00:00:03: Herzlich willkommen zur Analytics-Sprechstunde!

00:00:06: Ich

00:00:06: bin Maria Lena Matysik, Analytics-Konsultant und Geschäftsführerin der Analytics

00:00:11: Freaks.

00:00:12: Hier teile ich mit dir

00:00:14: wie Marketingteams

00:00:15: ihre Daten wirklich nutzen können für bessere Entscheidungen und nachhaltigen Erfolg – mit konkreten Insights, umsetzbaren

00:00:24: Tipps und ganz

00:00:25: ohne Buzzwords.

00:00:29: Heute habe ich Eve Lütti zu Gast.

00:00:32: EVE ist Head of Tech and Data bei der X-Technology und weiß, dass das Unternehmen hinter den Marken XBionic und Xsox.

00:00:42: Xbionic entwickelt Performance Equipment für Sportlerinnen und Sportler, d.h.

00:00:48: Bekleidung, Accessoires und auch Schuhe Und zu den Nutzern der Produkte gehören auch eine ganze Reihe professionelle Athletinnen und Athleten.

00:00:57: Und X-Bionic war zum Beispiel letztes Jahr auf dem UTMB, auf dem Ultra Trail du Mont Blanc in Chamonix präsent.

00:01:07: Das war ein kleiner Fangirl Moment für mich wo Yves mir das erzählt hat weil ich kam nämlich gerade kurz vorher aus Chamonis.

00:01:15: Ja große Sache für mich!

00:01:17: In seiner Rolle verantwortet EVE die Kommersarchitektur, das heißt das ERP und die gesamte Toollandschaft rundherum.

00:01:26: Und gleichzeitig treibt er auch Themen voran wie die Weiterentwicklung der Datenarchitektor, die digitale Transformation und natürlich ganz wichtig auch die AI-Adoption im Unternehmen.

00:01:40: Er selbst beschreibt sich als Übersetzer zwischen Business-Anforderungen an die Daten und am Ende der technischen Umsetzung.

00:01:49: Das heißt, Yves schaut ausnahmsweise in diesem Podcast nicht aus einer reinen Marketingperspektive auf die Daten sondern eher aus einer Systemperspektiven so eines wachsenden E-Commerce-Unternehmens Und auch nicht ganz üblich in diesem podcast nimmt uns Yves mit in den Status quo der Datenarchitektur bei Xbionic und anschließend teilte er seine aktuellen Überlegungen, Anforderungen und Pläne für den Ausbau der Dateninfrastruktur hin zu einem AI-fähigen Setup.

00:02:27: Das heißt ich habe mich auch mit Yves in einem halben Jahr verabredet für dann ein Update!

00:02:33: Wir sprechen außerdem darüber, warum eine saubere Datenbasis eigentlich deutlich wichtiger ist als jedes einzelne Tool wie Eve und sein Team von einem uneinheitlichen Excel-Report Setup zu einer Single Source of Truth gekommen sind.

00:02:52: Wie eCommerce Marketing und Trackingdaten zusammenspielen – und natürlich welche Rolle AI bei der Analyse für Marketing und Kundendaten spielen!

00:03:01: kann und vielleicht auch spielen sollte.

00:03:04: Diese Episode ist wirklich super hands-on geworden, ganz praxisnah weil Yves teilt wie es wirklich ist Daten eCommerce und AI zusammenzubringen.

00:03:14: also nicht nur so als Hype und alles total einfach und wie ich in fünf Minuten, fünfhundert Agents gebaut habe und jetzt nie wiederarbeiten muss sondern wie's wirklich is die Datengrundlage in einem E-Commerce Unternehmen für AI zu bereiten.

00:03:28: Und damit ab ins Interview!

00:03:32: Es ist mir eine große Freude, dass du heute in der Analytics-Sprechstunde bist.

00:03:36: Herzlich willkommen in meinem Studio quasi zugeschaltet aus der Schweiz!

00:03:42: Genau, aus Zürich.

00:03:43: vielen Dank für die Einladung.

00:03:44: ich freue mich auch sehr.

00:03:45: Hallo Maria bin sehr gespannt auf unser Gespräch und freue mich drauf.

00:03:49: Freude ist ganz meinerseits.

00:03:51: Im Fokus von diesem Podcast steht hier immer ein Learning rund um die Arbeit mit Daten und Insights und Business Value aus Daten generieren.

00:04:00: Welches Learning hast du denn heute mitgebracht?

00:04:03: Ich würde sagen, das Learning was am besten zu unserem Thema auch heute passt ist Thema Datenbasis.

00:04:09: Also welche Basis nimmst du um Daten zu analysieren?

00:04:13: Weil die ganze Thematik rund um BI und Daten auswerten, jetzt natürlich auch das ganze Thema AI.

00:04:19: Und wie kann ich mit AI meine Daten besser auswertend noch schneller zu Ergebnissen kommen?

00:04:26: Die basiert schlussendlich und am Ende des Tages immer noch auf einer guten Datenbasis.

00:04:33: Das braucht Zeit!

00:04:34: Es ist nicht so dass du einfach einen Tun nehmen kannst, das Connecten kannst du irgendeinem System und dann erwarten kannst, dass es dir die Daten so aufbereitet wie du's gerne hättest.

00:04:43: Und im besten Fall auch noch sagt was du jetzt damit tun sollst sondern musst ihr Gedanken machen, wie die darunter liegende Infrastruktur- und Datenstruktur ist um dann datenbasierte Entscheidungen treffen zu können, die auch wirklich reliable also auf den du vertrauen kannst weil sonst ist halt schon die Gefahr da das es dann irgendwo in Richtung geht hallucinating nennt man sie im AI Kontext dass es dann eben nicht verlässlich ist.

00:05:07: Das Learning ist wirklich, dass es braucht nach wie vor viel Zeit um die Datenbasis zu schaffen.

00:05:13: Da kommst du nicht drum herum.

00:05:14: aber wenn du das hast, ist es mit den heutigen Tools natürlich dann viel effizienter irgendwelche Entscheidungen zu treffen und Reportings zu fahren.

00:05:21: also vielleicht vor zehn Jahren noch war.

00:05:24: Ja, magst du uns vielleicht einmal ein bisschen mitnehmen?

00:05:27: Wie quasi ja so'n bisschen die Ausgangssituation war, wie du oder ihr als Team auch auf die Idee gekommen seid Da geht mehr, das geht besser.

00:05:37: Das geht vielleicht anders?

00:05:39: Ja sehr gerne!

00:05:40: Also da müssen wir vielleicht mal ein paar Jahre zurückdrehen.

00:05:43: Zeitpunkt, ich würde mal sagen, vom EI-Swanzwanzig als ich angefangen hatte bei Expionic.

00:05:47: Du kannst dir das so vorstellen, da waren nicht allzu viel da im Bereich Infrastruktursysteme und das war einerseits natürlich eine riesige Herausforderung und andererseits aber auch irgendwie eine dankbare Ausgangslage für Tech-Leute, weil du kannst im Prinzip deinen Stack von scratch neu definieren.

00:06:06: Du kannst die Systeme auswählen, die Prozesse definieren und es liegt schlussendlich an dir wie gut das dann alles funktioniert.

00:06:13: Das heißt du hast halt nicht diese ganze Legacy, die du irgendwie noch mitziehen musst und mitimplementieren musst.

00:06:20: Ausgangspunkt damals war eigentlich die Implementierung eines ERP Systems.

00:06:25: Das haben wir dann auch relativ schnell und effizient gemacht.

00:06:28: Wir haben uns für Odo entschieden da zum Was.

00:06:30: Haben aber auch schnell erkannt, dass die Datentransparenz damals nicht gegeben war.

00:06:36: Es lag nicht am System sondern daran, dass halt jeder seine Reports aus dem Odo gezogen hat.

00:06:43: ein gutes Export-Tool eigentlich.

00:06:46: oder die Daten ziehen kannst, aber was du dann damit machst ist die andere Frage.

00:06:49: Weil der eine zieht sich den Report halt mit denen und dem Felden, der andere zieht es sich ein bisschen anders.

00:06:54: und dann kommst du irgendwie in einem Meeting zusammen und hast plötzlich... Unterschiedliches Verständnis für KPIs wie Revenue oder wir werden Returns getrackt.

00:07:04: Und dann hast du Diskrepanten in deinen Reports und der eine rechnet so, der andere rechnet zu.

00:07:09: und irgendwann kommst du da hin und sagst ja ok jetzt haben wir hier wieder Abweichungen warum?

00:07:14: Das ist halt langfristig dann sehr unbefriedigend, weil diese Zahlen die reportest du ja auch gegen oben in Shareholders und so weiter.

00:07:22: Und darauf passieren machst da auch irgendwelche Forecasts und Budgets

00:07:24: etc.,

00:07:25: etc.

00:07:26: Wenn du da nicht konsistent bist in der Datenhaltung und im Reporting und mit der Definition von den KPIs, dann wird es dann irgendwann sehr ungemütlich.

00:07:34: Und das hat uns dazu veranlasst zu sagen wir brauchen dieser einheitliche verlässliche Datengrundlage, die wir dann gemacht haben indem wir einen BI Tool eingeführt haben, was auf diese ERP-Daten zugreift.

00:07:46: Aber was halt zwischendrin diesen sementischen Layer hat?

00:07:49: Was die Daten interpretiert, aufbreitet so dass du sie dann in dem BI-Tool einfach auswerten lesen kannst und somit hat eigentlich jeder die gleichen Datengrundlage und die gleiche Interpretation der Daten.

00:08:02: Kannst Du das vielleicht an einem Beispiel ein bisschen greifbarer machen?

00:08:05: also wie hat man sich das vorzustellen, dass quasi die sementische Layer etwas verändert?

00:08:10: Ja, stell dir vor du hast einen riesen Datenbank im ERP-System.

00:08:13: Das besteht aus hunderten von Datentabellen und da stehen die Zahlen darin.

00:08:19: aber jetzt zum Beispiel um Revenue KPI zu definieren musst du einmal definieren was ist Revenue wie wird der berechnet?

00:08:26: Und welche Datenfelder sind dafür relevant?

00:08:29: Wenn du das einmal gemacht hast dann ist die Zahl die daraus kommt es dann immer dieselbe.

00:08:33: Dann gibt's einfach eine Revenuezahl und die wird jeden Monat gleich berechnet, mit den gleichen Rohdaten sozusagen.

00:08:40: und diese Transformation von Rohdarten in dem finalen KPI, den du dann reportest.

00:08:44: Das ist eigentlich dieses amantliche Layered.

00:08:46: dazwischen liegt.

00:08:47: Und wenn du dir das jetzt vorstellst dass sich jeder einfach Excel dieser Rohdate exportiert und dann in seinem Excel den Revenue KPI sich selber berechnet ist halt die Gefahr groß, dass der einen nimmt Spalte C mal Spalter F und der anderen nimmt Spalt D mal Spalt M. Und dann ist es einmal nett und einmal gross und einmal was auch immer einfach nicht einheitlich.

00:09:08: Das hat uns schonmal viel Ruhe und Vertrauen gebracht.

00:09:13: Jetzt kann man sagen ja okay BI II gab's vor zehn Jahren schon das stimmt.

00:09:17: trotzdem war es für X-Bionic an zu dem Zeitpunkt extrem zentral, dass wir in die Richtung gehen.

00:09:22: Und jetzt kommt natürlich die nächste Herausforderung zu sagen, okay, jetzt haben wir diese Daten aus dem ERP.

00:09:27: Da sind also die Grunddaten.

00:09:30: Wie können wir das jetzt anreichen mit Third-Party-Data?

00:09:34: Wie, ja, sagen wir, AdSpent, Google Analytics-Daten, Userbehavior

00:09:38: etc.,

00:09:39: etc.?

00:09:39: Die erste normalerweise nicht im ERP.

00:09:42: in der ERP ist halt Transparenz über Umsatzmarschekundendaten Artikel Performance Logistic APIs.

00:09:49: Das war für uns fundamental, wie gesagt.

00:09:51: Und jetzt können wir die nächste Stufe eigentlich zünden um da dann noch weitere Analysen zu fahren und auch Entscheidungen zu treffen, die dann vor allem auch für die Tussierer der Wand sind?

00:10:02: Ich würde sagen das stehen mir gerade.

00:10:03: Sie ist eine zentrale Architekturfrage.

00:10:06: hast du ein Tool für alles?

00:10:07: also findest du jetzt einen Weg wie diese Third Party Data in das BI-Tool mit reinziehen will.

00:10:15: Das wird dann relativ komplex je nachdem, d.h.

00:10:17: diese Datenmodellierung oder eben dieses semantische Layerkomponente die wir sehr komplex... Oder sagst du hey kein Problem!

00:10:24: Wir nehmen ein Tool was uns diese Daten bereits aufbereitet, was z.B.

00:10:28: Shopify kompatibel ist.

00:10:29: der Vorteil von Shopify ist halt dass du einen recht breiten Angebot an Apps und Systemen hast die direkt mit Shopify native funktionieren Und bist erstmal fein damit dass du sagst ich habe meine ERP-Daten in einem BI-Tool, wo ich eben diese Macro KPI quasi trecke.

00:10:46: Und ich habe ein zweites Tool was uns dieses Word-Party Data mit den Ecom Daten und Kunden Journey Tracking Daten nochmal aufbereitet.

00:10:54: Was sind denn so deine Gedanken dazu?

00:10:56: Vor welchem Tod den man am Ende sterben muss?

00:10:59: Einen einen musste sterben ja!

00:11:01: Meine Tendenz ist, dass ich sage zum jetzigen Zeitpunkt wo wir jetzt stehen können wir guten gerne mit zwei Tools arbeiten weil diese Daten auch nicht zwingend in einem System vereint werden müssen.

00:11:13: Weil die Komplexität einfach auch sehr groß werden würde?

00:11:15: Komplexkeit

00:11:16: wird enorm groß genau.

00:11:18: Du kannst einerseits sagen okay du nimmst die Daten aus Shopify und den third party tools und versuchst sie ins ERP BI-Tool zu bringen, mittels Konnektor oder manuell einmal im Monat was dann auch nicht eine saubere Lösung wäre.

00:11:34: Musst aber da drin eben wieder diese Daten erst mal aufbreiten weil du schickst die ja nicht direkt ins BI sondern du speicherst sie irgendwo im Data Warehaus und musst die dann aufbereiten im BI Layer also visualisierbar machen.

00:11:47: Oder du gehst den anderen Weg und sagst okay welche Daten aus dem ERP brauche ich zwingend noch auf der anderen Seite was meistens dann eben viel weniger ist, weil die ganzen Transaktionsdaten aus Shopify, in den ganzen Kunden-Daten aus Shopify sind ja eigentlich sowieso schon da.

00:12:03: Du hast aber den Vorteil dass diese Tools dann third party Apps und eben Marketing Spende etc.

00:12:09: so aufbereiten das du dir dann diese KPIs daraus bauen kannst.

00:12:13: also ich tendiere dazu zweigleistig zu fahren.

00:12:16: glaube das kann man durchaus vertreten Mit dem Vorteil, dass dieses Thema Semantic Layer also diese Abstraktionsschicht zwischen den Rohendaten und dem Endnutzer das einfach sauber funktioniert.

00:12:29: Wenn du das hast kannst du dann auch anfangen mit AI Datenanalysen zu fahren weil wenn du AI direkt auf die Rohdaten loslässt Dann ist da auch die Gefahr, dass es halt einfach zu Fehlinterpretation kommt Weil AI die Daten zwar erkennt und vielleicht auch mit der Intelligenz bis zum gewissen Grad interpretieren kann.

00:12:50: Aber trotzdem läufst du einfach das Risiko, dass es da irgendwo zu hallucinating kommt und dann kann es schon auch zu fatalen Fehlentscheidungen kommen wenn du nur noch darauf vertraust.

00:13:01: Ich glaube heutzutage gibt's da wirklich Tools da draußen in der Welt die uns einen riesigen Mehrwert schaffen würden, die auch natives dann mit AI, Cloud, JGPT whatever connecten Man diesen Traum von, ich tippe einfach nur noch in mein AI-Tool die Frage und das Tool spuckt mir das aus.

00:13:21: Inklusive drei Recommendations wie jetzt meine Marge optimieren kann über welchen Schellen oder welches Kundensegmenten welche Kampagne am besten nicht direkt nachherstelle dazu und die dann im besten Fall auch automatisiert ins Emailmarketingtool gespielt wird ist tatsächlich gar nicht mehr soweit weg wenn du mal dieses saubere Datenbasis hast.

00:13:40: Und das jetzt selber inHouse zu bauen, ins BI-Tool zu nehmen wie gesagt, das halte ich für sehr komplex.

00:13:46: Es sei denn, du hast ein Riesendatenteam was dir das halt einfach macht.

00:13:49: aber so wie wir aufgestellt sind glaube ich werde ja richtige Wege diese Zweigleisigkeit zu fahren, Auf the World Party Tools zu vertrauen die das genau können und dann den Mehrwert mit AI zu schaffen.

00:13:59: Und habt ihr da schon Ideen, wie ihr AI-Kandidaten dann anschließen würdet?

00:14:04: Also ist die Idee tatsächlich zum Beispiel zu sagen dass man einen Cloud Interface nimmt und Cloud es sozusagen oder kann auf entweder die eine oder andere Datenquelle zugreifen.

00:14:15: Genau ungefähr so würde ich mir das vorstellen.

00:14:18: also konkret wir haben die ERP-Daten in unserem SuperSet BI.

00:14:22: dort kann man mittels MCP draufkonekten also Cloud MCP zum BI Und dann hätten wir auf der anderen Seite Shopify mit seinem App-Environment und eben einem dedizierten BI-Tool oder ja, Datentool on top.

00:14:37: Das könnte zum Beispiel Polar Analytics sein was mich sehr interessiert aktuell und die bieten am Ende des Tages genau dieselbe Funktion du connectest halt mit Cloud und kannst dann deine Datenanalysen über Cloud fahren und dann kannst du dir immer noch überlegen ob du die beiden Sourcen in Cloud nochmal verbinden möchtest, um dir dann irgendwelche aggregierten Datensätze nochmal zu generieren.

00:15:00: Obwohl ich glaube dass das gar nicht unbedingt notwendig sein wird und der nächste Schritt wäre dann wirklich diese Daten und da kommt hier ja natürlich auch Spiel jetzt mit den ganzen Tracking-Daten die wir mit euch zusammen im Shopify implementieren.

00:15:16: Ich sage jetzt mal zu den reinen Transaktions- und Customerdaten in Shopify bieten, wo man dann genau sagen kann, okay, generiere mir Kundensegmente aus Kunden, die den und dem und den Event getriggert haben auf der Webseite.

00:15:30: Im Sinne von sie haben die und die Aktionen gemacht auf der Website.

00:15:34: Generieren wir ein Segment daraus und schlagen mir eine Kampagne vor wie ich die zum Returning Buyer bringen kann wäre das natürlich fantastisch, wenn du es auch direkt zu Klavio connectest und KlavIO generiert dir dann diese E-Mail-Kampagne mit den Daten die aus dem Tool in Cloud gelandet sind.

00:15:52: Dahin möchten wir arbeiten!

00:15:54: Das ist so die Vision gerade wo wir hin kommen wollen.

00:15:57: Ich glaube die Grundlage haben wir jetzt geschaffen Und jetzt geht es darum im Bereich D to C vor allem eben einerseits die Trackingdaten soweit oder so granular noch zu implementieren dass wir dann auch diese Analysen machen können und andererseits auch das Tool dann auszuwählen, was uns eben diese Transparenz ermöglicht.

00:16:16: Und am Ende des Tages auch die Automatisierung mittels AI Clots MCP Connector, dass wir das so nutzen können um diese Automatisierung, diese verlässlichen Analysen zu fahren.

00:16:26: Habt ihr dafür irgendwie so eine Art, ich sag mal Timeline.

00:16:30: Also denkst du das ist jetzt ein Prozess der sich noch ne ganze Weile ziehen wird?

00:16:35: oder arbeitet ihr da auch so dass ihr sagen würdet hey wir bauen jetzt einen MVP für den ersten Newscase?

00:16:40: Oder vielleicht kannst du ein bisschen teilen wie du das so zeitlich siehst.

00:16:44: Die Toolentscheidung die steht jetzt im Raum ohne Frage.

00:16:47: Erfahrungsgemäß sind solche... Ich beziehe es jetzt mal auf Shopify.

00:16:51: Wir sind solche Shopify Native Connecting Tools relativ easy zu implementieren.

00:16:55: Ja, man redet immer von Plug and Play.

00:16:57: Es ist dann doch ein bisschen mehr aber in der Regel geht es relativ schnell.

00:17:01: das aufzusetzen und... Insofern Piloten zu fahren halte ich für realistisch würde ich jetzt mal sagen innerhalb der nächsten sechs Monate was man nicht vergessen darf bei dem ganzen Thema.

00:17:12: Wir reden jetzt zusammen wir haben beide ein Tech Verständnis und wir sind wahrscheinlich auch etwas was AI anbelangt sehr weit vorgeschritten Power User oder wie du's nennen möchtest.

00:17:22: Aber du hast natürlich eine Company.

00:17:24: und was ich eingangs erwähnt habe, diese digitale Transformation dieser AI Adoption die kann dann teilweise ein bisschen bremsen.

00:17:32: Alleinerseits ist es das Vertrauen was die Leute erstmal haben müssen in die Tools aber auch andererseits noch müssen sie lernen wie ich jetzt effizient damit arbeite.

00:17:41: da sehe ich eigentlich die große Herausforderung bei uns dass wir jetzt schnell diese adoption weiter vorantreiben aufs nächste Level weil die Entwicklung im Bereich AI ist ja wirklich crazy.

00:17:51: eigentlich jeden Tag gibt es irgendwo einen Release, ein Launch von etwas Neuem.

00:17:55: Du denkst dir jeden Tag scheiße ich bin schon wieder einem Monat zu

00:17:59: spät

00:18:00: und gleichzeitig hast du dann diese Herausforderung vom wie nehme ich das Team mit auf die Reise?

00:18:05: Wie stelle ich sicher dass alle jetzt den Weg machen und das kann dann schon auch einmal wieder die Roadmap ein bisschen verlangsamen.

00:18:15: Aber grundsätzlich glaube ich tatsächlich, dass sowas wenn man den Fokus drauf legt in drei bis sechs Monaten durchaus realistisch ist.

00:18:21: Wenn nicht sogar schneller also... Insofern würde ich mal sagen Ziel wäre in sechs Monaten da zu sein das wir das mittels AI eigentlich nutzen können.

00:18:30: ja.

00:18:30: Magst du vielleicht noch einmal vielleicht so deine Learning aus den ganzen Überlegungen?

00:18:36: Aus deinen Gedankenabwägungen so ein bisschen zusammenzufassen?

00:18:42: Ja, sehr gerne.

00:18:42: Also ich glaube das wichtigste Learning ist für uns aber glaube ich generell auch gesagt dass AI keine saubere Datenbasis ersetzen kann zumindest nicht stand heute.

00:18:55: Ich glaube es ist ein Enabler oder sie empowers das was darunter liegt weil du damit einfach viel schneller arbeiten kannst viel besser arbeiten kannst.

00:19:04: wie also diese ganzen Excel Formel Gebauer ist halt einfach Geschichte, wenn du es richtig nutzt.

00:19:12: Also wenn die Daten gut sind und die Datengrundlage korrekt ist dann hat AI einen Riesenhebeln in dem Bereich ohne Frage.

00:19:19: Wenn das aber nicht so ist wird's eher gefährlich weil halt dann eben falsche Schlüsse gezogen werden können Die sehr überzeugend klingen Und du gefahrläufst dass du halt blind vertraust und denkst okay ja ich habe mir das gesagt Ich mache das jetzt so passt und da sehe ich die große Herausforderung.

00:19:36: also dieses Konfidenz ohne Korrektheit ist auch das große Risiko.

00:19:41: Das ist ja generell so, egal ob du nur eher als Chat nutzt oder nicht aber es ist jedes Mal extrem selbstbewusst was da zurückkommt und wenn du es glauben willst dann ist es auch so, aber da muss man wirklich aufpassen gerade bei diesen Datenthemen.

00:19:55: Und vielleicht das zweite Learning die Tool-Auswahl ist sehr wichtig Aber am Ende des Tages dennoch zweitrangig weil schlussendlich entscheidend die Datenlogik und die Architektur darunter.

00:20:08: Wenn du einfach einen Tool kaufst, und dir dann erst überlegst wie ich was messen möchte, dann baust er eher so auf einem sandigen Fundament, sag' ich jetzt mal, das hat einfach nicht verhebt.

00:20:19: Ja, das dritte Learning am Ende des Tages müsste ja das Zielbild wirklich sein, dass du dieses Reporting-Marketingdaten Userbehaviour irgendwo verbinden kannst um das Full Picture zu kriegen, wenn ihr das komplett isoliert betrachtest Dann wird es irgendwann schwierig werden.

00:20:36: Also du musst einen Weg finden, zumindest ansatzweise die Daten verknüpfen zu können und dann wirklich auch verlässliche und gewinnbringende Analysen zu fahren.

00:20:47: Sehr spannend!

00:20:48: Eine Abschlussfrage habe ich noch, vielleicht ein bisschen operativer gedacht.

00:20:53: Was würdest du denn sagen hast du in den letzten Monaten gelernt?

00:20:56: Was du vielleicht anderen mitgeben könntest damit sie das Learning nicht erst noch selbst machen müssen?

00:21:02: Genau!

00:21:02: Vielleicht ein bisschen geringere Flughöhe im Sinne von wie du in diesem Prozess gestartet bist und wie du vielleicht im Nachhinein denkst okay hätte dich das und das anders gemacht wäre es vielleicht schneller gegangen.

00:21:13: Also ich glaube tatsächlich dass es nach wie vor da anfängt wie man Prozesse definiert.

00:21:19: Also du musst halt deine Prozisse einmal verstehen, bevor du was messen kannst.

00:21:23: und ich kann mich gut erinnern als wir damals das ERP eingeführt haben.

00:21:27: Wir waren ein komplett neues Team die Company, wie gesagt, die gab es seit fünfundzwanzig Jahren aber wir haben vieles damals auch noch nicht gewusst.

00:21:34: Wir haben halt schnell einen ERP implementiert, was ultra wichtig war für uns operativ.

00:21:39: Aber wir haben dann auch viele Prozessen erst mit der Zeit verstanden und mussten dann teilweise die auch nochmal anpassen.

00:21:46: Und da läufst du halt Gefahr, dass du die Dinge zwei oder dreimal machst.

00:21:49: Also das heißt eine saubere Prozessanalyse verbunden mit einer sauberen Datenanalysee.

00:21:54: Wenn wir es jetzt aufs Tracking runterbrechen möchten, weil wir heute ja auch über Analytics-Freaks sprechen oder mit euch sprechen Dann ist es dann schlussendlich dasselbe Du hast irgendwo ein Zielbild und möchtest was messen Und dann geht oft so'n bisschen die Zeit Verloren.

00:22:10: oder du willst die zeit ich investieren eine saubere Analyse zu machen.

00:22:12: Okay, was bedeutet das eigentlich?

00:22:14: Was ich hier messen möchte und was muss sich da welche daten muss ich da tracken um Um diesen kpi verlässlich ermessen können?

00:22:23: Und dann würde ich sagen da ein bisschen mehr Zeit und auch Geld investieren und an hinten raus einfach viel effizienter zu sein und Auch das ganze dann eben nicht nochmal zwei drei vier mal anzufassen noch einmal zu ändern.

00:22:35: Ich glaube den fehlen machen viele wir machen ihn auch immer Mal wieder.

00:22:39: oft ist es Zeitdruck, der dann einfach sagt okay machen wir schnell schnell schnell.

00:22:42: Aber ich glaube da ein bisschen mehr Zeit sich nehmen zwei drei Stunden mehr investieren nochmal um zu verstehen was genau wird jetzt gebraucht auch mit den Entwicklern zusammen.

00:22:51: dann hast du am Ende des Tages ein besseres und zufriedenstellendes Resultat.

00:22:55: Und dann vielleicht zweites Learning das helfen kann ist dass man oft ja Erwartungshaltung vs Realität und dann auch Scope also Erwartungshaltung.

00:23:06: Ich will alles sofort messen können.

00:23:09: Realität ist, können wir nicht?

00:23:11: Haben wir noch nicht.

00:23:12: und daraus ein Scope zu definieren der realistisch ist weil wenn du ständig einen Scope definierst den du nicht erreichen kannst wirst frustrieren.

00:23:19: lieber klein schneiden die Themen und dann so ein agiles Modell gehen und sagen okay wir machen jetzt nur das aber dafür richtig und dann feiern uns dafür dass das funktioniert hat und dann geben wir das nächste an weil wenn es pferd von hinten aufziehst dann wird's für alle einfach nur frustrierend sein.

00:23:33: ja also das finde ich ein super super wertvolles learning.

00:23:37: Und wie gesagt, ich mache den Fehler selber auch immer mal wieder.

00:23:40: Also ich denke ja komm das machen wir jetzt noch schnell!

00:23:42: Ich glaube wir wollen ja alles sofort und perfekt und das Zielbild und die Version und nicht so lange warten.

00:23:48: Ja und am Ende des Tages auch Management hinprobieren.

00:23:51: Konkret die Fragen stellen da auf keinen Fall zu technisch werden aber einfach fragen stellen okay was möchtest du messen?

00:23:57: Was sind die drei wichtigsten Themen die für dich jetzt relevant sind?

00:24:00: wo können wir Transparenz reinbringen daraus den Scope definieren abliefern und dann die gleiche Frage widerstellen?

00:24:07: Und dann macht man Fortschritte und alles sehen den Progress.

00:24:09: Alles sind auch irgendwie zufrieden, viel eher als wenn man fünftig KPIs notiert und sagt das muss ausgemessen werden.

00:24:16: Und schlussendlich kommst du mit zehn zurück und denkst so okay jetzt haben wir irgendwie eine zwanzig Prozent geschafft und dem was wir hätten schaffen sollen dass dann langfristig einfach nicht macht keinen Spaß.

00:24:26: Absolut!

00:24:27: Vielen vielen lieben Dank für die ganzen Insights.

00:24:30: ich fand es super super spannend.

00:24:32: danke fürs teilen.

00:24:33: sehr gerne.

00:24:34: ich danke dir vielmals für die Einladung.

00:24:36: hat Spaß gemacht.

00:24:37: und bis

00:24:38: in sechs Monaten, ne?

00:24:39: Genau.

00:24:41: Bis in sechs Monate!

00:24:43: Danke Maria.

00:24:45: Takeaways.

00:24:47: Was ich aus diesem Gespräch mitgenommen habe ist einmal so eine Prozessperspektive für die Weiterentwicklung einer Architektur also zum Beispiel dass das Management- und Fachbereiche möglichst früh einbezogen werden müssen und am Ende natürlich weniger Use Cases oder KPIs die sauber umgesetzt sind, besser sind als zu viele nur halb.

00:25:12: Denn am Ende sind Datenprojekte eben nicht einfach rein technische Projekte sondern die zentrale Frage sollte da immer lauten was sind denn die wichtigsten Themen für die wir gerade Transparenz durch Daten brauchen?

00:25:26: Also wenn Management und die Fachbereiche diese Prioritäten mitgeben dann wird der Scope klarer, die Umsetzung realistischer und eigentlich ist dann erst echter nutzen aus den Daten für das Business möglich.

00:25:39: Weil gerade Marketing und im E-Commerce, glaube ich die sind da ein bisschen anfällig für ist der Wunsch oft groß sofort alles messen zu können weil man kann ja auch super viel messen und dann mit allen Daten die man überall gemessen hat direkt super viel zu machen.

00:25:58: Aber das Learning für mich aus dem Gespräch mit Yves ist hier auf jeden Fall klar, besser mit den wichtigsten Fragen starten, den Scope realistisch schneiden und am Ende lieber einzelne Themen oder einzelne Use Cases sauber von vorne bis hinten umsetzen – genau anstatt irgendwie mit fünfzig KPIs zu starten und fünfzwanzig Use Caces!

00:26:20: Und am Ende ist alles nur so halbfertig... oder funktioniert nicht hundert Prozent.

00:26:25: Und ich fand es auch super spannend, dass Ifir noch mal gesagt hat okay ein sauberes Erwartungsmanagement ist super wichtig das den Stakeholder nicht so eine wunderbare neue AI-Welt versprochen wird sondern wirklich klare Use Cases benannt werden und klare Fragestellungen die hinterher sozusagen gelöst sein sollen!

00:26:46: Und das zweite Learning aus dem Gespräch, was ich hier noch mal aufgreifen möchte ist.

00:26:51: Auf jeden Fall AI ersetzt eine saubere Datenbasis nicht!

00:26:55: Das finde ich auch persönlich super interessant, dass Yves das nochmal so explizit hervorgehoben hat weil ich werde nämlich oft gefragt ob wir als spezialisierte Analytics-Agentur nicht irgendwie demnächst komplett überflüssig sind und ob ich mir schon etwas für meine Zukunft überlegt hätte?

00:27:11: Weil im Zeitalter von KI braucht man doch keine Analytics Experten mehr.

00:27:16: Ifs-Aussage dazu war und das sehe ich genauso, dass AI natürlich super wertvoll ist, Analysen beschleunigen kann, Zusammenhänge sichtbar machen kann.

00:27:26: Und perspektivisch wahrscheinlich auch noch viel mehr tiefere bessere Empfehlungen für Kampagnen liefern kann.

00:27:33: Aber am Ende wird AI nur dann wirklich hilfreich und wirklich nützlich wenn die zugrunde liegenden Daten am Ende aussagekräftig sind sauber strukturiert einheitlich definiert sind, den richtigen Kontextbezug haben und-und-und.

00:27:50: Also wenn das nicht gegeben ist also wenn die Datenbasis nicht stimmt mit der AI am Ende arbeitet oder auf die wir dann zugreifen mit AI wie sagt man Garbage in Garbage out?

00:28:00: Also dann entstehen vielleicht irgendwie überzeugend klingende aber irgendwie potenziell falsche oder zusammenhalizinierte Ergebnisse.

00:28:07: Und damit sind wir auch schon am ende dieser Episode angekommen.

00:28:11: Wie immer gilt Ich freu mich super über euer Feedback oder eure Ideen für zukünftige Episoden.

00:28:16: Meldet euch gern, ich freue mich immer von euch zu hören!

00:28:19: Dann bleibt mir nur noch zu sagen – bis zur nächsten Episode!

00:28:22: Ciao ciao.