Data Science Skills sind nur technologische Grundlage



Die Dynamik von Omni-Channel Fulfillment macht Data Scientists in der Lagerlogistik zur Schlüsselrolle. So wie beim Marktführer SSI SCHÄFER im Daten-Science-Team von Markus Klug.


Das, was sich in vielen anderen Branchen zwar so mancher wünscht, aber nur selten Realität wird, ist aktuell in der Lagerlogistik eine absolute Notwendigkeit: neue Konzepte und Systeme von der grünen Wiese weg umzusetzen. Die dynamischen Anforderungen im Omnichannel Fulfillment können nicht mit einer konventionellen Infrastruktur nach dem Motto „One fits all“ ohne die notwendige Dynamisierung im täglichen Lagerbetrieb abgedeckt werden. Zumindest nicht, wenn man wettbewerbsfähig sein will. Vor allem, wenn Lager neu gebaut und bei dieser Gelegenheit die Geschäftsprozesse neu überdacht werden, werden Skills im Bereich Datenanalyse, Simulation und Rollen wie Data Scientists zum entscheidenden Schlüssel. Bei SSI SCHÄFER, einem der weltweit führenden Spezialisten für Logistik und Automation, hat man diese Skills und Rollen deshalb schon frühzeitig als absolute Kernkompetenzen definiert. Markus Klug ist seit 2013 bei der SSI SCHÄFER IT Solutions GmbH und mit seinen Kolleginnen und Kollegen im steirischen Friesach für die Themen Datenanalyse und Simulation verantwortlich. Der an der TU Wien gelernte Technische Mathematiker leitete jahrelang am Forschungszentrum Seibersdorf Simulationsprojekte mit dem Schwerpunkt Logistik und lehrte dazu an mehreren heimischen Fachhochschulen. Er mahnt zu realistischen Erwartungen an die Data Scientists.


Herr Klug, viele Unternehmen beklagen, dass am Markt keine Data Scientists zu finden seien oder nur solche, die an den Hochschulen nicht entsprechend für die Anforderungen in der Praxis ausgebildet wurden. Sehen Sie das auch so? Wie haben Sie die Data Scientistin für Ihr Team gefunden?


Unsere Data Scientistin haben wir klassisch über eine Jobausschreibung gefunden. Zur Kritik an der universitären Ausbildung bedarf es einer differenzierten Betrachtung: Auf der einen Seite muss man den akademischen Ausbildungsstätten die Freiheit zugestehen, wie schon Prof. Hengstschläger meint: „… heute Antworten auf die Fragen von Morgen zu finden“.

Ohne dieser Grundlagenforschung würden viele Dinge im täglichen Leben nicht existieren. Die Absolventinnen und Absolventen benötigen dieses Grundlagenwissen. Auf der anderen Seite müssen sich akademische Einrichtungen auch auf die Wirtschaft zubewegen. Es hat sich in den letzten Jahren sehr viel verbessert. Die akademischen Einrichtungen bauen durch diverse Kooperations- und Forschungsprogramme Praxisbezug auf. Beim Diffundieren dieses Erfahrungsschatzes zurück in die Lehre scheint aber noch Handlungsbedarf gegeben zu sein.

Inwiefern? An welchen konkreten Aspekten beobachten Sie das?

Nehmen wir die „Data Literacy“, also die Fähigkeit, vorliegende Daten lesen und verstehen zu können. Wie oft sind die Prüfungsbeispiele auf den algorithmischen Lösungsweg ausgerichtet?


Das viel wichtigere Thema kommt oft unter die Räder, nämlich zu prüfen: Habe ich die richtigen Daten? Habe ich genug Daten um eine verlässliche Aussage zu treffen?Enthalten die Daten Widersprüche?

Was wäre – aus dem tiefgehenden Verständnis der Problemstellung – der Wertebereich, in denen sich sowohl die Eingangsdaten bewegen (können), wie auch die Ergebnisse voraussichtlich zu liegen kommen?

Das ist die Vermittlung der entsprechenden Fähigkeiten, (sich auch zu trauen) Daten in ihrer Entstehung, Erfassung und Verarbeitung zu hinterfragen, bevor eine Weiterverarbeitung erfolgt. Diese Fähigkeiten können nicht alleine an den Ausbildungseinrichtungen vermittelt werden, sondern müssen auch in der Firma im jeweiligen Anwendungsumfeld in einem Ausmaß von bis zu drei Jahren aufgebaut werden.


Wie ist das in Ihrem Unternehmen? Sind die Erwartungen an den Data-Science-Bereich und an Ihr Team konkret definiert worden? Und gehört dazu zum Beispiel auch, neues Business durch datengetriebene Geschäftsmodelle zu generieren?


Die Fragestellung für mein Team ist klar definiert: Wie kann aus den aktuellen und historischen Daten durch neue Analysen, und Algorithmen in Zusammenarbeit mit den dazugehörigen Simulationen der Betrieb optimiert werden? Die bisher erhaltenen vielversprechenden Ergebnisse sind Grundlagen für die weitere Bewertung möglicher und die Entwicklung entsprechender Geschäftsmodelle. Diese sind nicht mehr zum Nulltarif verfügbar, werden aber voraussichtlich verstärkt nutzenzentriert bepreist.Wir sind jedoch keine Marktexperten – auch wenn wir Marktanalysen datentechnisch unterstützen können.


Eine Frage, die oft diskutiert wird, ist, wo Data Science am besten angesiedelt ist, um solch Business-nahe Ziele umzusetzen. Wie ist das in Ihrem Fall?

Wir sind im Produktmanagement angesiedelt und arbeiten direkt an der Weiterentwicklung unserer eigenen Lagerverwaltung WAMAS auch anhand von Kundenprojekten.


Entscheidend ist, dass wir die Thematik Datenanalyse und Simulation als interne Kernkompetenz verstehen und nicht als etwas, das man an externe Spezialisten auslagert.

Es ist natürlich wichtig, dass die Priorisierung der Entwicklung, Umsetzung und entsprechender Nutzen durch Feedback aus dem Produkt genauso wie aus dem Projektumfeld gesteuert wird.

Auch wenn Data Science vielleicht nicht in allen Branchen eine solch entscheidende Rolle spielt wie in Ihrer – die Spezialisten zu finden und auszubilden, wird also zum Business-kritischen Kriterium?


Absolut. Das Wissen über die Herkunft und die Aggregierung von Daten als Grundlage für Analysen und Auswertungen darf nicht nur auf die Spezialisten eingeschränkt sein. Die Gefahr einer Missinterpretation ist einfach zu groß. Wir brauchen also eine Data-Literacy-Fähigkeit eigentlich bei allen, die mit Analyseergebnissen zu tun haben: Die entsprechenden Märkte haben unterschiedlichste Prioritäten und Wettbewerbssituationen.


Natürlich brauchen Data Scientists als die „Statistiker des 21. Jahrhunderts“ hohe Methodenkompetenz. Aber wenn die Ergebnisse den Fachabteilungen langwierig und am Ende effektlos erklärt werden, läuft auf beiden Seiten etwas schief.

Ergebnisse müssen zur effizienteren Handlungsfähigkeit führen, statt Zeit zu konsumieren. Wenn es wirklich Branchen gibt, die (noch) keine Schritte in diese Richtungen gesetzt haben, interessiert es mich, wie diese Firmen in Zukunft ihr Business in der immer kürzeren, schnelllebigen Zeit zielorientiert steuern wollen. Ein Blick auf die aktuelle Liste der größten Konzerne zeigt, wie viele vor wenigen Jahrzehnten noch nicht existierten und durch ihre jeweilige Anwendung von Data Science und IT zu Milliardenunternehmen geworden sind.

Beobachten Sie allgemein Fallstricke und falsche Erwartungshaltungen, die sich beim Aufbau der Rolle und der Kompetenzen von Data Scientists auftun?



Man darf nicht glauben, auf die Data Scientists alle Fragen abwälzen zu können, die bislang im Unternehmen nicht beantwortet werden konnten oder niemand eventuell aus politischen Gründen lösen wollten.

Data Science und Digitalisierung können auch dazu missbraucht werden, solche Probleme umzuetikettieren. Die Etiketten mögen neu sein, die Technologie enorm weiterentwickelt, die grundsätzlichen Problemstellungen dahinter sind es jedoch oftmals nicht: Wie geht eine Organisation mit Informationen um und wie transparent möchte sie anhand ihrer Daten überhaupt sein? Wie wichtig nimmt eine Organisation die Daten und deren Qualität? Die Digitalisierung löst diese Fragen nicht von selbst. Allerdings trennt sich nun endgültig die Spreu vom Weizen: Ein weiteres Dahinlavieren um diese Fragen bedeutet den schleichenden Untergang eines Unternehmens.

Daten Scientists haben respektive brauchen in meinen Augen deshalb eine enorm starke Persönlichkeit: Sie müssen jederzeit auch fundiert auf allen Management-Ebenen widersprechen können und es vor allem auch tun. Manchmal beschleicht mich das Gefühl, dass meine inoffizielle Positionsbezeichnung so wie so schon „Advocatus Diaboli“ ist.



Von Frantisek Prohaska; Fotos: Marija Kanižaj

Abonnieren Sie unseren Newsletter

  • Weiß LinkedIn Icon
  • Weißes YouTube-Symbol
  • Weiß iTunes-Symbol
  • Weiß Spotify Icon
digbiz_leader_logo_website.jpeg