widerspiegelt. Das heißt, irgendeine Art von Personalisierung der Applikation.   Und in dem Moment, wenn du anfängst, irgendwie so eine Personalisierung der Applikation vornehmen zu wollen, dann kannst du eben auch nicht mehr sagen, ich mache das mit 24 Stunden Verzug oder so, sondern du willst ja im Prinzip anfangen, eine Personalisierung. Also das wäre dann eine wesentliche Implikation, wo du sagst, in dem Moment, wenn dein Zielbild eine Art von Personalisierung beinhaltet dann musst du eigentlich eine Echtzeitverfügbarkeit der Daten im Data Warehouse gewährleisten. Und das verlangt eine ganz andere Technologie, teurer, anspruchsvoller und so weiter, als wenn du sagst, das reicht mir eigentlich, wenn ich das einmal am Tag update und dann mache ich da irgendwelche Auswertungen drauf. Aber das muss man sich im Prinzip vorher schon überlegen. Das heißt, man muss im Prinzip schon sagen, was ist mein Zielbild? mal irgendwann und die Architekturentscheidungen, die ich jetzt am Anfang treffe, lassen die mir diesen Pfad offen oder eben nicht. Man darf aber andererseits natürlich auch nicht den Fehler machen, zu sagen, okay, ich fange direkt mit einer Oracle-Datenbank an, weil da kostet mich allein der Administrator x Euro und ich packe direkt irgendeine Micro-Strategy Implementierung als Auswertungstool obendrauf für so und so viel.   Das kann es dann auch nicht sein. Aber ich glaube, man muss sich zumindest mal überlegen, die Architekturentscheidung, die ich dann treffe, going forward, wann werde ich da an Grenzen stoßen und was ist gegebenenfalls die nächste Ausbaustufe. Also ich glaube, es macht schon sehr viel Sinn, sich darüber Gedanken zu machen und ich glaube auch, das ist auch so eine Entscheidung, wenn es dann darum geht, mache ich das jetzt selbst, versuche ich da selbst ein Data Warehouse zu bauen mit irgendwelchen Open Source Technologien Das ist jetzt ein Weg, den wir in der Regel gehen. Oder nehme ich mir irgendein Tool? Wenn du irgendein Dritt-Tool nimmst, dann weißt du wahrscheinlich, dass die ganzen Reporting-Themen und so weiter, die werden gut funktionieren. Aber wenn du jetzt sagst, ich will das Ding mit meiner Applikation, ob es jetzt Mobile oder Desktop ist, ist mir egal. in irgendeiner Form verbinden oder ich will das irgendwie an irgendwelche Marketing-Tools connecten, dann ist schon die Frage, ob irgendwelche Dritt-Tools dafür ausgelegt sind. Deswegen, glaube ich, macht es schon Sinn, dass irgendjemand in der Firma, idealerweise auf GF- oder ID-Ebene drunter, so eine gewisse Ziel-Vision dafür hat, was ist eigentlich das Anspruchsniveau. Letztendlich ist das genauso eine bewusste IT-Entscheidung wie das, was du auch in deiner Kernapplikation triffst.   Joel Kaczmarek: Wenn man sich mal irgendwie den Begriff Data Warehouse anschaut und dann gehst du mal hin und schaust dir mal AdWords an, so die Keyword-Tools, Was wird am meisten damit gesucht? Das sind oft solche Geschichten wie Architektur oder wie ETL. ETL ist ja im Prinzip auch so einer dieser Prozesse, auf welche Art du Daten extrahierst und damit umgehst. Da wollen wir jetzt vielleicht gar nicht so in die technische Tiefe eintauchen, aber die Frage ist ja schon, was für eine Modellierung und was für eine Architektur sollte ich für so ein Data Warehouse haben? Und wahrscheinlich hast du ja eigentlich auch schon gesagt, das variiert über die Zeit. Du hast ja schon viel dazu gesagt, aber wenn man das jetzt nochmal irgendwie eindampft, Was würdest du sagen, ist so Minimum Viable Product, also die Mindestanforderung an so eine Architektur von einem Data Warehouse am Anfang? Und wie wandelt sich das über die Zeit? Also ab welcher Phase zum Beispiel musst du dir dann so Schritt zwei, drei nehmen? Wie würdest du sowas rangehen? Du hast ja schon gesagt, Online-Marketing ist so eine erste Brücke.   Florian Heinemann: Was ist häufig unsere erste Vorgehensweise? Wir versuchen halt letztendlich, wenn wir irgendwo investieren, Versuchen wir erstmal sozusagen diese Marketing-CM-Handlungsfähigkeit herzustellen. Das heißt für uns ist eigentlich das das Wesentliche, dass die Startups am Anfang in der Lage sind, alle ihre Marketingkanäle auf Rohdatenebene möglichst granular in ein zentrales Data Warehouse zu überführen, also sprich in eine zentrale Datenbank. Und da arbeiten wir auch zum Teil mit Sachen wie Segment, was dir sozusagen so Konnektoren bietet zu den verschiedenen Marketing-Tools. Wir haben auch eigene Konnektoren zu den verschiedenen Marketing-Tools, die musst du natürlich immer ständig aufrechterhalten. Und letztendlich ist aber der Großteil der Arbeit besteht eigentlich dann auch in dieser frühen Phase weniger auf der Architektur-Ebene. sondern besteht eigentlich für uns, und das ist auch fast die größte Schwierigkeit darin, wie bekommst du eigentlich die Organisation dann dazu, damit wirklich zu arbeiten. Aber komm, vielleicht da nochmal zu. Aber im Wesentlichen haben wir am Anfang eine einfache Datenbank, die irgendwas Open-Sourciges und wir haben jetzt für uns ein eigenes Auswertungs-Frontend gebaut, aber da kannst du sicherlich auch irgendwas aus, weiß ich, sowas nehmen wie Tableau oder einige verwenden auch Clickview, das ist dann teuer. Da nutzen wir auch Dritt-Tools, bloß eben für dieses Data-Wars an sich. Da verwenden wir in der Regel eben Technologien, die wir selbst beherrschen. Also was heißt beherrschen?   Wo wir selbst einen Zugang zu haben, eben jetzt keine Dritttechnologien, um da eben möglichst flexibel zu sein. Aber das ist jetzt eben unser spezieller Ansatz. Das kann man sicherlich auch ein Stück weit anders machen. Und dann konzentrieren wir uns eben erstmal darauf, dass diese Marketingdaten wirklich alle zusammenkommen. Und das ist häufig gar nicht so einfach, weil dann bist du ruckzuck bei 15, 20, 25 Quellen, die du irgendwie anbinden musst und die ja leider auch alle Moving Targets sind. Weil dann hast du irgendwie so ein Facebook ändert ja auch mal was. Und dann hast du zum Teil natürlich auch Leute, die nicht so professionell sind wie Facebook. Das heißt, die sagen denen nicht mehr, wenn sie was ändern. Das heißt, dann siehst du eigentlich erst, dass sie was geändert haben, wenn dann im Data Warehouse falsche Zahlen auflaufen. Also sprich, alleine den Zustand herzustellen, dass da jeden Tag irgendwelche Daten reinfließen und das halbwegs sinnvoll ist und dann noch gematcht ist mit irgendwelchen Google Analytics oder irgendwelchen WebTrack oder EconDa Daten.   Alleine das, diesen Zustand herzustellen. Das ist erfahrungsgemäß gar nicht so einfach. Und das ist eigentlich der Schwerpunkt der ersten Phase. Also erstmal überhaupt an einer Stelle den ganzen Kram zusammenzuführen, um überhaupt Entscheidungen treffen zu können. Und ich glaube, was da nochmal ganz wichtig ist, es muss halt immer auf Rohdatenebene passieren. Wieso ist das so? Wenn man jetzt nur Google Analytics an sich betrachtet, dann hast du immer nur, in Anführungsstrichen, aggregierte Daten. Das heißt, du kommst nicht auf den Einzeluser runter. Und sämtliche der spannenden Dinge, die du dann eigentlich mit so einem Data Warehouse machen kannst, also gerade in die CM-Richtung, also gerade sozusagen, wenn du sagst, ich will eigentlich einzelne Nutzer in irgendwelche Segmente packen, da musst du eigentlich und ein Segment oder eine Segmentierungsform ist eben auch, wo kam denn der Nutzer her, um überhaupt zu bestimmen, welche Marketingquellen liefern mir, welche Qualität von Nutzern. Das heißt, ich brauche an einer Stelle, brauche ich im Prinzip die Rohdaten von Nutzern auf User- oder Session-Ebene um genau das machen zu können. Und um sie eben auch mit Transaktions- oder User-Daten aus meiner eigenen Applikation matchen zu können. Und das ist eben zum Teil nicht ganz so einfach. Also wir nutzen da zum Teil WebTrack, wir nutzen zum Teil Google Analytics Premium, aber wie gesagt, da gibt es auch diverse andere Anbieter aus dem Web-Tracking-Bereich, die da Rohdaten zur Verfügung stellen.   Joel Kaczmarek: Also wir fassen zusammen, Phase 1, der neuralgische Punkt, das beginnt sozusagen, du hast ja typischerweise diesen Sales Funnel, also du machst irgendwie Marketing und dann verkaufst du, jetzt werfen wir mal B2B und B2C in einen Topf, relativ brutal, und das ganze Management der Kunden. So, Rohdaten, weil du wissen willst eigentlich, wenn ich die in Kohorten ordne, also den Nutzer habe ich aus dem Newsletter gewonnen, den irgendwie bei Facebook, wie performen die im Vergleich, wie sozusagen entwickeln die sich beruflich.   Florian Heinemann: Wobei die Kohorten dabei gar nicht mehr so der relevante Punkt sind. Eine Kohortenauswertung kannst du theoretisch auch aggregiert machen. Alle Nutzer, die darüber gekommen sind, verhalten sich so. Die Einzelnutzerebene ist eigentlich insbesondere dann relevant, wenn du danach mit diesen Kunden, diese Kunden einzeln segmentieren möchtest und das beispielsweise mit deinem CM connecten willst. Vorher könntest du eigentlich auch sagen, ich kann mit Segmenten leben, also mit Segmenten, die halt über Google AdWords das Keyword Schuhe gekommen sind und in Bayern leben, ja, das wäre ein Kundensegment, das ginge theoretisch auch aggregiert, aber in dem Moment, wenn du einzelne Nutzer ansprechen willst und eventuell auch eine Recommendation Engine für einzelne Nutzer oder eine Personalisierung der Website für theoretisch einzelne Nutzer, spätestens dann brauchst du halt die Einzelnutzerebene.   Und erfahrungsgemäß macht es halt Sinn, das sehr früh mit einzuführen, diese Ebene, weil das eben auch ein gewisses Erfahrungswissen dann braucht innerhalb von so einem BI-Team. Wie gehe ich damit um? Wie connecte ich das miteinander? Und wie halte ich dann eben auch das stabil und wie sorge ich dafür, dass das eben dauerhaft funktioniert? Und deswegen würde ich mich dieser Rohdatenproblematik sehr früh stellen. Eine wichtige Entscheidung, die du da treffen musst, ist jetzt mal auf dieser Kundenebene. Schaue ich mir nur Rohdaten für Sessions an, die konvertiert haben? Oder schaue ich mir auch Rohdaten für Sessions an, die eben nicht konvertiert haben? Was ja erfahrungsgemäß blöderweise deutlich mehr sind, weil die meisten Nutzer konvertieren ja blöderweise nicht. Echt ärgerlich. Die Welt wäre viel einfacher, wenn die zu 100% konvertieren würden. Aber das tun sie eben nicht. Und das ist eine wesentliche Entscheidung, weil es einfach die Datenmenge nach oben treibt. Schaue ich mir auch Sessions an von Leuten, die nicht konvertiert haben, weil ich da vielleicht irgendwas lernen kann.   Das ist mit Sicherheit so, aber das ist so eine nächste Entscheidung, die du letztendlich treffen musst. Und das, was ja dann nochmal darüber hinaus ginge, ist, wir betrachten jetzt ja hier nur Nutzer, die quasi geklickt haben und dann bei mir auf die Webseite kommen oder in die Applikation kommen. Du könntest ja theoretisch auch Nutzer noch mit einbeziehen, mit denen du nur Werbemittelkontakte hattest über einen Ad-Server. Das heißt, die noch nicht mal geklickt haben. Dann exponentiert sich das natürlich nochmal. Aber auch da kannst du natürlich theoretisch spannende Sachen daraus sehen. Welche Nutzer sehen eigentlich meine Werbemittel, aber zum Teufel nochmal, die klicken nicht. Das würde die Datenmenge natürlich nochmal nach oben treiben, wenn du jetzt zumindest ein relativ großes Display-Programm hast.   Joel Kaczmarek: Man muss sich ja mal diesen ganzen Komplexitätsgrad so ein bisschen vergegenwärtigen. Das wäre ja so, als wenn du ein Ladenbesitzer bist. gehst hin und analysierst jetzt das Verhalten von jeder Person, die in deinem Laden etwas gekauft hat, die nichts gekauft hat und auch jeder, der vorbeigegangen ist, der gar nicht erst reinkam, dem ich aber irgendwie ein Schild gezeigt habe. Das ist ja irgendwie was hochkomplexes. Lass uns mal den Prozess vielleicht noch zu Ende führen. Also du hast gesagt, anfangen, neuralgische Geschichte, Marketing, Zahlen, CRM, um überhaupt in diese Geldverdienenschiene reinzukommen, weil wenn es da hakt, brauche ich mir da hinten gar nicht mehr Gedanken machen. Was würdest du sagen, sind Ausbaustufen, die so ein Data Warehouse dann noch mit der Zeit einnehmen können?   Florian Heinemann: Also idealerweise erschließt du dir wirklich Fachbereich für Fachbereich. Also das kann im E-Commerce-Bereich irgendwie Einkauf sein, das kann Lager sein, also sprich, dass du auch Dinge damit trackst, wie gehen Dinge durchs Lager, wie schnell geht das, an welchen Stellen hakt es. Pricing ist ein super Thema, was du über Data Warehouse abbilden kannst, also dass du quasi versuchst, für deine Produkte auf Basis von welchen Regeln oder von mir aus auch Algorithmen auch immer dynamische Preise zu bilden, abzutesten, wie gut die funktionieren. Produktentwicklungsthemen bieten sich natürlich auch an, also sprich zu gucken, wie verhalten sich gewisse Nutzer auf der Seite unabhängig von irgendwelchen Transaktionen, Du kannst letztendlich die komplette Wertschöpfungsstufe, was auch immer es ist, kannst du letztendlich versuchen, quantitativ abzubilden und in irgendeiner Form versuchen, in das Data Warehouse reinzubringen.   Und ich glaube, das muss man einfach bereichsweise machen, weil die Erfahrung so ein bisschen zeigt, Das bringt ja nur dann was, wenn es eben nicht nur auf der Reporting-Ebene stehen bleibt, fürs Management, sondern wenn wirklich einzelne Mitarbeiter die Entscheidung jeden Tag treffen, wenn die eben damit arbeiten. Und deswegen, glaube ich, bietet es sich halt an, das sukzessive zu machen und auch Leute zu haben, die im Prinzip die Schnittstelle, also für uns sind das so Analysten oder auch ein Stück weit Produktmanager fürs Data Warehouse, die letztendlich mit den einzelnen Fachabteilungen arbeiten und gucken, was für Zahlen würden denen eigentlich bei der Entscheidungsfindung helfen, zu gucken, kommt das eigentlich wirklich an, also arbeiten die wirklich mit diesen Zahlen. Also Marketing ist für uns mal ein wesentlicher Schritt, schaffen wir es, dass die Leute weggehen von, sie gucken in ihr Google AdWords Account, um Entscheidungen zu treffen, was sie hoch oder runter bieten sollten oder ihr Facebook-operatives Tool. Wenn man es schafft, dass die Leute eben eher in ihr operatives Marketing-Reporting gucken für ihren Kanal, was auf Basis des Data Warehouses erstellt wird. Das ist ja eigentlich der entscheidende Schritt, weil nur dann kannst du so Sachen machen wie eine CLV-Betrachtung.   Weil im Google AdWords Account steht kein CLV. Das musst du aus dem Data Warehouse ziehen oder aus irgendeiner Form von transaktionsbasierter Datenbank. Ein weiteres Thema ist eben Attribution. War ein Nutzer in mehreren Kanälen aktiv, bevor er konvertiert hat? Auch das kannst du per Definition nicht im Google AdWords Interface sehen, weil Google AdWords sieht nur Google AdWords. Und solche Sachen wie Attribution kannst du im Prinzip auch nur dann sinnvoll in die Handlungs- oder in die Entscheidungsfindung von Marketingentscheidern reinbringen. Wenn die ein übergeordnetes Reporting als ihre Entscheidungsgrundlage nehmen, was per Definition nur aus dem Dataverse kommen kann. Und alleine diesen Schritt zu schaffen, dass die Leute eben nicht mehr in ihren operativen Systemen schauen, das ist schon gar nicht so einfach. Also das schaffen wir fairerweise auch nicht bei   Joel Kaczmarek: Hast du einen Tipp, wie man da vorgehen kann, wenn man die Leute umgewöhnen will auf so eine eigentlich reichere, also werthaltigere Quelle?   Florian Heinemann: Ja, also ich glaube, das Einzige, wie es eben wirklich geht, ist, und deswegen glaube ich mittlerweile sehr stark an diese elementare Rolle des BI-Analysten. Du brauchst im Prinzip eben einen BI-Analysten, der so tief im Marketingthema drin steckt, dass er halt auch ernst genommen wird von diesem Marketing-Team. Deswegen, du brauchst im Prinzip wirklich Leute, die ähnlich gut Marketing verstehen, wie die Leute, die das Marketing selbst machen, bloß eben Zahlen für diese Leute liefern. Nur dann hast du, glaube ich, eine gute Chance, dass das auch wirklich angenommen wird. Und du musst es halt kontinuierlich weiterentwickeln. Du musst da wirklich gucken, okay, wie entscheiden die eigentlich? Letztendlich muss man natürlich auch sagen, der Witz, wenn sie es CLV-basiert machen, also das ist ja eigentlich immer ein ganz gutes Argument, gegebenenfalls kannst du dann sogar mehr Geld ausgeben für das, was du tust, weil deine Kunden sind ja sehr, sehr viel wert. Das ist natürlich auch immer ein sehr gutes Argument, Das gilt natürlich leider nicht für jeden Kanal. Bei Attributionen, es gibt halt Gewinner und Verlierer bei diesen Kanälen. Aber es ist natürlich ein guter Weg, um schon mal reinzukommen, wenn du halt die Gewinnerkanäle und sagst, pass mal auf, wenn du das hier, wenn du hier reinguckst, dann hast du nicht nur ein akkurateres Bild der Realität, sondern du hast im Prinzip auch die Chance, mehr Geld auszugeben, dein Budget auszuweiten. Das ist eben häufig ein gutes Argument.   Und was natürlich auch ein Riesenargument ist, wenn du sagst, pass mal auf, ich stelle dir das nicht nur da und dann musst du das noch manuell in Handlung übersetzen, sondern Und das ist dann im Prinzip der nächste Schritt. Ich bin im Prinzip in der Lage, das zu koppeln mit den Marketing-Tools, die dann Gebote treffen. Also jetzt im SEA-Bereich ein Bit-Management-Tool oder irgendwelche Ad-Server oder irgendwelche DSPs oder Criteo kannst du auch, also Retargeting-Anbieter kannst du ja auch. Gebote letztendlich übermitteln. und wenn du sagst, ich mache es für dich sogar noch einfacher, ich übersetze die Erkenntnisse, die wir jetzt hier gewinnen auf Basis von Attributionen und CLV, übersetze ich in Gebotsentscheidungen. Und dann hast du natürlich sozusagen den letzten Schritt, weil du dann ja wirklich den operativen Leuten Arbeit abnimmst. Nicht nur bessere Entscheidungen triffst, sondern auch noch Arbeit abnimmst. Und das ist natürlich sozusagen das Killer-Argument, aber das ist schon gar nicht so einfach. Also das schaffen wir fairerweise auch nicht. Nur sehr selten.   Joel Kaczmarek: Jetzt haben wir viele Werte daran irgendwie herausgestellt, haben gezeigt, was man damit macht, was die Phasen sein können. Jetzt hört vielleicht jemand zu und sagt, wie konkret baue ich das jetzt eigentlich? So, jetzt hast du schon so ein bisschen angedeutet, ihr macht es oft mit Open Source. Natürlich ist da die Frage, gibt es da so eine Off-the-shelf-Lösung, dass ich hingehe und kaufe mir irgendwen ein und baue das vielleicht aus und verpasse es meinen eigenen Bedürfnissen an? Oder läuft es doch eher oft darauf hinaus, dass man sich sowas selber baut?   Florian Heinemann: Vorab, wenn man so ein Thema angeht, muss einem eigentlich eine Sache klar sein und die ist so ein bisschen nervig und ärgerlich. Wenn man so ein Data Warehouse baut und so Daten zusammenführt und so weiter, haben wir ja gerade gesagt, ist eine sehr anspruchsvolle Aufgabe, man sieht nur erstmal nichts. Also das ist eben so das Deprimierende an diesem Thema. Und weil sozusagen die Wertheitigkeit von so einem Data Warehouse kommt ja gerade durch, dass du darauf dann bessere Entscheidungen triffst und so weiter, also ein sehr indirektes Nutzenversprechen, was mit sehr viel Schmerzen verbunden ist, weil gerade diese Aggregation von Daten eben so blöd ist. Und das milderst du natürlich pro Forma ein Stück weit ab, indem du einfach sagst, ich nehme jetzt hier das Data-Warehouse-Tool so und so und so, das macht das alles für mich. Und das muss man sich halt überlegen.   Also ich glaube, ein Dritt-Tool zu verwenden, das kann man schon machen. Man muss nur, glaube ich, sehr, sehr stark darauf achten, wie viel Flexibilität nimmt das nach hinten raus? Das ist das eine. Und das andere Thema ist natürlich, ja, das mildert meinen initialen Schmerz, wenn es ein gutes Tool ist, weil hoffentlich diese Daten-Zusammen-Stell-Sammel-Phase und dass das halbwegs zuverlässig funktioniert, dafür erhöhe ich die Wahrscheinlichkeit. Das ist ja erstmal schön. Das einzige Problem, und das muss einem natürlich klar sein, wenn ich das selbst baue, setze ich natürlich meine Organisation selbst mal der Herausforderung aus, sich das Know-how anzueignen, wie das eigentlich genau geht. Also jetzt mal wirklich im Detail. Das ist zwar mit Schmerzen verbunden, aber wenn ich das durchhalte und durchziehe, hat das natürlich auch einen großen Reward. Lerneffekt auch. Lerneffekt und ich bin natürlich deutlich flexibler, wenn es dann darum geht, irgendwelche Sachen irgendwo anzubinden, weil einfach das Verständnis von den handelnden Personen, die sich um so eine Infrastruktur im eigenen Unternehmen, das hilft natürlich, gerade wenn du damit irgendwelche weitergehenden Sachen machen willst, wie jetzt irgendwie eine Recommendation Engine auf Basis dessen bauen oder eine Personalisierungs Engine für was auch immer du anbietest. All das fällt dir natürlich viel leichter, wenn du den Kram selbst gebaut hast. Und meine These ist so ein bisschen, es ist immer ein schmerzhafter Prozess, sowas zu machen.   Du brauchst immer irgendeinen GF oder sowas, der sagt, wir ziehen das jetzt durch. Und du brauchst natürlich die richtigen handelnden Personen. Viele BI-Projekte enden fairerweise auch im Nirvana, das muss man eben wirklich sagen. Und dann sind die Zahlen nicht richtig und dann wird das Ding nicht akzeptiert. Aber ich glaube Wenn man anerkennt, es ist ein schmerzhafter Prozess, aber das Licht am Ende des Tunnels ist so verheißungsvoll, ich mache es trotzdem, dann finde ich, ist dieser Schritt zu sagen, man macht zumindest diese Datensammelprozesse, Zusammenstellungsprozesse, das macht man selbst, weil es enorm hilft, dabei ein großes Verständnis von den Daten zu haben. Diesen Schmerz würde ich mir noch antun. Ich glaube, wo man viel besser Dritt-Tools verwenden kann, weil das letztendlich nicht die Daten in der Tiefe betrifft, ist dann sowas wie so ein Tableau oder ein Clickview da oben drauf zu packen und zu sagen, ich habe darüber einen Auswertungs-Dashboard, das sieht schick aus und das ist auch auf dem iPad und ich habe so eine Mobile-App dafür und die geben sich auch Mühe, dass das Ding noch für iOS irgendwas funktioniert. Ich glaube, wenn du das alles in-house machst, darüber kann man sich jetzt streiten, weil das sozusagen jetzt an sich nicht mehr so besonders wertschöpfend ist, aber trotzdem natürlich für die Akzeptanz von dem, was da rauskommt in der Organisation, da hilft das natürlich enorm.   Das heißt also, mein Rat ist eigentlich immer, wenn du begrenzte Ressourcen hast, sich mit den Daten an sich und diesen Sammelprozessen, und du kannst ja trotzdem für einen ETL-Prozess so ein Tool wie Kettle verwenden oder sonst irgendwas, so ein Standard-ETL-Tool verwenden. oder irgendwelche Pentaho-Komponenten, weil du sagst, das kannst du ja trotzdem machen, aber ich glaube sozusagen, die Datenstrukturen selbst festzulegen und da jemanden in der Organisation zu haben, der weiß, wie das eigentlich genau funktioniert und welche Schema du jetzt da genau verwendest, ich glaube, das ist ein Asset für ein digitales Business Und ich glaube, durch den Schmerz muss man einmal durch. Wenn man sich für einen Eigenbau entscheidet, dann sollte man das eigentlich nur dann tun, wenn man wirklich sagt, so, ich habe jetzt hier jemanden, dem traue ich das zu, der fuchs ich da rein. Der muss vielleicht gar nicht so wahnsinnig viel Erfahrung haben immer, wobei das da schon auch hilft. Aber es muss zumindest mal jemand sein, der ein sehr, sehr großes Potenzial für genau dieses Thema hat und der wahrscheinlich, ja, das ist wahrscheinlich schon, also der einfach das schon mal irgendwo zumindest mal gesehen hat und da in der richtigen Community drin ist, sich mit den richtigen Leuten austauscht. Weil ich glaube, sonst ist es ein Harakiri-Kommando und dann nimmst du wahrscheinlich lieber irgendein Dritt-Tool.   Joel Kaczmarek: Was würdest du denn sagen, was muss man denn eigentlich grob an Kosten für sowas rechnen? Also was würde so ein reines Dritt-Tool kosten und was kostet die Eigenimplementation und was vielleicht so eine Mischkalkulation aus beidem, wenn du jetzt mal den organisatorischen Aufwand für Gehälter, für Aufmerksamkeit auf das Thema, also die Opportunitätskosten mit einrechnest?   Florian Heinemann: Also ich glaube, du brauchst ja mindestens ein, zwei Entwickler in so einer Organisation, die wirklich sowas bauen. Und idealerweise hast du halt nicht nur einen, sondern eher zwei, weil du weißt ja nie, einer stirbt oder gefährt in den Urlaub oder hat keine Lust mehr auf das Thema. Und dann brauchst du halt mindestens einen BI-Analysten, der letztendlich das in die Organisation trägt. Und der auch sozusagen Produktmanagement macht für die Kollegen. Also sprich, der rausgeht zu den einzelnen Fachabteilungen, jetzt am Anfang Marketing und eben deren Anforderungen übersetzt in irgendeine Art von Ticket. Das ist ein normales Produktmanagement, wie im sonstigen IT-Bereich auch. Das heißt, das kleinstmögliche BI-Team sind eigentlich zwei Leute, wahrscheinlich sogar eher drei, ein Infrastrukturmensch. Und ein konzeptioneller Produktmanager, der idealerweise eben auch eine Art Analyst ist am Anfang. Und die Personalkosten dafür   Joel Kaczmarek: Da bist du ja schon bei 150.000, 200.000 Euro gefühlt pro Jahr.   Florian Heinemann: Das ist nicht billig. Und ich glaube, es lohnt sich, das zu tun. Und ich glaube auch, es ist eben nicht die Lösung zu sagen, ich nehme jetzt hier irgendeinen Dritt-Delta-Warehouse, das kostet mich 5.000, 6.000 Euro pro Monat und jetzt ist das Problem geregelt. Das trägt vielleicht für diese Reporting-Themen. Aber in dem Moment, wenn du dann mehr damit machen willst und vielleicht auch das CRM da drin abwickeln willst und so weiter, spätestens dann brauchst du vermutlich irgendeine technische Person, die das eben selbst kann. Und dann ist halt die Frage, kannst du das dann immer in irgendwelche Dritt-Tools anflanschen oder macht es dann nicht doch Sinn, das lieber selbst gemacht zu haben? Das muss man sich sicherlich im Detail anschauen.   Aber mein Gefühl ist, wenn man ein gewisses Ambitionsniveau hat und im Venture-Bereich muss man das eigentlich haben, also alle Startups sollten das eigentlich haben, die in irgendeiner Form Venture finanziert sind, dann wird es wahrscheinlich nicht anders gehen und für große Corporates, glaube ich, sowieso. Ich glaube, worum man halt total aufpassen muss und ich glaube, das siehst du gerade im Corporate-Bereich sehr häufig, da werden irgendwelche Data Warehouses gebaut und irgendwelche Hadoop-Cluster und sonst irgendwas. Das ist alles total cool, aber was da häufig fehlt, ist eben wirklich dieses nutzt die Organisation das? Und ich glaube, diesen Link Deswegen glaube ich auch, ist dieser BI-Analyst, Produktmanager auch in der Startup-Welt total wichtig, um das Ding eben wirklich at work zu kriegen und dass du da eben nicht irgendwas hast, was intellektuell sehr anspruchsvoll ist und auch irgendwie total schön irgendwas zusammensammelt, sondern was eben wirklich das tägliche Leben von jedem einzelnen Mitarbeiter oder zumindest jetzt mal am Anfang den Marketing-Bereich und dann eben darüber hinaus betrifft. Das musst du halt gewährleisten und das ist, glaube ich, mindestens genauso wichtig wie jetzt irgendwie die technische Infrastruktur und das, was da passiert, weil es geht eigentlich nur, diese beiden Sachen müssen halt ineinander greifen.   Joel Kaczmarek: Ja, ich meine, schön gesagt, dass es bei sowas immer so eine menschliche Komponente gibt. Also eigentlich brauchst du so einen Evangelisten im Intern sozusagen, der dir irgendwie die Mehrwerte aufzeigt und so ein bisschen dazu animiert.   Florian Heinemann: Und der auch Fortschritt zeigt, der einfach sagt, pass auf, wenn du die und die Zahl brauchst, ich habe verstanden, du brauchst das so und so und nächste Woche kommt das dann auch oder in vier Wochen. Also, dass die Leute auch sehen, weil du hast schon viele Organisationen, wenn du mal fragst bei den Startups auch, die ein Data Warehouse haben. Wenn du mal wirklich fragst, wer arbeitet da wirklich mit? Das ist eben, ja, und nur dann entfaltet es ja wirklich seine Wirkung. Deswegen ist, glaube ich, sozusagen dieser Übersetzer in der Organisation, das schon enorm wichtig.   Joel Kaczmarek: Gibt es noch so etwas, was du sagen würdest an Empfehlungen für so Personenprofile, die man sich für sowas ins Haus holen sollte? Also du hast ja schon gesagt, Entwickler und irgendwie so einen Analysten. Gibt es sonst irgendwie noch Rollen, wo du sagst, die brauchst du perspektivisch, wenn du so ein Thema betreibst?   Florian Heinemann: Du brauchst auf jeden Fall jemanden auf GF-Ebene, der das supportet, der im Prinzip auch sagt Ja, ich weiß, die Zahlen sind jetzt noch nicht richtig in diesem Data Warehouse, aber das macht das nicht grundsätzlich falsch. Also ich glaube, viele Organisationen tendieren ja dazu, Dinge, die eigentlich grundsätzlich richtig sind, nur weil sie jetzt nicht so optimal laufen oder nicht so richtig funktionieren, das Gesamtprojekt in Frage zu stellen oder den Gesamtsachverhalt. Und ich glaube, da brauchst du halt Top-Management-Support, die einfach sagen, ich weiß, das nervt jetzt total. und ja, Tool XYZ würde vielleicht auch zu schnellen Resultaten führen, aber es gibt keine Abkürzung. Wenn wir eine relevante, große Firma werden wollen, brauchen wir das irgendwann. Und ich weiß, der Weg dahin ist nervig, aber wir machen es trotzdem. So eine Person brauchst du auf jeden Fall, weil die Erfahrung zeigt, der BI-Analyst alleine, wenn der nicht diesen Support hat, kann schon mal ins Leere laufen, weil für die Marketingleute ist es natürlich auch frustrierend, da sehen die, ah, meine AdWords-Zahlen, die sind ja nicht richtig drin, ist doch totaler Scheiß oder die Kosten sind wieder blöd oder schlecht berechnet, funktioniert alles nicht.   Das ist ja die natürliche Tendenz. Und ich glaube, da den Weitblick zu haben und zu sagen, ja, das mag vielleicht so sein, aber unser Ambitionsniveau ist hoch, das müssen wir hinkriegen. Weil nur dann werden wir letztendlich in den Himmel der relevanten Startups irgendwann uns weiterentwickeln können. Ich glaube, den brauchst du. Und was wir schon auch sehen, ab einem gewissen Niveau von Firma, du brauchst diese Infrastrukturleute, du brauchst die konzeptionellen Leute, die es in die einzelne Fachabteilung reintragen, Mein Gefühl ist, dass du nochmal ab einer gewissen Größenordnung nochmal jemanden darüber hinaus brauchst. Das ist vielleicht ein CFO oder irgendein Typ, der sich das Ding anguckt und sagt, ist mein Gesamtbusiness eigentlich gesund? Wie steuere ich eigentlich mein Gesamtbusiness auf Basis dessen, was da rauskommt? Das haben wir jetzt an ein, zwei Stellen gesehen, wo du sagst, die haben es eigentlich schon geschafft, das in die einzelne Fachabteilung reinzutragen. Aber du musst ja auch immer wieder, wenn du es in die einzelne Fachabteilung reinträgst, du musst ja im Prinzip an der übergeordneten Aussteuerung des Unternehmens drehen. Und das muss sich dann ja übersetzen, idealerweise in die Ziele, die halt hinterlegt werden für die einzelnen Mitarbeiter.   Und mein Gefühl ist, da brauchst du halt irgendwann mal jemanden, der sich damit wirklich im Detail auseinandersetzt, ab einer gewissen Unternehmensgröße. Also wir haben jetzt gerade zwei Fälle im Portfolio, wo ich sagen würde, das ist eigentlich ein super Unternehmen. Aber die haben jetzt ab einer gewissen Größenordnung ein paar hundert Leute usw., fehlt so ein bisschen so dieser Link von jemandem, der das Ganze inhaltlich ganzheitlich betrachtet. Ist vielleicht ein bisschen abstrakt jetzt gesprochen und das ist sicherlich auch nicht deine Sorge am Anfang. Ich glaube, am Anfang reicht es für dich aus, wenn du einen guten Architekten hast, der idealerweise ein guter Entwickler ist oder einen guten Entwickler dazu und die ein, zwei Analysten, die das in die Orga tragen und den Geschäftsführungssponsor sozusagen, der dahinter hängt. Ich glaube, das ist der Best Case, aber die andere Person entwickelt sich dann irgendwann.   Joel Kaczmarek: Ich meine, wo ich natürlich ein bisschen hinausfrauf will, auch ist so meine letzte Frage zu dem Thema. Wir haben ja streng genommen bisher nur ein Lagerhaus für Informationen gebaut. Jetzt musst du ja eigentlich noch leisten, wie sind diese Informationen zu interpretieren. Wenn wir mal zurück an den Anfang denken, wenn ich anfange, jeden Kunden mir anzuschauen, der nicht zu mir auf die Seite gekommen ist, meine Werbemittel übergesehen hat, da wirst du ja irre. Deswegen ist für mich natürlich auch so ein bisschen der Gedanke, also vielleicht abschließend so zusammengefasst, wie kriege ich da noch ein Analyselevel drauf, was irgendwie valide ist? und B, braucht man dafür dann zum Beispiel, da bist du bei der personellen Ebene, braucht man dafür am Ende des Tages vielleicht sogar so eine Data Scientist, die dir eigentlich sagen, wie werde ich die aus? oder ist das   Florian Heinemann: Ein gewisses Level an Auswertungskompetenz muss der BI-Analyst haben. Und ich glaube, je größer du wirst, dann holst du im Prinzip mehr Kompetenz in dieses Analystenteam. Da muss jetzt nicht jeder ein Machine-Learning-Experte oder Data-Miner oder Data-Science. Du musst ja auch gucken, die meisten Leute, die da operativ mit arbeiten, denen fehlt ja sehr wahrscheinlich der Zugang zum Thema Machine-Learning. Genau. Also ich glaube, aber das ist ein sehr guter Punkt. Was wir vergessen haben ist, wenn das ein Stück weit wächst und größer wird, dann macht es sicherlich Sinn, innerhalb dieses Analystenteams Kompetenzen hinzuzufügen, die das Ganze dann more sophisticated machen. Also das wäre dann eben ein wirklicher Data Miner oder jemand, der weiß, wie Machine Learning funktioniert. Jemand, der vielleicht auch so etwas wie ein bisschen künstliche Intelligenz versucht reinzubringen.   Was dann vielleicht gar nicht die KPIs so großartig verändert, die dann der Marketingmanager verwendet, aber der vielleicht unter der Haube halt die Berechnung des CLVs oder die Prediction-Qualität des CLVs verbessert oder der im Prinzip die Kundensegmentierung, die auf Basis der Daten passiert, eben nicht mehr regelbasiert macht, sondern algorithmisch und dadurch beschleunigt oder so. Das sind jetzt Sachen, glaube ich, die verändern das Ganze für den letztendlichen Macher, der darauf dann Entscheidungen trifft, gar nicht so großartig, aber sozusagen die Intelligenz, die dafür verwendet wird, die kannst du natürlich nochmal ad infinitum nach oben treiben, wo du dann auch sagen kannst, pass mal auf, wir machen jetzt hier die Preise, da berücksichtigen wir jetzt die Wetterdaten noch. Das ist ja dann im Sinne von jetzt wirklich Big Data, also die meisten Sachen, die die meisten Leute da betreiben, fairerweise auch bei uns, da ist das Thema Big Data ehrlich gesagt eher sekundär, weil die meisten schon, Probleme haben, überhaupt die strukturiert vorliegenden Daten, die ja per Definition, so habe ich es zumindest mal verstanden, nicht Big Data sind, die überhaupt sinnvoll, entscheidungstreibend irgendwie einzusetzen.   Aber das kannst du natürlich, wenn du merkst, das ganze Basiszeug, das funktioniert alles. Also du kriegst die Daten da jeden Tag rein, du hast dir einen Bereich nach dem nächsten erschlossen, die Analysten, die arbeiten sehr eng mit den Fachbereichen zusammen, das wird immer besser, 80% der Firma arbeitet damit. Und dann verbesserst du sozusagen das Methoden, Wissen in dem Analystenteam. Ich glaube, das ist ein sehr, sehr smartes Ding und das ist auch ein riesen Differenziator aus meiner Sicht, weil das natürlich auch etwas ist, was sehr, sehr schwer von außen zu kopieren ist, zu verstehen ist und so weiter. Und das ist natürlich sozusagen dann die Endvision, wo sich dann ja auch eben genauso diese ganzen Buzzwords, die man hört, eben Big Data, Artificial Intelligence oder was, sehr sinnstiftend irgendwie einbringen können. Aber da brauchst du schon wirklich gute Leute, die halt in der Lage sind, das dann auch noch mit Business-Relevanz da irgendwie mit einzubauen.   Joel Kaczmarek: Ja, sehr, sehr spannend. Dann danke ich dir ganz herzlich für all dein Praxiswissen und die Ausführung. Ansonsten an alle da draußen, die sich das heute angehört haben, ich hoffe, euch hilft das auch sehr und ihr habt auch ein bisschen Spaß dabei. Wenn ihr uns eine Freude machen wollt, geht zu iTunes und schenkt uns eine Fünf-Sterne-Bewertung, denn unser Vermarkter tritt uns immer fleißig auf die Füße. So etwas müssen wir machen, weil nur Fünf-Sterne-Bewertungen helfen. Das würde uns sehr freuen. Fünf Sterne bei iTunes. Vielen Dank an euch und freue mich schon aufs nächste Mal. Danke dir.   Florian Heinemann: Danke dir.